創造は脳の外へ出た——生成AIがつくると、なぜ「模倣」になるのか

AIは、クリエイティブなことができない。

理由を聞くと、よく返ってくるのがこの言葉だ。

「学習したものを、つなぎ合わせているだけだから」

では、人間の発明や芸術は、何もない場所から突然生まれているのだろうか。

好きだった音楽。昔見た風景。学校で覚えた型。仕事で味わった失敗。誰かの作品に心を動かされた記憶。別の分野で使われていた技術。

それらが人の中にたまり、ある日、思いがけない形で結びつく。

多くの発明も表現も、既存の何かと何かの掛け算から始まっている。

人間の頭の中で起きれば「着想」と呼ばれ、生成AIを介した瞬間に「模倣」と呼ばれる。

この境界は、本当にそんなに明確なのだろうか。

生成AIが変えたのは、創造を不要にしたことではない。発想の一部を、脳の中だけで行わなくてよくしたことだ。

創造は「無から生む力」ではない

創造性の研究は、ずっと前から「完全な無から何かを生む」という神秘だけを扱ってきたわけではない。

心理学者Sarnoff Mednickは1962年、創造的思考を、離れた要素を新しく有用な形で結びつける働きとして捉えた。Dedre Gentnerの類推研究は、ある領域の関係構造を別の領域へ移すことが、新しい理解や解決につながると示してきた。

Margaret Bodenは、創造性を三つに分けている。

• 組合せ的創造。 既存の要素を、これまでにない形で組み合わせる。

• 探索的創造。 既にあるruleや表現空間の中で、まだ見つかっていない可能性を探す。

• 変形的創造。 その空間を作っていたrule自体を変え、新しい可能性を開く。

組み合わせは、創造の下位互換ではない。創造の重要な一形式である。

科学技術の研究も同じ方向を示す。Brian Uzziらが約1,790万本の科学論文を分析した研究では、影響力の高い研究は、誰も見たことのない要素だけで作られるというより、よく知られた組み合わせを土台に、少し異例な組み合わせを混ぜる傾向があった。

奇抜なものを全部鍋へ放り込めば、創造になるわけではない。

馴染みのある土台と、意外な接続。その匙加減に価値がある。

ただし、掛け算をすれば自動的に作品になるわけでもない

ここは大切なので、少し立ち止まりたい。

「人間の創造も組み合わせだ」と言っても、「ならば大量の材料を混ぜれば、全部が芸術だ」という話にはならない。

創造には、少なくとも二つの物差しが要る。

新しいこと。そして、何らかの価値があること。

珍しいだけでは足りない。役に立つだけでも、言われた通りの答えなら創造とは呼びにくい。

さらに、実際の制作には問いがある。

• 何を作りたいのか。

• なぜ、この組み合わせを選ぶのか。

• 百個の候補から、どれを残すのか。

• 違和感を見つけ、どこを直すのか。

• 誰に、どんな意味を届けたいのか。

• 権利と結果へ、誰が責任を持つのか。

候補を出すことと、作品を作ることは同じではない。

生成、探索、評価、選択、変形。これらがloopになって、初めて「つくる」が前へ進む。

生成AIは、創造の一部を「脳の外」へ出した

電卓が生まれた時、計算という能力が人間から消えたわけではない。

定型的な計算を機械へ渡せるようになり、人間は「何を計算するか」「この答えは妥当か」に、より多くの力を使えるようになった。

タイプライターは、文字を美しく揃える負荷を減らした。カメラは、目の前の景色を手で描き写す技能とは別に、何を、どんな光で、どの瞬間に切り取るかという表現を広げた。シンセサイザーは、人間がそれまで触れられなかった音色の空間を開いた。

生成AIも、その延長線上にある。

文章、構図、旋律、配色、物語、UI、解決策。候補を作り、変化させ、離れた要素を掛け合わせる負荷の一部を、脳の外へ移す。

もちろん、電卓とまったく同じではない。

計算には検算可能な正解があることが多い。創作は、正解が一つに定まらない。生成AIには、学習dataの規模、権利、確率的な出力、近似copy、作者表示という別の問題もある。

それでも、「手作業で候補を一つずつ作らなくてよくなった」という変化は大きい。

人間は、作ることをやめるのではない。

何を作らせ、何を選び、どこまで直すかへ、仕事の重心が移る。

AIを使えば、作品は本当に良くなるのか

実証研究を見ると、答えはきれいな「はい」でも「いいえ」でもない。

2024年にScience Advancesへ掲載された実験では、生成AIからideaを得た参加者の短編は、平均して新規性、有用性、楽しさの評価が上がった。特に、もともとの創造性評価が低かった人ほど恩恵が大きかった。

しかし同時に、作品同士は似やすくなった。

一人ひとりの平均点を上げながら、集団全体の多様性を薄くする。そんなことが同時に起こり得る。

画像制作platformの大規模な観察研究でも、生成AI導入後に生産量と反応は増えた一方、平均的な内容や見た目の新規性は低下した。ただし、最も新しい作品の上限は少し伸びていた。

AIが人を一律に凡庸にするわけでも、全員を天才にするわけでもない。

大量の「それなりに良い案」が安く出せるようになるほど、最初の案をそのまま採用する人は似やすくなる。逆に、候補を材料としてさらに崩し、混ぜ、試し、捨てられる人は、探索範囲を広げられる。

AIが広げるのは、可能性である。独創性を保証するわけではない。

「面白そうな案」と「実現できる発明」も違う

AIは、とても流暢に新しそうなideaを語る。

だから、発明まで簡単になったように見える。

しかし、査読前研究では、AIが作った研究案は専門家による初期評価で新規性や面白さを高く評価された一方、同じ研究チームの追試で研究者が100時間以上かけて実行すると、AI案の評価が人間案より大きく下がる例が報告された。

「誰も言っていない気がする」と、「実際に成立する」は違う。

一方で、機械的に正しさを検証できる領域では、AIを含むsystemが歴史的に新しい成果を出している。

Google DeepMindのFunSearchは、LLMが候補programを生成し、自動評価と進化的探索を繰り返すことで、組合せ数学の既知記録を更新した。AlphaDevは、より高速なsorting algorithmを見つけ、実際のLLVM libc++へ採用された。

ここで効いているのは、AIが一発で天才的な答えを言ったことではない。

候補を出す。試す。測る。良いものを残す。さらに変える。

人間が問題と評価方法を設計し、AIが探索し、結果を検証する。創造のloop全体が機能したのである。

AI音楽は、既存曲の寄せ集めなのか

音楽は、この議論が最も感情的になりやすい場所の一つだ。

好きなartistに影響を受ける。genreの定番進行を使う。過去の音色やrhythmを引用する。sampleを切り、並べ替え、別の意味を持たせる。

人間の音楽にも、学習、模倣、引用、genreの共有、再結合がある。

だから、「既存の音楽から学んだ」という一点だけで、AI音楽を非創造と決めることはできない。

しかし、「人間も影響を受けるのだから、AIは何を学習しても、何を出してもよい」という話にもならない。

研究では、生成音楽を次のように分けて測ろうとしている。

• 音楽として魅力があるか。

• 指定したstyleやgenreに合っているか。

• 既存曲と意味的に似ているだけか。

• 短いphraseやmelodyを再現しているか。

• 元の音源そのものに近い部分があるか。

ここを一つの「AIっぽい」で括ってはいけない。

生成modelは、単なる再生機ではない。一方で、特定の条件では、学習例の一部を強く再現する危険もある。

創造性があることと、権利処理が不要なことは別である。

samplingが高度な芸術になり得ても、元音源のlicenseが要る場合がある。それと同じように、作品として新しいか、学習と出力が適法か、誰へ対価を戻すべきかは、別々に考えなければならない。

画像生成も、「一般化」と「記憶」の両方を見る

画像生成AIを「巨大な画像databaseから切り貼りしている」と説明するのも正確ではない。

生成modelは、学習dataに含まれる特徴や関係の分布を学び、見たことのない組み合わせも作る。

同時に、学習dataへ同じ画像が何度も含まれていたり、特定のpromptで強く呼び出されたりすると、学習例に近い画像が出ることも実証されている。

Carliniらは、重複が多い事例を意図的に狙い、Stable Diffusionから1億7,500万枚を生成して107件の近似copyを見つけた。

これは、通常利用の何％がcopyになるかを示した数字ではない。

しかし、「生成AIは絶対に学習例を再現しない」という主張を否定するには十分である。

単なるcollageではない。絶対にcopyしないわけでもない。

この二つを同時に認めた方が、技術にもcreatorにも誠実である。

同じ作品でも、「AI作」と書くだけで評価は下がる

興味深いのは、作品そのものではなく、作者表示が評価を変えることだ。

同じAI生成画像を、一方には「人間が作った」、もう一方には「AIが作った」と無作為に示した実験では、人間作と表示された方が、好意、美しさ、深み、金銭的価値を高く評価された。

別の研究では、参加者は人間とAIの画像を安定して見分けられなかった。それでも「AIだと思った作品」は低く評価した。

つまり、AIというlabelは、来歴情報であると同時に、品質を見ずに判断するshortcutにもなり得る。

これは、来歴表示をすべてやめるべきだという意味ではない。

詐欺、なりすまし、選挙、報道、権利処理では、どこから来た情報かを確認する仕組みが役に立つ。制作履歴や改変履歴を持つことも大切だ。

ただし、AI利用の印を「低品質」「盗作」「人間ではない」の判定札にしてはいけない。

見るべきなのは印ではなく、作品とprocessである。

「AIを使った」と「人が何もしていない」は同義ではない

著作権の議論でも、AIを使った作品を一つの箱に入れると混乱する。

米国著作権局は、人間の創作的寄与を保護の中心に置きつつ、AIを補助toolとして使うこと自体は著作権保護を妨げないと整理している。

日本の文化庁も、AIそのものは著作者ではないとしながら、具体的な指示、出力を見た後の反復修正、選択、構成、加筆など、人間の関与を個別に見る考え方を示している。

これは自然な整理だと思う。

「生成」buttonを一度押しただけなのか。

物語を考え、資料を集め、構図を指定し、数十案を比較し、要素を作り直し、配置と色を整え、最後の意味を決めたのか。

同じ「AI使用」でも、制作processはまるで違う。

逆に、人間が深く関与したからといって、学習dataや近似copyの問題まで自動的に消えるわけではない。

創造性。著作者性。学習時の権利。出力の侵害。本人の同意。対価。来歴。責任。

これらを一つの賛成・反対へ潰さないことが、AI時代の創作を考える第一歩になる。

規制するなら、「AIかどうか」より具体的な被害を見よう

生成AIの音楽を一律に締め出す。AI画像だから価値を下げる。消せる印を付け、付いているものだけを疑う。

こうした制度は、分かりやすい。

しかし、分かりやすさと有効性は同じではない。

悪意ある利用者は、印を消し、別のtoolを使い、偽装する。一方、ruleを守る利用者だけが「AI作」という札を付けて市場へ出る。出自だけで排除されるなら、正直な人ほど不利になる。

それより、具体的な問題へruleを置いた方がよい。

• 既存作品の特徴的な表現を、どこまで再現したか。

• 誰の声、顔、名前を、本物と誤認させたか。

• 学習dataの取得、権利留保、同意をどう扱ったか。

• 制作履歴と改変履歴を、必要な場面で検証できるか。

• 被害が出た時、誰が訂正し、救済し、責任を負うか。

AIだから止めるのではない。

copy、詐称、搾取、誤認、無責任を止める。

その方が、技術の可能性を残しながら、守るべき人を守れる。

AI時代に希少になるのは、何を良しとするかを決める力

生成することは、これからさらに安く、速くなる。

文章も、音楽も、画像も、映像も、programも、候補だけなら際限なく出せる。

だから、生成したという事実だけでは、価値になりにくくなる。

何を問い、どんな制約を置き、何を組み合わせ、何を捨てたのか。

なぜそれを残し、誰へ届け、どんな意味を持たせたのか。

間違い、権利、結果に、誰が責任を持つのか。

人間の役割は、薄くなるのではない。

生成の前後へ、より濃く移る。

発明された能力そのものを、なかったことにはできない。

しかし、どの用途を受け入れ、どの用途を拒み、どんな条件で社会に組み込むかは、私たちが決められる。

五年後、十年後には、生成AIを使うこと自体を特別視しない場面が増えているだろう。

その時に残るのは、「AIを使ったか」という古い線引きではない。

その人は、AIと一緒に何を見つけ、何を選び、何を世の中へ増やしたのか。

創造者の輪郭は、そこに現れる。

参照した主な研究・一次資料

• Mednick — The associative basis of the creative process

• Gentner — Structure-Mapping: A Theoretical Framework for Analogy

• Boden — Creativity and artificial intelligence

• Runco & Jaeger — The Standard Definition of Creativity

• Uzzi et al. — Atypical combinations and scientific impact

• Doshi & Hauser — Generative AI enhances individual creativity but reduces the collective diversity of novel content

• Zhou & Lee — Generative artificial intelligence, human creativity, and art

• Vaccaro et al. — When combinations of humans and AI are useful

• Si et al. — Can LLMs Generate Novel Research Ideas?（査読前）

• Si et al. — The Ideation-Execution Gap（査読前）

• FunSearch — Mathematical discoveries from program search with large language models

• AlphaDev — Faster sorting algorithms discovered using deep reinforcement learning

• Yin et al. — A critical evaluation of deep music generation

• Somepalli et al. — Diffusion Art or Digital Forgery?

• Carlini et al. — Extracting Training Data from Diffusion Models

• Bellaiche et al. — Humans versus AI: whether and why we prefer human-created compared to AI-created artwork

• Grassini & Koivisto — Understanding how personality traits, experiences, and attitudes shape negative bias toward AI-generated artworks

• U.S. Copyright Office — Copyright and Artificial Intelligence

• 文化庁 — AIと著作権

• European Union — AI Act