Googleが画像生成AI「Parti」を一般公開しない理由

シリコンバレーから現役データサイエンティストのインサイトをお届けする「The Insight」。今回取り上げるのは、Googleが発表した最新のデジタルアート生成技術です。

論文データ：

今回のディスカッション対象の論文をご紹介します。

Google が開発した「Parti」とは「Pathways Autoregressive Text-to-Image」の略称です。文章で指示を与えると、その文脈に合った画像をPartiが自動生成します。

Partiがどのような画像を生成できるかは、Google の特設サイトを見るとよく理解できます。下図はPartiによって生成された画像の例で、それぞれの元となった指示文の日本語訳は以下の通りです。

（画像引用：https://parti.research.google）

こうした短い文章から、Partiは多種多様な画像を生み出します。特設サイトでは、指示文の一部をユーザーが自由に選択できます。上図左のアライグマの画像であれば、「ゴッホ風」の他に以下の選択肢が用意されています。

指示文を変えるごとに、まったく違う画像が生み出される様子を見ると、まるでAIが創造性を持っているかのように感じられるでしょう。

Google の開発したPartiは、文章から画像を生成することをまるで言語を翻訳するかのように扱うのが特徴です。つまり、ある英語の文章が与えられた際に、それを別の言語に変換するかのように、画像に変換する処理を行うのです。

こうした変換処理を高い精度で実現するために、GoogleはC4（Colossal Clean Crawled Corpus）という大規模な文章のデータセットを用意しました。C4を使って学習することで、Partiは「その文章は何を意味しているのか」を示すパラメータを蓄積していったのです。

従来の画像生成モデルでは、学習用のデータとして「文章と画像の組み合わせ」が大量に必要でした。しかし、そのようなデータセットは用意すること自体が難しい、という課題がありました。

一方、Partiの画像生成の仕組みであれば、「文章のみ」のデータセットを増やすだけで、画像生成の質の向上に大きな効果があります。「文章のみ」のデータであれば、インターネットを通じて大量に入手することが容易であることから、Partiは学習を進めやすいのです。

Googleが開発したPartiの研究における大きな成果のひとつは、「パラメータの数と生成される画像の質に密接な関係がある」と明確にしたことです。下図は、Partiが獲得したパラメータ数ごとに、どのような画像を生成するかを示したものです。

画像の元となった文章は共通で「リスが鳥にりんごを渡している」です。

（画像引用：https://parti.research.google）

パラメータ数が「350M」と「750M」では、奇妙な画像ができてしまっていることがわかります。「3B」の図は悪くありませんが、鳥の頭部が不鮮明です。

ところが、パラメータ数が「20B（200億）」になると、まるで撮影した写真のような高品質な画像を生成することに成功しています。

このようにPartiでは、パラメータ数を増やせば画像の質が高まります。そして、パラメータ数を増やしたければ、「文章のみ」の大規模なデータセットを用意すれば良いのです。

高品質な画像生成モデルを開発するうえで、Partiは新たなアプローチ方法を示したといえます。