Appleは、自社のAIであるApple Intelligenceのトレーニングデータに多額の費用を支払っていると強調してきました。しかし、そのデータ提供者の中には、YouTube動画の字幕を無断で使用したとされる企業も含まれていることが明らかになりました。

この問題は、AppleのAIトレーニングに使用されるデータソースの倫理性についての議論を引き起こしています。

Apple Intelligenceとは？生成AIの基本を押さえよう

まずは、Apple Intelligenceについて簡単に説明します。Apple Intelligenceは、Appleが開発中の生成AI(人工知能)システムです。生成AIとは、大量のデータを学習し、人間のような文章や画像を生成できるAIのことを指します。

生成AIの性能は、学習に使用するデータの質と量に大きく左右されます。そのため、AIの開発企業は膨大なデータセット(大規模言語モデル、略してLLM)を収集し、AIのトレーニングに使用しています。

Appleの倫理的アプローチ：有料データの使用をアピール

Appleは、他の企業と異なり、AIのトレーニングデータに対して倫理的なアプローチを取っていることを強調してきました。具体的には、以下のような取り組みを行っていると主張しています：

• 出版社に数百万ドルを支払い、コンテンツの使用許可を得ている
• 写真ライブラリ企業からライセンスを取得している
• データの出所が明確で、倫理的に問題のない情報源を使用している

このアプローチは、AIの開発における著作権問題や個人情報保護の観点から、業界内外で注目を集めていました。

論争の発端：EleutherAIの「Pile」データセット

しかし、最近の報道によると、Appleが使用したデータの一部に問題があることが明らかになりました。

問題の中心となっているのは、EleutherAIという企業が作成した「Pile」と呼ばれるデータセットです。

Pileには、YouTubeの字幕データが含まれていることが判明しました。しかも、これらの字幕は許可を得ずにダウンロードされたものだとされています。

問題点の整理

1. YouTubeの利用規約違反の可能性
2. 著作権者の許可を得ていない
3. プライバシー侵害の懸念

他社の反応：AppleだけではないPileの使用

実は、Pileを使用しているのはAppleだけではありません。他の大手テクノロジー企業も同様のデータセットを利用していることが分かっています。

• Anthropic：AIの倫理に注力する企業として知られているが、Pileを使用
• Salesforce：学術研究目的でPileを使用したことを認める
• Nvidia、Bloomberg、Databricks：使用が確認されているが、コメントを控えている

企業の言い分

Anthropicの広報担当者は、YouTubeの字幕使用について次のように述べています：

Pileに含まれるYouTube字幕は非常に小さな一部です。YouTubeの利用規約は、プラットフォームの直接利用を対象としており、Pileデータセットの使用とは区別されます。

この主張は、データの二次利用に関する法的グレーゾーンを示唆しています。

Pileデータセットの中身：YouTubeだけじゃない

Proof Newsという組織の調査によると、Pileには以下のようなデータが含まれているとされています：

1. 173,536件のYouTube動画の字幕(48,000以上のチャンネルから)
2. 人気YouTuberの動画字幕(Marques Brownlee：7件、PewDiePie：337件)
3. Wikipedia記事
4. 欧州議会の文書
5. Enron社員の電子メール(過去の学術研究で使用されたもの)

これらのデータの多くが、著作権者や関係者の許可を得ずに使用されている可能性があります。

今後の展望：AI開発と倫理の両立

この問題は、AI開発における倫理的課題の複雑さを浮き彫りにしています。今後、以下のような点が議論の焦点になると予想されます：

• データ収集の透明性確保
• 著作権法の見直しと適用範囲の明確化
• AI開発企業の自主規制とガイドライン策定
• 国際的な規制フレームワークの必要性

AI開発の速度と倫理的配慮のバランスを取ることが、業界全体の大きな課題になるでしょう。Appleのような大手企業が率先して透明性を高め、適切なデータ使用のモデルケースを示すことが求められています。

(Via Apple Insider.)