AI業界が抱えるのは「物理の問題」——小売業に8,900億ドルの損失をもたらす理由
あるファッションブランドが昨年、新しいAIバーチャル試着ツールを見せてくれた。彼らはそれを誇りに思っていて——正直なところ、素晴らしい出来だった。ユーザーは自撮り写真をアップロードし、ドレスを選ぶと、AIがそれを着た姿の美しい画像をレンダリングしてくれる。照明は柔らかく、生地は美しくドレープし、フィット感は完璧だった。
それこそが問題だった。フィット感は常に完璧だったのだ。
私は彼らにあることを試してもらった。明らかにサイズ12の人物の写真をアップロードし、サイズ6のドレスを選んでみてほしい、と。AIはファスナーが張り詰める様子を見せなかった。縫い目で生地が引っ張られる様子も見せなかった。ドレスを歪めて身体を完璧に覆うか——さらに悪いことに、ドレスに合わせて身体をわずかに歪めたのだ。それは試着室ではなく、幻想の鏡だった。そしてその幻想をもとに購入したすべての顧客は、商品を返品することになる。
そのデモは、私がVeriprajnaで何ヶ月も格闘してきたあることを結晶化させた。AI業界が抱えているのは知能の問題ではない。物理の問題だ。生成モデルはピクセルの一貫性を最適化する——画像が正しく見えるようにするためだ。しかし現実世界では、生地には引張強度がある。音波には著作権者がいる。そして返品で利益を垂れ流していたり、ユニバーサル・ミュージック・グループから訴訟を起こされたりしているとき、「おおむね正しい」はビジネスモデルにはならない。
これは、私たちがエンタープライズAIの主流のアプローチを捨て、根本的に異なるものを構築するに至った理由の物語だ。
8,900億ドルの幻想の鏡
あらゆるeコマース幹部を眠れなくさせるはずの数字がある。小売における消費者の返品は、推定で2024年に8,900億ドルに達した、と全米小売業協会は述べている。百万ドルではない。数十億ドルだ。そしてアパレルが最悪の元凶だ——オンラインの衣料品返品率は常に25〜30%を超え、一部のハイファッションのカテゴリーでは繁忙期に50%に達する。
根本原因は複雑ではない。人は写真から服が合うかどうか判断できない。「サイズ違い、フィット不良、色」が占めるのは全返品の55%だ。この不確実性は、ある消費者行動を生み出した。「ブラケッティング」と呼ばれるものだ——同じシャツを3サイズ買い、自宅で試着し、2枚を返品する。2024年には、Z世代の消費者の51%がこれをしていると認めた。彼らは自分の寝室を試着室に、郵便サービスを返品用のベルトコンベアに変えてしまったのだ。
1件の返品処理に小売業者が費やすのは、平均で商品購入価格の27%だ。配送、検品、クリーニング、再梱包——結局は値下げされるかもしれない商品のために、すべてが行われる。それは利益の焼却炉だ。
ファッション業界が抱えているのはコンバージョンの問題ではない。真実の問題だ。情報を伝える代わりにお世辞を言うAIは、返品サイクルを加速させているだけだ。
そこで業界はテクノロジーに目を向けた。生成AIを搭載したバーチャル試着ツール——GAN、拡散モデル、あらゆる武器庫だ。そしてこれらのツールは、あることにかけては見事だ。売上を作ることだ。クリック率と初回コンバージョンを最適化する。夢を売るのだ。
ただ、現実を届けることができないだけだ。
なぜ生成AIはフィットをハルシネーションするのか?
私のチームが生成的バーチャル試着を信じなくなった、まさにその瞬間を覚えている。私たちは拡散モデルベースのシステム——潤沢な資金を持つものの一つ——を、実物の衣服サンプルと比較してベンチマークしていた。手元にあったのは、生成りで容赦のないデニムジャケット、伸縮性が本質的にゼロという類の生地だった。私たちはそのシステムに、ユーザーの写真とジャケットの画像を与えた。
AIは美しい結果をレンダリングした。ジャケットは完璧にフィットしていた。物理的な現実では、左腕を袖に通すことさえできなかったはずの身体の上で。
共同創業者は画面を見てこう言った。「これはジャケットを試着しているんじゃない。ジャケットをPhotoshopで加工しているんだ」。まさにその通りだ。拡散モデルの目的関数はピクセルの一貫性——訓練データに照らして出力画像が統計的にもっともらしく見えるようにすることだ。引張剛性という概念を持っていない。生成りのデニムが伸びないことを知らない。生地について、そもそも何も知らないのだ。
これは、連鎖する3つの失敗を生み出す。
フィットのハルシネーション。モデルは衣服を歪めて身体を覆うか、身体を歪めて衣服に合わせる。どちらにせよ、顧客が目にするのは嘘だ。業界の分析はこの点について率直だ。「バーチャル試着は現実世界での正確性を欠き、生地の挙動を無視し、衣服が実際にどうフィットしどう感じられるかについて顧客を誤解させかねない」
テクスチャの劣化。GANはモード崩壊に悩まされる——レース、刺繍、複雑な織りといった細部が、ありふれたパターンにぼやけてしまう。拡散モデルは時に、実物には存在しない細部を作り出す。こうして顧客は、フィット感と外見の両方に驚かされることになる。
紙人形効果。ほとんどの2Dベースのシステムは、衣服の平面画像をユーザーの上に貼り付けるだけだ。奥行きの知覚はない。布が腰の曲線に沿ってどうドレープし、ウエストでどう寄り集まるかという理解もない。ゆったりとした、あるいは流れるような衣服——ドレープこそがスタイルであるようなもの——では、結果は使い物にならない。
私たちが目にしていたのは、売上を増やすと同時に、返品もほぼ同じだけ増やすテクノロジーだった。利益への正味の影響は、無視できる程度——おそらくマイナスだ。その時、私たちには全く異なるアーキテクチャが必要だと悟った。
ドレスを想像するのではなく、シミュレートする
ブレークスルーは、より優れたニューラルネットワークではなかった。バーチャル試着を、画像生成の問題ではなく機械工学の問題として扱うという決断だった。
Veriprajnaで私たちが構築したのは、私が「決定論的コア、確率論的エッジ」と呼ぶアーキテクチャだ。そのコア——衣服が合うかどうかを決定する部分——は、物理シミュレーションエンジンであり、プロのファッションデザイナーがCLO3DやMarvelous Designerといったツールで使うものに似ている。私たちは服の画像でニューラルネットワークを訓練するのではない。衣服の実際のCADパターンを取り込み、それらに現実世界の生地の物理的特性を割り当てるのだ。
これは聞こえる以上に重要だ。あらゆる生地には測定可能な機械的特性がある。曲げ剛性(シルクのようにドレープするか、デニムのように硬く保つか?)、せん断剛性(バイアス方向でどう振る舞うか?)、引張剛性(張力を受けてどれだけ伸びるか?)、内部減衰(身体の上でどう落ち着くか?)、座屈比(どう束になり寄り集まるか?)。私たちのシミュレーションは、これらすべてに対して較正を行う。
その結果、サイズ12の身体が私たちのシステムでサイズ6のドレスを試着すると、シミュレーションは実際の試着室で起こることを正確に示す。応力線が現れる。どんな仕立て屋も見分けられる、ウエストの「X」字パターン。生地が目に見えて閉じられない。それはお世辞ではない。正直なのだ。
私たちは幻想の鏡を物理エンジンに置き換えた。衣服が合わなければ、シミュレーションがそれを示す——応力線、引きつれ、閉じない生地を。正直さは、お世辞よりもビジネスに良いと判明したのだ。
完全な技術アーキテクチャ——PBRレンダリングパイプライン、布シミュレーションのパラメータ、微分レンダリングによる合成——については、私たちの研究のインタラクティブ版に記した。しかし核心となる洞察はシンプルだ。物理エンジンはハルシネーションを起こせない。それは計算する。そして計算は、生成とは違って決定論的なのだ。
最も難しかったのは物理ではなかった
予想していなかったことがある。物理シミュレーションは簡単な部分だった。本当に難しい問題は、顧客が信頼するほど結果を十分にリアルに見せることだった。
完璧に正確な物理シミュレーションも、粗末な照明でレンダリングされれば、写真に貼り付けられたビデオゲームのアセットのように見える。顧客は一目見て、それを切り捨てる。私たちは正確性の問題を解決し、そして信憑性の問題を生み出してしまったのだ。
ここで私たちはAIを再び持ち込んだ——衣服を生成するためではなく、照明と統合の課題を解決するためにだ。私たちが使うのは物理ベースレンダリング(PBR)で、物理的に正確な数式を用いて、光が生地の表面とどう相互作用するかをモデル化する。ベースカラーのためのアルベド、光がどう散乱するか(コットン対サテン)のためのラフネスマップ、綾織りの織り目のような微視的な表面テクスチャのためのノーマルマップだ。
しかし本当の魔法は、その3Dの衣服を顧客の2D写真に配置したときに起こることにある。デジタルのドレスの照明が顧客の部屋の照明と一致しなければ、すべてが偽物に見える——画像にぺたりと貼られたステッカーのように。
私たちはこれに何週間も費やした。CNNベースの環境推定が十分か、影のキャッチが強すぎないか、衣服の縁での光の回り込みが微妙すぎないか、深夜まで議論した。ある特定の木曜日——ピザを注文して、それが冷めてしまったのを覚えている——に、レンダリング担当リーダーがある比較を映し出した。私たちの合成画像と、同じ人物が同じ衣服を着た本物の写真を並べたものだ。私たち3人は、どちらがどちらか見分けられなかった。4人目は見分けられたが、それはファスナーの引き手にわずかな色温度の不一致があるのに気づいたからにすぎなかった。
その瞬間、私は私たちが何かを掴んだと確信した。
この技術は微分レンダリングと呼ばれる——シーンそのものを再レンダリングすることなく、3Dオブジェクトがシーンに与える影響を計算するのだ。シャドウキャッチャー、ユーザーの写真から推定した環境マップ、表面下散乱をシミュレートするための縁での光の回り込み。衣服はユーザーの実際の脚にリアルな影を落とす。ボタンは、ユーザーの瞳に映るのと同じ窓の光を反射する。
バーチャル試着は本当は何の指標を最適化すべきか?
ここでビジネスケースが興味深くなる。そして私が思うに、業界のほとんどはこれを逆に捉えている。
生成AIによるバーチャル試着が最適化するのはコンバージョン率だ。それは幻想を売る。私たちのシステムが最適化するのは純売上——つまり売上から返品を差し引いたものだ。たとえその真実が「これはあなたに合いません」であっても、真実を示すことで、私たちは利益を殺す返品サイクルを防ぐ。
私たちは画像だけでなく、データも出力する。私たちのシステムが生成するのはフィット信頼度スコアだ——「ウエストは95%一致、ヒップは60%一致」といったものだ。これは直感に反することをする。時として、購入を思いとどまらせるのだ。しかし、思いとどまらせなかった購入がほとんど返品されることはない。そして顧客は次回、システムをより信頼するようになる。信頼は積み重なる。返品は積み重ならない。
お世辞にならないフィット情報を見せることでコンバージョン率が下がるのではないか、と人はよく私に尋ねる。短い答えは、そうだ、最初のうちは。より長い答えはこうだ。あなたが失う顧客は、どのみち商品を返品していた人たちだ。あなたは収益を失っているのではない——失っているのは、幻想にすぎない。二週間後に返品が届いたときに消えてなくなるはずだった、収益の幻想だ。
もう一つの地雷原——なぜ生成オーディオは法的な時限爆弾なのか
私たちがファッションのための物理エンジンを構築している間、私たちは同時に、同じくらい危険な領域を進んでいた。オーディオだ。そしてここでは、問題は物理ではなく——法律だ。
音楽と音声の業界は、生成AIをめぐる存亡の危機のただ中にある。ユニバーサル・ミュージック・グループ、ソニー・ミュージック、そしてRIAAは、SunoやUdioといったAI企業に対して大規模な訴訟を起こした。核心的な問題はこうだ。ほとんどの生成オーディオモデルは、ウェブからスクレイピングされた著作権付き音楽で訓練されている。企業がこれらのモデルの一つを使ってジングルを生成し、その出力が意図せず著作権付きの作品を模倣した場合——「反芻(regurgitation)」と呼ばれる現象だ——その企業は侵害の責任を負う。そしてモデルはブラックボックスであるため、出力されたものの出所を検証することはできない。
さらに悪いことがある。現行の米国著作権局のガイダンスの下では、重要な人間の介入なしにAIのみによって作成された作品は、著作権保護の対象とならない。つまり、ブランドが純粋な生成ツールを使ってソニックロゴを作成した場合、それを所有できないということだ。それはパブリックドメインに入る。競合他社は自由に使える。商用IPにとって、これは論外だ。
AIオーディオがどこから来たのかを証明できず、それが生み出したものを所有できないのなら、あなたが持っているのは資産ではなく——負債だ。
私たちは早い段階でこの壁にぶつかった。ある広告代理店が、キャンペーンのためのAI生成音声制作を求めて私たちのところにやって来た。彼らは人気のあるテキスト読み上げツールを使っていて、ちょうど活動停止要求(cease-and-desist)の書簡を受け取ったばかりだった。そのツールは、どうやら、それと分かる俳優のサンプルを含む音声データで訓練されていたらしい。誰も決定的にそれを証明できなかった——ブラックボックスだ——が、誰もそれを反証することもできなかった。キャンペーンはお蔵入りとなった。
本当に合法なAIオーディオをどう作るのか?
私たちは、「ゼロから生成する」というパラダイムを完全に拒絶することで、これを解決した。代わりに私たちが構築したのは、変換的なワークフローで、二つのディープ技術を用いる。すなわち、ディープ音源分離と検索ベース音声変換(RVC)だ。
ディープ音源分離とは、完成したオーディオファイルを構成要素のステム——ボーカル、ドラム、ベース、楽器——へと分離(アンミックス)するプロセスだ。焼き上がったケーキを元に戻すようなものと考えてほしい。不可能に聞こえるが、現代のディープラーニングはこれを驚くほど効果的にしてきた。私たちのエンジンは、オーディオのスペクトログラムを処理するU-Netアーキテクチャを用い、各ステムの周波数を分離するソフトマスクを出力する。標準的なスペクトログラムベースのアプローチを悩ませる「水っぽい」位相アーティファクトを避けるため、私たちは波形領域の変種を使用する。
これは、既存の、ライセンスされたIPカタログから、膨大な価値を解き放つ。メディア企業は、映画のオーケストラ・スコアから台詞を分離し、吹き替え版を制作できる。レコードレーベルは、オリジナルのマルチトラック・テープが失われたレガシー・マスターを「解錠」し、新たなリミックスや没入型のDolby Atmosミックスを生み出せる。私たちは所有またはライセンスされたソース素材を扱っているため、あらゆるステップが既存の権利を尊重する。
音声の変更のために、私たちはRVCを使う——これは音声から音声へのフレームワークで、変えるのは声の音色であり、その一方で保つのは元の演奏の韻律(リズム、ピッチ、感情)だ。このシステムは、HuBERTのような自己教師あり学習モデルを用いて声から同一性(アイデンティティ)を剥ぎ取り、次にターゲット話者の実際の声の埋め込みをFAISSでインデックス化したデータベースを使って、それを再構築する。声をハルシネーションしているのではない——実在する、同意を得た録音の微視的なスライスから、声を組み立て直しているのだ。
音源分離アーキテクチャとRVCパイプラインの両方に関する完全な技術的解説については、私たちの詳細な研究論文をご覧いただきたい。
誰も語らない同意のインフラ
テクノロジーは物語の半分にすぎない。これをエンタープライズ対応にするのは、その周りにあるコンプライアンスの枠組みだ。
私たちは、スクレイピングされた著名人のデータで訓練された公開のRVCモデルは使わない。私たちが構築するのは、特定のAI商用化許諾(AI Commercialization Release)に署名した声優のみで訓練したカスタムモデルだ——特定の用途に対する明示的な同意があり、その声のモデルが展開されるたびにロイヤルティが追跡される。
法的防御にとって最も重要な部分はこうだ。RVCシステムは検索データベースを使うため、私たちは、任意の出力をどの音声モデルが生成したかを数学的に証明できる。誰かが「これは著名人Xの声に聞こえる」と主張しても、私たちはFAISSインデックスを監査し、すべての埋め込みが同意済み声優Aから来たことを実証できる。それは「私たちはそう信じている」という防御ではない——暗号学的な防御だ。
そして出力は、人間の演奏と人間が作った楽曲に基づく二次的著作物であるため、著作権保護の対象となる。企業は実際に、最終的な資産を所有できるのだ。テキストから音楽を生成するツールで、同じことをやってみるといい。
ある瞬間があった——たしかメディア企業の法務チームとの通話中だったと思う——彼らの法務顧問が一瞬止まって、こう言った。「待ってくれ、君たちは本当に、どの音声がオーディオの一ミリ秒ごとに使われたのかを、私たちに示せるというのか?」私がそうだと答えると、長い沈黙があった。それから、こう言った。「AI生成コンテンツの法務レビューに、私たちがどれだけの費用を費やしてきたか分かっているか?」その時、私は理解した。コンプライアンスのインフラは機能ではない。それこそが製品なのだ、と。
なぜ企業はこれに単にGPTを使えないのか?
私はこの質問を絶えず受ける。たいていは投資家から、時には基盤モデルのプロバイダーによる印象的なデモを見た見込み客から。答えは哲学的なものではなく、アーキテクチャ的なものだ。
サードパーティのAPIの上に構築すると、そのモデルの確率的な性質を引き継ぐことになる。モデルがハルシネーションを起こしても——誤ったフィット、著作権付きのメロディ、複製された声——それを修正できない。重みは非公開だ。あなたは無力だ。しかもおそらく、専有データを漏洩させてしまっている。クラウドモデルにアップロードした未発表のファッションコレクションが、その訓練データに紛れ込むかもしれない。私たちのシステムはDockerとKubernetesでコンテナ化されており、クライアントのプライベートクラウドやオンプレミスのサーバー内に完全に展開できる。インターネットアクセスを必要としない。外部と通信しない。エアギャップは被害妄想ではない——私たちが仕事をしてきたあらゆる真剣なエンタープライズ・クライアントからの、契約上の要件なのだ。
防御可能性の問題もある。PitchBookのアナリストは率直だ。市場は、構造的な防御可能性を持たない「基盤モデルの薄いラッパー」であるスタートアップで飽和状態にある。これらの企業は、根底にある知能を支配するハイパースケーラーと、一夜にして次のラッパーに乗り換えられるエンドユーザーとの間に挟まれている。OpenAIが価格や機能を変更すれば、ラッパー企業には打つ手がない。
AIにおける持続可能な価値は、APIアクセスを再販する企業には蓄積されない。それは、汎用モデルが構造的に解決できない、難しくドメイン特有の問題を解決する者たちに蓄積されるのだ。
私たちはレイテンシも最適化してきた——モデルの量子化により、私たちのRVCパイプラインは、レイテンシが50ミリ秒未満でコンシューマー向けハードウェア上で動作し、高価なクラウドGPUの往復を不要にする。私たちが生み出すあらゆる画像と音声クリップは、ライセンスID、ユーザーID、タイムスタンプをエンコードした、目に見えない電子透かしを帯びている。資産が漏洩したり異議を申し立てられたりした場合、その電子透かしが出所を証明する。
「おおむね正しい」の終わり
私はもう十分に長くVeriprajnaで構築を続けてきたので、そのパターンがはっきりと見える。エンタープライズAIの第一波は、興奮に関するものだった——生成モデルに何ができるのか、と。今まさに私たちが突入しつつある第二波は、説明責任に関するものだ——生成モデルは何をすべきなのか、そして間違ったときに何が起こるのか、と。
ファッションにおいて、「おおむね正しい」は30%の返品率と、二度と戻ってこない顧客を意味する。オーディオにおいて、「おおむね正しい」は訴訟と、所有できない資産を意味する。ラッパー型のアプローチ——速く、安く、確率的——は、プロトタイピングやリスクの低いコンシューマー向けアプリには問題なく機能する。しかし、正確性、コンプライアンス、防御可能性が重要なあらゆる領域において、それは近道ではない。負債だ。
私たちがVeriprajnaで構築してきたアーキテクチャは、華やかではない。物理エンジンは生成AIほどデモ映えしない。コンプライアンスの枠組みは、心躍るピッチ資料にはならない。決定論的なシステムは、ソーシャルメディアでバズるような、魔法のような驚きの出力を生み出さない。
しかし、それらは機能する。ドレスが合わず、顧客が買う前にそれを知る必要があるとき、機能する。声優が報酬を受けるに値し、法務チームが証拠を必要とするとき、機能する。企業が自らの資産を所有し、自らの壁の内側にデータをとどめておく必要があるとき、機能する。
AI業界はいずれ気づくだろう。最も難しい問題は、モデルを大きくすることでは解決されない。それらは、ソリューションをより深くすることで解決される——物理が重要なところでは物理に根ざし、法律が重要なところでは法律に根ざし、そして、真実を語るシステムを設計するという、華やかさのない骨の折れる仕事に根ざすことで。
それが、私たちが構築しているものだ。最もエキサイティングなAI企業ではない。最も正直なAI企業だ。