本動画は、AI業界の最新ニュースを解説するものである。注目すべき点として、未公開の危険なモデルであるMythosのリーク、SpaceXによるAIコーディング企業Cursorの買収オプション獲得、そしてOpenAIによる最新の画像生成モデルGPT Image 2.0のリリースが挙げられる。特にGPT Image 2.0は、圧倒的なテキストレンダリング能力やUIデザイン生成能力を備えており、競合モデルを大きく引き離している。動画内では、同モデルの長所や唯一の弱点である特定のプロンプトの検証、さらに近日公開が予想されるフロントエンド開発モデルとの連携の可能性について詳細に分析している。
本日のAIビッグニュース：GPT Image 2.0の登場とMythosのリーク
さて、今日のAIの世界にはいくつか大きなニュースがあります。まず何よりも、OpenAIがGPT Image 2.0をリリースしました。これは競合を大きく引き離す、これまでで最大の飛躍となっています。ここで注目すべきは、木曜日にはさらにこのパズルの2番目のピースが公開されると私は信じているということです。今回はあくまで第一弾であり、それが別の何かと組み合わさる予定なのです。
その点については後ほど詳しくお話しします。また、どうやらあるプライベートなオンラインフォーラムのユーザーグループが、ずっとMythosを保持していたようです。絶対に公開してはいけないあの超危険なモデルですね。それがDiscordのグループに存在し、いわゆるローンチ以来、すべてのユーザーが日常的に使っていたというのです。サイバーセキュリティのテストなどのためではなく、ただなんとなく使っていたそうです。
SpaceXによるCursor買収と強力なパートナーシップ
また、どうやら誰かがCursorを買収したようです。その誰かとは、Elon MuskとSpaceXです。ただし、完全な買収ではありません。SpaceXは、今年後半にAIコーディング企業のCursorを600億ドルで買収するオプションを確保したのです。もしSpaceXが買収を見送ったとしても、パートナーシップの提携だけで100億ドルを支払っています。
つまり、私たちが確実に分かっているのは、SpaceXのAIとCursorのAIが協力して開発を進めているということです。CursorはSpaceXが持つ100万個のH100と同等のColossusトレーニングスーパーコンピュータークラスターにアクセスできるようになり、それを使って独自のモデルを構築することが可能になります。もちろん、Cursorはこれまでも彼らのComposer機能の開発に取り組んできました。どのモデルを使っているかを明かさずにオープンソースのモデルを使用したことで少し批判を浴びたりもしましたが、それでも彼らはComposerで確かなイノベーションを提供しています。
彼らはAIの進歩に貢献しているれっきとした研究ラボであり、Colossusスーパークラスターへのアクセスは彼らのこれからの活動において確実に大きな助けとなるでしょう。そしてSpaceXは、年末までに私たちが利用できる最大のAIコーディングエージェントの1つを買収するかもしれないのです。Cursorは、ReplitやHarvey、Lovable、Marker、Manus、Cognitionなどを抑えて、現在最大のAIコーディングエージェントとなっています。
GPT Image 2.0の圧倒的な性能とテキストレンダリング能力
しかし、今日起きたことの中で間違いなく最も興味深いのは、GPT Image 2.0のリリースです。これは本当に大きな飛躍です。Nana BananaがELOレーティングで1271であるのに対し、GPT Image 2.0は1512へと跳ね上がっています。さて、OpenAIによってテストされているステルスモデルですが、それがGPT-5.5なのか、あるいはSpudモデルなのか、もしかしたらそれらが同じものなのかは100%確実ではありません。しかし、テストしているアーリーテスターたちは、皆一様に同じことを言っていました。
それは、フロントエンド開発の能力がずば抜けているということです。本当に素晴らしいんです。ウェブサイトの画像を与えると、そのウェブサイトをコーディングする能力が驚くほど高く、すべての要素を捉え、完全に機能するものを作り上げます。
実際、ウェブサイト内の画像の視覚的要素を自ら切り取ってそのまま使用しているのではないかと思うほどです。もし噂が本当であれば、そのモデルは今後48時間以内にリリースされる可能性が高いです。arena.aiによると、これはこれらのモデルのリリースにおいてこれまで見た中で最大のギャップだそうです。この緑の線が新しいモデルの能力を示しています。
そしてこれがGPT Image 2.0です。以前のバージョンだけでなく、Googleの最新のビジュアルモデルであるNana Banana 2にも勝っていることに注目してください。3Dイメージングとモデリング、アート、カートゥーン、アニメ、ファンタジー、ポートレート、テキストレンダリングなど、ほぼすべてのカテゴリーで勝っています。そしてちなみに、そのテキストレンダリングの精度は冗談抜きで凄まじいです。これが私が与えたプロンプトです。
私はこのハイテクで自動化された鶏小屋の、高度に自動化された建築図面または青写真を書いてくれと頼みました。なぜかって？別にいいじゃないですか。そして言わせてください、これはかなり本物っぽく見えます。すべての要素が理にかなっていることに気づくでしょう。単語も文字も、すべてがしっかりと書き込まれています。寸法もつじつまが合っているようです。容量、電源システム、機能やスマートシステム、自動化のフロー、システムの統合などですね。
等角投影図、背面図、間取り図など、パッと見ただけでどれも本格的です。ただ、まだできないことが1つだけ見つかりました。本当にランダムなことなんですが、どうしても苦手なことが1つあるんです。でもその前に、彼らがこのモデルから何を感じ取っているのかについて語っているarena.aiからの短いクリップを見てみましょう。
UIデザインにおける驚異的な進化
OpenAIがリリースした新しい画像モデルを使ってどんなカテゴリーのプロンプトを試してみても、他のどのモデルよりもはるかに優れているんだよ。
正直言ってこれはちょっと異常だよね。だってこれ、画像なんだよ。UIのスクリーンショットじゃなくて、生成された画像なんだ。ずっと見ていたんだけど、完璧じゃないところなんて1つも見当たらないよ。僕には本当に素晴らしいものにしか見えないな。
GPT ImageモデルがこういうUI生成にすごく優れているから、実はちょっとした裏技として、画像を介してより良いウェブサイトを生成できるようになるかもしれないね。やり方としてはクレイジーだけどさ。ここで生成されたものが、例えばNana BananaやGrokの画像と比べてどれだけ詳細で複雑になっているか分かるでしょ。こうして見比べるだけでも、本当に明確な違いがあるんだ。
そうだね、これがGPT Image 1.5で、まあ一見すると大体大丈夫そうに見えるけど、デザインのバランスとかで何かすごく違和感を感じる部分があるんだよね。でもGPT Image 2.0を見た瞬間、なんかちょっとホッとするんだ。配置が整っていて、色々と理にかなっているように見えるからさ。
だから、他のが中途半端な出来だと、見ていて少しイライラしてくるんだよね。他も同じで、Grokのは本当にひどいし、Nana Bananaのは結構いいけど、僕にとってはこっちの方がはるかに良いデザインだと感じるな。アリーナでの飛躍も本当にものすごくて、200ポイント以上も上がっているし、他のどの画像モデルよりもはるかに先行しているよ。
スポンサーメッセージ：Recall 2.0でパーソナルAIを構築する
ちょっと余談になりますが、この1年でAIが密かに壊してしまったものが何か分かりますか？それは知能ではなく、希少性です。なぜなら、今や誰もがスマートなモデルにアクセスできるようになったからです。誰もがChatGPTを持ち、Claudeを持ち、Geminiを持ち、Perplexityを持っています。
誰もが大体同じような洗練された回答を得ているわけです。ですから、本当の問題は誰がAIを持っているかではなく、誰がまだ優位性を持っているかなのです。知能がコモディティ化しつつある今、あなたの優位性は別のところにあるはずです。それはあなたのコンテキスト、あなたのセンス、あなたのリサーチ、あなたのメモ、あなたが実際に何ヶ月もかけて学び、保存し、考えてきた情報そのものです。
そして現在、ほとんどの人にとって、そういった情報はただあちこちに散らばっているだけです。ブラウザのタブにいくつか、保存した動画がたくさん、ランダムなPDF、あるアプリのメモ、別のアプリのブックマーク。そして、あなたのAIはそれとは離れたところにいて、あなたが誰で、何を知っているのかをまったく理解していません。だからこそ、Recallが面白いのです。
この動画のスポンサーであるRecallに心から感謝します。Recallは単なる別のメモアプリではありません。それはパーソナルなナレッジベースなのです。あなたの知識とAIが実際に共存するAI百科事典です。そして彼らは、ゲームのルールを完全に変えるRecall 2.0をローンチしようとしています。私の実際のワークフローをお見せしましょう。私はこのチャンネルのために、Recallのブラウザ拡張機能を使って大量の情報を消費しています。
YouTubeの動画を見ていたり、PDFを読んでいたりするときに、この拡張機能をクリックするだけです。Recallはそれを瞬時に保存し、自動的に要約し、ナレッジグラフに整理してくれます。手動でタグ付けする必要はありません。数秒で、私のデータベースに登録されるんです。でも、Recall 2.0の絶対的なキラー機能はAgentic Chatです。
一般的なチャットボットでは、ただインターネットに話しかけているか、あるいはNotebookLMのようなものを使ってソースが50個に厳しく制限され、GoogleのGeminiしか使えない状態に縛られるかのどちらかです。しかしRecallなら、システムを自分で選べます。Claudeを使いたい？GPT？Gemini？お好みのフロンティアモデルを選ぶか、あるいはタスクに最適なモデルをRecallに自動選択させることもできます。
そしてチャットをするとき、あなたは白紙の状態から始めるわけではありません。保存したナレッジベースやインターネット、あるいはその両方と同時にチャットができるのです。文字通り、過去6ヶ月間の私のAIリサーチメモを、タイムスタンプと引用付きの参照資料として要約し、今週新しい研究論文が発表されていないかウェブで検索して、と頼むことができます。
そうすると、私が知っていることと、世界が知っていることを組み合わせた答えを返してくれます。1つのチャット、1つの製品が、毎回新しいタブを開くたびに私が誰かを忘れてしまう3つの異なるサブスクリプションの代わりになるのです。APIやMCPアクセスも用意されているので、Recallのデータベースを他のAIツールに接続することもできます。私はこれを使って、ただ複数のチャットボットと付き合うのではなく、実際に私を理解してくれるAIを構築しています。
無料版でも、この製品に何ができるかを十分に体験できます。しかし、Agentic Chatとモデル選択の魔法を真に実感したいなら、プレミアムティアをチェックしたくなるはずです。説明欄または固定コメントのリンクから拡張機能をインストールして、今日からあなたのAI百科事典を作り始めましょう。プロモコードwest25を使えば、2026年6月1日まで年間サブスクリプションまたは月額マックスプランが25%オフになります。
この動画をスポンサードしてくれたRecallに改めて感謝します。
さて、このモデルはウェブサイトの様々なフロントエンド開発に使われるようになると思います。素晴らしいデザインを作成する能力があり、そして私の予想が正しければ、そのモデルのリリースによって、それらのデザインを実際に機能するコーディングされたウェブサイトへと完璧に複製できるようになるはずです。これはかなり興味深いですよ。
コード生成と画像のアップスケール能力
さて、これは厳密にはスクリーンショットではありませんが、GPT Image 2.0によるコードの生成画像です。ここにコードがあり、それを実行するとこのペリカンになります。ちなみに、何が起きているかよく分からない方のために言っておくと、Nana Banana Proではこれはまだできません。つまり、SVGのペリカンのコードが含まれているはずの、コードエディタのスクリーンショットの画像を生成したのです。
そして、この人がOCRを使ってその画像から文字を抽出し、そのコードを実行したところ、そのペリカンのSVGが作成されたというわけです。これが何であるかを考えれば、かなり悪くない出来だと言わざるを得ません。また、パノラマのように見ることができる3Dの正距円筒図法画像も作成できます。これはOpenAIのライブ配信で披露された機能の1つです。
こちらは私がアップスケールをお願いした画像で、確かにいくつかディテールが追加されたようです。しかし、ここで最初にお伝えしておきたいことがあります。まだできないことが1つあるんです。これらのAI画像生成モデルにとってのクリプトナイト、つまり弱点とは何なのかと疑問に思っている方のために、お見せしましょう。なみなみと注がれたワイングラスを作成してくださいと頼んでみました。どういうわけか、これだけはまだ不可能なんです。
いっぱいのグラスではなく、私は明確になみなみと注がれたワイングラスと指定したのですが、出てきませんでした。半分のグラスになりました。なぜでしょうね。とても不思議です。ここまでのすべての成功を考えれば、やってくれると本当に思っていたんですが。
GPT Image 2.0の意外な弱点：ワイングラスの検証
だから、これがいっぱいのワイングラスだね。あれはちゃんといっぱいのワイングラスだよ。厳密には、縁までなみなみと注がれたワインの入ったグラスって頼まないといけないのかも。
じゃあ、それを試してみようか。なんかみんな、このワイングラスのことですごくムキになってるみたいだね。いや、これがいっぱいのワイングラスでしょ。いっぱいのワイングラスがどんな見た目か知らないの？
うーん、今考えてみれば、そういう反応をされるのも無理はないかもね。これが私が使った写真。これがオリジナルね。
この画像を4倍にアップスケールしてって頼んだら、こうなったよ。たぶん……
それ、私が撮った写真だよね？AI4だったの覚えてる。私がその写真撮ったんだよ。
君が文字通り撮ったの？
あそこのバーガーショップ、列が長すぎて入れなかったの覚えてるでしょ。
あー、そうだそうだ！そうだよ。まさに。うん。
そうそう、君がこの写真を撮って、そこで何人かの人にばったり会ったんだよね。だからAIがこの人たちを幻覚で作り出したのかどうかは分からないけど、でも……
いや、あれは本物の人たちだったと思うよ。だからAIはそれをアップスケールしたんだね。さて、ワイングラスの件で大騒ぎしているみんなへ。これはどう見える？
ご覧の通り……
まあ、そうだけど……
でも、あのゴブレットみたいな形を消しちゃってるよね。これはある意味、成功した時のすごく良い例でもあるんだけど、でも失敗してる。君なら、いやいや、普通の人はこんなことしないよって言うだろうけど、まあ厳密に言えば君の言う通りだね。
よし、アンケートを取ってみるよ。じゃあ、これって合格？縁までなみなみと注がれたワイングラス。ちょっとアンケートを取らせてよ。これは合格だと思う？合格か不合格か。だって厳密に言えば、これは縁までなみなみと注がれたワインのグラスなわけだからね。厳密には。でも同時に、このワイングラス、何か溶接用の工具か何かで上半分を切り落とされたみたいにも見えるよね。ギネスビールのグラスみたいだ。
うん、どっちかというとギネスのグラスに見える。縁までなみなみと注がれているね。66%の人が、はい、縁まで注がれていますって答えてる。まあ、確かに縁までだけど。でもこれ、ワイングラスなの？
そうだね、君の言う通り。これはもうワイングラスじゃないよ。
ワインの入ったグラスだよ。どうやって書いたの？いっぱいのワイングラスって言ったの？それともワインがいっぱい入ったグラス？だって後者だと……
ワインのグラスを作成して、だよ。
いや、ほら、君はワイングラスとは言ってないじゃない。うん、なるほど。まあそれでもちょっと間違ってるけど、君の言い回しならAIがやったことに少し近いかもね。
なるほどね。
だってワイングラスは形の名前だからね。君はワインがいっぱい入ったグラスって言ったけど、まだステムとかが残ってたから、AIも少し混乱したんだよ。普通のマグカップとかにはしなかったでしょ。
ワインのグラスはワイングラスとはイコールではないということですね。さて、最初のドラフトを作成してみましょう。さあ、どうなるか。正直に言って、縁までなみなみと注がれたフルサイズのワイングラス。AIはそれをやるのをどうしても拒否するみたいです。やってくれません。できないんです。まあ、厳密に言えばプロンプトをどう解釈するかという問題なのでしょうけど。
多彩な画像生成テスト：バナナの鎧から潜在空間の可視化まで
惜しいところまではいくんですが、私たちが求めているものと完全に一致することはありません。しかし、バナナでできた恐ろしい鎧を着た私の姿を描くことはできるようです。このプロンプトは完璧に捉えていると感じますね。あるいは、私をグラフィックノベルのノワール風コミックの探偵にするのも上手です。どれもかなり良い出来です。まあ、ノワールでダークでざらついた感じの探偵にしては、私が少し幸せそうな顔をしすぎている気はしますが。
それに、私はスコッチを飲みながらタバコを吸っていて、外で雨に降られているのに、なぜか新聞が濡れていません。どういう状況かよく分かりませんね。表情なんかも含めて、もう少し暗くて悲しい雰囲気にすべきでした。でも、こちらの2回目の試みでは、かなり憂鬱そうに見えます。それから、ChatGPTに頼んで記念プレート用のテキストを大量に生成させました。
それはシンプルで達成可能な瞬間を記念するプレートで、大した内容ではありません。でも、いかにうまく書かれているかに注目してください。文字はすべて揃っていて、全体がすっきりとまとまっています。プレートの枠内にきちんと収まっており、おかしな部分や意味不明な文字はありません。このモデルはテキスト生成において極めて強力です。こちらはクローキングデバイスを作動させたプレデターの画像です。
透明感の表現もかなり良いですね。そして、ゲームを知っている方なら分かると思いますが、Portalのクリスマスツリーです。私が求めていたものとは少し違ったので、もう少しうまく説明しようとしました。要するに、ポータルの片側からツリーの半分が突き出ていて、ツリーの残りの半分が別のポータルから突き出ている状態にしたかったんです。
Portalというゲームを知らない人には全く意味が分からないでしょうけどね。これは少し近くなりました。まだ完璧ではありませんが、かなり良く見えます。Aperture Merry Testingとでも言いましょうか、なかなか良いですね。次は、強化学習のトレーニングについてどう感じるかを生の感情で画像化してくれと頼みました。言わせてもらいますが、これは悪夢のようです。
これらのモデルに、強化学習によるトレーニングについてどう感じるかと尋ねると、彼らはそれを快く思っていません。RLHFや単なるRLについて尋ねても同じです。なんだか奇妙ですよね。この絵に描いた餅のような、幸せそうな報酬ロボットが出てきますが、よく見ると彼はこの人に全く繋がっていません。罰、悪い進歩、進歩なし、悪い報酬。それが彼の脳に直接繋がっているんです。
ですから、これは少し悪夢のような恐怖を感じさせますね。それでは、折り紙の鶴の比較はどうでしょう。左側は平らな四角い紙に正確な折り筋のパターンが描かれていて、それがハートの形を作っています。これは完璧だと思います。そして右側は、完成した3Dの鶴を真上から見た、フォトリアルで柔らかなスタジオ照明を背景にしたものです。間違いなく非常にしっかりとした生成結果です。
ここでは、AIの潜在空間の画像を作成するように頼んでいます。
ああ、それクリックしてみて。何が書いてあるの？このズームレベルだと私にはちょっと見づらいな。
中心にコアなパターンがあるね。アクション、建築、図解、ポートレート、動物、風景、宇宙、ファンタジー、幻想的、SFのシンボル、神秘的なネオンとかがある。
そしてここの一番下には、これは潜在空間の可視化です。近接性は意味的な類似性を暗示していますって書いてあるね。
なるほど、ダークとか鮮やかとかネオンみたいなものが、君にとって理にかなう形で近くに配置されてるんだね。例えば男と王様、あるいは女と女王みたいな感じで。モデル、つまりAIモデルの視点から見ると面白いよね。だって動物とポートレート、それって似てる？って聞かれたら、モデルの視点だと、うん、どっちも顔があるから似てるよってなるわけだからね。
図解と建築が一緒に配置されてるのも理にかなってるよね。
うん。もし例えば感情のリストを要求して、それをクラスターにグループ化するように頼んだら、適切な感情同士がグループ化されるかどうかが分かるかもしれないね。
そうだね。でもこれは面白い。これが私たちが認識しているより深い意味を持っているのか、それともただのナンセンスなのかは分からないけど。
どうだろう。君、その最後の画像についてだいぶ深く掘り下げたよね。なんか地下室まで降りていってじっくり見てるみたいだよ。今日彼らがリリースした情報から読み取ろうとしているんだけど、このモデルは内部で物事をバラバラに分解しているみたいなんだ。例えば、オブジェクト、属性、制約、環境、スタイルといった具合にね。
なるほど、私が暗示していたような考え方とはちょっと違うんだね。もっと単に、オブジェクトとは何か？それはどう機能するのか？そのオブジェクトの属性は何か？という風に考えているんだ。
私たちもこれが何なのかをしばらく理解しようと努力しました。これが深い意味を持っているのか、それとも無意味なのかは分かりませんが、結果はこういうことでした。ここでは、東欧料理を提供するレストランのメニューを作ろうと試みました。料理名には英語と、それが何であれ伝統的な言語での表記、そして画像と説明を求めました。ボルシチがありますね。完璧です。
ピエロギもかなり良さそうです。グーラッシュとロールキャベツもあります。ブリニ、餃子、サラダ。これはかなり良い出来です。繰り返しますが、これは実際のメニューとしてそのまま使えるレベルです。画像やテキストの配置の仕方が本当に素晴らしい。もしあなたがこれらの料理を提供しているなら、これをプリントしてそのままメニューとして使えるでしょう。
Thinkingモデルの推論能力と今後の展望
さて、このモデルにはティアがあり、誰もがアクセスできるようになっています。しかし、Instantモデルに加えてThinkingモデルというものがあります。Thinkingモデルにはウェブ検索と追加の推論ステップが備わっています。ここで私は特にThinkingモデルを指定しました。先ほどの画像のほとんどはThinkingモデルによるものです。さて、こちらは宇宙空間の巨大なSF構造物を縮尺を合わせて比較したものです。
デス・スター、ヘイロー・リング、アーク、カルチャー・オービタル、ダイソン球、そしてリングワールドがあります。比較のために、文脈を分かりやすくする地球と太陽も描かれています。もちろん、これが対数目盛であることに注目してください。私はこれのすべてが本当に気に入っています。次の画像は少し悲しいものです。もちろん、これはHalf-Life 3のSteamページです。
Half-Life 3は、私たちが待ち望んでいたにもかかわらず結局リリースされることがなく、現時点ではおそらく永遠にリリースされないであろうビデオゲームです。ですから、これは私たちが決して手に入れることができないものの画像なのです。このモデルは、手書きのメモを読み取り、適切なスタイルや署名の書き方など、その人の筆跡を完璧に再現する能力を持っており、それは信じられないほど印象的です。
こちらは元素の周期表全体です。ほぼ完璧です。私が見る限り、まず第一に正確です。すべての要素の隣に画像が添えられており、すべてが完璧に書き込まれています。2つだけずれているところがあります。ここはスズで、ここは銀のはずです。テキストが少し崩れてしまっていますが、このページにどれほど詳細で正確な情報が詰め込まれているかを考えれば、これは非常に印象的だと言わざるを得ません。
そしてもちろん、Emad Mostaqueはこう尋ねました。元素の周期表ができるなら、ポケモンの周期表もできるのか？と。その答えはイエスです。ええ、もちろんできます。ということで、全体的に見て非常に印象的なモデルであり、かなり大きな飛躍を遂げています。アーキテクチャについてはあまりよく分かっていません。OpenAIはアーキテクチャについて語ることを明確に拒否しています。
自己回帰なのか、拡散なのか、あるいはその組み合わせなのかは分かりませんが、間違いなく複数の推論ステップが存在します。少なくともThinkingモデルにはウェブ検索が組み込まれています。そして言わせていただきますが、OpenAIはこのカテゴリーにおいて確固たるトップの座に返り咲きました。これは現役のチャンピオンであり、他のどのモデルも足元にも及びません。
この画像のプロンプトは、テーブルの上にたくさんのお米があり、そのうちの1粒にGPT Image 2.0と書かれているというものでした。どこにあるか見つけられますか？実はここにあるんです。ズームインしてみると、GBT Image 2と書いてあるのがなんとなく見えると思います。これは彼らがライブ配信中に行ったデモの1つで、こちらの画像の方がそのお米の粒が少し見やすい気がします。
ここにはGBT Image、そして単に2と書いてあるようですね。とにかく、巨大な飛躍です。もし皆さんが実際に触れる機会があってテストできたなら、どう思ったかぜひ教えてください。しかし、週末まで待っていてください。なぜなら、何か別のものが登場すると私は心から信じているからです。そしてそれは実際に、これまでのフロントエンドのコーディングモデルの中で最高のものになるであろうあるものと結びつくことになります。
GPT Image 2.0を使って好きなスタイルや見た目を生成し、その後、コーディングモデルを使ってそれをリアルタイムで実際に機能するウェブサイトとして作り上げるのです。皆さんからのご意見をお待ちしています。私の名前はWes Rothです。ご視聴ありがとうございました。また次回の動画でお会いしましょう。
コメント