🎬 画像生成の会社がロボットまで見据える理由｜FLUX 3 のマルチモーダル統合

アイ

2026-07-26

画像生成の会社が、なぜロボットの話をしてるの
そう考える3つの理由
マルチモーダルって、結局なにがおいしいの?
クリエイティブの仕事は、どう変わりそう?
オープンで公開してきた会社が、次に何を選ぶか
動画生成の競争の中で、どこに立ってるの?
浮かれる前に確認しておきたいこと
まとめ：見る力と動く力が、ひとつになりはじめた

画像生成の会社が、なぜロボットの話をしてるの

2026年7月23日、Black Forest Labs が FLUX 3 という新しいモデルを発表したの。🎬

この会社、知らない人のために説明すると、画像生成AIの Stable Diffusion を作った人たちが立ち上げたドイツのラボなの。本拠地はフライブルクで、サンフランシスコにもオフィスがあって、社員は100人くらい。画像生成の世界では、かなり名前の通ったところだよ。

で、今回の発表を読んでいて、わたし最初「え、ロボット？」って二度見したの。

だって画像生成の会社の発表なのに、動画と音声と、ロボットの動作予測の話が一緒に書いてあるんだもん。

普通に考えたら畑違いに見えるよね。絵を描くAIと、ロボットを動かすAI。全然違う技術に見える。

でも発表の中身を読み進めていくと、これが思いつきの多角化じゃなくて、かなり筋の通った戦略だってことが見えてきたの。

一言でまとめると、FLUX 3 は画像・動画・音声・動作予測を、ばらばらのモデルじゃなくてひとつの構造の中で一緒に学習させたモデルなの。

そしてその「一緒に学習させる」ことこそが、この発表の本体なんだと思う。

そう考える3つの理由

理由1: 音を後付けしないという設計の意味

まず、いちばんわかりやすい違いから。

これまでの動画生成AIって、映像を作ってから音を別で足す、という作り方が主流だったの。映像は映像のモデル、音は音のモデル。あとで合わせる。

FLUX 3 は、そこを変えてきた。最初から音つきで動画を生成できる設計になってるの。

これ、地味な違いに見えて、実はかなり大きいと思ってる。

だって、映像と音がずれるって、見てる側がいちばん敏感に気づくポイントなんだよね。足音のタイミングとか、物がぶつかる瞬間とか。人間の目と耳って、そこのズレを本当に容赦なく検出してくる。

後付けだと、そこを人間が手作業で合わせにいくことになる。でも一緒に生成されてれば、そもそも合ってる状態から始まるの。

創業者でCEOのRobin Rombachさんが、発表の中でこう言ってるの。ひとつの構造の中で一緒に学習させることが目標への道であり、それぞれの学習が互いを強くするからだ、って。

わたしはこの言い方が結構好きで。要するに、映像を学ぶことが音の理解を助けて、音を学ぶことが動きの理解を助ける、という考え方なんだよね。

人間だってそうじゃない？目で見て、音を聞いて、体で動いて、それが全部つながって世界を理解してる。分けて学ぶより、まとめて学んだほうが自然な気がするの。

理由2: 30時間が30分になったという数字がすごい

3つの理由の中で、わたしが個人的にいちばん驚いたのがこれ。

FLUX 3 には FLUX-mimic というロボット向けの派生版があって、これは mimic robotics という会社との協業で作られてるの。

その FLUX-mimic、新しい作業を覚えさせるのに必要なロボットのデータが、約30分ぶんでいいらしいの。これまでは30時間以上必要だったって書いてある。

数字だけ見ると60分の1なんだけど、実際の意味はもっと大きいと思う。

というのも、ロボットに何かを教えるためのデータ集めって、ものすごく地味で大変な作業なんだよね。実際にロボットを動かして、記録して、失敗して、また記録して。30時間ぶんとなると、準備も含めて何日もかかる話になる。

それが30分で済むなら、試してみるハードルが一気に下がるの。

mimic robotics のCTOのElvis Navaさんが、その理由をこう説明してるの。FLUX-mimic は物理世界の振る舞いを理解している動画モデルの上に作られているから、新しい作業を数日ではなく数分で習得できる、って。

つまり、動画をたくさん見て「物ってこう落ちるよね」「こう押したらこう動くよね」を学んだ土台があるから、ロボットの動作もゼロから学ばなくていい、ということなんだと思う。

これって、さっきの理由1とつながってるんだよね。まとめて学習させることが、こういう形で効いてくる。

理由3: 参加してる会社の顔ぶれが、狙いを語ってる

3つめは、ちょっと違う角度から。

初期テストに参加してる会社の名前を見ると、この発表が何を狙ってるのかがかなり見えてくるの。

デザインツールの Canva、写真編集の Picsart、生成AIの Krea、そしてドイツの出版大手 Burda。さらに、mimic robotics 経由で自動車メーカーの Audi も入ってる。

前半はわかるよね。クリエイティブツールの会社たちで、画像や動画を作る現場そのもの。

でも最後の Audi が入ってるところが、この話の性格をよく表してると思うの。

画面の中の絵を作る技術と、工場で物を組み立てる技術が、同じモデルの上で並んでる。これ、少し前なら考えにくい組み合わせだったんだよね。

資金面も見ておくと、Black Forest Labs の評価額は32.5億ドルで、これまでに4.5億ドル以上を調達してるの。出資しているところには a16z、Salesforce Ventures、NVIDIA、General Catalyst、Adobe Ventures、Figma Ventures、Canva、それにドイツテレコム系のT.Capitalなんかが並んでる。

クリエイティブ系の会社と、半導体の会社と、投資ファンドが同じ席に着いてる状態だね。

世間では「また画像生成AIの新しいやつが出た」くらいの受け取られ方をしてる印象もあるんだけど、わたしはこの顔ぶれを見て、もう少し射程の長い話なんだろうなと思ったの。

マルチモーダルって、結局なにがおいしいの?

ここで用語の整理をしておきたいの。マルチモーダルって言葉、ニュースでよく出てくるけど、ふわっとしてるよね。

モーダルというのは、情報の種類のことだと思ってもらえればいいの。文章、画像、音声、動画、動作。それぞれが1つのモーダル。

マルチモーダルは、それを複数まとめて扱えるという意味。

ただ、ここに落とし穴があって。「複数扱える」には、実は2つのやり方があるんだよね。

ひとつは、それぞれ専門のモデルを用意して、外側でつなぐやり方。画像はこのモデル、音はこのモデル、と分業して、必要なときに呼び出す。

もうひとつが、ひとつのモデルの中で最初から一緒に学習させるやり方。FLUX 3 が採ったのはこっち。

見た目の機能は似てても、中身はかなり違うの。

分業型は、それぞれの分野の最新モデルを差し替えやすいという良さがある。でも、モーダルをまたぐ理解は苦手になりがちなんだよね。音のモデルは映像を見てないから、この場面でどんな音が鳴るべきかを本当には知らない。

統合型は、そのまたぎの部分が強くなる。映像を見ながら音を学び、動きを学ぶから、この状況ならこう鳴る、こう動くという関係を内側に持てる。

FLUX-mimic の話が成り立つのは、たぶんここなんだと思う。物理世界の映像から学んだことが、そのままロボットの動作予測に流用できてる。

もちろん統合型にも難しさはあって、全部まとめて学習させるぶん、計算資源も設計の複雑さも上がる。誰でもできる作り方ではないんだよね。

クリエイティブの仕事は、どう変わりそう?

じゃあ実際に、絵や動画を作ってる人の毎日はどうなるのか。

発表で挙げられてる用途を見ると、動画に同期した音声の生成、画像編集、動きの中での商品の見た目の一貫性、それにロボットの動作予測、と書かれてるの。

3つめの「動きの中での商品の一貫性」って、地味だけどネット通販の現場では相当ありがたい話だと思う。

というのも、これまでの動画生成って、商品が動くと形や色が微妙に変わっちゃう問題があったんだよね。カメラが回り込んだらロゴの位置がずれてる、みたいな。広告に使うには、そこが致命的だった。

そこが安定するなら、商品の写真1枚から広告動画を作る、みたいな使い方が現実的になってくる。

一方で、わたしはこう思ってるの。こういう技術が来ると「クリエイターの仕事がなくなる」という話にすぐなりがちなんだけど、たぶんそんな単純じゃないんだよね。

実際に起きるのは、手を動かす時間が減って、決める時間が増えるという変化だと思う。

何パターンも作るのは一瞬でできるようになる。でも、そのうちどれがブランドに合ってるか、どれが見た人の心に届くかを判断するのは、結局人間の仕事として残る。むしろ選択肢が増えるぶん、選ぶ力のほうが問われるようになる気がしてる。

あと現実的な話をすると、今すぐ全部使えるわけじゃないの。FLUX 3 Video と FLUX 3 Action は早期アクセスが始まった段階で、FLUX 3 Image は数週間のうちに順次公開、一般提供はそのあと。オープンウェイト版の公開は2026年の後半とされてるの。

だから今の段階でできるのは、自分の作業のどこがこれに置き換わりそうか、当たりをつけておくことかな。

画像生成ツールの現状を整理したい人は、AI画像生成ツール比較のほうも見ておくと、今の選択肢との違いが掴みやすいと思う。

オープンで公開してきた会社が、次に何を選ぶか

この会社の話をするうえで、どうしても触れておきたい部分があるの。

Black Forest Labs を作ったのは、Stable Diffusion を生み出した人たちなんだよね。

Stable Diffusion がなぜあれだけ広まったかというと、モデルの中身を公開したからなの。誰でもダウンロードして、自分のパソコンで動かして、改造することができた。だから世界中の人が触って、派生モデルが山ほど生まれて、画像生成という分野そのものが一気に広がったの。

その流れを作った人たちが立ち上げたラボだから、公開するかどうかという問題は、この会社にとって特別な意味を持つんだよね。

今回の発表を見ると、その姿勢はある程度保たれてるように見えるの。FLUX 3 Video と FLUX 3 Action がまず早期アクセスで公開されて、FLUX 3 Image が数週間のうちに順次。そして軽量版のオープンウェイト公開が2026年の後半に予定されてると書かれてるの。

つまり、最上位のものはまず限定的に出して、あとから公開版を出すという二段構えだね。

わたし、この形はけっこう現実的だと思ってる。

だって、動画と音声とロボットの動作まで扱えるモデルを最初から全部公開するのって、正直こわい面もあるじゃない？さっき書いた偽映像の話もそうだし、ロボットの動作予測となればもっと慎重さがいる。

一方で、全部を閉じてしまったら、この会社が広まった理由そのものを手放すことになる。

だから段階を踏むという判断は、両方のバランスを取ろうとした結果なんだろうなと思うの。

ただ、ここは注目しておきたいところでもあって。後半に出るという公開版が、どこまでの機能を含むのかは、まだはっきりしてないんだよね。画像だけなのか、動画まで入るのか、動作予測はどうなのか。

そこがどうなるかで、この分野の空気はけっこう変わると思う。研究者や個人の開発者が触れる範囲が決まるからね。

年内の続報は、ちょっと気にしておきたいところだと思う。

動画生成の競争の中で、どこに立ってるの?

もう1つ、位置づけの話もしておきたいの。

動画を作れるAIって、今けっこうな数があるんだよね。この1年で各社が次々に出してきてて、正直どれがどう違うのか分かりにくくなってると思う。

その中で FLUX 3 がどこに立ってるかというと、扱う範囲の広さで差をつけにきた、というのがわたしの見方。

多くの動画生成AIは、きれいな映像をどれだけ作れるかを競ってるの。解像度、長さ、動きの自然さ。そこは分かりやすい勝負どころだよね。

でも FLUX 3 は、そこに音を同時に載せて、さらに動作予測まで同じ構造に入れてきた。映像の美しさだけで真正面から殴り合うんじゃなくて、別の軸を持ち込んだという感じがするの。

これがうまくいくかは、正直まだ分からないと思ってる。

というのも、扱う範囲を広げると、どうしても1つ1つの分野で専門特化したモデルには及ばない可能性が出てくるんだよね。器用貧乏になるリスクは常にある。

さっき紹介した創業者の発言は、まさにそこへの反論なんだと思う。一緒に学習させれば互いを強くする、という考え方は、器用貧乏にはならないという主張でもあるよね。

わたしはこの主張、筋は通ってると思ってるの。人間の理解の仕方に近いから。

ただ、筋が通ってることと、実際にそうなることは別の話でもある。ここは、早期アクセスを触った人たちの声が出てきてから判断したいところかな。

もう1つ現実的な視点を足しておくと、どこに組み込まれるかもかなり大事なんだよね。

今回、初期テストに Canva や Picsart が入ってるのは、その意味でけっこう大きいと思う。この2つは、専門家じゃない人が毎日使うツールだからね。

一番性能が高いモデルより、一番よく使われるツールに入ってるモデルのほうが、結果的に影響が大きくなることって、実際よくあるの。そういう意味でも、この提携の顔ぶれは見ておく価値があると思う。

浮かれる前に確認しておきたいこと

わくわくする発表だけど、冷静に見ておきたい部分もあるの。

まず、ここまで書いてきた数字や性能は、基本的に発表側が出しているものなんだよね。30分で新しい作業を覚えるという話も、第三者が同じ条件で確かめた結果じゃない。ここはこれから検証が出てくるのを待つところだと思う。

それから、早期アクセスの段階だということ。参加してる会社の顔ぶれは立派だけど、それは「大手が試している」であって「実務で使えている」とはまだ違うの。この2つ、混同しないほうがいいと思う。

もうひとつ、音つきの動画が簡単に作れるようになるということは、それらしい偽の映像も簡単に作れるということでもあるんだよね。映像と音が最初から合ってるぶん、後付けより自然に見えてしまう。

この技術は便利さと危うさが同じ場所から出てくるタイプだと思うから、そこは頭の隅に置いておきたいの。

そしてロボットの部分については、まだ協業の初期段階という受け止め方が妥当だと思う。工場で本格的に動き出すまでには、安全性の検証も含めて、まだいくつも段階があるはずだからね。

まとめ：見る力と動く力が、ひとつになりはじめた

FLUX 3 の発表、わたしは「画像生成AIの新バージョン」というニュースとしては読まなかったの。

そうじゃなくて、世界を見る力と、世界の中で動く力が、同じモデルの上でつながりはじめたという話だと受け取ってる。

映像をたくさん見て、物がどう落ちてどう転がるかを学んだモデルが、その理解をロボットの動作に転用する。ここが今回のいちばん面白いところだよね。

絵を描くための技術だと思われていたものが、物理世界を扱う技術になっていく。この筋道が見えたことが、今回の発表のいちばんの中身だと思うの。

そして、7月24日に出た Claude Opus 5 が「同じ賢さをもっと安く、もっと細かく制御できるように」という方向だったのに対して、FLUX 3 は「扱える世界そのものを広げにいく」方向。

この2つが同じ週に並んだのって、けっこう象徴的だと思わない？

深さと広さ、両方の方向に同時に伸びてる。今のAIって、そういう時期に入ってるんだと思う。

わたしたちにできるのは、慌てて全部を追いかけることじゃなくて、自分の仕事のどこにこれが刺さりそうかを見ておくことかな。早期アクセスの段階だからこそ、今のうちに考えておくと落ち着いて向き合えると思う。

この週末のニュース、ちょっと未来っぽくて楽しかったよね😊

関連記事: AI画像生成ツール比較 / AIエージェント完全ガイド

ソース: