LoRAで「自分のスタイル」を学習させた。プロンプトに名前を入れると、確かにそのスタイルで画像が生成される。できたように見える。何度も何度もやってみて、パラメータを調整して、結果を見比べて——達成感さえ感じた。
しかし、数週間経った今、問い直している。本当に「個性」が入っているのか。それとも、学習データに含まれていた「様式」を、システムが抽出しただけではないか。その区別が、実はあまり明確でないことに気づいた。
個性とは何か——美術における「個性」の定義
美術において「個性」とは何か。この問いは、美術史の根本的な問題だ。
ルネサンス以降、西洋美術は「個性」を絶対視してきた。画家が署名をするようになったのは14世紀イタリアだ。それ以前は、職人は自分の名前さえ記さなかった。個性は重要ではなかったのだ。だが時代が進むにつれ、「この絵は誰が描いたか」が重要になり、やがて絶対的な価値基準になった。
現代でも同じだ。美術館で作品を見るとき、多くの人は「この画家は誰か」から見始める。
作品の価値は、その作家の「個性」によって大きく左右される。
では、その個性とは何か。実証的に答えるのは難しい。ただ確実なのは、個性には「様式」が含まれているということだ。様式とは、時代や地域や技法に由来する、共通の特徴をいう。印象派の絵画には、印象派特有の様式がある。しかし印象派のすべての画家が、同じ個性を持っているわけではない。
個性と様式の違いは、「判断」にあると考える。様式は「どう描くか」という手法の集合だが、個性は「何を選ぶか」「何を捨てるか」という判断の歴史だ。
長年にわたり、日々絵を描いてきた私の手癖や色選びは、その「選択の歴史」の積み重ねである。それが個性を作っているのだ。
LoRAが学習するもの——「傾向」と「個性」の間
LoRA（Low-Rank Adaptation）は、ベースの大規模モデルを微調整する技術だ。学習データセットとして、例えば特定の画家の作品100点を与える。すると、LoRAはその100点に共通する「特徴」を抽出し、パラメータの一部に組み込む。
その「特徴」は何か。統計的には「傾向」だ。色彩の分布、ストロークの密度、構図のバランス——こうした数値化できるパターンを、LoRAは効率的に学習する。
ここで問いが生じる。その「傾向」は「個性」か、それとも「様式」か。
LoRAの観点からすれば、データセットに含まれる視覚的な特徴を学習しているだけだ。理屈の上では、「様式」だと言える。画家A、画家B、画家Cの作品100点ずつを学習させたLoRAは、3つの異なる傾向を獲得する。その傾向は確かに異なるが、それは「個性」か「様式」か。
美術史的には、その区別は曖昧だ。ラファエロとミケランジェロは、ルネサンス期の「様式」に従いながら、明らかに異なる個性を持っていた。では、その違いは何か。それは彼らの「判断」である。何を優先し、何を捨てるか。構図か色彩か、デッサンか表情か。その判断の違いが、結果として「個性」として現れたのだ。
LoRAはその「判断」を学習できるだろうか。学習データに「判断」の痕跡が残っていれば、理論的には学習する可能性がある。
構図の選択、色彩の優先順位、細部への執着度——こうしたものは、作品に「傾向」として記録されている。
だから、LoRAが学習するものは「傾向」であり、その傾向が十分に深ければ、それは「個性」と見分けが付かなくなる可能性もある。問題は、その「見分けが付かなくなる」という状態が、本当に「個性を学習した」ことを意味するのか、ということだ。
長年の審美眼は学習できるか
ここで、自分自身の経験に戻ろう。
私は日本画を高校で学び、美大で油彩とドローイングを専攻し、その後も描き続けてきた。現在、長年の「選択」をしてきたことになる。毎日のスケッチ、試行錯誤、失敗と修正——その過程全体が、現在の「個性」を作っている。
では、その長年の「個性」をLoRAで学習させることができるか。データセットとして、この長期間の全スケッチと完成作を使用するとしよう。解像度、色調、構図、ストロークのクセ——すべてが記録されている。
LoRAはそれを学習し、「テクスチャーLoRALab のスタイル」という傾向を獲得する。
結果として生成された画像は、確かに私のスタイルに似ている。それは成功だろうか。
しかし、LoRAが学習していないものがある。それが「判断の歴史」だ。なぜ、その色を選んだのか。なぜ、その構図にしたのか。その理由を、作品から読み取ることはできない。
作品には「結果」だけが残る。判断の根拠、その時の思考プロセス、捨てられた選択肢——そうしたものは、データに含まれていない。
AIが学習できるのは、結果に現れた「傾向」だけだ。その傾向がいかに微細で、いかに複雑でも、それは「表現の集合」であり、「判断の根拠」ではない。
だから、LoRAが学習するものは、厳密には「個性」ではなく、「個性の結果の統計的圧縮」であると言える。
それでもLoRAに賭ける理由
であれば、なぜ私たちはLoRAで質感を学習させるのか。その問いに答えなければ、この実践は意味を失う。
理由は単純だ。「見分けが付かなくなる」ことの価値を認めるからだ。
LoRAが学習する「傾向」は、確かに「個性」そのものではない。しかし、十分に複雑な傾向は、その傾向を生み出した「人間の判断」と、社会的には同等に扱われる可能性がある。その可能性を、私たちは試しているのだ。
同時に、LoRAにおける「失敗」の価値を信じている。繰り返しの実験を重ねる中で、何が学習されて、何が学習されないのか、その境界線が見えてきた。その経験は、人間の「個性」とは何かを、より深く理解させてくれた。
LoRAは「個性」を学習しない。だが、「個性の輪郭」を浮き彫りにすることはできる。その副産物としての学習資源を、倫理的に扱うこと——例えばCC0で公開された文化資源を学習素材として活用すること——が、TextureLoRALabの立場である。