AI企業が希少書籍を裁断している

• AI企業は大量購入した希少書籍の背を裁断して高速スキャンした後、原本を破砕している
• ISBNdbは最大100万冊の注文、購入者の匿名性、NDAをサポートし、顧客にこの工程を「デジタル保存」と呼ぶよう勧めている
• 2022年以前の出版物は、AI生成テキストが混ざっていないデータであることを理由に高い価値が認められており、Anthropicも広範な書籍確保を進めている
• 連邦判事は、原本を除去して一度に1つのコピーだけを残す方式をフェアユースと判断したが、現存数がきわめて少ない本も処理対象に含まれている
• 現存する18世紀の書籍の最後の1冊は、破砕後には代替できず、合法判断が不可逆的な損壊を加速させる可能性がある

---

希少書籍が学習データに変わる過程

• AI企業は本を大量購入した後、背を切って高速スキャンし、原本を破砕する
• ISBNdbは最大100万冊までの注文を仲介し、購入者の身元を隠してくれる
  • NDAをサービス機能として提供する
  • 顧客にこの作業を「デジタル保存」と呼ぶよう勧める
  • 自社サイトには「『AI企業が本200万冊を破壊する』という文句は、同情を集める見出しではない」と記している
• 2022年以前の出版物は、AI生成テキストが含まれていないことを理由にプレミアムデータとして扱われる
• Anthropicは「世界のすべての本」を確保するため、元Google Booksパートナーシップ責任者を採用した

フェアユース判断が残した不可逆性

• 連邦判事は、原本をなくせばある時点で存在するコピーは1つだけだという論理で、この慣行をフェアユースと判断した
• ある書店関係者は、残存部数がほとんどない希少書籍も処理過程に入ると404 Mediaに伝えた
• Webサイトは再公開でき、ベストセラーは再版できるが、最後の3冊だけが残った18世紀の植物学書は、破砕後には代替できない
• インターネットスクレイピング、図書館トレント、音楽の無断取得と違い、原本の破砕は元に戻せず、合法判断の後にこうした事業はさらに加速する可能性がある

[GN⁺]

Hacker News の意見

• 出版社にはあまり同情できない。著作権が切れるまで絶版状態にして、まともな本を希少本にしてしまい、販売中の本でさえ湿気で波打つ紙と、数年でばらばらになる無線綴じしかない場合が多い
  出版社が絶版にした本は、別の出版社が元の出版社に補償せずに刊行し、著者と印税を再交渉できるようにすべきだ。耐久性の高い紙と折丁製本を使ったハードカバー版を出さない場合にも、別の出版社が高級版を作れるように著作権法を変えるべき

  • 著作権は著者または配偶者の死亡と同時に終了すべきだと思う。レコード会社が明らかなフェアユースである数秒の音楽分析動画まで収益化し、多くの時間と費用をかけた小規模チャンネルの収益を奪うのは不当だ
    小さなストリーマーには法的に争う余力もない。そのチャンネルは https://www.youtube.com/@diggingthegreats/videos である
  • 17〜18世紀には、出版社が本を製本せず、購入者が独立系の製本業者にカスタム注文することが一般的だった。個人蔵書全体が所有者の統一された表紙様式に従うこともあった
    当時の本はほとんどの人には買えない贅沢品で、安価な大量生産の製本が普及してアクセスしやすくなった。今でも市販本を分解し、高品質なカスタム製本と表紙を作る職人市場は存在する
  • 今残って見えている17〜18世紀の本は、そもそもよく作られた本だけが生き残ったからかもしれない。粗悪に作られた本はすでに消えて見ることができないという生存者バイアスがある
  • すべての本を高級製本して倉庫に積んでおく一方で、消費者が安い文庫版しか買わないなら、出版社が追加費用を負担する理由はなく、これは市場需要への反応だ
    隠れた高級版需要を出版社が意図的に無視していると見るより、販売データから売れないことを知っていると見るほうが単純だ。保存が目的なら、少し良い紙を強制するのではなく、在庫倉庫や収集家の書棚ではない堅牢なデジタルアーカイブを構築すべき
  • 知的財産を盗むLLM運営企業には、出版社以上に同情できない

• 著作権を確認したうえで古い本を復刊している。すべての本は1930年以前に刊行されたものが対象で、権利者が更新したかどうかによっては、かなりの数で1964年または1973年までの本も可能だ
  特殊な断裁機で背を切った後、ばらした紙葉を密封ビニールに入れて永久保存し、再スキャンに備えて元の非圧縮ファイルも磁気ディスクに保存している。著作権満了直後に刊行できるよう1931年以降の希少本も事前に探しているが、どのAI企業からも全文スキャンを訓練に使わせてほしいと依頼されたことはない

  • ここでいう「私たち」が誰なのか、密封ビニールが長期保存に適しているのかが気になる。化学的分解で湿度や腐食性の蒸気が内部に蓄積する可能性があるため、能動的に温湿度を制御する環境のほうがよくないか確認が必要だ
  • 非常に古い本は古い文体への偏りを生む可能性があり、価値ある知識も現代の文献でより深く詳しく扱われていることが多いため、AI訓練データとしての価値は低めだ
    古文献自体は興味深く保存する価値が大きいが、巨大な訓練データに混ぜる用途としてはあまり有用ではない
  • 2人だけの非営利団体なのか、企業価値が1兆ドルの未上場企業なのか分かるように、出典と背景が必要だ
  • 背を切ると、出所を失った「死海文書」のような紙片だけが残るのではないかという疑問がある

• スキャン対象が著作権の残っている本だけなら、18世紀の植物学書がなぜ含まれるのか疑問だ。所有している本をスキャンする行為は著作権上合法であるべきで、破壊まで要求してはならない
  刊行から50年以上経ち、忘れられる危険のある著作物には孤児著作物規定を適用し、権利者が複数の図書館などに保存されていることを証明するか、追加複製を許可するか、著作権を放棄するようにできるべきだ

  • 本をばらしてスキャンすればより速く安く済み、AI訓練は量の勝負なのでこの方式が有利だ。スキャン後に不要になった紙葉はパルプ化してリサイクルされるため、著作権がなくても破壊式スキャンが主流になった可能性が高い
    OpenAIがAmazonで2018年の本のデジタル版を買ってすぐ使えない理由は、ライセンス違反に加えて、DRM解除を禁じるDMCAにも引っかかるからだ
  • 18世紀の本は著作権が切れているため、原本を保存しながらスキャンしても違法ではない
  • 代替不可能な本を破壊する理由は著作権ではなく、破壊式スキャンのコスト削減だ: https://www.404media.co/ai-companies-are-buying-tons-of-old-...
  • 残存部数が一桁の希少な古書は、博物館収蔵品のように文化財としての保護を受けるべきだ。所有者が損傷・廃棄しようとする際には、国が優先的に買い取れるようにすべき
  • 破砕された本は、競合他社が再スキャンできないという利点も生む

• Archive.orgが保有する物理本を貸し出したという理由で訴えられていなければ、こうした結果も避けられたはずだ。出版社は自分たちが望んだ結果をもっと慎重に考えるべきだった

  • Archive.orgはもともと物理的に保有・スキャンした本をDRMと1冊あたり同時1人制限で貸し出していたが、コロナ禍に制限をなくして無制限の同時貸出を認めたことで、出版社との紛争が始まった
  • 本が1冊破壊されれば、他のコピーや未刊行在庫の価値が上がるため、出版社が必ず嫌がるとは言い切れない
  • Archive.orgの軽率なアプローチが、むしろ正当な保存活動の立場まで弱めたとも見られる

• 出版社はシャドーライブラリの資料で訓練したAI企業を訴え、巨額のコンテンツ契約を狙ったが、AI企業はアナログの抜け穴を利用した。中古本を5ドルで買い、破壊式スキャンに25ドル使うほうが、著作権料よりはるかに安い
  ただし対象は古代文献ではなく著作権の残る本であり、古いから価値があるわけでもない。需要がなく保管費だけがかかる本を図書館が廃棄するため、スキャン業者が安く入手できる

  • AI企業にとって価値のある本なので、公正な対価を支払うべきだ
  • 現代文献も時間が経てば古代文献になるため、現在の物理的価値だけで判断することはできない
  • 機器の摩耗、紙詰まりを取り除く人件費、リサイクル費用まで含めても、破壊式スキャンの費用は1冊25ドルより0.25ドルに近い可能性がある
  • 複数の購入者の情報を変え、元資料を破壊すれば誤った内容がLLMに残るため、これを正当化するのはプロパガンダに近い

• Bradbury の『Fahrenheit 451』より、Vernor Vinge の『Rainbows End』に出てくる**「裁断してからスキャン」する工場**に近い

  • Vernor Vinge は近未来をとりわけよく予測しており、裁断式スキャンを、悪役たちが非破壊スキャンへ移行する前に一時的に使う方式として描いていた。長期的に人類のためにできる最善のことの一つは、Anna’s Archive を支援することだと思う
  • 一般に人々が付与しがちな意味とは異なるが、『Fahrenheit 451』の作者が意図したことにもかなり近い

• 希少本をデジタル化することで、Authors Guild v. Google の被害も元に戻せる。AI 企業によるスキャンを認める代わりにデジタルコピーの公開を義務化し、最初にスキャンした事業者の優位性のために数年の猶予期間を設けてもよい: https://en.wikipedia.org/wiki/Authors_Guild,_Inc._v._Google,...

  • 1850年の本の唯一の写しを破壊して、その内容を営利システムに閉じ込めるのは、公有地で無許可に資源を採掘するのと同じ公共資源の収奪である
    一方で、高品質にデジタル化して恒久的に無料公開し、図書館やオンラインで無料利用できる公共 LLM を通じてアクセスできるようにし、残る実物の写しがないなら十分な確認後に公共の希少本アーカイブで保存するよう規制するほうが、はるかに合理的だ

• 愚かな著作権法のせいで、AI 企業が取り得る合法的な方法がこれなら、責任をすべて押しつけるのは難しい。地域のシャドーライブラリを支援できる: https://annas-archive.pk/donate

• 引用された資料だけを見ると、希少本が実際に破壊されているという根拠は不足している。代替不可能な18世紀の植物学書を例として付け加えているが、実際の対象が販売中の本や一般的な本である可能性は排除できない

  • 18世紀の本はすべて著作権が切れているので、わざわざ裁断する理由はない

• ここでいう希少本は、歴史的に重要な中世写本ではなく、著作権は残っているが販売されている実物の部数が少ない比較的新しい本のように見える。こうした本を1冊破壊して内容をデジタル保存することが、必ずしも悪いとは言い切れず、著作権が残る本の価値はたいてい物理的媒体より内容にある

  • 歴史的に重要な中世写本も次第にオンライン公開されており、研究者が原資料のスキャンに直接アクセスできれば歴史研究が速くなる。もちろん、この場合は非破壊方式である
  • 著者の署名や金箔を入れた特別なコレクターズ版のように、物理的媒体そのものに価値がある本もあるが、AI 企業がそうした版を使う可能性は低い
  • 残存部数が1桁の本でも、高品質なデジタルスキャンを公開するという条件なら、破壊式スキャンに同意できる
  • 誰のためにデジタル保存するのかが核心的な問いである
  • どこかのマルコフ連鎖の重みを少し変えることを、本当に内容の保存と呼べるのかは疑問だ