微調整されたQwen2.5-7Bを100本の映画で訓練した確率的ストーリーグラフ

映画学とシステムズエンジニアリングの架橋

映画のナラティブとシステムズエンジニアリングにまたがる学際的研究は、構造的な同型性を露呈させる。物語は有向非環グラフとして形式化可能であり、登場人物、事象、感情的なビートがノードを構成し、因果関係またはテーマ的関係がエッジを構成する。この観察は比喩的ではない。ナラティブ構造を数学的グラフ理論の言葉で正確に言い直したものであり、数十年のナラティヴォロジー研究に根ざしている（Bal, 1997; Herman, 2002）。実践的な帰結は明白だ。ナラティブ構造が形式的に表現可能であるなら、ナラティブコーパスで訓練された機械学習モデルは、そのグラフ空間内における妥当な状態遷移を予測することを学習できる。

動機は特定の運用上のギャップから生じる。映画教育は伝統的にケーススタディ分析と直感的なパターン認識に依存している。一方、システムズエンジニアリングは再現性、測定可能な出力、形式的仕様を要求する。どちらの分野も単独では具体的な問題に対処しない。すなわち、執筆者がいかにして曖昧な前提（例えば「小さな町での背信についての物語」）から、指定された登場人物の弧、プロット・ビート、テーマ的な報酬を備えた首尾一貫したナラティブ足場へと体系的に移行するのか。

100本の映画で微調整された言語モデルは中道を提供する。そのようなモデルは学習されたナラティブパターン—訓練コーパス全体で観察された反復的な構造、登場人物の原型、因果連鎖、テーマ的解決—を符号化する。ただし単一の「正しい」ナラティブを規定しない。運用上、これは映画製作者がモデルに部分的なストーリー状態（「主人公が第二幕で家族の秘密を発見する」）を問い合わせ、訓練セットのパターンに根ざした、首尾一貫性によってランク付けされた後続ストーリー状態の確率的提案を受け取ることを意味する。

システム設計の原則は明示的である。領域知識（映画のナラティブ構造）とエンジニアリング規律（再現可能なモデル訓練、形式的グラフ表現、測定可能な推論）は相互に強化し合う。モデルは構造化されたブレインストーミング・パートナーとして機能する。学習されたパターンを人間の評価と洗練のために表面化させるツール。創造的判断の代替ではない。このパターンは一般化する。ナラティブまたは因果構造に富んだあらゆる領域（インタラクティブフィクション、ゲームデザイン、シナリオプランニング）は同じアーキテクチャを採用できる。領域固有のデータをキュレートし、有能なベースモデルを微調整し、出力をクエリ可能なグラフとして公開し、提案を反復的に改善するためのフィードバックループを実装する。

映画製作者の壁—曖昧なアイデアから構造化された探索へ

映画製作者は反復的な運用上のボトルネックに直面する。初期のインスピレーションと実行可能なナラティブ構造の間のギャップだ。監督は説得力のある登場人物のコンセプトやテーマ的な問いを持つかもしれないが、それらの要素がいかに完全なナラティブ弧全体にわたって発展するかを探索する体系的な方法を欠いている。既存のシナリオライティングツール（Final Draft、WriterDuet、Celtx）はフォーマットと組織的足場を提供するが、創造的発見には対処しない。アイデアの容器であり、それらを生成するためのガイドではない。

本システムはストーリー探索をグラフ走査問題として形式化することでそのギャップに対処する。開始状態（登場人物の説明、葛藤、設定）が与えられると、モデルは妥当な後続状態を提案する。決定論的規則ではなく、訓練コーパスから学習されたパターンによって重み付けされた確率的分岐として。例えば、映画製作者が指定する。「主人公が第二幕で家族の秘密を発見する」。モデルは複数の首尾一貫した結果を返す。各々は関連する信頼スコアとナラティブ的正当化を伴う。

• 家族成員との対人的緊張の激化。対立につながり、主人公の家族への忠誠の理解を再構成する
• 主人公に家族の秘密を保護することと個人的な目標を追求することの間で選択を強いる道徳的ジレンマ
• 先行するシーンを再文脈化する啓示。映画製作者がテーマ的首尾一貫性のために先行するプロット・ポイントを修正するよう招待する

各提案は訓練セット内の映画で観察されたパターンに根ざしており、提案を解釈可能かつ追跡可能にする。

根底にある根拠は経験的に支持されている。人間の創造性は制約と例示によって強化される。制約のない白紙のシナリオによってではない（Csikszentmihalyi, 1996）。5つの妥当なストーリー分岐を検討する映画製作者。各々は認識可能な映画に固定されている。どの方向が彼らの創造的意図と一致するかを迅速に評価できる。彼らは完全な創造的支配を保持しながら、ナラティブ首尾一貫性と先例に関する構造化されたフィードバックを得る。

運用上、ユーザーワークフローは以下の通りだ。（1）前提を入力し、初期ストーリービートを選択する。（2）システムは確率的グラフを返す。ノードはストーリー状態を表し、エッジは遷移を表す。各々はモデル信頼度によって重み付けされている。（3）映画製作者は代替パスを探索し、ノードを編集し、提案を選別して受け入れるか拒否する。（4）洗練されたアウトラインはさらなる開発のためにエクスポートされる。これはストーリー開発を孤立した反復的プロセスから学習されたナラティブパターンとの協調的対話へと変換する。

一般的な出力からの脱却—なぜ領域固有の微調整が重要か

広いインターネットコーパスで訓練された汎用言語モデルは、定型的なナラティブ出力を生成する。なぜなら、領域内のスタイル的忠実性またはナラティブ的深さではなく、多様な領域全体での統計的尤度に最適化するからだ。ベースモデルは規模で統計的パターンを学習するが、領域専門知識の集中した信号を欠いている。映画シーンを生成するよう問い合わせされると、そのようなモデルは訓練データ全体で観察された高頻度のトロープと感情的に安全なビートにデフォルトする。

100本の映画の厳選されたコーパスでの微調整は根本的にこれを変える。モデルは単に物語が何であるかを学習するのではなく、特定の映画がいかに構造、対話、ペーシング、視覚的構成、テーマ的層化を通じて意味を構築するかを学習する。コーエン兄弟、王家衛、ヨルゴス・ランティモスの映画で微調整されたモデルは、ハリウッドのブロックバスター映画のランダムサンプルで微調整されたモデルとは本質的に異なるナラティブ論理を内在化する。この特異性は限界ではない。システムの価値の源泉だ。

実践的な違いは測定可能かつ質的だ。ノワール・シーンを続けるよう求められた一般的なモデルは以下を生成するかもしれない。「探偵はバーに入った。暗かった。彼は飲み物を注文した」。古典的なノワール映画（例えば『ビッグ・スリープ』『孤独な場所で』『キス・ミー・デッドリー』）で微調整されたモデルは以下を生成する。「ベネチアンブラインドは部屋を影の棒に刻んだ。彼は座らなかった。座ることは約束を意味した」。第二の出力は視覚的特異性、テーマ的重み、スタイル的首尾一貫性を示す。モデルがそのような詳細を優先する映画から学習したからだ。

運用上、これは訓練コーパスの意図的なキュレーションを要求する。利用可能なすべてのシナリオを無差別にスクレイピングするのではなく、実践者は望ましい美学とナラティブ範囲を表現する映画を選択する。選択基準は明示的に文書化されるべきだ。ジャンル、歴史的時期、文化的起源、テーマ的焦点、監督的スタイル。このキュレーション段階は付随的なオーバーヘッドではない。システムの価値提案の核だ。魔法的リアリズムで作業する映画製作者は、すべてのジャンルにまたがる100本の映画のランダムサンプルではなく、ギレルモ・デル・トロ、宮崎駿、アリ・アスターで訓練されたモデルから恩恵を受ける。

実装と運用

Qwen2.5-7Bは実践的なバランスを提供する。控えめなハードウェアで微調整するのに十分小さく、微妙なナラティブパターンをキャプチャするのに十分有能だ。微調整プロセスは、構造化されたフォーマットでシナリオデータを準備し、タスク固有のプロンプトを定義し（例えば「このストーリー状態が与えられたとき、妥当な次のシーンは何か」）、消費者向けGPUで数時間訓練することを含む。

推論パイプラインはユーザーのストーリー入力を取得し、それをグラフ状態として符号化し、次状態提案についてモデルに問い合わせ、首尾一貫性と多様性によって結果をランク付けし、説明を伴ったランク付けされたリストを返す。システムは映画を構造化されたグラフとして保存する。シーンはノードとして。登場人物、場所、感情的トーンを伴う。プロット・ビートはエッジとして。因果関係を伴う。ユーザーがストーリー断片を入力すると、システムは訓練グラフ内の類似ノードを見つけ、継続についてモデルに問い合わせ、学習されたグラフ構造に対して出力を検証する。このハイブリッドアプローチ—学習されたパターンと構造的一貫性を組み合わせる—は幻覚を減らし、使いやすさを改善する。

展開上の考慮事項には遅延（推論は数秒で完了すべき）、コスト（微調整されたモデルは大規模モデルへのAPI呼び出しより安い）、バージョン管理（異なる映画コーパスで訓練された複数のモデルバージョンを維持する）が含まれる。映画製作者は「ハリウッド」モデルと「インディー」モデルの間で切り替え、提案がいかにシフトするかを見ることができるべきだ。

測定と反復

成功は創造的文脈で「より良い」が何を意味するかを定義することを要求する。定量的メトリクスには推論速度、モデルサイズ、クエリあたりのコストが含まれる。定性的メトリクスにはユーザー満足度、提案の新規性、ナラティブ首尾一貫性が含まれる。最も実行可能なアプローチは両者を組み合わせる。ユーザーがモデル提案を受け入れる頻度、提案を編集する頻度、完全なアウトラインをエクスポートする頻度を追跡する。

ユーザーインタラクションをログするテレメトリを実装する。開始前提、モデル提案、ユーザー編集、最終アウトライン。定期的に出力をサンプリングし、映画製作者に首尾一貫性、独創性、有用性についてそれらを評価させる。このフィードバックループはモデルとインターフェースの両方を洗練させる。

リスクと軽減

微調整されたモデルは訓練データへの過適合のリスクがあり、既存の映画を再結合する提案を生成し、真の創造性を可能にしない。軽減。出力の新規性を定期的に監査し、多様な訓練コーパスを維持し、アンサンブル方法を使用する（複数のモデルバージョンに問い合わせ、多様性によってランク付けする）。

映画製作者はツールに依存するようになり、しばしば独創的なアイデアを生成する闘争を失うかもしれない。軽減。CineGraphsをブレインストーミング補助として位置付ける。執筆の代替ではなく。ユーザーに提案を拒否し、非慣例的な分岐を探索するよう奨励する。

著作権の懸念は、モデルが著作権で保護されたシナリオの実質的な部分を再現する場合に生じる。軽減。訓練でのみ公開領域またはライセンスされたシナリオを使用し、出力を匿名化し、ユーザーが生成されたアウトラインを所有することを示す免責事項を含める。

次のステップ

即座の次のステップは、CineGraphsをオープンソースプロジェクトとしてリリースすることだ。小さなキュレーションされた訓練コーパス（10～20本の映画）とカスタムコーパスでの微調整のための明確なドキュメンテーションを伴う。これは映画製作者、ゲームデザイナー、執筆者に実験とフィードバック提供を招待する。

二次的なステップにはウェブインターフェースの構築、シナリオライティングソフトウェアとの統合（Final Draft、WriterDuet）、訓練コーパスの500～1,000本の映画への拡張。多様なジャンルと文化全体。ユーザー向けモデル選択の実装、協調機能の追加（複数の執筆者が同じストーリーグラフを探索し、注釈を残し、優先される分岐に投票する）が含まれる。

実践者向け。小さく、焦点を絞った訓練コーパスで開始する。有能なベースモデルを微調整する。提案をクエリするための単純なインターフェースを構築する。ユーザーエンゲージメントを測定し、フィードバックに基づいて訓練データとインターフェースを反復する。ボトルネックはモデルではない。良い訓練データをキュレートし、ユーザーが実際に何を必要とするかを理解することだ。

実装と運用パターン

本番システムの構築は、モデルアーキテクチャ、データパイプライン、推論インフラストラクチャに関する明示的な決定を要求する。Qwen2.5-7B（アリババ、2024）は実践的なバランスを提供する。消費者向けハードウェアで微調整するのに十分小さい（単一のNVIDIA A100またはRTX 4090で4～8時間）。それでいて微妙なナラティブパターンをキャプチャするのに十分有能だ。微調整プロセスは以下を含む。（1）構造化されたフォーマットでシナリオデータを準備する（例えば、シーンを離散的な単位として。メタデータを伴う。登場人物リスト、場所、感情的トーン、プロット機能）。（2）タスク固有のプロンプトを定義する（例えば「このストーリー状態が与えられたとき、3つの妥当な次のシーンを生成する」）。（3）標準的なハイパーパラメータで消費者向けGPUで訓練する（学習率2e-5、バッチサイズ4、3エポック）。

推論パイプラインは以下の順序に従う。（1）ユーザーはストーリー断片を入力する（例えば、登場人物の説明とプロット・ポイント）。（2）システムはこれを関連するメタデータを伴うグラフノードとして符号化する。（3）モデルは次状態提案についてクエリされる。（4）結果は首尾一貫性（学習された採点関数を介して）と多様性（最大限界関連性を介して）によってランク付けされる。（5）信頼スコアとモデルの注意パターンから抽出されたナラティブ的正当化またはポストホック説明を伴ったランク付けされたリストが返される。

運用上、これはストーリーノード（構造化されたJSONとして表現される）を受け入れ、エッジ（信頼スコアと正当化を伴う遷移）を返す軽量APIを構築することを要求する。システムは映画を構造化されたグラフとして保存する。シーンはノードとして。登場人物リスト、場所、感情的トーン、プロット機能を伴う。プロット・ビートはエッジとして。因果関係とテーマ的共鳴を伴う。ユーザーがストーリー断片を入力すると、システムは訓練グラフ内の類似ノードを識別し、継続についてモデルに問い合わせ、学習されたグラフ構造に対して出力を検証する。このハイブリッドアプローチ—学習されたパターンと構造的一貫性を組み合わせる—は幻覚を減らし、使いやすさを改善する。

展開上の考慮事項は以下を含む。（1）遅延。推論は対話的な使いやすさを維持するためにクエリあたり2～5秒で完了すべき。（2）コスト。消費者向けハードウェア上の微調整されたモデルは大規模な独占的モデルへのAPI呼び出し（例えば、GPT-4）よりも実質的に安い。（3）バージョン管理。異なる映画コーパスで訓練された複数のモデルバージョンを維持する（例えば「ハリウッド」「インディー」「インターナショナル」）。ユーザーが訓練分布全体で提案がいかに変化するかを探索することを可能にする。

測定と次のアクション

創造的領域での成功の測定は定量的メトリクスと定性的メトリクスの両方を要求する。定量的メトリクスは以下を含む。推論遅延（目標。クエリあたり5秒未満）、モデルサイズ（目標。完全な重みで15GB未満）、クエリあたりのコスト（目標。消費者向けハードウェアで0.01ドル未満）。定性的メトリクスは以下を含む。ユーザー満足度（相互作用後のアンケートを介して）、提案の新規性（人間の評価者が提案が訓練データの明白な再結合から逸脱するかどうかを評価することを介して）、ナラティブ首尾一貫性（専門家の映画製作者が内部的一貫性とテーマ的共鳴について出力を評価することを介して）。

最も実行可能な測定アプローチは両者を組み合わせる。ユーザーインタラクションをログするテレメトリを実装する（開始前提、モデル提案、ユーザー編集、最終アウトライン）。定期的に出力をサンプリングし、映画製作者に3つの次元について評価させる。（1）首尾一貫性（提案は入力から論理的に従うか）。（2）独創性（訓練データの明白な再結合を避けるか）。（3）有用性（映画製作者が前に進むのを助けるか）。このフィードバックループはモデル（高評価の出力での再訓練を介して）とインターフェース（UX反復を介して）の両方を洗練させる。

即座の次のアクションは以下を含む。（1）訓練コーパスを100本から500～1,000本の映画に拡張する。多様なジャンル、歴史的時期、文化的起源全体。（2）ユーザー向けモデル選択を実装する。映画製作者がどの映画コーパスをクエリするかを選択することを可能にする。（3）協調機能を追加する（複数の執筆者が同じストーリーグラフを探索し、注釈を残し、優先される分岐に投票する）。（4）既存のシナリオライティングツール（Final Draft、WriterDuet）と統合する。直接エクスポートを可能にする。

リスクと軽減戦略

• 過学習と再組み合わせのリスク*：微調整されたモデルは訓練データへの過学習に陥り、既存の映画を単に再組み合わせた提案を生成する危険がある。本質的な創造的探索を可能にするのではなく、既知の要素の組み替えに終始する。軽減策：（1）セマンティック類似度メトリクスを用いて訓練データとの比較により出力の新規性を定期的に監査する、（2）複数のジャンル、時代、文化的文脈にまたがる多様な訓練コーパスを維持する、（3）アンサンブル手法を使用する（コーパスの異なるサブセットで訓練された複数のモデルバージョンにクエリを実行し、多様性によって結果をランク付けする）。

• ユーザー依存のリスク*：映画製作者がツールに依存するようになり、しばしば独創的なアイデアを生み出す創造的な葛藤が萎縮する可能性がある。軽減策：（1）システムを明示的にブレーンストーミング補助として位置付け、執筆の代替ではないと明確にする、（2）ユーザーに提案を拒否し、慣例的でない分岐を探索するよう促す、（3）ユーザーがモデル提案から乖離しているか（健全）、それとも収束しているか（懸念）を追跡する、（4）乖離を報酬する機能を実装する（例えば、モデルの最上位ランク選択肢と矛盾する提案をハイライトする）。

• 著作権と帰属のリスク*：微調整されたモデルは著作権で保護された脚本の実質的な部分を再現し、法的および倫理的責任を生じさせる危険がある。軽減策：（1）訓練に使用するのはパブリックドメインまたは明示的にライセンスされた脚本のみとする、（2）訓練データの直接的な再現を防ぐため出力を匿名化する、（3）ユーザーが生成されたアウトラインを所有し、独創性に責任を持つことを明確に免責する、（4）訓練データとの一致をフィルタリングする重複排除ステップを実装する（例えば、セマンティック重複が80％を超える場合）。

• バイアスと表現のリスク*：100本の映画からなる訓練コーパスは特定のジャンル、文化、物語伝統を過度に代表する可能性があり、バイアスのかかった提案につながる。軽減策：（1）訓練コーパスの構成を明示的に文書化する（ジャンル分布、文化的起源、歴史的時期）、（2）異なるコーパスで訓練された複数のモデルバージョンを提供する、（3）過小代表の伝統で活動する映画製作者からのフィードバックを求め、それに応じて再訓練する。

結論と移行計画

中核的な洞察は、物語構造は学習可能であり、機械学習がその構造内のパターンを表面化させ、人間の評価と改善のために提示できるということだ。100本の映画で訓練された微調整モデルは、それらの映画の物語論理の構造化された反映となる。人間の創造性の代替ではなく、探索を加速させ、創造的プロセスをより体系的にするツールである。

直近のステップは、このシステムをオープンソースプロジェクトとしてリリースすることだ。小規模で厳選された訓練コーパス（10～20本の映画）と、実践者がカスタムコーパスで微調整するための明確なドキュメンテーションを備えて。このアプローチは映画製作者、ゲームデザイナー、ライターに実験とフィードバック提供を招待し、時間とともにシステムを改善するフィードバックループを生成する。

類似システムを実装する実践者向けに：（1）自分のドメイン内で小規模で焦点を絞った訓練コーパス（10～50の例）から始める、（2）有能なベースモデル（Qwen2.5-7Bまたは同等）をコンシューマーハードウェアで微調整する、（3）提案をクエリするためのシンプルなインターフェースを構築する、（4）ユーザーエンゲージメントを測定し、フィードバックに基づいて訓練データとインターフェースの両方を反復する。ボトルネックはモデルではなく、高品質な訓練データのキュレーションと、ユーザーが実際に何を必要としているかを理解することだ。

映画学とシステムエンジニアリングの橋渡し：新しい設計パラダイム

芸術的直感とアルゴリズム的厳密性の収束は、創造的技術における最も未開拓のフロンティアの一つを表している。これらを対立する力として見るのではなく、統合を待つ補完的なシステムとして認識することができる。データアーキテクチャに精通した映画製作者と物語理論に通じたシステムエンジニアは異常ではない。彼らは新しい学問分野の先駆者だ：計算物語学。

洞察は構造的である。物語はグラフだ。キャラクター、出来事、感情的なビートはノードとして機能する。因果関係、テーマ的共鳴、キャラクター関係はエッジを形成する。この再構成は、曖昧な創造的問題を扱いやすい計算問題に変換する。物語パターンで訓練された機械学習モデルは、物語空間の確率的地図製作者となることができる。物語が何であるべきかではなく、物語が何でありうるかをマッピングし、数百本の映画から学習されたパターンによって重み付けされる。

この仕事を動機付ける実感的な摩擦は現実だ。映画学は直感とケーススタディを通じて構造を教える。システムエンジニアリングは再現性と測定可能な出力を要求する。どちらも単独では中核的な問題を解決しない。曖昧な前提（「ある女性が、彼女のメンターが彼女に嘘をついていたことを発見する」）から、一貫性のある探索可能な物語の足場へと創作者を移動させるのを支援することだ。100本の映画で訓練された微調整言語モデルは第三の道を提供する。学習された物語パターンをエンコードしながら創造的代理を保持する道だ。

運用上の含意は直接的で強力だ。キャラクターアーキタイプと設定を持つ映画製作者は、類似の映画で訓練されたモデルにクエリを実行し、プロット軌跡、キャラクターアーク、テーマ的な報酬の確率的提案を受け取ることができる。一貫性、新規性、文化的共鳴によってランク付けされた提案だ。これは脚本のオートコンプリートではない。映画の集合的知恵から学ぶ構造化されたブレーンストーミングパートナーだ。

このパターンは映画をはるかに超えてスケールする。ゲームデザイナーはそれを分岐物語を探索するために使用できる。マーケティングチームは顧客ジャーニーシナリオをモデル化できる。インタラクティブフィクション著者は一貫性のある物語分岐を生成できる。豊かな因果関係または物語構造を持つあらゆるドメインがこのアプローチの候補となる。ドメインデータをキュレートし、有能なベースモデルを微調整し、出力をクエリ可能なグラフとして公開し、時間とともに提案を改善するためのフィードバックループを実装する。

映画製作者の壁：インスピレーションを体系的な探索へ変換する

すべての映画製作者は同じボトルネックに直面する。インスピレーションと実行の間の深淵だ。監督は説得力のあるキャラクターまたはテーマ的な質問を持ってやってくるが、それらの要素が完全な物語弧全体でどのように展開するかを探索するための体系的な方法を欠いている。既存のツール（脚本作成ソフトウェア、アウトラインアプリ、AI執筆アシスタント）はコンテナまたはフォーマッターとして機能する。アイデアを整理するが生成しない。受動的であり、生成的ではない。

CineGraphsはこの問題を確率的ガイダンスを伴うグラフトラバーサルとして再構成する。開始点（キャラクター、葛藤、設定、テーマ的質問）が与えられると、システムは妥当な次の状態を提案する。厳密な規定ではなく、100本の映画から学習されたパターンによって重み付けされた確率的分岐として。

具体的な例を考えてみよう。映画製作者が「主人公が第二幕で家族の秘密を発見する」と指定する。モデルは複数の一貫性のある結果を返す。それぞれ信頼度スコアと物語的正当化を伴って。

• 家族メンバーとの緊張の高まり（信頼度：0.87）：秘密は主人公の関係を再定義する亀裂を生成する。類似のパターンは『ムーンライト』『ザ・フェアウェル』『マンチェスター・バイ・ザ・シー』に現れる。
• アイデンティティを再構成する道徳的ジレンマ（信頼度：0.82）：秘密は主人公に忠誠と誠実さの間で選択を強制する。『スポットライト』『ペンタゴン・ペーパーズ』『パラサイト』からのパターン。
• 以前のシーンを文脈化し直す啓示（信頼度：0.79）：秘密は遡及的に以前のプロット要素の意味を変える。『ユージュアル・サスペクツ』『メメント』『ナイブス・アウト』からのパターン。

各提案は信頼度スコアだけでなく物語的正当化を含む。訓練セット内のどの映画が類似のパターンを示すか、そしてどのように。これはモデルの出力を統計的抽象化ではなく映画の実際の歴史に根付かせる。

根拠は認知科学に基づいている。人間の創造性は白紙ではなく、制約と例示で繁栄する。5つの妥当な物語分岐を検討する映画製作者。それぞれが認識しているか容易に調査できる映画に根付いている。彼らは自分のビジョンと共鳴する方向を迅速に評価できる。創造的コントロールを完全に保持しながら、物語の一貫性と文化的先例に関する構造化されたフィードバックを得る。

運用上、ユーザージャーニーは以下の通りだ。

1. 前提と初期の物語ビートを入力する
2. ノードが物語状態を表し、エッジが遷移を表す確率的グラフを受け取る
3. 複数のパスを探索し、ノードを編集し、決定に注釈を付ける
4. 完全な出所を伴う洗練されたアウトラインをエクスポートする（どの映画がどの決定に影響を与えたか）

これは物語開発を孤立した反復的な推測ゲームから、学習された物語パターンとの協調的対話に変換する。映画製作者はゼロから生成する者ではなく、可能性のキュレーターになる。

一般的な出力から逃れる：ドメイン微調整が競争上の優位性である理由

汎用AI執筆ツールは定型的な結果を生成する。広範な訴求力、安全性、統計的可能性ではなく、文体的忠実性または物語的深さを最適化するため。数十億のトークンで訓練されたベースモデルは統計的パターンを学習するが、ドメイン専門知識の集中した信号を欠いている。映画シーンを生成するよう求められると、認識可能な比喩、安全な感情的ビート、訓練データで百万回強化された物語構造にデフォルトする。

100本の慎重に選定された映画での微調整は根本的にこれを変える。モデルは物語が何であるかだけでなく、特定の映画が構造、対話、ペーシング、視覚的比喩、テーマ的層別化を通じて意味をどのように構成するかを学習する。コーエン兄弟の映画、ウォン・カーウァイ、ヨルゴス・ランティモス、リン・ラムジーで訓練されたモデルは、ハリウッドのブロックバスターのみで訓練されたモデルとは根本的に異なる物語論理を内在化する。特異性は制限ではなく、中核的な価値提案だ。

実際的な違いは測定可能で質的だ。ノワール場面を考えてみよう。

• 汎用モデル出力*：「探偵はバーに入った。暗かった。彼は飲み物を注文した。」

• *微調整モデル出力（古典的ノワールで訓練）**：「ベネチアンブラインドは部屋を影の棒に刻んだ。彼は座らなかった。座ることは約束を意味した。バーテンダーは彼が口を開く前に彼の注文を知っていた。」

第二の出力は視覚的特異性、テーマ的重さ、キャラクター経済を持つ。モデルがそのような詳細を優先する映画から学習したため。ノワールは単なるプロットではなく、視覚言語、道徳的曖昧性、語られない歴史の重さについて学習した。

これは訓練コーパスの意図的なキュレーションを必要とする。利用可能なすべての脚本をスクレイピングするのではなく、システムはモデルに学習させたい美学と物語の範囲を表す映画を選択する。選択基準を明示的に文書化する。ジャンル、時代、文化的起源、テーマ的焦点、視覚的スタイル、対話パターン。このキュレーションステップはオーバーヘッドではない。システムの価値の中核だ。

魔法現実主義で活動する映画製作者はギレルモ・デル・トロ、宮崎駿、アリ・アスター、カリン・クサマで訓練されたモデルから利益を得る。100本の映画のランダムサンプルではなく。ノワール風のインタラクティブ物語を構築するゲームデザイナーは『ビッグ・スリープ』『過去のない男』『キス・ミー・デッドリー』『ロンリー・プレイス』で訓練されたモデルから利益を得る。訓練コーパスは美学的価値と物語的優先事項の声明になる。

将来の反復はコーパスバージョニングを実装できる。異なる映画コーパス（ハリウッド、インディー、国際、ジャンル固有）で訓練された複数のモデルバージョンを維持し、ユーザーがそれらを切り替えることを許可する。映画製作者は「インディー」モデルにクエリを実行し、『ムーンライト』『フロリダ・プロジェクト』『ファースト・リフォームド』『ザ・フェアウェル』で訓練された場合と、スタジオ映画で訓練された「ハリウッド」モデルとの間で提案がどのようにシフトするかを見ることができる。この比較ビューは訓練データが物語の可能性をどのように形作るかを明らかにする。

実装と運用パターン：スケールと反復のための構築

本番システムの構築には、モデルアーキテクチャ、データパイプライン、推論インフラストラクチャ、ユーザーインターフェースに関する意図的な選択が必要だ。Qwen2.5-7Bは実用的なバランスを提供する。コンシューマーハードウェア（数時間にわたる単一GPU）で微調整するのに十分小さく、野生の幻覚なしに微妙な物語パターンをキャプチャするのに十分有能だ。

微調整プロセスには以下が含まれる。

1. データ準備：脚本を構造化形式に変換する（シーンレベルの注釈、キャラクター、場所、感情的トーン、プロット機能）
2. タスク定義：タスク固有のプロンプトを作成する（「このストーリー状態が与えられた場合、妥当な次のシーンは何か」「このコンフリクトを解決するキャラクターアークは何か」）
3. 訓練：コンシューマーGPUで微調整する（コーパスサイズとハードウェアに応じて8～24時間）
4. 検証：保持された映画に対して出力をテストし、モデルがパターンを学習し、暗記していないことを確認する

推論パイプラインはユーザーの物語入力を受け入れ、それをグラフ状態としてエンコードし、次状態提案についてモデルにクエリを実行し、一貫性と多様性によって結果をランク付けし、説明と出所を伴うランク付けされたリストを返す。

運用上、これは物語ノードを受け入れ、エッジ（信頼度スコア、物語的正当化、訓練映画への引用を伴う遷移）を返すライトウェイトAPIを構築することを意味する。システムは映画を構造化グラフとして保存する。シーンはノード（キャラクター、場所、感情的トーン、プロット機能を伴う）として。プロットビートはエッジ（因果関係とテーマ的意義を伴う）として。

ユーザーが物語フラグメントを入力すると、システムは以下を実行する。

1. 訓練グラフ内の類似ノードを見つける（埋め込み類似性を使用）
2. 継続についてモデルにクエリを実行する
3. 学習されたグラフ構造に対して出力を検証する（提案された遷移は因果論理を尊重するか）
4. 一貫性、多様性、新規性によってランク付けする
5. 説明を伴うトップ5の提案を返す

このハイブリッドアプローチ（学習されたパターンと構造的一貫性の組み合わせ）は幻覚を減らし、ユーザビリティを改善する。モデルは可能性を生成する。グラフ構造はそれらが一貫していることを確保する。

デプロイメント上の考慮事項。

• レイテンシ：推論は1～3秒で完了すべき（創造的ツールとして許容可能）
• コスト：微調整モデルは大規模モデルへのAPI呼び出しより10～100倍安い
• バージョニング：異なるコーパスで訓練された複数のモデルバージョンを維持。ユーザーがスワップを許可
• スケーラビリティ：同じプロジェクトで作業するチームのためのバッチ推論

測定と次のアクション：メトリクスからフィードバックループへ

創造的文脈での成功の測定には、定量的および定性的メトリクスの両方が必要だ。定量的メトリクスには推論速度、モデルサイズ、クエリあたりのコスト、ユーザー保持率が含まれる。定性的メトリクスにはユーザー満足度、提案の新規性、物語の一貫性、創造的自信が含まれる。

最も実行可能なアプローチは両者を組み合わせる。

• エンゲージメントメトリクス：ユーザーはモデル提案をどのくらいの頻度で受け入れるか。提案を編集する頻度。完全なアウトラインをエクスポートする頻度。
• 品質メトリクス：出力をサンプリングし、映画製作者に一貫性（1～5）、独創性（1～5）、有用性（1～5）でそれらを評価させる
• 行動メトリクス：ユーザーはモデル提案から乖離するか、それとも収束するか。彼らは新しい分岐を探索するか、最も信頼度の高いパスに従うか。

ユーザーインタラクションをログするテレメトリを実装する。開始前提、モデル提案、ユーザー編集、最終アウトライン、費やした時間、満足度評価。定期的に出力をサンプリングし、ユーザーインタビューを実施する。このフィードバックループはモデルとインターフェースの両方を改善する。

• 直近のアクション*：

1. CineGraphsをオープンソースプロジェクトとしてリリースする。小規模で厳選された訓練コーパス（10～20本の映画）と、カスタムコーパスで微調整するための明確なドキュメンテーションを備えて
2. 提案をクエリし、物語グラフを探索するためのシンプルなウェブインターフェースを構築する
3. 既存の脚本作成ツール（Final Draft、WriterDuet、Celtx）と統合し、シームレスなエクスポートを実現
4. 20～30人の映画製作者とのユーザー調査を実施し、ペインポイントを理解し、インターフェースを改善する

• *中期ロードマップ（6～12ヶ月）**：

• 訓練コーパスを500～1,000本の映画に拡張。多様なジャンル、時代、文化にまたがる

• ユーザー向けモデル選択を実装する（映画製作者がクエリするフィルムコーパスを選択することを許可）

• 協調機能を追加する。複数のライターが同じ物語グラフを探索し、注釈を残し、優先分岐に投票

• 映画製作者がキュレートされた映画コレクションを貢献できるコミュニティコーパス共有プラットフォームを構築

• 脚本作成ソフトウェアAPIと統合し、直接エクスポートを実現

• *長期ビジョン（1～3年）**：

• 他の物語ドメインに拡張する。ゲームデザイン、インタラクティブフィクション、マーケティングシナリオ、教育的物語

• クロスドメイン転移学習を開発する。映画で訓練し、ゲームに適用。小説で訓練し、脚本に適用

• 「物語スタイル転送」ツールを構築する。ユーザーのアウトラインを取得し、選択した映画コーパスのスタイルで書き直す

• 「物語A/Bテスト」プラットフォームを作成する。物語の複数バージョンを生成し、視聴者でテストする

リスクと対策：不確実性の地形を航行する

• リスク1：過学習と既存要素の再組み合わせ*

微調整されたモデルは訓練データへの過学習に陥り、既存の映画を単に再組み合わせした提案を生成する危険性を孕んでいる。本来は真正な創造性を可能にするはずが、統計的には蓋然性の高い、しかし物語的には二次的な提案をもたらすのだ。映画製作者は、確率論的には妥当だが創意に欠ける示唆を受け取ることになる。

• 対策：*

• 埋め込みベースの類似度を用いて、訓練映画との新規性を定期的に監査する

• ジャンル、時代、文化にわたる多様な訓練コーパスを維持する

• アンサンブル手法を採用：複数のモデルバージョンに問い合わせ、多様性によってランク付けする

• ランキングアルゴリズムに「新規性ペナルティ」を実装し、訓練データから乖離する提案を優遇する

• リスク2：ツール依存と創造的萎縮*

映画製作者がツールに依存し、しばしば独創的な着想を生み出す生産的な葛藤を失う可能性がある。ツールが触媒ではなく松葉杖と化してしまう。

• 対策：*

• CineGraphsをブレインストーミング補助として位置付け、執筆の代替ではないことを明確にする

• ユーザーが提案を拒否し、非慣例的な分岐を探索することを奨励する

• ユーザーがモデルの提案から乖離しているか、それとも収束しているかを追跡する

• 「制約モード」を実装し、モデルに一般的なパターンに違反する提案を強制的に生成させる

• ユーザーインタビューを実施し、ツールが創造的思考を増強しているか、それとも置き換えているかを評価する

• リスク3：著作権と帰属*

モデルが著作権で保護されたシナリオの実質的な部分を再現し、法的責任を生じさせる可能性がある。ユーザーは、生成されたアウトラインが訓練データの派生物であることを理解していないかもしれない。

• 対策：*

• 訓練に使用するのはパブリックドメインまたはライセンス取得済みのシナリオのみとする

• 出力を匿名化し、訓練映画からのテキストの逐語的再現を避ける

• ユーザーが生成されたアウトラインを所有するが、モデルが著作権で保護された映画で訓練されたことを明記した免責事項を含める

• 「出所追跡機能」を実装し、どの訓練映画がどの提案に影響を与えたかを表示する

• フェアユースと派生著作物に関して法律専門家に相談する

• リスク4：バイアスと表現*

訓練コーパスがハリウッド映画や西洋的ナラティブに偏っている場合、モデルはそれらのバイアスを永続させる。過小代表の文化出身の映画製作者は、自らの美的伝統を反映しない提案を受け取る可能性がある。

• 対策：*

• 意図的に多様な訓練コーパスをキュレーション：アフリカ、アジア、ラテンアメリカ、中東、先住民の映画製作者の作品を含める

• 訓練コーパスの構成を文書化し、限界を認める

• ユーザーが自らの文化的伝統を反映したカスタムコーパスを作成できるようにする

• バイアス監査を実施：異なる文化出身の物語に対してモデルが異なる提案を生成するかをテストする

• 国際映画機関と提携し、コーパスを拡張する

• リスク5：市場と採用*

映画製作者は、ツールが外部的な制約のように感じられ、創造的プロセスの自然な延長ではないと感じた場合、採用しないかもしれない。インターフェースが技術的すぎるか、提案が一般的すぎるのだ。

• 対策：*
• 構築前に映画製作者を対象とした広範なユーザーリサーチを実施する
• フィードバックに基づいてインターフェースを迅速に反復する
• 小規模で高度に関与したユーザーグループから開始する（映画学校の学生、インディー映画製作者）
• 映画製作者がすでに使用しているツール（脚本作成ソフトウェア、プロジェクト管理ツール）との統合を構築する
• ツールを効果的に使用する方法を示す教育コンテンツを作成する

結論と移行経路：プロトタイプからエコシステムへ

本質的な洞察は、ナラティブ構造は学習可能であり、機械学習は人間の創作者がその後改良、拒否、または変容させることができるパターンを浮かび上がらせることができるという点にある。100本の映画で訓練された微調整モデルは、それらの映画のナラティブロジックの構造化された反映となる。人間の創造性の代替ではなく、探索をより迅速に、より体系的に、映画の実際の歴史に根ざしたものにするツールなのだ。

これは映画芸術の終わりではない。人間の直感と機械学習の新たな協働の始まりである。機械がパターン認識を担当し、人間が判断、趣味、意味生成を担当する協働だ。

• 実践者のための直近のステップ：*

1. 自分の領域内で小規模で焦点を絞った訓練コーパスから始める（10～20の例）
2. 有能なベースモデル（Qwen2.5-7Bまたは同等のもの）を微調整する
3. 提案を問い合わせるためのシンプルなインターフェースを構築する
4. ユーザーエンゲージメントを測定し、フィードバックに基づいて訓練データとインターフェースを反復する
5. 段階的に拡張する：訓練データ、機能、統合を追加する

• より広いコミュニティへ：*

ボトルネックはモデルではなく、良質な訓練データをキュレーションし、ユーザーが実際に必要とするものを理解することにある。未来は、ドメイン専門知識（良い映画がどのようなものかを知ること）とエンジニアリング規律（スケーリングするシステムを構築すること）を組み合わせることができるチームに属する。これは映画製作者、ゲームデザイナー、作家、技術者が次世代の創造的ツールについて協働することへの招待である。

今日構築するストーリーグラフが、明日語られる物語を形作るのだ。