追跡調査が希少本の到着先を突き止めた
きっかけはAI企業がどこから学習データを仕入れているのかという疑問でした。取材の方法がそのまま答えになっています。
希少本に追跡装置を仕込んだ
404 Media が追跡装置を仕込んだのはAI企業に買われそうだと踏んだ希少本でした。その荷物が国内を移動していく様子を追いました。Amazon の書籍買い付けの実態が報じられたのはこれが初めてだと 404 Media は書いています。 学習データの調達は契約や社内の話に閉じがちで、外から観測できる形になった例は多くありません。
"A 404 Media investigation was able to reveal Amazon's book buying operation, which hasn't been previously reported, by placing a tracking device in a rare book we suspected would be acquired by an AI company for training data, and following it around the country to its final destination."— 404 Media の調査報道より
行き先はラスベガスの施設VGT3だった
追跡装置が最後にたどり着いたのはネバダ州ラスベガスにある Amazon の倉庫でした。この場所で働くチームは VGT3 と呼ばれています。シンボルは歯をむき出しにして本を手にした恐竜です。 何をする場所なのかはマークが正直に語っています。
"That final destination was an Amazon warehouse in Las Vegas, Nevada."（到着先）／"The logo of the Amazon team that works at this warehouse, called VGT3, is a dinosaur, brandishing its teeth and with a book in its hands."（VGT3 チーム）— 404 Media の調査報道より
製本を外して裁断しスキャンする
倉庫で何が行われているのか。ここが今回いちばん生々しい部分です。
従業員が作業の中身を語った
ここで働く従業員は届いた大量の印刷本の製本を切り落とし、速くスキャンできる状態にするのが仕事だと話しています。理由として語られているのは速くスキャンするためで、紙の本はその過程で失われます。 保管でも再販でもなく、読み取ったら終わりです。買い集めているのが希少本である以上、失われるのは替えの利く在庫ではありません。
"Amazon employees who work at this location say all they do is receive massive shipments of printed books which they then cut the bindings off in order to scan the books more quickly. The printed book is destroyed in the process."— 404 Media の調査報道より
Amazonはどこまで説明したか
Amazon は 404 Media に対し、顧客が使う製品とサービスを改善するために商業ルートで書籍を購入していると述べています。買っていることは認めていますが、裁断やスキャンについては触れていません。 用途は「製品とサービスの改善」だけ。どのモデルの学習に使うのか、集めた本文をどう保管するのかは説明されていません。
"The facility, known as VGT3, identifies itself with a symbol of a dinosaur holding a book in its claws. Amazon told 404 Media in a statement that it \"purchases books through commercial channels to improve the products and services customers use.\""— TechCrunch より
なぜ紙の希少本が狙われるのか
読み終えて残るのは「なぜ本なのか」という疑問です。理由は学習データ側の事情にあります。
2022年より前の文章が学習データとして効く
大規模言語モデルの学習には途方もない量の文章が要ります。インターネットから取れるものはすでに取り尽くされました。そこで浮上したのが絶版になっていたりネットでは見つからなかったりする希少本です。2022年より前に出版された文章には「AIが書いた可能性がない」という確実さがあります。 生成AIが普及したあとのテキストにこの保証は付きません。
"Companies like Amazon need unfathomably large amounts of text to train their LLMs, which have already ingested what they can from the internet (and, in Anthropic's case, illegally pirated books). Rare books, especially ones that are out of print or impossible to find on the internet, offer a new source of coveted training data."— TechCrunch より
モデル崩壊を避けるための素材になる
AIが生成した文章を大量に取り込むと、出力の質が落ちていく「モデル崩壊」が起こりえます。学習の材料が自分たちの出力で汚染されていく構図です。人の手で書かれたと確実に言える素材はそれを避けるための資源になります。紙にしか残っていない文章が学習データとして重宝されるのは、そのためです。
"These texts are especially valuable since there's no chance that anything published before 2022 was written by an LLM. When LLMs train on AI-generated text, they risk \"model collapse,\" which can occur when the quality of an LLM's outputs degrade after ingesting too much AI-generated text."— TechCrunch より
著作権と学習データで何が争点か
学習データの調達をめぐる争いはすでに各所で起きています。TechCrunch は記事の中で、Anthropic が違法に海賊版の書籍を取り込んだ事例に触れています。正規に買った本を裁断してスキャンする行為は、少なくとも入手の経路としては海賊版とは別物です。 ただし買ったからといって学習に使ってよいことになるのかは、権利者の側から見れば別の問いです。事業者に何をどこまで開示させるかという枠組みはEU AI法の8月施行やカリフォルニアのAI透明化法でも動いている最中です。
"Companies like Amazon need unfathomably large amounts of text to train their LLMs, which have already ingested what they can from the internet (and, in Anthropic's case, illegally pirated books)."— TechCrunch より
調査報道の元記事は途中から有料会員限定になりますが、本記事の事実関係は無料で読める範囲だけで確かめられます。ページを構造ごとマークダウンへ落としておけば、見出しと箇条書きを保ったまま引用の突き合わせに使えます。
まとめ
希少本1冊に追跡装置を入れる。それだけの方法で、AIの学習データが調達される現場がひとつ表に出ました。行き先はラスベガスの VGT3、作業は製本を切り落としてのスキャン、紙の本はその過程で失われます。Amazon は購入の事実だけを認め、裁断には触れていません。背景にあるのは「AIが書いていないと確実に言える文章」の価値の高さで、紙にしか残っていない文章ほど狙われる構図になっています。 学習データの出どころをどこまで開示させるのかという議論は、これから制度の側で詰まっていくところです。
