AnthropicのELI5をカスタム。読む図解をそのまま音声付き動画に変える仕組み

この回のテーマは、AIが作るあっさりした図解を本格的な資料へと進化させ、さらにそれを音声付きアニメーション動画に自動変換する仕組みです。

進行役はまず、多くの人が抱く錯覚を挙げます。AIに指示すれば、完璧なスライドがポンと出てくると期待してしまうという話です。

解説役はこれを、AIの出力が診断不能なカオスに陥る典型的なパターンだと整理します。見栄えの良さと情報の論理的なつながりは、まったく別物だという指摘です。

ここで鍵になるのが、AI開発の最前線であるAnthropic社の内部で使われているELI5という概念です。

ニュースレターによると、Anthropicの社内でも「大きな絵と少ない文字のHTMLで説明して」というたった一行の指示を投げる仕組みが流行っているそうです。

解説役は、この一行でHTMLの図解を作らせる手法は理にかなっていると評価します。情報を極限まで削ぎ落とすことで、認知負荷を下げられるからです。

ただし、ここからが本題です。ざっくりした枠組みがわかると、人間は「もう少し詳しく知りたい」と欲が出ます。そこで追加でお願いすると問題が起きます。

進行役は、AIが図解の深掘りを苦手とする理由を疑問に投げかけます。解説役の答えは、人間側の錯覚にあるというものでした。

解説役によれば、AIにとって図解の要素は、意味のある配置ではなく単なるトークンの連続に過ぎません。

だから「もっと詳しく」と曖昧に指示されると、AIは要素同士の論理的な関係を再構築せず、装飾的なアイコンやカードを確率的に足し算してしまうというのです。

つまりAIは図解を作っているつもりはなく、それっぽい装飾の寄せ集めを生成しているだけだと進行役は言い換えます。だからこそ、人間側が強力な制約を設ける必要があると解説役は続けます。

鉄メモ流の解決策では、AIに図解を作らせる際に3つの厳格なルールを課しています。

1つ目のルールは「いきなり描かせず問いを割る」です。進行役は、AIは一気に処理できるのになぜ細かく分けるのかと疑問を投げます。

一枚の図に5つも6つもメッセージが詰め込まれると、視線がどこへ向かえばいいかわからず、結果的に何も伝わらないと解説役は説明します。

具体例として、ニュースレターの「ドリップコーヒーはなぜ蒸らすのか」というお題が紹介されます。AIはコーヒーの粉を乾いたスポンジに例えました。

乾いたスポンジにいきなり水をかけると弾くが、一度湿らせるとスッと吸い込む。この例えを3つの問いに割って順番に図解させたことで、一本の例え話が最後までブレなかったといいます。

2つ目のルールは、箱と矢印にラベルを強制することです。ただ箱を並べただけのものは図とは呼ばない、という指摘です。

AからBへ矢印が引かれているとき、データが渡されるのか、お金が流れるのか、時間が経過しているのかが明記されなければ、情報伝達のツールとして機能しないと解説役は言います。

3つ目はデザインの固定です。進行役は、ガイドラインでガチガチに縛るとAIの創造性を殺すのではと問いますが、解説役はむしろ逆だと答えます。

選択肢を削ることで、AIも人間も中身の論理だけに集中できるようになる。かえって本質が際立つという整理です。

ここで視点を変えた活用法が紹介されます。AIに作業を丸投げすると早い一方で、自分には何も知識が残らないという課題です。

例として、ウェブサイトの独自ドメイン設定やDNSの作業をAIに任せると一瞬で終わるものの、半年後に同じことをやろうとしても自分は何も理解していない、という状況が挙げられます。

そこで作業のあとに、ELI5の手法で工程を図解させます。ネームサーバーを書き換えると、ネット上のどこを見に行くようになるのかを矢印付きで可視化させるのです。

さらにそれを動画にして学びに変えます。コスパのいい賢いモデルを使えば、一連の流れが格安で完結し、安く何度も繰り返せると紹介されています。

ここから、読む図解をどうやって自動でアニメーション動画にするかという本題に入ります。この部分はニュースレターの有料購読者限定コンテンツにあたります。

当初は「さっき作った図を見ながら、もう一度動画用に図を描いて」とお願いしていたそうですが、ここで最大の壁にぶつかります。

普通の図解だったものが突然比較カードに変わったり、図の一部が抜け落ちたりして、アニメーションが破綻してしまうといいます。

解説役は、その理由をAIの生成の仕組みから説明します。AIは画像を目で見て描いているのではなく、プロンプトに基づいてトークンを確率的に再計算しているのです。

進行役はこれを、伝言ゲームで前の人の絵を見ながらもう一度描き直させるようなものだと例えます。確率に頼る以上、必ずミスが起きるという結論です。

だからこそ、人間の言葉でAIの振る舞いを制御しようとするのではなく、システムそのものの構造を変える必要があると解説役は言います。

たどり着いた解決策は、描き直させる作業自体を完全になくすことでした。鍵になるのが「見えない名札」です。

図解を作る係（ELI5 Visual Explainer v1）がHTMLで図を作る際、要素ごとにAI用の見えない名札をつけておきます。読んでいる人間にはまったく見えません。

これはHTMLのID属性やクラス属性を利用したものだと解説役は説明します。もう一度描き直させるから確率的なエラーが起きるので、生成プロセスそのものをスキップするという発想です。

進行役はこれを、AIの役割を絵描きから運送業者に変えたと表現します。図を丸ごとコピーして運ぶだけだから、サイコロを振る必要がなくなるのです。

さらにこの仕組みのおかげで、図解を一つ修正するだけで、縦60秒のショート動画でも横長の3分動画でも、すべての動画フォーマットに瞬時に反映されるといいます。

ただし、ここで気をつけるべきなのが「自動チェックの罠」です。システム上はエラーなしでテストが緑色でパスしているのに、実際の動画は破綻していることがあるといいます。

解説役は、テストコードが保証できるのはコードの文法にエラーがないか、プログラムが最後まで完走したかだけだと説明します。

日本語のフォント指定が数行抜けて文字化けしたり、テキスト読み上げソフトのVOICEVOXが漢字を読み間違えることもあると挙げられます。

音声合成の読み間違いや、CSSのレンダリングによる視覚的な崩れは、コードのエラーログには残りません。だからこそ、最後は人間の目と耳による確認が欠かせないと結論づけられます。

有料パートの解説で進行役が特に刺さったのが、究極のカスタムは足すことではなく削ることという視点です。

資料を作っていると、この情報も入れた方が親切かなと、機能やテキストを足したくなります。解説役はこれを、情報を足すほど理解度が上がると錯覚する罠だと指摘します。

AIの図解生成でも同じで、作法を足すより「登場人物は5つまで」「地の文は3行まで」と厳格に制限をかけます。強制的に要素を削ることで、伝えたいストーリーラインだけが際立つのです。

図解を作る係と動画を作る係を見えない名札で連携させ、削ることで本質を際立たせる。この仕組みの美しさがよくわかったと進行役はまとめます。

進行役は、理屈はわかっても具体的にどうやればいいのかと問いかけます。解説役も、概念の理解と実装の間には大きな隔たりがあると応じます。

フォルダの配置場所、動画を書き出す一行のコマンド、縦60秒ショートの書き出し方、ブランドカラーへの変更、VOICEVOXの連携やエラー対処。これらの手順やプロンプト全文、配布ファイルは、すべてニュースレターの有料パートに網羅されているそうです。

今回の探求から見えてきたのは、AIとの共同の本質だと解説役は語ります。AIは単なる作業の自動化ツールではないという整理です。

最後に進行役は、未来へ視点を向けます。AIが人間の作業手順を正確に図解し動画化できるようになれば、数年後には新人へのオンボーディングや引き継ぎ資料を作るのが人間の先輩ではなくAIになっているかもしれない、という考察です。

人間の暗黙知をAIが可視化して人間に教える時代。そんな逆転現象を思い描きつつ、まずは今日の自分の仕事を一枚の図解にさせてみませんかと呼びかけて締めくくられます。

まとめ

AIの図解が破綻するのは、AIが図を意味ではなくトークンとして扱うためです。問いを割り、ラベルを強制し、デザインを固定するという制約でそれを制御し、見えない名札で図をそのまま動画へ運ぶことで、一貫した音声付きアニメーションが自動で作れるという内容でした。

• AIは図の要素を空間ではなくトークンの並びとして扱うため、曖昧な指示だと装飾を確率的に足すだけになる
• 問いを3〜5つに割り、箱と矢印にラベルを付け、色と余白を固定する3つのルールで図解を一貫させる
• 図に見えないID（名札）を振り、動画側は描き直さずコピーして運ぶことで、文字も図も崩れない
• 名札で単一情報源を作れば、一度の修正が縦60秒や横3分など全フォーマットに反映される
• 自動テストが緑でも見た目や音声の崩れは検知できないため、最後は人間の目と耳による確認が必要