AI、デザイン、そしてオープンモデルの可能性：Ideogram創業者が語る画像生成の最前線

画像生成AIの分野で、Ideogramがリリースしたオープンウェイトモデル「Ideogram 4.0」は、わずか93億パラメータという小型モデルでありながら、テキストレンダリング、レイアウト制御、そして「味」のあるデザイン出力において驚異的な性能を達成した。本エピソードでは、a16zのYoko LiとJustine MooreがIdeogramの創業者兼CEOであるMohammad Norouziを迎え、クローズドモデルからオープンウェイトへの戦略転換、JSONプロンプティングという独自のアプローチ、そしてプロフェッショナル向けのカスタマイズとエージェンティックワークフローの未来について深く掘り下げている。会話の随所に、画像生成の「次のフロンティア」は単なる画質向上ではなく、制御可能性と編集可能性にあるという明確なテーゼが貫かれている。

0:00オープンウェイトへの戦略的転換

Ideogramはこれまでクローズドモデルを採用してきたが、今回初めてオープンウェイトモデルをリリースした。Norouziはこの決断の背景について、同社の戦略的焦点の変化を明確に説明している。「私たちはこれまでファーストパーティのアプリとAPI、そしてモデル開発のすべてを自前で行ってきました。しかし、モデル開発自体に膨大なリソースが必要であり、私たちはモデル側にもっと集中すべきだと判断しました」。オープンウェイト化により、Ideogramは推論プロバイダー、大企業、チップメーカーとの協業を拡大できるようになった。「これは私たちが『ファウンデーションモデルの構築に本気です』と宣言するようなものです。アプリ開発者であれ、チップメーカーであれ、推論プロバイダーであれ、皆さんと協力したい」

Norouziは、ユーザーとの直接的なインタラクションは引き続き自社で所有する方針も強調した。「ユーザーから直接得られるフィードバックは非常に重要です。しかし同時に、モデルの重みを公開することで、エンタープライズがオンプレミスでホストしたり、デバイス向けに最適化したりする能力を提供できる」

この決断は、Ideogramが単なるアプリケーション企業ではなく、ファウンデーションモデル企業としてのアイデンティティを強く打ち出したことを意味する。特に注目すべきは、同社が「規模で勝負する」のではなく「革新と差別化で勝負する」という明確な戦略を取っている点だ。

1:49小型モデルで実現した驚異の性能：93億パラメータの秘密

このモデルの最大の驚きはそのサイズにある。従来の最先端モデルが約800億パラメータであったのに対し、Ideogram 4.0はわずか93億パラメータ、実に9分の1の規模だ。それでいて2K解像度の出力が可能で、単一のGPUで動作する。Justine Mooreが「どうやってこれを実現したのか」と問うと、Norouziは率直に答えた。「私たちはモデルの細部に焦点を当てました。私は以前Googleで働いていましたが、たとえ資金を10倍に増やしても、チップの数でGoogleに勝つことはできません。だから代わりに革新に注力したのです」

Norouziは、小型モデルであることの戦略的優位性についても語っている。「小型モデルはコンシューマーGPUで動作し、デバイス上での実行が可能です。多くの企業がプライバシーを重視しており、デバイス上で動作する小型モデルの品質向上は非常に重要です」。このアプローチは、Ideogramが「規模の経済」ではなく「焦点の経済」を追求していることを示している。

モデルの訓練プロセスについて、Norouziは「評価」の重要性を強調した。「画像モデルの評価は非常に難しい。既存のベンチマークはピクセルの忠実度やリアリズムと相関していないことが多い。私たちは訓練を通じて常にテキスト精度を測定し、モデルとデータの各要素を非常に注意深く調整しています」。また、データ処理の革新として、インターネット上の画像からAIを使って詳細なテキスト記述（バウンディングボックス情報や要素情報を含む）を生成し、そのデータを使ってテキストから画像へのモデルを訓練するという「画像→テキスト→画像」のサイクルを採用していることを明かした。

3:35JSONプロンプティング：制御可能性の新境地

Ideogram 4.0の最も特徴的な点は、JSON形式のプロンプトを入力として要求することだ。各要素の位置、サイズ、色、フォントなどがJSONで詳細に指定される。Norouziは「これは機能なのかバグなのか、コミュニティでも議論になっています」と笑いながら語る。「このモデルはJSONプロンプトでのみ訓練されています。適切な構造のJSONを提供しないと、『この画像は安全フィルターでブロックされました』というメッセージが返ってきます。でもそれは、プロンプトが適切なJSONではないからです」

しかしNorouziは、ユーザーが直接JSONを書くことを想定しているわけではないと明確にしている。「私たちはユーザーにJSONで書かせたいとは思っていません。それが自然なインタラクションの方法だとは考えていません」。代わりに、Ideogramは「マジックプロンプト」と呼ばれる仕組みで、ユーザーの簡潔な自然言語プロンプトをバックエンドで詳細なJSONに変換している。「OpenAIもGoogleも同じようなことをしています。しかし彼らはモデルへの実際の入力をユーザーに公開しません。私たちはJSON形式で実際の入力を表示し、それによってさらなる革新と創造性を促進したいと考えています」

このアプローチの本質は、言語モデルと画像生成モデルの役割分担にある。「漠然としたアイデアから画像を生成するプロセスにおいて、どの程度の思考を言語空間で行い、どの程度をピクセル生成空間で行うか」という問いに対して、Ideogramは言語モデルに多くの思考を委ねる選択をした。例えば「人生の意味」というプロンプトに対して、拡散モデルに直接画像を生成させるのではなく、言語モデルに「人生の意味を説明する場面」を詳細に記述させ、その記述に基づいて画像を生成する。JSONはその中間表現として機能している。

5:22テキストレンダリング：グラフィックデザインへのこだわり

Ideogramの原点は、正確なテキストレンダリングにある。Norouziは3年前の最初のモデルリリースを振り返る。「当時、画像生成と言えば文字化けしたテキストが当たり前でした。DALL-E 2が間違った都市名を生成した旅行ポスターのミームがありましたよね」。そこでIdeogramは「正確なテキスト生成」を差別化要因として掲げた。「リリース後、多くの人がテキスト生成に興奮していることに気づきました。そして気づいたのです——これこそがグラフィックデザインとストーリーテリングの業界そのものだと」

現在、Ideogramは「スタイライズされたタイポグラフィ、ロゴ、Tシャツデザイン、グラフィックデザイン全般」で知られるブランドに成長した。今回のモデルでは、段落単位の長文テキストも正確にレンダリングできる。「以前のモデルはテキスト生成で最先端をいくものではありませんでしたが、私たちは研究のブレークスルーを重ね、この小型モデルで非常に正確なテキスト生成を実現しました」

Norouziは、テキストレンダリングの重要性を「グラフィックデザインは至る所にある」と説明する。「街を歩けば、看板があり、店先があり、すべてにテキストがあります。写真もグラフィックデザインの一部ですが、グラフィックデザインこそが多くのビジネスユースケースとストーリーテリングのフロンティアなのです」

7:28「味」とスタイルの多様性：リーダーボードを超えた価値

Ideogramが特に重視しているのが「味（taste）」だ。Norouziは「味とは何かを説明するのは非常に難しい」と認めつつ、その核心を「平均的な意見に従わず、規範から少し外れること」と定義する。「リーダーボードのトップに立つこととは、ある意味で対立する概念です」。実際、Ideogramは内部評価において、AIによる自動評価ではなく、デザイナーによる人間の評価を重視している。「AIはまだ味の評価が得意ではありません。私たちはデザイナーと協力して、モデルの異なるバージョン間や他社モデルとの比較をサイドバイサイドで行い、味を追求しています」

Justine Mooreはこの点に強く共感する。「これまでのフロンティアモデルは、フィードをスクロールしていると『このスタイル、もう50回も見た』という感覚がありました。しかしIdeogram 4.0で生成した画像は、『おや？』と立ち止まらせる何かがあります。伝えたいことを伝えつつ、人の注意を引く——それが素晴らしい」

Norouziは、この多様性が「生のモデル」であることの結果だと説明する。「多くのフロンティアモデルは強化学習を大量に行い、常に同じような見た目を生成します。私たちは強化学習をほとんど行っていません。その結果、プロンプトをより正確に指定する必要がありますが、モデルから非常に多様なスタイルを引き出すことができます」。このアプローチは、アートコミュニティから特に高い評価を得ているという。

12:10編集とカスタマイズ：プロフェッショナル向けワークフロー

Norouziが「個人的に最も興奮している」と語るのが、まだリリースしていない編集機能だ。「多くのデザインやマーケティングのユースケースでは、単一のフラットな画像ではなく、編集可能なデザインが必要です」。JSONプロンプトが各要素の詳細を記述しているため、特定の要素だけを変更して一貫性のある出力を得ることができる。「ブランドごとにガイドラインがあります——テキストのサイズ、フォントなど。このファウンデーションによって、エンタープライズのユースケースに深く入り込むことができます」

カスタマイズに関しては、Ideogramは3層のアプローチを提供する。第一に、オープンソースベースの量子化モデルを使ったカスタマイズ。第二に、Ideogramのプラットフォーム上で画像をアップロードして訓練する「カスタムモデル訓練アプリ」（月額60ドルで2モデルまで）。第三に、エンタープライズ向けのフルサービスで、Ideogramのアノテーションチームが企業のデザインチームと協力し、詳細なプロンプトやキーワードを設計する。

Norouziは、編集とカスタマイズは競合するものではなく補完的だと強調する。「編集は迅速で、モデルを訓練する必要がありません。既存の画像に変更を加えるだけです。クリエイティブな作業は決してワンショットのプロンプトで終わりません。最初の生成結果を得て、細部を修正していく反復的なプロセスです」。一方、カスタマイズは「プロンプトすら不要にする自由」を提供する。「特定のスタイルやキャラクターの自由度が高すぎて、編集モデルに入力として与えるのが難しい場合、カスタマイズによってより強力な一貫性と容易な反復が可能になります」

15:55エージェンティックワークフローとAPIエコノミー

画像生成とエージェントの融合について、Norouziは楽観的な見方を示す。「私たちはエージェントに非常に興奮しています。社内でもMCP（Model Context Protocol）を活用しています。新しい機能をリリースしたいとき、エージェントにAPIに接続して画像を生成させ、最適なものを選ぶ——数時間でランディングページが完成します」

しかし、エージェントだけでは不十分だとも指摘する。「多くのエージェントはチャットボットの中に閉じ込められており、それだけでは反復作業に十分ではありません。創造性を真にスケールさせるには、高レベルの方向性を与えて何百、何千ものデザインを探索させ、そこから方向性を絞り込む——そのためには言語モデルによる大規模な探索と、UI/UXによる精密な編集の両方が必要です」

Norouziは、画像生成と言語モデルの違いについても重要な指摘をしている。「言語モデルの世界では、カスタマイズは存在しますが、すべての企業が自社の言語モデルをカスタマイズするわけではありません。しかし視覚表現の世界は違います。ブランドの視覚的表現を見れば、すぐに違いがわかります。アンドリーセンホロウィッツなのか、セコイアなのか——テキストでは多くの人が区別できませんが、視覚的には一目瞭然です。視覚世界にははるかに多様性があり、それがカスタマイズを非常にエキサイティングなものにしているのです」

まとめ

このエピソードが最も鮮明に描き出したのは、画像生成AIの「次の戦場」が画質の向上ではなく、制御可能性、編集可能性、そして「味」にあるというビジョンだ。Ideogramは、規模で勝負する巨人たちに対して、焦点と革新で挑むという明確な戦略を持っている。93億パラメータという小型モデルで、テキストレンダリング、レイアウト制御、スタイルの多様性において最先端に迫る性能を実現したことは、単なる技術的成果以上の意味を持つ——それは「小さくても尖っていれば勝負できる」というオープンソースAIの可能性を示す象徴的な事例だからだ。

Norouziの「私たちのモデルに味を持たせたい」という言葉は、単なるマーケティングではなく、製品哲学そのものを表している。リーダーボードの数字を追うのではなく、人間のデザイナーが評価する「質」を追求する姿勢は、AIとクリエイティブワークの関係について深い示唆を与える。また、JSONプロンプティングという一見ユーザーフレンドリーでないアプローチを採用しながら、バックエンドで自然言語に変換するという「二層構造」は、プロフェッショナルユーザーと一般ユーザーの両方を満足させる現実的な解を示している。

エピソード全体を通じて、Ideogramが「モデル企業」としてのアイデンティティを確立しつつ、オープンウェイト戦略によってエコシステム全体との協業を模索する姿が印象的だった。画像生成AIの進化は、まだ始まったばかりである。