【生成AIと著作権】全10章連載：第6章：AI学習の5段階を分解する

こんにちは、榊正宗です。第6章では、「AIの学習はすべて著作権侵害だ」という主張がなぜ中身を飛ばしているのかを、段階を分けて整理していきます。ひと口にAI学習と言っても、大規模事前学習、一般化による副作用、マルチモーダル認識の影響、再現を目的とした追加学習、そして参照入力による加工――この五つは、性質がまるで違います。全部をひとまとめにして賛否を叫んでも、現場は一歩も進みません。分ければ、どこを通してどこを止めるべきかが見えてきます。

第1節　なぜ段階を分けるのか　一括りにすると議論が壊れる

「AIの学習はすべて著作権侵害だ」という声を、よく耳にします。気持ちは分かります。自分の作品が無断で使われたと感じれば、怒りが出るのは当然です。ただ、この言い方は中身をひとまとめにしすぎています。「AIの学習」と呼ばれる行為の中には、性質が全然違うものが、少なくとも五つ混ざり込んでいます。

全部をひとまとめにして「違法だ」と叫ぶと、どの部分に本当の問題があるのかが見えなくなってしまう。技術的な改善も、法的な整理も進みません。AIを使う側と創作者の双方を守りたいなら、感情的なラベルではなく、行為の単位で評価する視点が要ります。

「AIの学習はすべて合法だ」という主張も、同じように中身を飛ばしています。30条の4を盾にして説明を放棄するのは、第1章でも言ったとおり危険です。段階によっては、明らかに権利処理が必要な行為があります。それを「合法」の一言でまとめてしまうと、本当に止めるべき行為まで見逃されてしまう。

ワシがこの章でやりたいのは、AIの学習を五つの段階に分解して、それぞれの性質を言い切ることです。分ければ、どこは通しやすくて、どこは止める必要があるのかが見えてくる。ここが見えると、議論が立場の言い合いから実務へ戻ります。

第2節　第一段階　大規模事前学習　基礎モデルの形成

第一段階は、基盤モデルを作るための大規模事前学習です。大量のデータから、形状、構図、色彩、概念どうしの関係を統計的に学ぶ基礎工程に当たります。テキストモデルなら言語のパターンを、画像モデルなら視覚的な特徴を、広く浅く学んでいきます。

技術的に詳しく見ると、大規模言語モデル（LLM）の事前学習では、数百億から数千億のトークン（言語の最小単位）を見せ、「この単語の次に何が来やすいか」という確率パターンを学習させます。トランスフォーマー構造の注意機構を通して、単語の組み合わせ、文脈、概念の関係を重みづけしていく。この過程は単純な暗記ではなく、統計的な関係性の圧縮です。画像生成モデルでも同じで、拡散モデルはノイズ除去の過程を反復学習し、テキストと画像の対応関係を重み係数として保持します。

この段階は、特定の作品を再現することを目的としていません。数億から数十億のデータを入力にして、言語や視覚の一般的なパターンを掴む。人間が多くの作品を見て画風や構図の感覚を身につける過程に近い、と言うことはできます。ただし人間のたとえに寄りかかりすぎると誤解を生むので、技術の言葉で言い直します。この段階のモデルは、特定の作品を記憶して再生するためではなく、入力と出力の関係のパターンを統計的に保持するために学習しているのです。

具体的に見てみましょう。GPT-3の事前学習では、4500億トークン以上の多様なテキスト――Webテキスト、書籍、論文――を学習しました。個別の文章をそのまま覚えているのではなく、言語構造、文法、知識、推論の流れを重み係数として圧縮している。学習後に新しい文章を生成するのは、学習データの再現ではなく、習得したパターンの拡張適用です。画像でも同様で、Stable Diffusionは約21億の画像・テキストのペアで学習しましたが、個別の学習画像そのものを再生しているのではなく、「テキストの意味」から「それに対応する視覚的特徴」への変換を学んでいます。

この段階で、学習をそのまま出力しない工夫が組み込まれている点も重要です。基盤モデルは個別の作品の表現をそのまま出すことを目的にしていませんし、そうならないよう設計されています。完璧ではありません。データが偏っていたり、特定の作品の露出が極端に多かったりすると、その影響が残ることはあります。ただ、それは第二段階の話です。実装レベルでも、学習時に品質フィルタが入り、既知の著作物への過剰依存が出やすいデータは前処理で除外される傾向が強まっています。完全ではないけれど、初期にWeb全体を無造作に学習していたモデルと比べれば、データの厳選は確実に進んでいます。

ここで押さえたいのは、この段階そのものを全面的に禁止すると、生成AIだけの話では済まなくなるということです。医療画像の解析、自動運転の物体認識、音声認識、機械翻訳、セキュリティ対策――画像理解や言語理解を前提とするAI全体が成立しなくなる。社会インフラに組み込まれた技術の、基盤部分だからです。

たとえば放射線科で使う医療画像解析AIは、CTやMRIの数百万枚に対して事前学習を行い、腫瘍や病巣といった医学的に重要な特徴を認識できるようになります。この事前学習なしには医療AIそのものが動きません。自動運転の物体認識も、街中の無数の画像から信号や歩行者や車のパターンを習得する必要がある。翻訳エンジンも、複数言語の文法関係を学んで初めて、異なる言語のあいだの意味の対応を扱えるようになります。

つまり「第一段階を止める」という判断は、これらの社会インフラを一緒に止めるのと同じです。その影響範囲を理解したうえで議論する必要がある。著作権保護と社会利益のバランスを見ないまま「著作物の無断学習は違法だから禁止」と叫べば、医療も交通も通信も巻き込んでしまうのです。

第3節　第二段階　一般化のときに特定の特徴が残る

第二段階は、第一段階の学習過程で起きる技術的な副作用です。露出量が極端に多い有名なIPやキャラクターは、学習データの中で頻度が高くなりやすい。その結果、一般化の過程で、その特徴が過剰に残ってしまうことがあります。