EU AI法の学習データ要約が明かすこと・明かさないこと

EU AI法の第53条1項(d)は、汎用AIモデルのすべてのプロバイダーに対し、AIオフィスが2025年7月に公開したテンプレートに沿って、学習に用いたコンテンツの「十分に詳細な要約」を公表することを求めている。この義務は2025年8月2日に発効した。私は実際に提出された要約を、横断比較できる小さなデータセットに集めてきた——transparency.kieranmaynard.com/ai-trainingで公開している——が、この作業はモデルについてよりも、むしろこの規制の現状について多くを物語る結果になった。

テンプレートが実際に求めるもの

テンプレートは意図的に控えめだ。学習データに含まれる各モダリティ——テキスト、画像、音声、動画、その他——について、プロバイダーは3つのサイズ帯のいずれかにチェックを入れ(テキストなら、10億トークン未満、10億〜10兆、または10兆超)、コンテンツの種類を記述する。次に、データの出所を示す一連のはい/いいえフラグ——公開データセット、商用ライセンスデータ、第三者からの非公開データ、自ら収集(クロール)したデータ、ユーザーデータ、合成データ。加えてデータ取得のカットオフ日。

それだけだ。トークン数もなければ、データセット名も、割合もない。委員会は、著作権者と一般市民に最低限の目安を与えつつ、プロバイダーに営業秘密の開示を強いないよう設計した。したがって、要約単体が語りうることの上限は、設計上あえて低く抑えられている。もし価値があるとすれば、それらを並べて比較することから生まれる——それは誰もやっていなかったことであり、私がこのデータセットを作った理由でもある。粗いサイズが少なくともプロバイダー間で並べ替えられるよう、各サイズ帯をランク(1〜3、「該当なし」は0)に正規化している。

最も雄弁なシグナルは「誰がいないか」だ

前回データを更新した時点で、標準テンプレートを提出していたのは7プロバイダーの11モデルだった——Google(Gemini 3 Pro)、Meta(Muse Spark)、Microsoft(Phi-4ファミリー)、OpenAI(GPT-5.5)、スイスのSwiss AI(Apertus)、ポーランドのSpeakLeash(Bielik)、そしてHugging Face(SmolLM3)。

目立つ不在は、当然そこにいるはずのフロンティアラボたちだ。Anthropic——現行の旗艦モデルFable 5を含む——、Mistral、xAIはテンプレートを提出していない。彼らは学習コンテンツを従来のやり方、つまりモデルカードの一段落の散文で開示している——「公開情報、ライセンスデータ、当社チームが生成したデータの独自の組み合わせ」といった具合に。それは実在する開示ではあるが、規制がいま求める標準化された成果物ではなく、何とも比較できない。

この隔たりは反抗か遵守かの問題ではない。法に書き込まれた「時期の継ぎ目」だ。2025年8月2日以降にEU市場に投入されたモデルは今すぐ提出しなければならないが、その日より前に既に市場に出ていたモデルは、要約の作成に2027年8月2日までの猶予がある。つまりテンプレート上のモデルは、ほぼ例外なく、締切後に一線を越えた真新しい旗艦モデルか、オープン性こそが売りだからと先んじて提出したオープンソース／欧州のラボのいずれかだ。提出していない側は、その多くが移行期限の上に腰かけている。「誰が提出したか」は今のところ、「誰がより透明か」よりも「誰が最近新モデルを出したか、あるいは透明に見せたいか」の代理指標として優れている。

提出されたデータが示すこと

要約を横断して読むと、いくつかの点が持ちこたえる。

全員が公開データを主張する。興味深い差異はそれ以外のすべてにある。提出者は皆「公開データセット」にチェックを入れる。このフラグはほとんど情報を持たない——参加のための最低条件だ。プロバイダーが実際に分かれるのは他のカテゴリだ——自らクローラーを走らせたのか、それとも誰かが用意した公開データセットに頼ったのか、データを商用ライセンスしたのか、合成データを使ったのか、そして——本物の開示として読めるもの——ユーザーデータで学習したのか。OpenAIはユーザーデータを「はい」とし、要約はそれがChatGPTやCodexといった製品のデータを指し、モデルとの対話ログではないと丁寧に断っている。Metaも「はい」だ。オープンかつ欧州のラボ——Apertus、Bielik、SmolLM3——は「いいえ」で、商用ライセンスなし・自己クロールなしと並ぶ。テンプレートのはい/いいえフラグは大雑把だが、まさにその列こそ、要約が宣伝ページには書けないことを教えてくれる箇所だ。

最上位のサイズ帯はすでに飽和している。「10兆トークン超」はテンプレートがテキストに用意した最大のバケツだが、それはもはや当たり前になっている——Gemini 3 Pro、Muse Spark、GPT-5.5、SmolLM3はいずれもそこに収まる。30億パラメータのオープンモデルとフロンティアシステムが、同じテキストサイズ帯を報告する。これは誤りではない——3段階の尺度が、分野が最上位バケツを追い越したあとにきっかり示す挙動だ。識別力を失うのだ。サイズ欄は、小規模または旧いモデル(Bielikは中間帯に入る)を現代の大規模モデルから分けるのには役立つが、それより細かいことには役立たない。

モダリティのカバレッジが最もきれいな切り口だ。データが鮮明に分けてくれる唯一のものは、マルチモーダルかテキスト専用かだ。Google、Meta、OpenAIは画像・音声・動画の学習データを報告する。オープンラボのエントリはテキスト専用だ。これは実在する検証可能な区別であり、サイズ帯とは違って一目で見て取れる。

限界は付随的ではなく構造的だ

以前書いたDSA透明性レポートと同様、制約は中身と同じくらい重要であり、そのいくつかは私の収集方法ではなく制度そのものに組み込まれている。

登録簿(レジストリ)が存在しない。提出済み要約の正典的な一覧を誰も管理していないため、「誰が公表したか」自体が調査課題になる——私はこれらのいくつかを、学術サーベイやHugging Faceのモデルカードから逆算して見つけた。各プロバイダーは好きな場所に、好きな形式で自己公表する。実際には、Googleは透明性レポートのPDF、MetaとOpenAIはフォーム記入式のPDF、Microsoftはマークダウンの「データ要約カード」、ApertusはHugging FaceリポジトリのPDF、そしてSmolLM3はGradioアプリを裏で動かすインタラクティブなウィジェットで——記入済みテンプレートはアプリのソースから抜き出さねばならなかった。5通りの形で公表される標準テンプレートは、半分しか標準化されていない。

監査が存在しない。あらゆるフラグは自己申告であり、クロールデータやユーザーデータの「いいえ」が正確だと外部が確かめるものは何もない。しかもテンプレートは、ある出所を使ったかどうかは問うが、どれだけ使ったかは決して問わない。だから、圧倒的にライセンスデータで学習したプロバイダーと、たった一つのライセンスセットに触れただけのプロバイダーが、同じ箱にチェックを入れる。「公開データ」は一度も定義されず、キュレーションされた研究コーパスからオープンなウェブまで何もかもを吸収する。

これらはデータを無用にするわけではない。データをあるがままのものにする——構造化され、自己申告され、プロバイダー横断のスナップショットであり、分野の輪郭を捉えるのには本当に有用だ(誰がどんな種類の出所で、おおよそどれくらいの規模で、どのモダリティで学習しているか)。だが、チェックされた箱を計測された量として扱えば、誤解を招く。

これから予想されること

執行権限は2026年8月2日に付与される——AIオフィスはその日から、欠落した、あるいは不十分な要約に対して動くことができ、制裁は全世界売上高の3％または1500万ユーロまで及ぶ。より大きな転換は2027年8月2日の移行期限とともに訪れる。既存モデルも提出しなければならなくなる時だ。データが面白くなるのはそこからだ——いま散文で開示している旗艦モデル、つまり私が今日は外さざるを得ないモデルが、標準化された成果物を作るか執行のリスクを負うかを迫られ、「誰がいないか」のシグナルが、ようやく「時期」よりも「不遵守」に近い意味を持つようになる。

それに伴い、2つのことが見えてくると私は予想する。第一に、粗い最上位帯はいっそう気まずくなる——より多くのフロンティアシステムが「10兆トークン超」に殺到するにつれ、より細かいバケツを加える、あるいは実数を報告する圧力が高まるだろう。12兆トークンのモデルと50兆トークンのモデルを区別できない透明性の道具は、規制当局に大したことを伝えられないからだ。第二に、AIオフィスが実際の登録簿を立ち上げない限り、形式の断片化は良くなる前に悪化する。100の企業CDNやモデルリポジトリに散らばったさらに100の要約は、透明性の制度ではなく、宝探しだ。

テンプレートは、以前の「何もない」という現状に対する本物の改善だ。しかしいまデータの中にある面白い物語は、どのモデルが何を開示しているかではない——提出しなければならなかったラボと、まだ提出していないラボとの継ぎ目であり、その一つの時期的な偶然が現時点でどれほど多くを説明してしまうか、なのだ。2027年の期限が残りの分野をテンプレートへと引き寄せるにつれ、データセットを更新し続けるつもりだ。そして、比較可能性がさらに100件の提出との接触を生き延びられるかを見届けよう。