MetaのAI研究部門「Meta Superintelligence Labs（MSL）」が2026年7月7日、同部門として初めてとなる画像生成モデル「Muse Image」と、動画生成モデル「Muse Video」のプレビューを発表した。Muse ImageはMeta AIアプリ、meta.ai、米国のInstagramストーリーズ、一部国のWhatsAppに即日展開され、Facebookへの提供も準備中だという。

何が新しいのか——「エージェントとして絵を描く」という発想

従来の画像生成AIは、プロンプトを受け取って一発で画像を出力する「変換器」に近い設計だった。Muse Imageの特徴は、これを一枚の絵を仕上げる「作業プロセス」として扱っている点にある。

具体的には次の3つの仕組みが組み合わさっている。

ツール呼び出し（Tool Use） 強化学習の過程で、Muse Imageは正確なグラフやQRコードを生成するためにコードを書いて実行する能力、そしてWeb検索で最新情報や実在する視覚的参照を取得する能力を獲得した。時事ネタや実在の事物を扱うプロンプトほど、検索を使うことで事実的な正確性が向上したとMetaは報告している。

自己修正（Self-Refinement） 生成途中の画像を自分で見返し、「ここの細部がおかしい」と判断すれば局所的に描き直し、「全体的に間違っている」と判断すればゼロから再生成する。興味深いのは、Metaがこの挙動を明示的に設計したわけではなく、強化学習によって「自己修正した方が高い報酬（＝より良い画像）を得られる」と学習した結果、自然に獲得された振る舞いだという点だ。

テスト時計算のスケーリング 推論時によく“考える”ほど、ツール呼び出しや自己修正のステップが増え、生成品質が向上する。これは大規模言語モデルで見られる「reasoningを強めるほど性能が上がる」現象と同じ構造で、画像生成でも計算量と品質がおおむね対数線形の関係にあるとMetaは述べている。

MetaはGoogleの「Nano Banana 2」を上回る評価を得たと主張しており、生成画像にはトリミングや加工を経ても残る不可視の透かし「Content Seal」を付与し、AI生成であることを追跡可能にしている。

実務への影響

日本のエンジニア・IT管理者にとって直接使える機能というより、まず注目すべきは「エージェント型生成AI」という設計思想そのものだ。プロンプト一発勝負ではなく、モデルが検索やコード実行といった外部ツールを自律的に使い分けて成果物の精度を上げていく構造は、画像生成に限らず今後あらゆる生成AIプロダクトの標準形になっていく可能性が高い。社内向けにAI活用の企画・評価を行う立場であれば、「一発生成の精度」だけでなく「自己検証・自己修正の仕組みがあるか」を評価軸に加えておくと、今後出てくる各社のモデルを比較しやすくなるはずだ。

また、不可視透かし「Content Seal」のような出所証明技術は、生成AI画像が社内資料や広報物に紛れ込むリスクへの対策として実務上重要になる。著作権・コンプライアンス部門と連携する担当者は、こうした技術の動向を追っておく価値がある。

一方で、現時点での提供国・プラットフォームは米国中心（Instagramストーリーズは米国のみ、WhatsAppも限定国）であり、日本国内での利用可否や日本語プロンプトでの精度は未知数だ。発表を鵜呑みにして導入検討を急ぐより、実際に手元で触れるようになってから評価するのが現実的だろう。

筆者の見解

エージェント型生成という設計思想の方向性自体は、正直よくできていると思う。プロンプトを一度きり投げて終わりではなく、モデル自身が「ここはおかしい」と気づいて手を入れ直す——これはAIエージェント全般で重要だと繰り返し言ってきた「人間の確認待ちにしない自律性」の考え方と地続きだ。強化学習の結果として自己修正が“勝手に”出てきたという話も、狙って設計するより自然な学習の結果として現れる挙動の方が強いことを示していて興味深い。

ただ、Metaの生成AI領域での実績を踏まえると、発表内容と実際の実務品質の間にはまだ距離があると見ておいた方がいい。ローンチ直後のベンチマークやデモは各社とも良く見えるように作られるものであり、日本語での実利用や業務での安定性は、実際に自分の手で触って確かめるまでは判断を保留すべきだ。情報を追いかけて一喜一憂するより、実際に使えるようになった段階で自分の目で確かめる——それが今の生成AIとの正しい付き合い方だと思っている。

出典: この記事は Introducing Muse Image and Muse Video の内容をもとに、筆者の見解を加えて独自に執筆したものです。