Nanobanana の画像生成を支える技術に迫る

Gemini 2.5 Flash を搭載する Nanobanana は、AI 画像生成を大きく前進させたモデルです。Logan Kilpatrick 氏が司会を務めた最新の技術セッションでは、中心となる開発メンバーが、次世代システムの裏側にある高度な設計を詳しく紹介しました。

登壇したのは、プロダクト責任者の Nicole Brichtova 氏、研究を率いる Kaushik Shivakumar 氏と Mostafa Dehghani 氏、そして Robert Riachi 氏です。各氏の話から見えてきたのは、AI による制作を変える技術と、通常の更新を超えたマルチモーダル AI アーキテクチャそのものの見直しでした。

ネイティブ画像生成

Nanobanana を支える中心的な仕組みが、ネイティブ画像生成です。画像ごとに独立して処理する従来の方法に対し、このモデルでは順に画像を生成し、それまでの出力を次の生成に役立つ豊かな文脈として取り込みます。

この手法の革新性を、Kaushik Shivakumar 氏はこう述べています。「画像をシーケンシャルに生成し、以前の出力をコンテキストとして使用することで、モデルは複数の生成にわたってこれまでにない一貫性と文脈理解を実現しています。」

こうした設計の転換から、次のような画期的な能力が生まれています。

揺るぎないキャラクターの一貫性

とりわけ目を引くのは、どの角度から描いてもキャラクターの同一性を完全に保てる点です。バージョン 2.5 では特徴を残すだけでなく、本格的なマルチアングルレンダリングに対応し、どのフレームでもキャラクターのブランドイメージを維持します。

デモでは、1980 年代を思わせるスタイルへの変換が披露されました。Nicole Brichtova 氏が指摘したのは、顔立ちに加え、全体の雰囲気や細かなスタイルの特徴まで、一連の画像を通して受け継がれていることです。

複雑な編集を可能にするインターリーブ生成

Mostafa Dehghani 氏が紹介したインターリーブ生成では、自然な言葉で指示するだけで、複雑な編集を複数同時に行えます。編集を一つずつ積み重ねる作業から、さまざまな側面をまとめて扱う制作プロセスへと広がります。

「複雑なプロンプトを効果的に解釈できる能力により、ユーザーは一度のシームレスなパスで多数の編集を要求できます」と語る Dehghani 氏。これによって、小さな修正からシーン全体を変える編集まで、スムーズに進められます。

高度なマルチモーダル能力

クロスモーダル学習

画像を理解する能力と生成する能力の間で行われるクロスモーダル学習についても、大きな可能性が示されました。共通のアーキテクチャ内でスキルを双方向に移せることは、AI システム設計にとって重要な到達点です。

Robert Riachi 氏は、マルチモーダル学習の難しさを説明しました。目指しているのは、一つのモデルにネイティブな理解と生成を備えさせ、多様な制作タスクの性能を底上げすることだといいます。

人間中心の評価プロセス

画質を継続して高めるため、学習には自動的な指標と人による評価を併用しています。人が評価するには相応のリソースが必要ですが、ユーザーの期待を理解し、それを上回るシステムを育てるうえで欠かせないとチームは考えています。

人の好みをどう測ればよいのか。Logan Kilpatrick 氏の問いをきっかけに、プロンプトの意味を的確に読み取り、指示を字面通りに実行する以上の結果を生むための学習方法が議論されました。

技術的進化：2.0 から 2.5 へ

「コラージュ感」問題の解決

以前のモデルでは、追加した要素が場面になじまず、「貼り付けられた」ように見えることがありました。バージョン 2.5 は、元の形を損なわずにオブジェクトを自然に溶け込ませる、継ぎ目のない変換によってこの課題に対応しています。

バージョン 2.0 で実現していた編集中のキャラクターの同一性維持は、バージョン 2.5 で複数のアングルへと拡張されました。アイデンティティのドリフトを起こさずに描くという難しい課題を、アーキテクチャの根本的な改善で達成しています。

インテリジェントなクリエイティブ解釈

現在のモデルには、最初の指示を直感的に補い、仕上がりを高める特徴があります。この「クリエイティブな直感」は、個別にプログラムされた動作ではなく、視覚的な文脈への深い理解から自然に現れるものです。

Nicole Brichtova 氏は、制作を主導するのは常にユーザーだと説明しました。プロンプトを繰り返し調整すれば、モデルの計算能力を存分に使いながら、表現の方向を自分で決められます。

業界への影響と今後の道筋

プロフェッショナルなクリエイティブワークフロー

屋外広告のデザインや目を引くソーシャルメディア用素材を通じて、チームは複雑な文字を描きつつ最高水準の画質を保つ能力を示しました。これらの具体例は、Nanobanana がプロの制作現場にも対応できることを裏付けています。

文字の描画は、今後も力を入れて開発する分野です。商用利用や専門的な制作で求められる厳しい水準を満たすため、改良が続けられています。

Gemini と Imagen：戦略的な役割

Google の各 AI システムが担う役割と、その補完関係についても説明がありました。

• Imagen: 特定の用途に特化したモデルを求める開発者に向けて最適化されています。
• Gemini: 幅広い指示を柔軟に扱う、多用途なマルチモーダルの制作パートナーとして設計されています。

それぞれの役割が明確なため、ユーザーは技術面と制作面の要件に合うツールを選べます。

コラボレーションの未来

開発中の取り組みを語るチームの熱意からは、今後も速いペースで進化が続くことがうかがえます。視覚表現の忠実さと自然な操作に力を注ぐ姿勢は、AI が頼れる制作パートナーになる未来を示しています。

Nanobanana は技術上の大きな進歩であると同時に、人と AI が協働する未来を映しています。高度な理解とネイティブな生成を一体化することで、これまで手の届かなかった表現の可能性を広げます。

チームが技術の可能性を広げるにつれ、画像を生成し、編集し、ビジュアルで物語を伝える方法そのものが変わりつつあります。