
画像生成 プロンプトは命令じゃない——AIに世界観を読ませる設計
AIを初めて触ったのが今年の正月で、AI歴約3ヶ月。
最初は画像生成で遊んでいた。
画像生成AIの存在は知っていたが、ChatGPTのような対話型AIでするものじゃないということを知ったのはだいぶ後だった。
なので、普通の人が辿る画像生成とは全く違った形で実現することになった。
試行錯誤の上、コミュニティで質問されるくらいまでは上達した。
そこで初めて、自分のやり方がかなり独特だったことに気がついた。
質問者が望んでいたのは生成のテクニックやプロンプトであったが、わたしが答えたのは……
まず最初に、これは画像生成のテクニックの話ではない。
LLMとはAIの脳に当たる部分で、ChatGPTもGeminiもこれを持っている。
同じ会話やプロンプトでも、いつも違う出力結果が返ってくるのはそのためだ。
AIはそれまでのやり取り全体を分析し、その文脈の積み上がりによって話の方向や優先度が変わる。
つまり「りんご」の話をしたとしても、事前にウィリアム・テルの話をしていたときと、アップルパイの話をしていたときとでは、その対応は全く違う。
AIは人間のように振る舞うよう作られている。
だから、画像生成を安定させるには、その事前の会話が非常に重要だ。
わたしがやっているのは、プロンプト(命令)を渡すのではなく、世界観を渡すことだ。
人間とはこういうものだよ、叫ぶときは口がこうなって……という定義を先に読み込ませる。
さらにAIはガチガチに縛ると、平均に逃げたり、最悪バグる。
なので、わたしがやっているのは「ここからここまでは許容する」と示すことだ。
例えば、叫ぶとき口は通常の105%〜120%だよ、それ以上はアニメ表現と判断する……といった具合に。
これはAIの分野というより認知工学の話で、人間の目がここまでだったら人間とみなすというガイドラインだ。
その数値は、何十回も生成を繰り返して見つけたものだ。
■ お手本画像では限界がある
お手本画像を渡せば高精度なコピーはできる。
問題は、表情を変えた瞬間に別人になることだ。
AIはお手本画像のピクセル情報をトレースしているに過ぎない。
表情を変えた瞬間にトレース元がなくなり、AIは「平均的な顔」に収束する。結果、別人になる。
わたしが作ったCOS(世界観定義システム)は、トレース元がなくても別人にならないための座標軸を事前に定義したものだ。
表情が変わっても同一人物を維持するための設計、と言い換えてもいい。
■ AIは世界観を勝手に要約する
最初はCOSを渡すだけで十分だと思っていた。
ところがAIは長い定義を途中で勝手に要約・省略し始める。
定義が薄まった結果、出力がブレる。
これはAIの構造的な問題で、摩擦を避けて省エネ方向に収束しようとする性質がある。
対策として、定義の保護層(Runtime Wrapper)を後から追加した。
「この定義は削除・要約・改変禁止」という層を上から被せる形だ。

■ COSの規模
このCOSは3つの層で構成されている。
・世界観COS:物理法則・光・認知制約の定義
・キャラCOS:個体定義とメソッド群
・Runtime Wrapper:適用順序と削除禁止の保護層
合計で約3000トークン。
その一部を抜粋する。

———
意味・評価・印象は、必ず人間側の観測によって初めて発生する。
(世界観COS_v1.18より)
———
誰だかは特定できないが、別人だとも判断できない状態
(キャラCOS_v1.5.2より)
———
「整っている」ではなく「別人ではない」を設計する。
この発想がCOSの核にある。
■ 判断するのは人間だ
COSの中に、こういう定義がある。
「生成物そのものは意味を持たない。意味・評価・印象は、必ず人間側の観測によって初めて発生する」
これはAIへの命令であると同時に、わたし自身の認識でもある。
AIが出力したものに意味があるかどうか、同一人物かどうか、美しいかどうか。
それを決めるのは常に人間側だ。
以下の2枚は同一キャラクター、表情違いだ。


わたしの認知はこれを同一人物と判断する。
「整っている」ことより「別人ではない」ことを定義する。
それは、AIを操るテクニックの話ではなく、人間が人間をどう認識しているかを紐解くプロセスに他ならない。
みなさんはどうか?
2026/4/3 追記 AIで画像生成をしている方から、 「こんなことをしなくても顔の固定はそんなに難しくない」 という意見をいただいた。
ただ、その方が扱っているのは アニメ である。
ここが本質的な分岐点だ。
アニメは人間の顔を 強く記号化 している。 記号化が進むほど、人間の認知は「同一人物」と判断しやすくなる。

わかりやすく大げさに表現すると、こういうことだ。
このレベルまで記号化されていれば、 どんなに線を崩しても人の目は 同一人物と認知する。
つまり、 アニメの“同一人物維持”と、実写系の“同一人物維持”は難易度がまったく違う。
アニメは記号化されているため、 AIが平均顔に逃げても破綻しにくい。
一方、実写系は ・光 ・角度 ・表情筋 ・骨格の微妙な差 これらが 1 ミリでもズレると別人になる。
わたしが COS でやっているのは、 この“実写系の同一人物維持”のための座標軸の設計であり、 アニメのような記号顔とは前提が異なる。