画像生成AIの世界は、進化のスピードがすさまじく、専門用語もたくさん出てきます。
しかし、その本質は「大理石の彫刻のような驚くべき発想法」と「2つのエンジンの交代劇」を知るだけで、誰でもスッキリ理解できます。
序章：そもそもAIはどうやって絵を描いているのか？
〜絵の具で描くのではなく「ミケランジェロの彫刻」だった〜
AIは白いキャンバスにペンで絵を描いているわけではありません。
実は、「砂嵐（ノイズ）の中から、余分な砂を削り落として絵を発掘している」のです。
【AIの修行】
綺麗な絵 ➜ 砂嵐を少し足す ➜ さらに足す ➜ 完全に砂嵐
※AIはこの「砂嵐のゴミを綺麗に拭き取る逆再生」を何億回も特訓させられた！
【AIの本番】
純度100%の砂嵐 ➜ 余計な砂を削る… ➜ 削る… ➜ 絵が発掘される！彫刻家ミケランジェロは「ダビデ像は最初から大理石の中に眠っている。私は余分な石を削り落としただけだ」と言いました。拡散モデル（Diffusion）はまさにこれです。
- シード値の正体
最初に用意する「大理石の原石の形（砂粒の並び順）」のこと。石の形が同じなら、削り落とした後に現れる彫刻も100%同じになります。 - Hires.fix（清書）の正体
拡大した絵の上に「薄く砂嵐をまき直して、もう一度表面を磨き直させる作業」です。
絵のゆがみなどが解消されます。
第1章：エンジン第1世代「U-Net」の時代（2022年〜現在も現役主力）
〜職人が極限まで鍛え上げた、アニメ界の絶対王者〜
この「砂嵐を削る作業」を担当するメインエンジンとして、最初に世界を制覇したのが 「U-Net（ユーネット）」 でした。
- 代表作： Stable Diffusion 1.5、SDXL
- 特徴： もともと医療用MRIの画像解析から生まれた仕組み。
- イメージ： 「虫眼鏡でキャンバスを覗き込みながら、1センチずつ描く職人画家」
2022年の「SD 1.5」から歴史が始まり、2023年に「SDXL」が登場。
新世代のエンジンが登場した現在でも終わるどころか、世界中の職人たちがアニメ特化のチューニングを重ねた結果、「2Dイラストや立ち絵制作においては、今なお他の追随を許さない現役最強のエンジン」として君臨し続けています。
⚠️ U-Netが抱える「生まれつきの限界」
しかし、U-Netには弱点もあります。「近く」しか見えないため、足の先を描いているとき、虫眼鏡の外にある「頭や腰」が見えていません。
その結果、「間には指が5本あるはずだ」という大局観を忘れ、足の指が4本になったり、絵の中に看板の文字が書けないという構造上の限界があります。
第2章：エンジン第2世代「DiT」の登場（2024年〜）
〜上空からドローンで全体を見渡す天才画家〜
「U-Netの近視眼的なやり方じゃ、いつまでも手足が崩れる！」
そう考えた研究者たちが、ChatGPTの超賢い脳みそ（トランスフォーマー）を画像生成に移植して作った新世代エンジンが 「DiT（ディット）」 です。
- 代表作： FLUX.1、Stable Diffusion 3.5、Sora（動画AI）
- イメージ： 「上空からドローンで全体を見渡し、すべてのパーツを同時に計算する天才」
画像をパズルのピースに分け、画面全体のすべてのピースをリアルタイムで同時に見つめ合いながら計算（Self-Attention）します。
足を描く瞬間も全身の骨格を把握しているため、手足の指がほぼ完璧に5本になり、英単語も正確に描けるようになりました。
第3章：U-Net vs DiT 徹底比較
「じゃあ全員DiTを使えばいいの？」というと、現実はそう単純ではありません。
| 項目 | U-Net（SDXLなど） | DiT（FLUX.1など） |
|---|---|---|
| 手足の指の正しさ | △ たまに4本になる | ◎ ほぼ完璧に5本描ける |
| 文字の描写 | ✕ 読めない古代文字になる | ◎ 正しいスペルで描ける |
| 軽さ・スピード | ◎ 軽自動車（軽快でサクサク） | ✕ 巨大なダンプカー（激重） |
| PCの要求スペック | ◎ 16GBで余裕 | ✕ 超高級GPU（大容量VRAM）が必要 |
| アニメ絵・LoRA資産 | ◎ 世界中の職人の遺産が山ほどある | △ まだ発展途上（絵が少し硬い） |
- 新世代のDiT（FLUXなど）： 賢いけれど巨大すぎて、普通のGPUでは1枚出すのに何倍もの時間がかかる。
- 名機のU-Net（SDXL）： 足先がたまに4本になるけれど、軽くて扱いやすく、何より日本のアニメに特化したカスタムや自作キャラLoRAの資産がダントツで最強。
第4章：そして未来へ――「第3世代」の足音
〜砂嵐すら過去のものになる世界〜
「いま2世代目なら、第3世代はどうなるの？」
実は、研究の最前線ではすでに第3世代の革命が始まっています。
① 画像生成AIの消滅？「ネイティブ統合型」
いまは「文章AI」と「画像AI」が別々のソフトとして分かれていますが、第3世代では完全に合体します。
1つの巨大な頭脳が、人間とおしゃべりするのとまったく同じ自然さで、画像を直接生み出します（Geminiなどの目指す世界）。
② 砂嵐をやめる「新世代・自己回帰モデル（VAR）」
「そもそも砂嵐から削り出すのって効率悪くない？」という逆転の発想です。
プロ絵師と同じように、「全体の構図 ➜ 陰影 ➜ 細部の描き込み」と順番に下描きから描く技術です。砂嵐を何十回も計算しないため、一瞬（0.1秒台）で超高画質な絵が飛び出してきます。
③ 物理法則を理解する「世界モデル」
頭の中に「3D空間と物理法則（重力、関節の曲がる限界）」をシミュレーションして持っているAIです。3Dの世界にキャラを立たせてカメラで撮影するように描くため、手足の骨格崩れが物理的に絶対に起きなくなります。
