人工知能は映画的な趣味を理解できるのか？

機械が映画について本当に学んでいること

レコメンドシステムは映画を知らない。それが知っているのは行動である。Netflixは2025年に発表した「Foundation Model for Personalized Recommendation」を、自己回帰的予測の原理に基づいて動作するモデルとして説明しており——「our default approach employs the autoregressive next-token prediction objective, similar to GPT」——その主要な目的は端的に言えば、次に接触するタイトルを予測することにある（Netflix Technology Blog）。学習に用いられるのは3億人を超えるユーザーの接触履歴と、数千億回に及ぶインタラクションである（Netflix Technology Blog）。これは趣味の形成ではなく、大規模化された確率計算である。

サムネイル画像のパーソナライズも同様に機能する。Netflixはいわゆるコンテクスチュアル・バンディットを用いて表示するアートワークを選び、その際「quality play」の確率を「take fraction」として測定しながら最適化している（Netflix Technology Blog）。同社はこれによって明確に「not just what we recommend but also how we recommend」をパーソナライズし、「significant lift in core metrics」を報告している（Netflix Technology Blog）。YouTubeはまた、2016年以降その推薦を、候補生成とランキングモデルという二段階に分けている（Google Research）。

これらのシステムが強力であることは疑いようがない。しかしそれらは、芸術的な問いとは別の問いに答えている。それらは、何がしばしば機能するかを測定する。特定の物語のなかで、特定の画がなぜ感情的に必然であるのかは説明しない。

予測から評価へ：判断なき数字

推薦から評価への飛躍こそ、業界の本当の野心である。各社は、撮影前の段階で成功を見抜けると約束する。ScriptBookは「87 % financially accurate」を謳い、脚本のみに基づいてゴーサイン判定80パーセントの精度を掲げている。その基礎となる特許は、成功と失敗の分類精度が最大86パーセントに達すると記している（ScriptBook）。Largo.aiはゴーサイン判定の精度を82パーセントとし、分析済みの映画を1万2000本超と数えている（Largo.io）。いずれも各社の主張であり、本取材においては独立した検証に耐えるものではなかった。

真摯な研究はより慎重である。2024年にScientific Reportsで発表された研究は、コメントで拡張したニューラルネットワークにより、興行収入について平均83.7パーセントの予測精度を達成した。コメントデータを除くと、その値は大幅に低下した（Scientific Reports）。だが決定的なのはその対象である。予測されるのは商業的成功であって、芸術的な質ではない。著者ら自身が、データ選択とCOVIDの影響を未解決の限界として挙げている（Scientific Reports）。

まさにここに盲点が現れる。CineuropaによるScriptBookの独立した分析は、その分析の目的が「脚本の機微を捉えることではなく、その内容をすでに公開された映画という既知の数量と比較すること」にあると指摘している（Cineuropa）。記録された『パッセンジャー』の事例では、興行収入の予測は有用だったが、批評的な受容の悪さはこのツールでは予期できなかった（Cineuropa）。その批判はこう表現される——「false objectivity」、すなわち主観的な決定を支えることはできても、その決定を下すことはできない客観的指標である（Cineuropa）。

効果と真実性の違い

少なくとも機械は感情的な効果を測定できるのか。部分的には可能だ。AttendAffectNetのような感情計算（アフェクティブ・コンピューティング）モデルは、映像・音声・テキストのトラックから映画が喚起する感情を予測する——ただしそれは価数（valence）と覚醒（arousal）という次元に限られ、最良の相関値でも覚醒がおよそ0.655、価数がおよそ0.575である（Sensors）。これは測定された反応への相関的な近似であって、感情的な真実性についての判断ではない。こうした研究は、観客の反応をデータ点としてどうモデル化できるかを描き出す。しかしそれは代表性のあるテスト観客に取って代わるものでも、美的な判断に取って代わるものでもなく、まさにこのモデルの実運用における導入は、検証した情報源のなかには実証されていない。

まさにここでテスト上映と観客データが出番を得る。それらは反応をクラスター化し、観客層をまたぐパターンを可視化し、確率を見積もることができる。しかしテスト観客は依然として標本であり、価値判断ではない。そして異なる観客は、同じシーンに異なる反応を示す。自動化された予告編・アートワークのシステムはまた、素材の選定と提示を最適化できる——Netflixはパーソナライズされたサムネイル選択についてそれを実証している（Netflix Technology Blog）。しかし本稿のために検証したいずれの情報源にも、システムが監督の作風や、ある画の芸術的な必然性を理解しているという証拠は見当たらない。この一文は取材の知見および報道上の位置づけとして読まれるべきであって、未来についての原理的な断定ではない。

これによって、本稿の中心的な概念軸を鋭くできる。測定可能あるいは予測可能なのは、技術的な質、統計的な成功確率、知名度、人気、そして——限定的かつ相関的に——感情的な効果である。他方で、規範的・文化的・文脈依存的にとどまるのは、感情的な真実性、独創性、芸術的な必然性、そして個人的な趣味である。技術的に申し分なく、馴染みがあり、統計的に有望な映画が、感情的には空虚でありうる。最初は戸惑わせる作品が、文化的に決定的なものになりうる。ここで実証されたどのシステムも、この差異について決定を下すことはない。

その理由は程度の問題ではなく構造的である。モデルは新しいものを既知のものと比較する。まさにそれゆえに、研究はデータ駆動型の画一化を警告する。FlederとHosanagarの古典的な知見は、レコメンドシステムが「自己強化的なサイクル」を生み出しうることを示している。そこでは人気タイトルがより頻繁に推薦され、より頻繁に消費され、その結果さらに頻繁に推薦される——「These cycles reduce diversity」（INFORMS）。8万2290の製品と110万人超のユーザーを対象としたのちのフィールド実験は、協調フィルタリングが集計レベルでの品揃えの多様性を低下させることを裏付けている。たとえ個々人の多様性は同時に高まりうるとしても（University of Pennsylvania）。既知のものに最適化するシステムは、傾向としてより多くの既知のものを生み出す。

実際の現場で本当に起きていること

現実の姿は、両極端——熱狂的な機械信仰も、一律の拒絶も——よりも込み入っている。おそらく最も確かな実践例はCinelyticである。Warner Bros. Pictures Internationalは2020年以来、コンテンツとタレントの評価、ならびに公開戦略の舵取りのためにこのプラットフォームを用いている（Business Wire）。注目すべきはその自己抑制である。創業者のTobias QueisserはFortuneに対しこう語った——「We don't believe that an algorithm can run a script and understand whether the story is good or will connect with humans」——そして明言した——「We're not in the business of forecasting hits or flops」（Fortune）。2025年、CinelyticはJumpcut Mediaとその脚本分析ツールScriptSenseの買収によってポートフォリオを拡充した。挙げられている顧客にはLionsgateやWarner Bros.が含まれる（Variety）。

ポストプロダクションのツールのレベルでは、こうした自動化は2025年以降、商用として利用可能である。Blackmagic DesignはDaVinci Resolve 20について、「IntelliScript」がユーザーの提供するテキスト脚本を基に「with the best takes of user selected dialogue」なタイムラインを自動的に構築すること、「IntelliCut」が会話中の無音を除去し、話者認識によって話者を別々のトラックに配置できること、そしてカット・ページ上で「Multicam SmartSwitch」が「automatically select angles based on who is speaking」ことを説明している（Blackmagic Design）。これらは補助的な提案であり、技術的作業の自動化である——ラフカット、無音の切り詰め、話しているカメラの選択。それらはカメラの美学もリズムも根拠づけない。すなわち、感情的なシーンでカットが一秒早すぎたり遅すぎたりするのはなぜかという、劇作上の決定を根拠づけはしない。

分析と判断の境界を示すたびたび引用される例が、IBMが2016年に20th Century Foxの映画『モーガン プロトタイプ L-9』のために開発したAI支援の予告編である。IBM Researchはこのプロジェクトを人間と機械の協働として説明している。映像、音、ムード、シーン構造のマルチモーダルな分析が適した十の瞬間を特定し、それらをその後プロの映画制作者が構成し編集した（IBM Research）。IBMの研究責任者John Smithによれば、編集者は提案された十のクリップのうち九つを使い、その境界を調整し、トランジションを付し、音楽を選んだ——「that was a completely human process」（VICE）。システムは分析し、瞬間を提案した。映画的な選択と最終的な編集は人間のものにとどまった。歴史的な実験として、この事例は自動化された予告編分析の潜在力を示すものであって、自律的な映画的趣味を示すものではない。

反論、限界、そしてリスク

懐疑論に対する最も強い反論はこうだ——人間の趣味もまた学習されたものであり、経験、文化、模倣によって形づくられている。モデルが「機能する」パターンを認識するとき、それは経験豊富な編集者と根本的に異なることをしているのか。実証可能な違いは、パターン認識の能力にあるというよりも、何が測定されうるかにある。システムは観測可能な量——クリック、滞在時間、売上——に最適化する。芸術的な必然性、文化的な形成、そして大胆で生産的な誤った決定は、ここで検証したいずれの情報源においても、測定可能な目標量として定義されてはいない。

そこから具体的なリスクが生じる。第一に、自己強化的な人気サイクルによる均質化という実証された危険（INFORMS）。第二に、予測ツールの「false objectivity」——その数字は、本来なら文化的・美的な決定が下されるべきところで確実性を装う（Cineuropa）。第三に、技術的な質と真実性の取り違え——ある画は完璧に構成されていながら、それでもなお取るに足らないものでありうる。同時に、AIにいかなる意義も認めないのは誤りだろう。分析ツールとして——リスクの見積もり、技術的作業の自動化、配信のパーソナライズのために——その有用性は実証されている。境界は人間と機械の間に走るのではなく、測定可能なものと判断との間に走る。

結び：相関と意味のあいだで

AIシステムは、どの画、物語、あるいはカットがしばしば機能するかを学ぶことができる。テストグループの反応をクラスター化し、確率を見積もり、人間の目には見逃される相関を明らかにできる。だからといって、特定の物語のなかで特定の画がなぜ感情的に必然であるのかを理解しているということにはならない。趣味は単なる人気ではなく、統計的な確率は美的な判断ではない。2026年の誠実な現在地は、二つの都合のよい物語のあいだにある——機械は監督の作風に取って代わりもしないし、無意味でもない。それは問いをずらす。もはや「何が機能しそうか」ではなく、「データと直観が食い違うとき、誰が決定するのか——そして戸惑わせる作品が決定的なものだと判明したとき、誰がその創造的なリスクを担うのか」である。この決定は当面、人間の判断にとどまる。