Anthropicは数千万ドルを投じて古書を購入し、背を裁断して各ページをスキャンした後、紙をパルプにしました。この件で最も感情を刺激するのは「本を破壊した」という部分ですが、議論すべき問題はそれだけではありません。
より重要なのは、大規模モデルを学習させる企業が、電子書籍を直接購入したり出版社とライセンス契約を結んだりせず、なぜ高価な紙の書籍処理ラインを構築したのか、という問いです。「Project Panama」と呼ばれるこの取り組みには、AI学習データ、従来の出版権、デジタルコンテンツのライセンス、モデル蒸留をめぐる対立が凝縮されています。
一見すると不条理ですが、その背景には現実的なビジネス上・法的な論理があります。
Project Panamaは何をしたのか
流出したプロジェクト資料によると、この計画は2024年に始まりました。Anthropicは古書業者から書籍を大量に購入し、専門のスキャン会社に処理を委託しました。
本が組立ラインに入ると、一般的に4つのステップを経ます。
- 油圧式裁断機で本の背を切り落とす。
- 本を自動給紙できるバラの用紙に分解する。
- 高速両面スキャナーでデジタル化する。
- スキャン後、紙はリサイクルに送られ、パルプに加工されます。
高速スキャナーは1分間に数十ページ、場合によっては数百ページを処理できます。対象となる操作範囲が数百冊から数十万、あるいは数百万冊に拡大する場合、背表紙を切断することがスループットを維持するほぼ唯一の方法です。
資料によれば、プロジェクトは約半年で膨大な数の紙の書籍を処理しました。数人がページをめくって撮影するような臨時作業ではなく、調達、輸送、解体、スキャン、文字認識、保管、廃棄をつないだ産業規模の工程です。
なぜ本の背を切り落とす必要があるのか
多くの人の最初の反応は「スキャンは理解できるのに、なぜ本を破棄するのか?」というものです。答えはまず効率性にあります。
製本されたままの本は、自動給紙スキャナーに通せません。装丁を残すなら、人が一枚ずつページをめくり、フラットベッドスキャナー、カメラ、専用機器などで取り込む必要があります。
このアプローチには主に4つの問題があります。
- ページをめくる速度は遅く、労働コストも高いです。
- ページが曲がっていると、製本線近くの位置が変形しやすくなります。
- 厚い本は平らにしにくく、テキスト認識の精度が低下します。
- 長時間の走査光源への曝露や繰り返しページめくりは、操作者の身体的負担を増大させます。
背を切り落とすと、本は同じ大きさの紙の束になります。バラになったページは連続給紙でき、高速で両面を読み取れます。
時折本をスキャンする人にとって、原本を保存するのは難しくありません。しかし、数ヶ月にわたって何百万冊もの本を扱うプロジェクトでは、1冊あたり数分余分に費やすだけで、最終的には耐え難いコストになることがあります。
本の裁断は話題作りのためではなく、工業規模のデジタル化に必要な速度と安定性を優先した結果です。
裁断した本は元に戻せるのか
背を切り落としたからといって、必ず廃棄する必要があるわけではありません。図書館のデジタル化事業では、スキャン後のページを再製本する場合もあります。
復元した本は元より1〜2ミリほど幅が狭くなり、ハードカバーを作り直す場合もありますが、本文は引き続き読めます。つまり「スキャン後に廃棄する」ことは機器上の必然ではなく、事業者が選んだ後処理です。
これが論争の出発点でもあります。もし本が製本できるなら、保存したり寄付したり図書館に置いたりしないのではないでしょうか?
その答えは、保管コストだけでなく、デジタルコピーと物理的なオリジナルが同時に存在するかどうかという法的リスクも含んでいます。
本を壊さないスキャンが大規模処理に向かない理由
オリジナルの書籍を保存するスキャン技術は、常に存在してきました。一般的な方法には以下があります:
- 本をフラットベッドスキャナーに押し当てて、ページごとにスキャンします。
- 傾斜面を持つ書籍スキャンプラットフォームが使用され、背表紙への圧力を軽減します。
- 上方のカメラで見開きページを撮影する。
- 吸引式ページめくり装置を使って自動的にページを持ち上げてスキャンします。
こうした装置は、文書館の資料、古書、希少本、破損させられない所蔵品に適しています。利用できないのではなく、速度と価格が問題です。
手動でページごとにめくると処理量が大幅に減少します。自動ページめくり装置は複雑な構造を持ち、紙の厚さ、静電気、損傷、付着に敏感です。
古くても紙が壊れやすい書籍や特別なレイアウトの書籍も、手作業が必要です。貴重な少量の資料を守ることが目的であれば、これらの費用は十分に妥当です。
モデル学習用に何百万冊もの一般書を処理する場合、裁断して高速給紙する方式には対抗しにくくなります。
Google Booksという別の比較対象
大規模な書籍スキャンは生成AIが登場して以来新しい現象ではありません。Googleは早期に図書館や出版社と提携し、大規模なコレクションをデジタル化しました。
これらのプロジェクトは、スキャン速度、製本構造、テキスト認識、著作権の境界線などの問題にも直面しています。違いは、従来の書籍検索プロジェクトは通常、「検索」と「表示断片」を中心に権利の境界を設計することです。
パブリックドメインの書籍は、より完全な形で表示・利用できます。著作権が存続する書籍は通常、限られた抜粋だけを表示し、購入または貸出へ利用者を誘導します。
このモデルは出版社に説明しやすいです。デジタルサービスは読者が本を発見するのを助け、本全体を売ることに代わるものではありません。
モデル学習は事情が異なります。学習工程では本を検索結果として表示するのではなく、その言語、事実、構造、表現パターンをモデルのパラメータに取り込みます。
出版社は、この使用を従来の「販売部数」で測るのが難しいと感じています。
論争の焦点は「本を買ったかどうか」だけではありません。
学習データをめぐる紛争では、紙の書籍の出所が重要です。海賊版サイトから電子書籍を直接ダウンロードする行為と、中古市場で紙の本を購入する行為は同じではありません。
前者はまず、その出所が正当かどうかの問題に直面します。後者は少なくとも一つの真の物理的財取引を完了させます。
これが「古い本の購入」が完全な解決策の第一歩である理由でもあります。AI企業は合法的に購入した紙の本を入手し、所有する商品をスキャン・処理すると主張できます。
しかし、これだけですべての紛争が解決するわけではありません。紙の書籍の購入にモデルを学習させる権利まで含まれるのか、学習が変容的利用に当たるのか、モデルが保護された内容を再現するのかは、それぞれ独立した問題です。
したがって、「本を購入する」というのは、すべての状況に適用される免責事項ではありません。単に、正当な情報源を確立する方が、出所不明の電子コピーを直接使うよりも簡単です。
スキャン後にオリジナルを破棄することが重要な理由
このアプローチで最も直感に反するステップは、原書を正確に破棄することです。伝統的な著作権論理の観点から見ると、権利者は無断の複製や配布に最も敏感です。
もし紙の本がスキャンされ、元の本がまだ存在している状態でデジタルコピーに変換されると、見かけ上の状況は「1」から「2」に変わります。もし原本がその後破棄された場合、プロジェクトチームは次のように強調できます:
- 元の本は合法的に購入されました。
- デジタル化したデータは内部分析やモデル学習に使われる。
- 物理的なオリジナルはもはや流通しません。
- 完全なデジタル版は電子書籍として再販されませんでした。
この仕組みは、追加の独立した流通コピーを作成するのではなく、メディア変換として行為を説明しようとしています。フェアユースに該当するかどうかは、具体的な事例、使用状況、市場への影響、出力の制限によって異なります。
法域によって結論も異なる場合があります。より正確な表現は、原本を破棄することは法的な議論を強める助けになりますが、すべての類似の行為が本質的に合法であることを意味するわけではありません。
なぜ出版社から学習権を直接購入しないのか
紙の本のスキャンが非常に面倒なので、最も自然な解決策は出版社の電子文書を直接購入することのように思えます。主な実務上の障害は技術ではなく価格設定です。
出版社が慣れているのは、書籍を一冊ずつ販売するビジネスモデルです。本が売れれば、契約に従って著者へ印税を支払えます。
しかし、モデル学習は従来の一度きりの読書でも、一人の読者への一冊の販売でもありません。出版社は、まだ答えの定まっていない一連の問いに向き合う必要があります。
- 一回の学習利用を、一冊、数百冊、数千冊のどれに相当すると評価すべきか?
- 本の知識を習得した後、モデルはどれくらいの潜在的な売上を減らすのでしょうか?
- 同じ本を事前学習、ファインチューニング、評価に使う場合、それぞれ料金を課すべきか?
- モデル更新や再学習のたびに、改めて許諾が必要か?
- 著者、出版社、デジタル配信プラットフォームはどのように収益を分配しているのでしょうか?
- モデルが普遍的な言語ルールだけを学習する場合、権利の境界はどこにあるのでしょうか?
AI企業はまた、非常に高い固定基準を早期に受け入れることに消極的です。ある価格が業界標準になると、何百万冊もの本を訓練するコストは急速に膨れ上がる可能性があります。
双方が相手の価格算定を受け入れられないなか、古い紙の本を購入して自社でデジタル化する方法が、費用を予測しやすく工程も管理できる代替案になります。
なぜ古書なのか
古書を買う理由は価格の安さだけではありません。学習データでは出版時期そのものにも価値があります。
2022年以前に出版された書籍は、生成AIコンテンツが大規模にインターネットに登場する前に主に形成されていました。これらのテキストは著者によって執筆、編集、校正、正式に出版され、通常はISBNやその他の情報で情報源や日付が確認されています。
混合ソースを持つウェブテキストと比べて、正式な出版物は通常いくつかの特徴を持っています。
- 長文としての構成が整っている。
- 文章が編集されている。
- 専門分野ごとの内容がまとまっている。
- 出版時期を追跡できる。
- AI生成コンテンツが混入している可能性が比較的低い。
これにより、古い書籍は明確な境界を持つ高密度コーパスとなっています。ISBNデータベースの重要性は、著者、主題、版数、出版年ごとに購入者が書誌を整理するのに役立つ点にあります。
学習データを体系的に調達する企業にとって、中古市場で一冊ずつ探すよりはるかに効率的です。
「AI生成コンテンツ汚染」とはどういう意味ですか?
モデルが他のモデルで生成されたテキストで継続的に訓練されると、データ分布は徐々に狭まることがあります。誤差、クリシェ、統計的バイアスも繰り返し増幅されることがあります。
研究の議論では「モデル崩壊」という言葉がこうしたリスクを表す際によく使われますが、「AIテキストが混ざっている限り、モデルは確実に失敗する」という意味ではありません。実際の影響は以下によって異なります:
- 学習データに占めるAI生成コンテンツの割合。
- データがフィルタリングされ重複除去されているかどうか。
- 人間が作成したサンプルの多様性が十分に残っているか。
- 学習目標とデータ配分をどう設計するか。
- 合成データが検証・修正されているかどうか。
古書の価値は、何か神秘的な性質にあるわけではありません。生成AIの影響が比較的少なく、作成時期が明確な人間の文章をまとまって得られる点にあります。
ウェブ上のAIコンテンツが増加するにつれて、このような追跡可能なコーパスはますます希少になるでしょう。
紙の本から電子書籍へ、購入で得られる権利は変わった
紙の本を売買するルールは比較的単純です。購入した読者は、読む、収集する、転売する、譲る、あるいは机の脚の下に敷くことさえできます。
制限はしばしば無許可の複製や一般公開に焦点を当てています。電子書籍はこの関係性を変えました。
料金を支払うと、ユーザーは文書の完全な所有権を得るのではなく、プラットフォームの条件で制限された読書ライセンスを受け取ることが多いです。電子書籍はデバイス数、貸出期間、コピー範囲、ファイル形式を制限することがあります。
場合によっては、プラットフォームがコンテンツの撤回をすることさえあります。表面的には「本を買う」ことがすべてですが、印刷本の購入者と電子書籍利用者が実際に得るコントロールは同じではありません。
これは一見奇妙な現象の説明でもあります。AI企業は、物理的な古い書籍を購入するよりも電子文書に直接柔軟にアクセスできるわけではないかもしれません。
電子文書はより便利ですが、契約上の制限が明確であることが多いです。
大手モデル会社は他者が「自分自身から学ぶ」ことを制限しています
この論争には明確な対称性もあります。AI企業は人間が作った著作物を幅広く学習に使いたい一方、通常は他社が自社モデルを大量に呼び出して蒸留することを禁じています。
一般利用者が従量課金でモデルを呼び出す限り、通常は問題になりません。しかし、大量のアカウントを登録して膨大な質問を送り、その回答で競合モデルを学習させれば、プラットフォームは通常、利用規約違反と判断します。
その根本的なビジネスロジックは、出版社の懸念と非常に似ています。
- 出版社はモデルが本を吸収し、売上を減らすことを懸念しています。
- モデル企業は、競合他社が能力を蒸留して自社のAPI収益を減らすことを懸念しています。
- 両者とも、有料ユーザーが単一の購入を新しい製品に変えて自分たちを置き換えるのを阻止しようとしています。
違いは、従来の著作権制度が作品の複製を中心に構築されているのに対し、モデルの能力は特定の一部と対応づけにくい点です。AI時代に欠けているのは、「機械がどれだけ学び、何を代替し、いくら支払うべきか」を表す成熟したルールです。
なぜプロジェクトは機密保持が必要なのか
ビジネスの観点から見ると、大規模な書誌調達、スキャン能力、データレシピ、コストはすべて競争情報の対象となります。しかし、営業秘密だけではこの問題の敏感さを説明するには不十分です。
破壊された本は強い文化的象徴性を持っています。普通の古い本は市場で数ドルしか価値がないかもしれませんが、それでも人々はそれが著者の労働、個人的な記憶、そして公的な知識を宿していると信じています。
「本を買い、裁断し、スキャンして、パルプにする」と一文に圧縮されると、企業が機械の学習のために人間文化を組織的に破壊しているように受け取られやすくなります。その見方は正確とは限りませんが、非常に拡散しやすい物語です。
プロジェクトチームがこのプロセスに法的根拠があると信じていても、直感的な公衆の承認を得るのは難しいことを理解しています。これにより「実行は可能だが、公に議論するには適さない」状況が生じます。
機密保持自体が疑念を深め、外部の人々に企業が倫理的問題を認識していると信じ込ませます。
普通の古書と希少本を混同してはいけません
「書籍破壊」について議論する際には、本の実際の状態を区別することも必要です。広く流通し、複数のコレクションを持ち、デジタルコピーを持つ普通の古い書籍は、希少版、絶版書籍、署名入り版、地元の文書とは異なります。
前者が解体されると、文化的損失は通常限定されます。後者が破壊されると、回復不能な情報損失をもたらす可能性があります。
責任ある調達およびスキャンプロセスは、少なくとも以下のスクリーニングを確立すべきです。
- 複数のアクセス可能なコレクションが存在するかどうか。
- 絶版または少部数の出版物か。
- 署名、注釈、ブックプレートなどのユニークな情報が含まれているかどうかも重要です。
- 地域史、家族史、アーカイブとしての価値があるか。
- スキャン後に再製本するか、収蔵機関へ引き渡せるか。
「合法的な購入」は所有権の出所を示すに過ぎず、希少な文化資料の判断に代わるものではありません。もし希少な書籍も無差別にシュレッダーやパルプ化の過程に送られれば、論争はもはや単なる感情的な問題ではなくなるでしょう。
この論争は本当に何を明らかにしているのでしょうか?
Project Panamaは、単なる企業の奇談ではありません。AI時代のコンテンツ産業にある三つの断絶を明らかにしています。
第一に、従来の著作権は複製物の数を重視する一方、モデル学習は情報の吸収を問題にします。本を原形のまま一冊増やさなくても、その本でモデルを学習させれば、原著の市場価値に影響する可能性があります。
第二に、出版社のライセンス制度は今も販売と読書を中心に設計されています。著者、出版社、AI企業が共に受け入れられる学習ライセンスの価格算定方法は、まだ確立されていません。
第三に、AI企業は外部コンテンツと自社モデルに異なる立場を取ります。学習の変容的な性質を強調する一方、利用規約によって他社が自社出力を蒸留することを禁じています。
これら3種類の矛盾は、訴訟や和解によって自動的に消えるわけではありません。高品質な人間のテキストがモデルの重要な要素であり続ける限り、調達、承認、データソースに関する類似の紛争は今後も起こり続けるでしょう。
まとめ
Anthropicが古書を購入し、裁断・スキャンして廃棄する工程は、見る人に不快感を与えます。しかし、その目的は単なるスキャン時間の短縮ではありません。
紙の本を購入して適法な出所を示し、背を裁断して処理能力を高め、原本を廃棄して「複製の追加ではなく媒体の変換」という主張を補強する。さらに古書を選ぶことで、コストとAI生成物の混入が少ないデータへの需要を両立させています。この一連の方法は、紙の出版時代に作られたルールではモデル学習の問題に答えにくいことを示しています。
紙の書籍取引は「この一冊を誰が所有するか」に、電子書籍ライセンスは「利用者がどう読めるか」に焦点を当てます。モデル学習が問うのは「機械は学んでよいのか、学んだ後に何を代替するのか」です。新たな許諾と利益配分の仕組みが成熟するまでは、AI企業は既存ルールの中で実行可能な方法を探し続けるでしょう。
本当に取り組むべきは、「書籍の破棄」を単に合法か違法かとラベル付けするのではなく、著者の権利、出版市場、技術革新、文化保存を同時に測定できる一連のルールを確立することです。