AI スロップの終焉へ：Taste Labs の Thais Castello Brancoが語る

AI スロップの終焉：主観的領域を「測定可能」にする戦略

デザインや文章作成といったクリエイティブな領域で、なぜ生成 AI は画一的で質の低い「スロップ（ゴミのような出力）」を生み出し続けるのか。その核心には、客観的なコード生成とは異なる「測定可能性の欠如」という課題があります。

Taste Labs の創設者 Thais Castello Branco は、単にモデルを大きくするだけでは解決できないと指摘します。彼女が提案するのは、ブランド遵守のような曖昧な要件を色彩やタイポグラフィといった具体的な要素に分解し、検証可能な環境（グランドトゥルース）を構築することでモデルを訓練するというアプローチです。人間の嗜好や文脈を反映した高品質なデータこそが、モデルの創造性を引き出し、平均への収束を防ぐ鍵となります。

客観的領域と主観的領域の決定的な違い

AI が得意とするコーディングや数学は、「正解」が一つに定まっています。コードは実行可能で検証でき、数学の答えも時間や文脈によって変わることはありません。Thais はこう指摘します。

「コードが検証可能で測定できるのは、モデルの性質というより、コードそのものの性質なのです。」

これに対し、デザインや文章作成、マーケティングといった領域は本質的に主観的です。ここには明確な正解が存在せず、「何が素晴らしいか」の評価基準も時代や状況によって変化します。

• 文脈依存性: スタートアップ向けに素晴らしいスライドが、金融機関では不適切になることがあります。
• 時間的変動: 5 年前の「良いデザイン」と現在のそれは異なります。一方、数学の法則は不変です。

このように、主観的領域では「分解」や「検証」、「良し悪しの判断」が極めて困難であり、これが AI の訓練を難しくしている根本的な理由です。

「測定可能性」こそが能力を決定する

Thais が提唱する解決策の第一歩は、「測定可能性（measurability）」の問題を解くことです。彼女は「能力は測定可能性に追従する」という原則を掲げます。つまり、主観的な領域であっても、それを分解して検証可能な形に変換できれば、AI はその分野で高い性能を発揮できるようになります。

具体的な例として、Thais は「ブランド遵守（Brand Adherence）」の課題を取り上げました。

• 曖昧な指示: 「素晴らしいものを作って」と言われても、モデルは迷います。
• 分解された指示: 一方、「このブランドガイドラインに従って作成して」という指示であれば、色、フォント、間隔、テクスチャといった具体的な要素に分解できます。

Thais は、Reduct というブランドを例に挙げ、以下の要素に分解することで検証可能な基準（グランドトゥルース）を作れると説明します。

1. 色彩: 使用できる色のパレット
2. タイポグラフィ: フォントの選択と組み合わせ
3. モーション・アニメーション: 動きのルール
4. テクスチャ: 質感や素材感

これらをプログラム可能な形に定義することで、LLM が「ブランドに合っているか」を判断するのではなく、これらの要素がガイドラインを満たしているかを自動検証できる環境（RL: Reinforcement Learning の環境など）を構築できます。単に LLM に判定させるのではなく、人間が定めた明確なルールに基づいてモデルを訓練することが重要です。

モードコラプス：なぜ AI は「平均的なゴミ」を生むのか

主観的領域の課題は、測定可能性だけでなく、モデルの確率的性質にもあります。LLM は次に来る最も確率の高い単語やパターンを予測するように作られています。これは数学やコーディングでは最適解（平均値）が正解であるため機能しますが、クリエイティブな領域では問題となります。

「多くの場合、真の創造性や素晴らしさは、分布の『平均』ではなく、その『端っこ』で生まれます。」

モデルが最も出現しやすい出力（平均値）を生成する傾向は、モードコラプス（Mode Collapse）と呼ばれ、これが AI スロップの正体です。画一的で陳腐なデザインや文章が大量に生成されるのは、モデルが「安全な平均」を選んでいるからです。

真の創造性を引き出すには、ルールやパターンを意図的に破る必要があります。しかし、その破り方を学習させるためには、単なるデータ量の増加ではなく、専門家の深い知見に基づいた高品質なデータが必要です。Thais は、1,000 人以上のデザイナーという専門家コミュニティを活用し、多様なスタイルや文脈をモデルに学習させることで、このモードコラプスを回避しようとしています。

人間の嗜好と文脈理解への回帰

すべての主観的領域を完全にプログラム可能な形に変換できるわけではありません。特に「創造性」や「スタイルの適合性」のような高度な要素は、依然として人間の判断に依存します。

Thais は、問題の性質に応じて解決策を分けるルーティング戦略を提案しています。

• 検証可能な要素（色彩、フォントなど）: 自動検証環境や RL で訓練する。これは効率的で再現性が高いです。
• 文脈依存・嗜好性の高い要素（創造性、感情など）: 人間の判断や高品質なデータに基づく学習に委ねる。

「人間の審美眼は、まだどの LLM の判定よりも遥かに上位にあります。」

AI エージェントやコンテンツ生成ツールを実装する際、開発者は「どこまでを自動化できるか」ではなく、「どの要素をどう分解し、どちらの手法で解決するか」を考える必要があります。単にモデルを大きくするのではなく、人間の嗜好データをいかに高品質に構築し、文脈理解を組み込むかが、次世代の AI 品質向上への鍵となるのです。

まとめ

AI スロップの問題は、モデルの規模不足ではなく、主観的領域をどう定量化し、人間の創造性をどうデータとして取り込むかという設計思想の違いにあります。ブランド遵守のような要件を分解して検証可能な環境を作り上げると同時に、専門家の知見に基づいた高品質なデータでモデルを訓練することで、画一的な平均から脱却し、真に価値ある AI を実現できるのです。