NYT対OpenAI訴訟、非伏せ字書面でMS幹部がAI学習を「窃盗」と記述

何が明らかになったか

米紙ニューヨーク・タイムズ(NYT)がOpenAIとマイクロソフトを相手取って起こした著作権訴訟で、伏せ字が解除された書面が公開され、両社の内部にあったとされる認識が明らかになった。マイクロソフトの幹部はAIの学習慣行を私的に「窃盗」と表現し、OpenAIの経営陣も自社モデルが出版社や記者にとって「存亡の脅威」になると述べていたとされる。書面はさらに、ペイウォール(有料壁)を検知されない形で回避し、大規模なスクレイピングで学習データセットを構築し、学習データから著作権表示を意図的に削除していたと主張している。

ただし、今回新たに示された情報の多くはNYT側の主張書面に由来し、その根拠となる証拠資料そのものは依然として封印されている。記事は、提示されている引用が元の文脈を伴っていない点にも注意を促している。

フェアユースとの関係

AI企業が著作権で保護された素材を学習に使えるかどうかに明確な答えはなく、裁判官は学習が「フェアユース」に当たるというAI企業側の主張にこれまで概ね好意的だった。フェアユースはパロディや報道、批評などの場合に、許諾なく著作物を利用できるとする法理である。今月に入り、トランプ政権はOpenAIがLLM(大規模言語モデル)の学習にライセンスなしの著作権素材を使ったことを擁護する書面を提出したと記事は伝えている。

一方、今回の記載のいくつかはフェアユースの要件、とりわけ「元の作品の市場を代替せず、損なわないこと」という要件と衝突する。マイクロソフトのデータは、Copilotの「回答エンジン」によってNYTドメインのクリックスルー率が従来のBing検索に比べて最大93%低下したことを示しているという。2024年1月にマイクロソフトの応用科学部門ディレクター、Brent Hecht氏が作成した社内プレゼン資料は、この低下を「ドゥームループ(自滅的な悪循環)」と呼び、自社モデルとウェブ全体の性能を同時に損なうと記していたとされる。

発言の内容も争点になる。OpenAIのChatGPT責任者Nick Turley氏は社内コミュニケーションで、チャットボットのような製品が出版社にとって「存亡の脅威」であり、「大きく代替的」で、性能が上がるほどさらに代替的になると書いたとされる。OpenAIのGreg Brockman社長はモデルを「ニュースが得意」と評し、マイクロソフトCEOのSatya Nadella氏は宣誓証言で、チャットボットとの対話が「元の情報源に行く必要性を置き換えている」ことを認めたとされる。

規模を示す数字

複製の規模も示された。OpenAIのmid-trainingデータセットだけでも、NYT、Daily News、Center for Investigative Reportingが発行した著作物の複製が9万1,692件超含まれていたという。Common Crawlから派生したデータセットには、nytimes.comの文書だけで200万件超が含まれていた。両社はProject Mangoと呼ばれる取り組みで、少なくとも16万903件の報道機関のユニークな著作物を含む学習データセットを組み立てたとされる。

取得経路についても記載がある。書面によれば、OpenAIはGPT-3の学習データセット全体をマイクロソフトに提供し、マイクロソフトは自社製品へのモデル実装を検討するためにそれを用いた。マイクロソフトもProject TaxiやProject Mangoを通じてOpenAIに学習データを提供したという。OpenAIの研究者Nick Ryder氏がBrockman氏に「NYTのペイウォールを回避するハック」を伝えたところ、Brockman氏が「ああいいね」と返したとされる。

未確定な点と注意点

現時点で判決は出ていない。記事は、今回の書面が3年にわたる訴訟の最新のエスカレーションであり、NYTが当初、両社が自社コンテンツで生成AIモデルを学習させたことで著作権法に違反したと主張したものだと説明している。証拠資料が封印されたままだという点は、記載の全体像を第三者が検証しにくいことを意味する。

また記事は、OpenAIとマイクロソフトにコメントを求めたが返答はなかったとしている。引用は元の文脈を欠いた形で示されており、前後のやり取りや資料の位置づけによって意味が変わる可能性がある点には留意が必要だ。