LLMの学習データと著作権

研究者が作る「コーパス」という言葉のデータベースは、本や新聞の書き手ひとりひとりに「使わせてください」と頼んで作る。断られたらその本は入れない。日本の代表的なコーパスは一億語で、これを何年もかけてやった。

LLMはこれをやっていない。学習する文章の量が兆の単位で、誰に頼めばいいかを調べるだけで終わらないからだ。かわりに「機械に読ませて学習させるだけなら許可はいらない」という法律の条文を根拠にしている。日本の法律はこれをかなり広く認めている。

だから今、世界中で裁判になっている。米国では二〇二五年に判断が出はじめて、学習そのものは認めるが、海賊版サイトから本を集めた行為は別だ、という線が引かれつつある。おまけに各社は最近、何を学習させたかを公表しない。中身がわからないから、外から検証できない。