マイクロソフト、社内文書でAIのスクレイピングを「史上最大の労働の窃盗」と呼ぶ

マイクロソフトの科学者が、同社が構築しているものに名前を付けた。その名前は決して好意的なものではなかった。大規模言語モデルがオープンウェブから学習する仕組みを検討した際、その科学者はこれを「人類史上最大の労働盗難」と呼んだ。この一文は社内向けに書かれたものだ。今では法廷の証拠品となっている。

この表現は「やった！」という形で世に出ている。すなわち、AI大手の自社従業員がビジネスモデルを盗難と断じたという決定的な証拠として。しかし、その読み方はあまりに浅い。実際に公開された文書が示しているのは、マイクロソフトが自ら収益化している仕組みを理解し、その仕組みを平易な言葉で説明し、それでもなお製品を出荷したという事実である。興味深いのは侮辱の言葉ではない。その背後にある図式である。

この文書は、マイクロソフトの応用科学ディレクターであるブレント・ヘクト（Brent Hecht）に帰属するもので、ニューヨーク・タイムズがOpenAIとマイクロソフトを提訴した著作権訴訟の中で明らかになった。ヘクトは、公開された著作物に対して対価を支払わずにモデルを訓練することは「前例のない規模の驚くべき盗難」に当たると主張した。別の社内プレゼンテーションでは、さらにその仕組みに踏み込んでいた。そこでは、マイクロソフトのAIコンテンツ戦略が「破滅のループ」を引き起こし、「私たちのモデルの性能とウェブ全体を同時に傷つける」と警告していた。大規模言語モデルは「自らのサプライチェーンを破壊する製品である」と一文に書かれている。

その最後の一文は、七つの言葉で物語の全てを語っている。検索ボックス内で質問に答えるチャットボットは、そのボットが学習した元のページをクリックする理由を奪う。クリック数の減少は、記事を生産するサイトの収入減を意味し、それが生き残るサイトの減少につながり、次のモデルが訓練するための新しい人間のテキストが減るという連鎖を生む。マイクロソフトはこのループを外部から理論化したわけではない。自社のデータがそれを測定していた。Copilotの回答エンジンは、通常の検索に比べて、ニューヨーク・タイムズのサイトへのクリック率を最大93％低下させた。

今回公開された文書は、この取引のインプット面も定量化している。OpenAIの中間訓練データには、ニューヨーク・タイムズ、デイリー・ニュース、調査報道センター（Center for Investigative Reporting）の著作物が9万1000件以上含まれていた。Common Crawlから抽出されたデータセットの一つには、nytimes.comからの文書だけでも200万件以上が含まれていた。「プロジェクト・マンゴー」と名付けられたコレクションには、ニュース出版社からの少なくとも16万件のユニークな著作物が収められていた。文書は、有料壁が回避され、著作権表示がテキストから除去された上でデータが投入された様子を詳述している。

OpenAIの経営陣自身もその影響について無知だったわけではない。ChatGPTを統括するニック・ターリー（Nick Turley）は、同社の製品がジャーナリズムに対して「ほぼ代替的」であり、この変化は出版社にとって「存続の脅威」であると述べたと引用されている。これはヘクトが異なる肩書きで下した結論と同じである。

この表現が単なる当惑以上の意味を持つ理由はここにある。マイクロソフトはこれらの発言から距離を置き、実際の立場は著作権法に準拠していると法廷に説明しており、両社とも情報漏洩に関してコメントを控えている。しかし、フェアユースの抗弁は、企業が何を知り、何を意図していたかに部分的に依存する。自社の科学者が害悪—盗難、破壊されたサプライチェーン、空洞化したウェブ—を名指しした文書は、同社が簡単に否定できる意見ではない。これらは、その仕組みが拡大される前に理解されていたことを示す証拠として読める。

これらのモデルが学習したウェブは、読み手がもう一方の端にいることを前提に構築された人々によって作られた。マイクロソフトの文書は、同社が、その読み手が設計上排除されていることを文書で認識しながら、なおも構築を続けたことを示している。

タグ: OpenAI, microsoft, AI training data, Brent Hecht, copyright lawsuits, The New York Times