AirTagが暴いた、Amazonが希少本をAI学習用に破棄していた実態

米ニュースサイト404Mediaの調査により、Amazonが希少な印刷本を大量に購入し、AIモデルの学習データにするためスキャンした上で廃棄していた実態が明らかになりました。調査班は本の中にAppleの位置情報タグ「AirTag」を隠して発送し、本がラスベガスのAmazon倉庫にたどり着くまでを追跡しています。倉庫内の担当チームは「VGT3」と呼ばれ、本をくわえたティラノサウルスをあしらったロゴを使っていることも判明しました。Amazon側は本を商業的な経路で購入し製品・サービスの改善に役立てていると説明していますが、破棄の手法については具体的に語っていないと報じられています。

背景

生成AIの学習データ源として、著作権上クリーンで質の良いテキストの確保は業界共通の課題になっています。ウェブ上のテキストはAI生成コンテンツの増加で品質低下の懸念があり、2022年より前に出版された紙の書籍は「人間が書いた文章」の希少な供給源として注目されてきました。OpenAIやMicrosoftなど大手AI企業が出版社と契約を結んで学習データを確保する動きが相次ぐ一方、Amazonのように紙の本を直接購入してスキャンする手法は、その過程で原本が失われる点で議論を呼んでいます。

詳細

報道によると、404Mediaの記者は古書販売サイト「Biblio」を通じて希少本を含む約1,000冊の書籍を発注し、その一部にAppleのAirTagを忍ばせて発送しました。荷物は複数の中継地点を経由したのち、最終的にラスベガスにあるAmazonの物流拠点「LAS8」に到着したと伝えられています。

この施設には「VGT3」と呼ばれる社内チームが置かれており、本をくわえたティラノサウルスをモチーフにしたロゴを掲げているといいます。同チームの作業員によると、本の背表紙をカッターで切り落として1枚ずつのシートに分解し、専用のスキャナーで高速に読み取る手法が用いられており、この工程で本自体は原形をとどめず廃棄されるとのことです。

スキャンされたテキストはAmazonの生成AIモデル「Nova」の学習データとして利用されていると報じられています。2022年より前に出版された紙の書籍は、生成AIによる文章がインターネット上に急増する前の「人間が書いた文章」であるため、学習データとしての価値が高いとされています。Amazonの広報担当者は取材に対し、「商業的なチャネルを通じて本を購入し、顧客が利用する製品やサービスの改善に役立てている」との趣旨のコメントを寄せた一方、破棄の手法そのものについては具体的な説明をしていないと報じられています。

なお、紙の書籍を大量に購入してスキャンし学習データ化する取り組みは他のAI企業でも行われていたことが、別の訴訟を通じて明らかになっています。報道では、Anthropicが「Project Panama」と呼ばれる同種のプロジェクトを進めていたとされており、良質な学習データの確保がAI業界全体の課題であることがうかがえます。

なぜ重要か

この件は、生成AIの裏側にある学習データ調達の実態が、一般の消費者や出版関係者の目に触れにくい形で進んでいることを示しています。書籍という文化的資産が、著者や出版社の関与しないところで裁断・廃棄される可能性がある点は、日本の出版業界や著作権を考える上でも他人事ではありません。AIモデルの性能向上と引き換えに、希少本という物理的な資産が失われるリスクが具体的な事例として示された点は、AI開発の透明性を議論するうえで参考になる材料と言えるでしょう。日本でも国立国会図書館などによる書籍のデジタル化事業が行われていますが、原本の保存を前提とした手法とは性質が異なる点は留意が必要です。

今後の見通し

Amazonが今回の報道を受けて書籍の取り扱い方針を見直すかどうかは、現時点では明らかになっていません。出版業界や著作権関係者からの反応、他のAI企業における同種の取り組みの実態が今後さらに明らかになる可能性があります。