背を裁ち落として学習させる 壊さない技術は2009年からある

3行まとめ

• 本を裁断してスキャンするのが、いま最も速くて安い
• 壊さずに読み取る技術はGoogleが2009年に特許を取っている
• 裁断された本は戻らない。稀少な本の被害はまだ疑いの段階

何が起きたか

2025年夏の訴訟で、Anthropicが数百万冊の紙の本を裁断してAIの学習に使っていたことが明るみに出ました。社内では「Project PanamaProject PanamaAnthropic が破壊をともなう書籍スキャンに付けていたコードネーム。」というコードネームが使われていました。公表を避けるためだったと報じられています。

その後、被害が稀少な本にまで及んでいるのではという声が広がりました。Telegraph はシリコンバレーが稀少な本を大量に破棄していると報じています。404 Media は、書籍データベース企業の ISBNdbISBNdb書籍データベースを提供する企業。AI企業向けに本の大量調達を支援できると宣伝していたと報じられた。 がAI企業向けの大量調達を売り込んでいたと伝えました。

古書店も反応しています。アイルランドの書店 Kennys は、無名の書籍5000冊という一括注文を不審だとして公表しました。

ただし、稀少な本が実際に壊されたという確認は取れていません。Anthropic はそれを否定しています。

なぜ難しい・何がすごいか

裁断が選ばれる理由はコストです。背を裁ち落とせばページは平らな紙の束になり、まとめて素早く読み取れます。切り取ったページはスキャン後に捨てられます。

壊さない方式は、人が1ページずつめくります。数百万冊を相手にすると、この速度差がそのまま費用と時間になります。AI各社は本にしかない長文を学習素材として奪い合っている最中です。

安いほうが選ばれます。技術がないから壊しているのではありません。

たとえ話

紙の書類をまとめてスキャンするとき、多くの人はホチキスを外して束ごと機械に通します。1枚ずつ押さえて撮るより速いからです。

本の裁断は、その手順をそのまま蔵書に持ち込んだものです。違うのは、書類なら原本を印刷し直せる点です。裁ち落とされた古い本には、刷り直す元がありません。

用語ミニ辞典

• 非破壊スキャン: 本を裁断せず、綴じたまま1ページずつ撮影して電子化する方式。
• Project Panama: Anthropic が破壊をともなう書籍スキャンに付けていたコードネーム。
• ISBNdb: 書籍データベースを提供する企業。AI企業向けに本の大量調達を支援できると宣伝していたと報じられた。
• Internet Archive: 図書館の古い蔵書の電子保存を手伝う組織。本を壊さない手作業のスキャンを続けている。

技術者向けの深掘り

非破壊スキャン非破壊スキャン本を裁断せず、綴じたまま1ページずつ撮影して電子化する方式。の特許は2009年に成立しています。完璧ではありません。研究では、開いたページのカーブが文字を歪めること、ページが撮り漏らされることが指摘されています。

Wired は、作業者が急ぐと手が写り込むといった不具合が起きると報じました。

Internet ArchiveInternet Archive図書館の古い蔵書の電子保存を手伝う組織。本を壊さない手作業のスキャンを続けている。 は速度を捨てる設計を選んでいます。作業者はフットペダルでスキャナのガラスを上げ、1ページごとにカメラを調整して読めるか確かめます。

折り込みページは記録しておき、後から別に撮影します。ページの飛びやボケは独自ソフトが検知し、撮り直しを促します。

自動化も試したうえでの判断でした。真空でページをめくるアームを備えた市販機を評価したものの、もろい本や特別なコレクションには向かなかったといいます。

これは自分に関係ある？

本が好きな人へ。いま確定しているのは、通常の本が大量に裁断された事実までです。稀少な本の被害は報道と否定が並んでおり、疑いの段階にあります。

エンジニアへ。データ収集の速度を優先する判断が、取り消せない物理的な結果を残す実例です。前処理の設計は、可逆かどうかで一度分けて考えられます。

古書や出版に関わる人へ。値切り交渉のない大量注文が不審のサインとして共有され始めました。Kennys は学習目的とみられる注文を断る方針を示しています。