xAI、FLUX.1連携に対応したGrok 2.0を発表

2024年8月14日、Elon MuskのAI企業xAIは、Black Forest Labsの画像生成モデルFLUX.1を統合したチャットボット Grok 2.0のリリースをX（旧Twitter）で発表しました。FLUX.1は、センシティブまたは誤解を招く可能性があるものも含め、非常にリアルな画像を作成できる高度なモデルです。

暴力的、露骨、または人を欺く画像など、特定の種類のコンテンツをブロックまたはフィルタリングする一般的な画像生成ツールとは異なり、FLUX.1には制限が少なくなっています。表現の自由にとって望ましいと考える人もいれば、高度な機能に感銘を受ける人もいます。一方で、こうした強力なテクノロジーの倫理的な影響や悪用の可能性を懸念する声もあります。以下では、Grok 2.0の特徴、FLUX.1が際立つ理由、そしてこれらの革新的なツールを試す方法を見ていきます。

FLUX.1を知る：AI画像生成モデル#

FLUX.1は、Black Forest Labsが2024年8月1日に公開した高度なオープンソースAI画像生成モデルです。Black Forest Labsは、広く使われているStable Diffusionモデルの開発で知られる、元Stability AIのエンジニアたちが設立したスタートアップです。FLUX.1はMidJourneyやDALL-E 3などの既存モデルと直接競合するよう設計されており、AI生成画像に新たなレベルの品質と柔軟性をもたらします。たとえば、多くのモデルが苦手とする、写実的な人間の手や看板の読みやすい文字といった難しい細部の生成に優れています。

Black Forest Labsは、さまざまな用途に使用できるFLUX.1のバリエーションを3種類提供しています。それぞれの特徴を見てみましょう。

• FLUX.1 [pro]：フラッグシップモデルで、商用利用向けに設計されており、最高品質の出力を実現します。
• FLUX.1 [dev]：非商用利用向けに提供されるオープンウェイト版です。研究開発に適しています。
• FLUX.1 [schnell]：Apache 2.0ライセンスの下で提供される、速度に最適化されたモデルです。画像をすばやく生成する必要がある個人プロジェクトやローカル開発に最適です。

図1 FLUX.1の各バリエーションについて

FLUX.1の仕組み#

FLUX.1は、Transformerと拡散技術を組み合わせたハイブリッドモデルアーキテクチャを採用しており、パラメーター数は120億です（パラメーターとは、モデルがデータから学習するのに役立つ、ニューラルネットワーク内の調整可能な要素です）。Transformerは、データ内のパターンや関係性を認識し、テキストや画像のような系列を理解できるニューラルネットワークの一種です。拡散モデルは、ランダムノイズから開始し、明瞭な画像ができるまで段階的に洗練させます。この2つのアプローチを組み合わせることで、FLUX.1は両方のアーキテクチャの強みを活用し、与えられたテキストプロンプトに合致する高品質な画像を生成できます。

FLUX.1は、ロータリー位置埋め込みやフローマッチングなどの高度な技術も利用しています。ロータリー位置埋め込みは、テキストや画像内の要素の順序と位置をモデルが理解できるようにし、全体の整合性を保ちます。フローマッチングは、生成モデルで使用される技術で、ランダムノイズから画像を生成するプロセスを、より滑らかで効率的にします。

FLUX.1のベンチマーク#

FLUX.1をMidJourney v6.0、DALL·E 3（HD）、SD3-Ultraなどの人気モデルと比較すると、AI画像生成の新たな基準を打ち立てています。画像品質、プロンプトへの追従性、出力の多様性、さまざまなサイズやアスペクト比への対応など、重要な分野で優れています。FLUX.1 [pro]と[dev]は、ユーザーの意図に合致する高品質な画像を生成できる点で際立っており、明瞭で正確な結果を提供する性能で、他のモデルを上回ることもよくあります。一方、FLUX.1 [schnell]は高速な画像生成において最先端のモデルの一つで、MidJourneyのようなより複雑なモデルよりも優れた性能を発揮します。

図2. Midjourney v6とFLUX.1 [pro]の比較

Grok 2.0：Elon MuskのxAIが手がける最新モデル#

Grok 2.0は、Elon MuskのAI企業xAIが開発した最新の大規模言語モデルです。2024年8月にリリースされ、Xプラットフォーム（旧Twitter）のX PremiumおよびPremium+ユーザーが利用できます。また、近日中にエンタープライズAPIを通じて開発者や企業も利用できるようになる予定です。

図3 Grok 2.0がミームを説明する例。

Grok 2.0はTransformerアーキテクチャを基盤としており、旧バージョンのGrok 1.5と比べて、指示への従い方、問題の推論、正確な情報の提供が向上しています。このチャットボットは他の主要なAIモデルと比較テストされ、優れた結果を示しました。大学院レベルの科学の問題、一般知識、複雑な数学の問題を含むベンチマークでは、Grok 2.0はGPT-4 Turbo、Claude 3.5 Sonnet、Llama 3 405Bなどの人気モデルを上回っています。また、視覚理解を必要とするタスクにも優れており、視覚的な数学的推論や文書に基づく質問応答で高いスコアを達成しました。Grok 4.7などの新しいGrokモデルは、Ultralytics VLM Leaderboardで実世界の物体検出に関する他の視覚言語モデルと比較されています。

Grok 2.0とFLUX.1の連携#

FLUX.1はGrok 2.0に統合され、テキストと画像の生成を組み合わせて提供しています。機能やユーザー体験を向上させるために異なるテクノロジーを組み合わせることは、現在では一般的ですが、この統合は特に大きな注目を集めています。

一方で、FLUX.1の統合は、Grok 2.0に「楽しい」要素を加えたとして、一部から評価されています。ユーザーは、他のAIツールでは制限または厳しくモデレーションされるような、創造的で、ときには挑発的な画像の生成を試せます。たとえば、Xでは、公人が不適切または物議を醸す状況に置かれた画像をユーザーが共有し、表現の自由を支持するものだと主張しています。

一方、批判的な立場の人々は、FLUX.1に明確な倫理ガイドラインがないことで、誤情報やディープフェイクなどの深刻な倫理的・社会的問題が生じる可能性があると指摘しています。影響力の大きいソーシャルメディアプラットフォーム上で、強力かつ制限のないテキスト生成と画像生成を組み合わせると、偽情報の拡散が加速しかねないと懸念する声もあります。

Grok 2.0と制限のないアプローチ#

問題は画像生成だけではありません。Grok 2.0自体も、ChatGPTのような最近よく知られるようになった他のAIツールより制限が少なくなっています。このモデレーションの不足により、モデルが一線を越えるような出力をする可能性があり、それを刺激的と感じる人もいれば、懸念する人もいます。

たとえば、Grokは、偽情報や誤解を招くニュースと容易に受け取られるテキストを生成したことが確認されています。2024年4月には、GrokがNBA選手のKlay Thompsonについて、「レンガを使った器物損壊を繰り返していた」という虚偽の話を生成した事例が広く報じられました。AIチャットボットは、単にシュートを外すことを指すバスケットボール用語「throwing bricks」を誤解しました。Grokはこれを文字どおりに解釈し、Thompsonが実際のレンガを使って器物損壊を行ったという話を捏造しました。この投稿はX上ですぐに広まり、一部のユーザーは偽の被害者アカウントまで追加して、誤情報を拡散させました。

図4. GrokがXに投稿した内容。

こうした懸念がある一方で、Grok 2.0の「表現の自由」を重視する姿勢を評価するユーザーもいます。厳しいモデレーションを行うAIモデルより、率直な会話や創造の自由が広がると主張しています。センシティブなトピックに関する議論を制限する、過度に慎重な「ウォーク」AIへの対抗策として、Grok 2.0を捉えています。こうしたユーザーにとって、Grok 2.0は社会規範による制約が少ないと感じられるプラットフォームです。

FLUX.1とGrok 2.0を試す#

FLUX.1とGrok 2.0を試す方法はいくつかあります。FLUX.1はHugging Face、Replicate、Fal.aiなどのAIプラットフォームから直接利用できます。一方、Grok 2.0はX PremiumおよびPremium+の登録者のみ利用できます。

重要なポイント#

FLUX.1とGrok 2.0はAIの可能性を押し広げ、示唆に富む議論を巻き起こしています。FLUX.1は、非常に詳細でリアルな画像を生成する能力により、AI生成画像の新たな標準を確立しました。Grok 2.0はFLUX.1を活用し、テキストベースのやり取りにとどまらない機能を実現しています。一方で、これらのツールがもたらす創造の自由や、検閲のない探求に熱意を示す人々がいます。他方では、Xのように影響力の大きいプラットフォームで、誤情報、ディープフェイク、規制のない機能がもたらす倫理的影響について、批判的な人々が警鐘を鳴らしています。FLUX.1とGrok 2.0の進化に伴い、デジタル時代の自由、創造性、責任をめぐる議論の中心に位置し続けるでしょう。この議論は、今後何年にもわたってAIの未来を形作る可能性があります。

Ultralyticsについて詳しく知るには、GitHubリポジトリをご覧いただき、コミュニティに参加し、ヘルスケアや製造業などの業界向けに提供する最新のAIソリューションをご確認ください。