アップルの新しいAIがインターネットを破壊する

Appleは誰も予想しなかったことをしました。最先端の生成AIモデル、STARFlowをオープンソースライセンスでGitHubに直接公開しました。料金の壁もAPIの制限もなく、コード、ウェイト、そして密封された箱を発送することで知られる企業からの研究論文があるだけです。

STARFlowとそのビデオ相棒であるSTARFlow-Vは、Appleの新しい画像およびビデオ生成器で、「スケーラブル・トランスフォーマー・オートリグレッシブ・フロー」アーキテクチャに基づいています。Appleは、類似の品質の比較可能な拡散モデルに比べて、特に高解像度で、より少ないGPUサイクルを使用しながら、最大10〜15倍の高速サンプリングを実現すると主張しています。

OpenAI、Google、Midjourneyが最高のモデルをサブスクリプションやレート制限の背後に隠している中で、Appleはその状況を一変させました。誰でもml-starflowをクローンし、GPUインスタンスを起動して、単一の企業契約を結ぶことなく、高品質な画像や480p相当の動画を生成し始めることができます。

これは可愛いデモモデルではありません。STARFlowは画像に対して約30億パラメータの範囲にあり、一方でSTARFlow‑Vは動画に対しておおよそ70億パラメータに達し、事前トレーニングされたオートエンコーダの潜在空間で動作して、メモリと計算を抑制しています。Appleのベンチマークは、標準的な画像品質メトリクスにおいてトップの拡散システムと同等であることを示しており、20〜50のデノイジングステップの代わりに、わずか1回のフォワードパスで済ませられます。

戦略的に、これはサブスクリプションAI経済への直接的な打撃です。オープンなAppleモデルがコモディティクラウドGPU上で競争力を持って動作できる、あるいは最終的には高性能なMacやiPad上で動作できるなら、なぜMidjourneyにプロンプトごとの料金を支払ったり、クラウドビデオ生成者にフレームごとの料金を支払ったりし続ける必要があるのでしょうか？

開発者たちはほぼ即座に反応しました。GitHubのイシューやHugging Faceのポート、Dockerイメージが数時間内に出現し、インディー開発者たちは、拡散からの従来の1分以上のワークフローとは異なり、単一のA100やプロシューマー向けのRTXカードで数秒で生成されたマルチイメージバッチを報告しました。

そのスピードとAppleのロゴによって、STARFlowはまるで夢のようだと感じさせます。クリエイターたちはすでに、これがAI生成がPhotoshopのブラシのような単なるローカルツールになる瞬間なのかと問いかけています——安価で迅速、そして他人のAPIによって制限されるのではなく、完全に自分の手中にあるものとして。

15倍速はマーケティングの言葉に聞こえるかもしれませんが、実際の拡散モデルの動作を見てみるとそうではありません。Stable DiffusionやDALL·Eは通常、20～100回のデノイズステップを経て、時にはそれ以上の回数で、潜在画像からノイズを徐々に取り除いていきます。一方、STARFlowはその手間を省き、ノイズから完成した画像へとほぼ直接ジャンプし、数回のフロー変換で実現します。

長いマルコフ連鎖の代わりに、STARFlowのトランスフォーマー自己回帰フローは、単純なノイズ分布と画像空間の間で可逆なマッピングを学習します。サンプリングは、潜在空間で動作する約30億パラメータのトランスフォーマーを介した単一のフォワードパスとデコーダーを必要とし、連続した操作の数を大幅に削減します。ステップ数が少ないことで、同じGPU上での実行時間が劇的に短縮されます。

その15×という見出しの数字は、STARFlowを同等の品質と解像度で50～100ステップ実行する拡散モデルと比較することから得られています。A100クラスのGPUを使用すると、拡散パイプラインで1～1.5秒かかる画像が、STARFlowでは100ms未満に短縮される可能性があります。これを数百万のリクエストに重ねると、計算はAppleにとって大きく有利になります。

ここでのスピードは単に「反応が早い」という意味ではありません。ステップ数が少ないことは、リアルタイムツールのレイテンシーが直接低下し、プロバイダーの計算コストが低下し、サーバーごとのスループットが向上することを意味します。拡散を使用してピーク需要に応じるために100のGPUが必要だったサービスは、そのハードウェアのごく一部で同様のキャパシティに達する可能性があります。

ユーザーにとって、その違いはポラロイドが現像されるのを見るのと、化学的な暗室で待つのとでは感じ方が異なります。拡散画像は徐々に現れ、アップスケールされる前に低解像度でプレビューされることがよくあります。STARFlowは、iPhoneで写真を撮るように振る舞うことを目指しています：タップすると、ほぼ瞬時にフルフィデリティのフレームが現れます。

STARFlow-Vは、このアイデアを動画に押し進め、ステップ数が爆発的に増加します。従来の拡散ベースの動画モデルは、16〜24フレームにわたってフレームごとに数十のステップを実行するため、2秒のクリップがサーバーを溶かす仕事になってしまいます。一方、約70億のパラメータを持つSTARFlow-Vは、はるかに少ない連続パスで時間的に一貫した480pクラスのクリップを生成します。

生成的なビデオをホスティングする企業にとって、効率は自己主張以上に重要です。フレームごとのステップが少ないほど、長いクリップや高いフレームレート、より多くの同時ユーザーを、GPU予算を圧迫することなくレンダリングできます。

拡散クLOUDやデノイジングスケジュールを忘れてください。ノーマライジングフローは、画像生成を完璧で可逆的な数学的トリックのように扱います。STARFlowは、シンプルなノイズベクターを完成した画像に、そしてその逆にマッピングする直接的で可逆な関数を学習します。数百のノイズの中間段階を通じて推測することなく行うのです。「ガウスノイズ」と「4K壁紙」の間のバイリンガル辞典のように考えてください。すべての単語には正確で無損失の翻訳があります。

Stable DiffusionやDALL·Eのような拡散モデルは、彫刻家のように機能します。彼らは純粋な静的状態から始まり、20、50、または100以上のデノイジングステップを適用しながら、徐々にピクセルを猫や車、城のように見えるものに押し進めます。各ステップはGPUの処理時間、メモリ、エネルギーを消費するため、より高品質な結果は通常、より多くのステップと待機時間を意味します。

フローはその遅い露出をまったくスキップします。一度訓練されると、STARFlowは本質的にネットワークを一回通過することでサンプリングを行い、さらにいくつかの調整を加えるだけです。これが、Appleが同等の拡散ベースラインに対して「最大15倍速」を達成できる理由です。長いマルコフ連鎖も、サンプラーの調整も、ステップカウントの不安もありません。

STARFlowの根幹はTARFlowです：これはトランスフォーマー自己回帰フローです。文の中で次の単語を予測するのではなく、トランスフォーマーは画像を表す連続的な潜在変数の変換を予測します。Appleは、事前学習されたオートエンコーダーの潜在空間でTARFlowを実行しているため、トランスフォーマーは生の1024×1024ピクセルを直接扱う必要がありません。

トランスフォーマーは長距離構造のモデル化が得意で、画像には対称性や質感、全体の構成など、その要素が豊富に含まれています。TARFlowのアテンションレイヤーは、全体の潜在グリッドにわたる依存関係を捉え、ウィンドウ枠が建物のエッジに合わせられ、反射が空と一致します。Appleは「深層-浅層」のトランスフォーマースタックを使用しており、ほとんどのアテンションレイヤーをコンパクトに保ちながら、分布の最も難しい部分には深さを確保しています。

ノーマライズフローはAppleによって突然現れたわけではなく、研究者たちは何年も前から画像に対してそれを試みていました。歴史的に見ると、厳密な可逆性を強制することでモデルの容量が制約され、最適化が脆弱になったため、拡散やGANに比べて忠実度で遅れを取っていました。初期のフローモデルであるGlowは鮮明なサンプルを生成しましたが、しばしば簡素すぎたり、過度に平滑化されたりし、高解像度では苦戦していました。

Appleの取り組みは、これらの弱点に正面から立ち向かいます。TARFlowは、一部のアーキテクチャの制約を緩和し、圧縮された潜在空間で動作し、拡散スタイルのステップ税を支払うことなく出力を鋭くするための分類器なしのスタイルガイダンスを層状に追加します。AppleのSTARFlow論文におけるベンチマークは、標準データセットにおいて最先端の拡散モデルに匹敵するか、それに近い画像品質を示し、512×512以上で10～15倍の速度でサンプリングできることを明らかにしています。

Appleは単に論文を発表しただけではなく、STARFlowとそのウェイトをGitHubでオープンソース化することでAIビジネスモデルに生ライブ手榴弾を投げ込みました。コード、チェックポイント、トレーニング設定、サンプルノートブックがすべてあり、ライセンスは制限の少ないもので、ロックダウンされた研究の示唆よりもPyTorchに近いものになっています。

独立した開発者にとって、これは新しい世代の製品のためのスターターキットです。個人開発者はリポジトリを複製し、DigitalOceanで単一のA100をレンタルすることで、ミッドティアの拡散モデルに匹敵する15倍速の画像生成器を立ち上げることができ、誰にもプロンプトごとの料金を支払う必要がありません。

スタートアップは、APIの集金所が支配する市場で突然レバレッジを得ます。OpenAI、Google、またはMidjourneyにバURNレートを振り込むのではなく、ファッションカタログ、医療画像、アニメといったニッチなドメインでSTARFlowを微調整し、結果として得られるモデルとマージンを所有することができます。

研究者も完全に検査可能なシステムを手に入れます：Transformerオートレグレッシブフローのすべてのレイヤー、すべての正規化フロービジョンが公開されています。その透明性は、再現可能なベンチマーク、安全監査、新しいアーキテクチャの実現を可能にし、封鎖されたChatGPTスタイルのAPIでは不可能です。

経済的プレッシャーは閉鎖されたプロバイダーに直撃しています。地元ホスティングの無料モデルがマーケティング用の画像、ストーリーボード、480pのビデオにとって「十分良い」となった時、専用APIを介して画像あたり$0.04〜$0.12、または短いクリップあたり$0.30以上を支払う意欲が崩壊します。

閉じられたプラットフォームは、単なるモデルの品質以上のもので価格を正当化する必要があります。彼らは独占的なデータ、企業のコンプライアンス、統合されたツール、またはオンプレミスの保証が必要です。これは、フォーチュン500企業が自社のKubernetesクラスター内でAppleのウエイトを運用できるようになると、薄っぺらに見える利点です。

これは価値観の戦いでもあります：オープンソース 対 クローズドAI。歴史的にオープンさにアレルギーを持つAppleは、誰でもフォーク、Metalに最適化、またはAndroidやLinuxにポートできるフラッグシップクラスのモデルをオープン陣営に提供しました。

基盤モデルに対する管理が、透かし、著作権フィルター、監視のフックに関するルールを誰が定めるかを決定します。もしSTARFlowクラスのシステムが数少ないアメリカのクラウド大手以外で普及すれば、AIの未来は数少ないサブスクリプションゲートウェイのようになるのではなく、初期のウェブのように混沌としており、分散化されていて、再び制御するのが非常に難しくなるでしょう。

あまりにも良すぎることは、通常、請求書が来ることを意味しますが、STARFlowも例外ではありません。Appleのモデルは、キュレーションされたデモでは魔法のように見えますが、現在のリリースは明らかに研究プレビューの領域にあり、製品の領域にはありません。得られるのは生の力であり、洗練されたMidjourneyの代替品ではありません。

スピードヘッドラインは、大きなハードウェアの注意事項を隠しています。STARFlowは画像用に約30億パラメーターを持ち、STARFlow-Vは動画用に約70億パラメーターにスケールします。これは、高性能GPUの範疇に入ります。低遅延で高解像度の出力を望む場合は、RTX 4090クラスのカードや24〜80 GBのVRAMを搭載したA100を考えてください。

8〜12GBのVRAMを持つ単一のコンシューマGPUでSTARFlowを実行しようとすると、妥協が必要です。解像度を下げるか、バッチスループットが遅くなることを受け入れるか、クラウドのマルチGPUセットアップにオフロードする必要があります。「拡散より最大15倍速い」という表現は、モデルをメモリに完全に常駐させ、しっかりとプッシュできるという前提です。

ユーザーエクスペリエンスは、MidjourneyやDALL·E 3、Adobe Fireflyのような洗練されたツールに比べて大きく遅れています。Appleは、光沢のあるウェブアプリではなく、PyTorchコード、モデルの重み、およびいくつかのColabスタイルのノートブックをGitHubに提供しています。プロンプトUI、ジョブキューの管理、アップスケーリング、クリエイティブツールとの統合は自分で行う必要があります。

安全性と信頼性は、それを展開する者に委ねられています。STARFlowは、最小限の安全フィルターで登場し、内蔵のコンテンツポリシーの施行や堅牢な悪用監視がありません。これを製品に組み込む場合、NSFW検出、著作権フィルタリング、透かし入れ、ロギングを自分で追加する必要があります。

ベンチマークでは品質が高いですが、フローには依然としてトレードオフがあります。従来のノーマライズフローは、超細かいテクスチャ、髪、テキスト、そして小さなタイポグラフィで苦戦しており、成熟したディフュージョンモデルは長年の調整を経て優れた結果を出しています。初期のSTARFlowサンプルは全体的にシャープに見えますが、時折、忙しいシーンでぼやけたマイクロディテールや微妙なアーティファクトが見られます。

ビデオは、妥協の新たな層を追加します。STARFlow‑Vは現在、パブリックデモで約480pのコヒーレントクリップを対象としており、4Kシネマティック映像ではありません。アップスケールすることはできますが、それは別のスーパー解像度モデルに負担を移し、期待される速度とコストの節約を消費してしまいます。

はい、STARFlowは高速でオープン、そして真に破壊的です。しかし、現時点ではプラグアンドプレイのAIカメラというよりも、研究室の機器のように感じられます：熟練した手には素晴らしいですが、消費者向け製品を期待すると厳しい結果になります。

Appleの最終目標は明白です：デバイス内AIで、即時性、プライバシー、そしてすべてのiPhone、iPad、Macにネイティブに感じられるものです。STARFlowは単なる研究の見せびらかしではなく、Appleが巨大なサーバーファームに依存せずにApple Silicon上で生成モデルを動作させる方法の設計図です。

ノーマライズフローは、Appleに拡散モデルが決して実現できなかった武器を提供します。50～200のデノイジングステップの代わりに、STARFlowは本質的に単一のステップで画像を生成し、学習された可逆的マッピングを通じてノイズを絵に変換します。これにより、レイテンシーと消費電力が削減されます。

その単一ステップの動作は、あなたの「GPU」がAシリーズまたはMシリーズのチップで、厳しい電力予算を持っているときには重要です。3BパラメーターのSTARFlow画像モデルと、約7BパラメーターのSTARFlow-V動画モデルは、デスクトップクラスのGPU上で拡散よりも驚くほど速く動作します。それを6インチのガラスの塊に圧縮するのは、また別の話です。

現実を直視しましょう：iPhone 15 Pro上で、過度な妥協なしに今日のSTARFlowチェックポイントをネイティブで実行することはできません。量子化、プルーニング、Core MLの最適化を施しても、数十億パラメータのモデルとオートエンコーダのオーバーヘッドは、現在のモバイルハードウェアが提供するメモリ帯域幅やVRAMのような容量をはるかに超える要求をします。

代わりに、STARFlowは今後のApple Siliconのデザインターゲットとして機能します。今後のAシリーズおよびMシリーズの世代では、写真、短い動画、そして3D資産のための迅速で流動的な生成を処理するために、NPUのスループット、オンチップSRAM、およびメモリ帯域幅が強化されることが期待されます。

そのハードウェアが存在するようになれば、ソフトウェアの物語は自ずと形作られます。ネイティブアプリは、次のような密接に統合されたジェネレーターを提供できるでしょう： - デバイス上の壁紙およびロック画面アート - Logic ProおよびFinal Cut ProのBロール、テクスチャ、トランジション - Xcodeのアセット生成およびUIモックアップ

AppleはすでにiOS 18のApple Intelligenceスタックで小型言語モデルをローカルで稼働させており、より重いタスクはクラウドにオフロードしています。STARFlowはメディアにおいても同様の分割を示唆しています：デバイス上での軽量でプライバシーに配慮した生成と、必要に応じてAppleのサーバーに静かにバーストする重い高解像度のジョブです。

STARFlowを起動するには、まずGitHubから始まります。Appleのml-starflowリポジトリには、STARFlowおよびSTARFlow-Vのトレーニングコード、推論スクリプト、構成ファイルが含まれており、デモサイトからのサンプルColabノートブックも提供されています。高解像度や動画を処理する場合は、確かなPython、PyTorch、CUDAのスキルと、少なくとも16～24 GBのVRAMを持つGPUが必要です。

開発者は、拡散モデルがすでに存在する場所にSTARFlowを迅速なバックエンドとして組み込むことができます。現在50～100のデノイジングステップを消費している場所では、単一のフォワードパスがレイテンシとGPU時間を大幅に削減できます。同じハードウェアで、画像生成エンドポイントが約2～5秒からサブ秒の応答時間に短縮されることを考えてみてください。

コンテンツプラットフォームは静かにAIアートエンジンを入れ替えることができます。サムネイル、自動生成されたストーリーバックグラウンド、フィルターを提供するソーシャルアプリは、STARFlowを使用することで、より安価で高スループットの推論を実行できます。単一のA100またはH100インスタンスは、同等の拡散スタックよりもはるかに多くのユーザーを並行してサポートすることができます。

クリエイティブソフトウェアのベンダーは明確なプラグインの道を得ます。Photoshopスタイルのエディター、Figmaのクローン、または3Dツールは、ほぼ瞬時のプレビューを用いてSTARFlowを統合し、プロンプトからテクスチャへ、スタイル転送、レイアウトの探索が可能です。レイテンシの低下により、「クリックして待つ」ではなく、インタラクティブに感じるUIワークフローが実現します。

STARFlow‑Vを使用すれば、リアルタイムビデオ実験が手の届くところにあります。1080pで60 fpsを達成することはおそらく難しいですが、10〜15倍の高速サンプリングにより、480pの生成フィルター、スタイライズや背景の置き換えが単一のハイエンドGPUで実現可能です。OBSプラグインや、即座にプロンプトに反応するVTuberパイプラインを想像してみてください。

研究者はおそらく最も過激なツールを手に入れました：正確な尤度です。正規化フローにより、p(x)を直接計算できるため、STARFlowは異常検出、分布外スコアリング、および拡散モデルでは不可能なデータセット監査を可能にします。フレームを「どれほど典型的に見えるか」でランク付けしたり、トレーニングバイアスを定量的に探ったり、対数尤度を下流の科学モデルに組み込んだりすることができます。

STARFlowは、OpenAIのDALL·E 3、GoogleのImagen、そしてMidjourneyが支配する混雑したアリーナに登場しますが、それらを模倣しようとはしません。Appleは、単一の洗練された消費者向けアプリではなく、生の効率性、オープン性、そしてハードウェアとの緊密な統合に賭けています。それは、Midjourneyを撃破するものではなく、むしろプラットフォーム戦略と言えるでしょう。

シンプルな対戦はこのようになります：

• 1コア技術：STARFlowは正規化フローとトランスフォーマーのハイブリッドを使用しており、DALL·EやImagenは拡散技術を利用しています。Midjourneyは独自の拡散バリアントを使用しています。
• 2オープネス：STARFlowはGitHub上でコードとウェイトを公開していますが、DALL·E、Imagen、MidjourneyはすべてクローズドAPIまたはDiscordボットとして動作します。
• 3パフォーマンスの主張：Appleは、同等の品質で拡散よりも最大10〜15倍速いサンプリングを謳っています。一方、競合他社は生のステップ数ではなく、品質とエコシステムを強調しています。
• 4主な使用ケース: STARFlowはオンデバイスおよびカスタムアプリを対象としています。DALL·EはChatGPTとAzure内に存在し、ImagenはGoogle CloudおよびWorkspace内に、Midjourneyはクリエイター向けのDiscord内にあります。

Appleの独自の強みは効率性にあります。STARFlowの約30億パラメータの画像モデルと約70億パラメータのSTARFlow-V動画モデルは、出力をはるかに少ないステップで生成するため、レイテンシーとGPU時間を大幅に削減します。独自のスタックを運営している人々—スタートアップ、インディー開発者、研究所にとって、これは直接的にクラウド費用の削減と現実的なオンプレミス展開につながります。

OpenAIはマルチモーダル統合で対抗します。DALL·Eは直接GPT-4o、音声、ツールに接続されており、企業は数回のAPIコールでチャットボット、サポートワークフロー、社内知識ベースに画像生成を組み込むことができます。重みや低レベルの制御は得られませんが、企業契約、SLA、およびMicrosoftのAzure基盤を得ることができます。

GoogleのImagenはエコシステムロックインを強化しています。これはVertex AI、Googleフォト、そしてWorkspaceの内部に隠れており、すでにIT部門が存在する場所です。ガバナンス、データの所在地、コンプライアンスを重視する大企業にとっては、「ドキュメントやメールがすでにある場所で動作する」ことが、GitHubのスターを毎回上回ります。

Midjourneyは依然として美的な優位性を持っています。調整された拡散パイプライン、コミュニティ主導のスタイル、そしてDiscordネイティブなワークフローは、イラストレーター、コンセプトアーティスト、ミーム工場にとってのデフォルトとなっています。再現性とオープン性を、雰囲気と反復のスピードと引き換えにしています。

誰が勝つかは、あなたが誰であるかに依存します。開発者やオープンソースの愛好者はSTARFlowから最も多くを得ています。一方、企業は依然としてOpenAIやGoogleに惹かれています。アーティストは今のところMidjourneyを利用しています。カジュアルな消費者は、自分のチャットアプリや電話に最初に組み込まれている場所に行きます。そして、まさにそこがAppleが狙いを定める場所です。

Appleは過去10年間、「AI」という言葉を使わずに、自社の機械学習をDeep Fusion、Face ID、およびデバイス上のディクテーションといった機能の背後に隠してきました。STARFlowはそのカバーを剥がします。クパチーノからの3Bパラメータのオープンソース、最先端の画像モデルは、Appleがもはや静かな背景での最適化だけではなく、生成AIのテーブルで目立つ存在を望んでいることを示しています。

STARFlowは、Appleが推奨するAIスタックのマニフェストとしても機能します。それはプライベートで効率的、ハードウェアネイティブです。巨大なクラウドクラスターや不透明なAPIではなく、AppleはデータセンターなしでiPhoneやMacBook上で動作できるようにチューニングされた、低遅延かつ低電力の推論モデルに賭けています。

その哲学は、AppleのAR/VRにおける長期的な野望とほぼ完璧に一致しています。リアルタイムで3Dテクスチャ、環境、またはビデオオーバーレイを生成できる未来のVision Proは、50〜100の拡散ステップやクラウドへの往復を許容することはできません。ヘッドセットのMシリーズチップ内に組み込まれたSTARFlowのほぼ単一パス生成と10〜15倍の高速サンプリングのようなものが必要です。

パーソナルアシスタントは、明らかにターゲットの一つです。本当に役立つSiriの後継は、画像や短いクリップ、UIモックアップをリアルタイムで合成する必要があります—スライドをデザインしたり、レシピを視覚化したり、部屋のレイアウトをモックアップしたりすることです—プライベートな写真や文書が漏れることなく。STARFlowのフローに基づく可逆的なアーキテクチャは、Appleにローカルでプライバシーマーケティングを尊重するマルチモーダルアシスタントへの道を提供します。

クリエイティブのプロたちは、最初に影響を受けるかもしれません。Final Cut Pro、Logic Pro、Xcodeが、ストーリーボード生成、Bロール、コンセプトアート、またはUIアセットのためにSTARFlowスタイルのモデルを統合し、すべてM3 Max上でデバイス内でレンダリングされる姿を想像してください。Appleの効率性への注力は、直接的により多くのフレーム、高解像度、そして編集者やデザイナーのためのより緊密なフィードバックループに変換されます。

研究者やエンジニアにとって、この動きは同じくらい大きなメッセージを送っています。GitHubでコードと重みをオープンソース化することは、Appleが真剣な研究を再び発表し、内部フレームワークに埋もれさせるだけではないことを、トップAI人材に知らせるものです。OpenAI、Google、MetaがarXivを支配する世界の中で、STARFlowはAppleを信頼できる、野心的な研究所として位置づけるものであり、単なる洗練されたハードウェア会社ではありません。

Appleは、次の段階の生成AIがどのようなものかを誰にでも垣間見せました。それはより速く、より安価で、他者のAPIに依存しない形です。STARFlowとSTARFlow-Vは洗練された製品ではありませんが、効率的なアーキテクチャが強引な拡散を10〜15倍低コストで上回る方法の作業設計図と言えます。

開発者は、STARFlow GitHubリポジトリをライブラリではなく実験室として扱うべきです。リポジトリをクローンし、提供されたColabまたはクラウドセットアップを実行し、3Bパラメータのトランスフォーマー自己回帰フローが512×512または1024×1024の解像度で拡散ベースラインと比較してどのように振る舞うかをプロファイルしてください。

デフォルトのスクリプトを超えて挑戦しましょう。自分のオートエンコーダーを組み込み、低精度推論（FP16、場合によってはINT8）で実験し、RTX 3060/4060のような消費者向けGPUとデータセンター用カードでレイテンシーを測定します。その実践的な経験は、すべてのRFPがあなたのスタックがA100のラックなしでサブ秒の画像生成を実現する方法を尋ね始めるときに重要になります。

クリエイターやビジネスはまだターミナルに触れる必要はありませんが、この技術がどこに現れるか注視するべきです。「フロー基盤」や「ワンステップ」生成を静かに広告するツールの波が予想され、既存の企業を下回る競争を引き起こすでしょう。

• 1画像ごとのコスト
• 2ファーストフレームまでの時間
• 3ローカルまたはオンプレミスのデプロイメント

デザインスタジオが現在、MidjourneyやDALL‑Eに毎月何百ドルも支払っている場合、単一のワークステーショングラフィックスプロセッサまたは手頃なクラウドインスタンスで動作するSTARFlowを搭載した代替案は非常に魅力的になります。

ノーマライジングフローは5年前にはニッチな研究テーマでしたが、Appleがそれを再び注目の的に引き戻しました。このアプローチがスケールするなら、次のAIの軍拡競争は、ますます大きな100Bパラメータモデルから、ノートパソコン、エッジボックス、そして最終的にはiPhoneで動作する、 ruthlessly効率的な3〜10Bパラメータシステムへとシフトします。

その波に乗るということは、今、効率とアクセシビリティを最適化することを意味します：より小さなモデル、より賢いアーキテクチャ、そして顧客が遅くて不透明なクラウド専用AIを永遠に容認しないと想定したビジネスモデルです。

Apple STARFlowとは何ですか？

STARFlowは、Appleによるオープンソースの画像および動画生成モデルです。このモデルは、ノーマライズフローと呼ばれる技術を使用して、従来の拡散モデル（Stable Diffusionなど）よりも最大15倍速く、かつ効率的に高品質なビジュアルを生成します。

STARFlowはDALL-EやMidjourneyより優れていますか？

STARFlowは、著しく高速で計算効率が高く、研究ベンチマークで同等の品質を提供します。しかし、DALL-EやMidjourneyは成熟した機能豊富な製品である一方、STARFlowは現在開発者向けの研究プレビューであり、使用するには技術的な専門知識が必要です。

私のiPhoneでSTARFlowを実行できますか？

まだです。基盤となる技術は将来のデバイス内アプリケーションに適していますが、現在のモデルはハイエンドのサーバーグレードGPUを必要とします。そのリリースは、強力なローカルファーストの生成AIに向けたAppleの戦略的方向性を示しています。

なぜAppleはSTARFlowをオープンソースにしたのですか？

STARFlowをリリースすることで、AppleはOpenAIやGoogleのような競合の閉鎖的なエコシステムに挑戦します。これは開発者コミュニティを支援し、研究を加速させ、AppleをオープンソースAIの重要なプレーヤーとして位置づけ、ハードウェアの採用を促進する可能性があります。