AI企業はトラック単位の書籍をスキャンしており、時に希少本も含まれ、モデル訓練の過程でそれらが破棄されることも少なくない。新たな調査により、どの企業が関与し、どのような仕組みで運営されているのかが初めて公に明らかになった。

独立系テックメディアの404 Mediaは、希少本の荷物の中に追跡装置を仕込み、それがラスベガスにあるAmazonの施設——同社がAI訓練のために書籍をスキャンし破棄している場所——へと運ばれていく様子を追跡した。月曜日に公開されたこの調査は、AI訓練に関連する書籍の大量購入がどこへ行き着くのかを公に特定した初の事例だ。

荷物の最終到着地はAmazonのVGT3チームだった。従業員らはこの媒体に対し、業務は大量の書籍を受け取り、ページが速くスキャナーに送り込めるよう装丁を切り離すことだと語った。この過程で書籍そのものは破棄される。チームのロゴ——爪で書籍を握りしめた恐竜——は、この業務を不思議なほど的確に言い当てている。

紙の書籍が突然需要を集める理由

2022年より前に印刷された書籍に含まれるテキストは、オンラインでは容易に入手できず、決定的なことに、機械が書いたものではない。モデルをその自身の出力で訓練すると「モデル崩壊」——品質が悪化し続ける螺旋——のリスクがある。これは研究者らが2024年にNature誌で発表した論文で実証された。そのため2022年以前の紙媒体は、AI訓練にとってクリーンな燃料となっている。

こうした動きはAmazonにとどまらない。AI研究機関へ物理的な書籍を供給する小規模産業が形成されており、供給された書籍は解体され、スキャンされ、廃棄される——機械にデータを供給するためにテキストが破壊される、現実版「華氏451度」の光景だ。Anthropicの内部プロジェクト「Project Panama」はすでにこうした業務を大規模に実施し、破壊的スキャンによって数百万冊の書籍を数字化した。この手法は前回の大量デジタル化の時代とは一線を画す。Google Booksは2000年代から2010年代にかけて図書館の蔵書数百万冊を、原本を消費することなくスキャンし——借り出されたコピーは書架へ戻された——2015年には米控訴裁判所が同プロジェクトのスキャンをフェアユース（公正利用）と認定した。

クリーンなテキストをめぐる争奪戦は、すでに法廷に持ち込まれている。米連邦地方裁判所のウィリアム・オルサップ判事は、合法的に購入した書籍によるAI訓練はフェアユースに該当しうると判示し、これはAnthropicにとっての部分的勝訴となり、MetaとOpenAIも同様の主張を展開した。海賊版は話が別だ。Anthropicはスキャンされた海賊版タイトルをめぐり15億ドルの和解に合意しており、Salesforceも現在、書籍海賊行為の疑いで集団訴訟に直面している。権利者たちは別の形でも反撃している。世界最大の一般書出版社Penguin Random Houseは2024年後半、自社書籍の著作権ページに、AIシステムの訓練への使用を禁じる文言を追加した。

Amazonのこの業務が表面化しなかったのには、構造的な理由がある。書店主たちはこの1年、大量注文の急増に気づき、その背後にAI企業がいると疑っていた——買い手は価格に敏感でなく、タイトルも一見ランダムに選んでいたからだ。その懸念は、大量の書籍注文に忍ばせたAppleのAirTagによってついに裏付けられた。AirTagが明らかにした目的地は、ラスベガスにあるAmazonのVGT3倉庫だった。

Amazonはこの業務がこれまで報じられていなかったことを認め、「お客様が利用する製品やサービスの開発・改善に役立てるため、商業ルートを通じて書籍を購入している」と述べた。同社は自社でもAI製品を構築している。Amazonは2024年12月に基盤モデルファミリー「Nova」を発表し、AWSを通じてAIサービスを販売しており、これらの事業は大規模な訓練データに依存している。