OpenAI、GPT-4学習にYouTube動画100万時間以上を文字起こし利用か

AIモデルを賢くするための学習データが、インターネット上から急速に枯渇しつつあります。

ニューヨーク・タイムズの報道によると、OpenAIは2021年の時点で高品質なテキストデータを使い果たしていました。そこでGPT-4の学習データを確保するため、音声認識モデルのWhisperを開発し、YouTube上の動画を100万時間以上も文字起こしして学習に注ぎ込んだとされています。

OpenAIの社内ではこれが法的にグレーであると認識されていましたが、フェアユースの範囲内であると判断された模様です。報道によれば、OpenAI社長のグレッグ・ブロックマン氏自らも対象となる動画の収集に関わっていました。

抜け駆けするOpenAI、追うGoogleとMetaの焦り

YouTubeの規約上、無断スクレイピングやダウンロードは禁止されています。Googleの広報担当者は規約違反に対して法的・技術的措置を取ると強調し、YouTubeのニール・モーハンCEOも同様の懸念を表明していました。

しかし同紙によると、Google自身も自社のAIモデル学習のためにYouTubeの文字起こしデータを収集していたと報じられています。Google側はクリエイターとの契約の範囲内だと説明しています。

さらにGoogleの法務部門は、Googleドキュメントなどの個人向けツールからデータを学習に転用できるようプライバシー規約の改定を指示しました。反発を避けるため、米国の独立記念日前の週末である7月1日に意図的に公開されたと伝えられています。

Metaの状況も切迫していました。流出した社内録音によると、AIチームはOpenAIに追いつくため、著作権で保護されたコンテンツの無断利用を議論していました。ウェブ上のほぼすべての英語書籍やニュースを読み尽くした結果、大手出版社そのものの買収まで検討していたとされています。

なぜ重要か

ウォール・ストリート・ジャーナルは今週、AIのデータ需要が2028年までに人類の新規コンテンツ生産スピードを追い越す可能性があると報じました。AI開発競争は今、純粋なアルゴリズムの勝負から、誰がより強引にデータをかき集められるかという争奪戦に変質しています。

一般のユーザーやクリエイターにとって、これは決して対岸の火事ではありません。動画サイトに投稿したコンテンツや、クラウドオフィスに保存した下書きが、利用規約の改定によってAIの燃料として消費されるリスクが浮き彫りになりました。

私たちは、このデータ収集の手法は現在の基底モデルが抱える構造的な脆さを示していると考えます。連休前に規約を書き換えたり、100万時間もの動画を密かにテキスト化したりする動きは、技術的ブレークスルーというよりは現場の強い焦りの表れに見えます。

AI自身がデータを生成する合成データや、学習効率を高めるカリキュラム学習といった解決策も模索されていますが、実用性はまだ確立されていません。既存の著作物に力任せに依存する開発スタイルが続く限り、大手テック企業は今後さらに厳しい法廷闘争と規制の圧力に直面することになるはずです。