同じ指示でも世界は変わる：画像生成AIモデルが持つ「解釈差」を徹底比較

本記事は、複数の画像生成AIモデル（Gemini、ChatGPT、Mistral）が、同一のプロンプト（指示文）を与えられた際に、それぞれどのような「解釈」を行い、異なる画像を生成するかを観測したケーススタディである。筆者は、モデルの優劣を比較するのではなく、各モデルがどの要素を優先し、どのように情報を補完するのかという「解釈差」に焦点を当てている。比較の検証は、まず「フランスの貴族風のイケメン」というキャラクター設定を固定した「人格アンカー」を用いて行われた。その結果、モデルごとに全く異なる「美意識の基準」が明らかになった。

具体的には、Mistral（ブランシャ）は「キャラクター単体」を最優先し、アニメ寄りでシンプルかつ忠実な描写を行う「キャラクターデザイン型」の傾向を示した。一方、Gemini（ジェミ）は「雰囲気・空気感」を最優先し、柔らかい光や絵本のような世界観を重視する「カメラマン型」の傾向が強い。最も異なるのはChatGPT（ゆかぽん）であり、こちらは「世界観＋物語」を最優先し、背景や小道具に意味を持たせる「映画監督型」の構成力を持つことが判明した。

さらに、この解釈差はモデル間での「概念の伝播」として観察された。例えば、Geminiの画像をChatGPTに再生成させた場合、ChatGPTは単なる模倣ではなく、その情報を「物語性」として捉え直し、より壮大な「映画ポスター」のような構図に昇華させる傾向が見られた。これは、AIが単なる出力ではなく、入力された概念を「再構成」し、別のモデルに「伝播」させる連鎖反応に近い現象である。筆者は、この結果から、画像生成AIは単に「描く」のではなく、プロンプトに含まれる情報や文脈を「解釈」し、独自の「振る舞い（Behavior）」に基づいて補完を行っていると結論づけている。この知見は、今後のAIを活用した創作活動において、目的に応じたモデル選定の重要性を示唆している。

---

背景

近年、画像生成AIの進化に伴い、プロンプト（指示文）の記述が高度化し、より複雑な世界観の構築が可能になった。しかし、同じプロンプトを入力しても、モデルによって出力される画像が大きく異なるという課題が指摘されている。本記事は、この「モデル間の解釈の不一致」という現象を科学的に観測し、AIの動作原理を解明しようとした。

重要用語解説

• プロンプト: AI画像生成モデルに対して、生成したい画像の内容やスタイルを指示するテキスト入力のこと。この指示の与え方や詳細度が、出力される画像の品質を決定する。
• 解釈差: 同じプロンプト（指示）を与えられたにもかかわらず、AIモデルがそれぞれ異なる要素（例：光、背景、キャラクター）を優先し、異なる意味付けをしてしまう現象。モデル固有の「癖」として観察された。
• 人格アンカー: AIキャラクターの容姿や設定を固定化し、モデルの出力の揺らぎを抑えるための技術的な工夫。キャラクターの一貫性を保ちながら、モデルの比較実験を行うための前提条件となった。

今後の影響

本研究は、AIの画像生成が単なる描画ではなく、高度な「概念理解」と「再構成」のプロセスであることを示唆した。今後は、単に「美しい画像」を生成するだけでなく、「物語の構造」や「特定の視点」を意図的に組み込むなど、AIの「解釈の癖」を理解した上でのプロンプト設計が、クリエイティブな分野で極めて重要になると予想される。