著作権をめぐる AI 裁判が世界で続いている一方、MIT の研究者たちが意外な発見をしました。大規模な AI モデルで訓練データとして使われた個別の画像は、モデルの出力にほぼ影響を与えていない、というのです。この研究結果は、訓練データに対する著作権保護と企業責任の構図を根本から変える可能性があります。

「属性減衰」——訓練画像が消えていく現象

MIT の研究チームを率いた Zheng Dai 氏の発見は、シンプルながら衝撃的です：「特定のデータを削除してもモデルの出力が変わらなければ、そのデータはモデルに影響していない」ということ。

研究では、大規模な拡散モデル（ディフュージョンモデル）で実験しました。単一の画像、特定アーティストの全作品、あるいは特定のテーマを訓練データから削除しても、生成画像に知覚可能な違いが生じないケースが次々と発見されました。

この効果は「属性減衰」と呼ばれ、データセットサイズの増加に伴う逆二乗則に従うとのこと。つまり、訓練データが増えれば増えるほど、個別画像の影響力は急速に低下していくのです。

著作権を求める人たち、規制当局、企業に何が起こるのか

この研究結果が持つ意味は、立場によって大きく異なります。

アーティストと著作権所有者

これまで、AI 企業を訴えるアーティストたちは「自分たちの作品が訓練データに無断で使われた」という根拠に訴訟を起こしてきました。しかし、属性減衰の概念が認められると、「その画像がモデル出力に影響を与えていない」という反論が成立しやすくなります。つまり、著作権保護の根拠が弱まる可能性があります。

規制当局と政策立案者

既存の規制枠組みは、訓練データとモデル出力の間に追跡可能な因果関係があることを前提としています。しかし属性減衰が証明されると、その前提が崩れます。新しいアプローチ——単純な属性ベースではなく、より複雑な責任割り当て方法が必要になるでしょう。

AI 企業

朗報と悪報が混在しています。朗報は、著作権侵害の責任追求が難しくなることです。悪報は、モデルの透明性を示すために「属性減衰の証拠」を積極的に示す必要が生じるということ。企業側は、「私たちのモデルは個別訓練画像に依存していない」と証明すべき立場に立たされます。

MIT の Professor David Gifford 氏は、企業に対し「モデルを改訂し、非派生的な出力を示す必要がある」と指摘しています。つまり、技術的な工夫によって非派生的であることを証明する責任が企業に課されるという新しい時代です。

問い残される大きな疑問

この研究は、画像生成に特化した拡散モデルを対象としています。しかし、最大の疑問は未解決のまま：大規模言語モデル（LLM）でも同じ属性減衰は起こるのか？

現在、OpenAI や Google を相手取った著作権訴訟の多くは、テキスト学習とテキスト出力のモデルを対象としています。LLM でも属性減衰が確認されれば、訴訟の構図全体が変わる可能性があります。逆に LLM では属性減衰が起こりにくければ、画像モデルと異なる規制方針が必要になるでしょう。

今後の展開——規制とビジネスの再編

この研究結果は学術的な発見に留まりません。著作権団体、AI 企業、政策立案者が今後6～12ヶ月で論争の中心にすえるテーマになると予想されます。

アーティストたちが求めてきた「訓練データに対する明確な補償」という枠組みから、より技術的で複雑な「派生性の証明」という新しい争点へのシフトが始まっています。AI に関わるすべての人にとって、目が離せない展開です。