オックスフォード大、OpenAIに歴史的文献を提供

英オックスフォード大学が所蔵する世界屈指の学術図書館「ボドリアン図書館」の歴史的文献スキャンデータが、米OpenAIのAIモデル学習用データセットに提供されていたことが、情報公開請求によって開示された学内議事録から明らかになりました。Web上のデータがAI生成コンテンツで飽和する中、高品質な「未デジタル化の物理テキスト」を求めるAI企業の獲得競争がアカデミアに及んでいる実態が浮き彫りとなっています。

12万枚超の歴史的学位論文と希少文献のデジタル化

オックスフォード大学は2025年3月、OpenAIの技術を活用して同図書館の蔵書をデジタル化し、研究者向けアクセシビリティを向上させる提携を発表していました。しかし、当時の公表資料には「OpenAIの基盤モデル学習にデータが用いられる」という点は明記されていませんでした。

入手された議事録によると、以下の実態が確認されています。

• ​提供済みの規模​: 2025年6月時点で、19世紀〜20世紀の欧米大学の博士論文スキャン画像12万5000枚がOpenAIと共有済み
• ​対象文献の範囲​: 16世紀の街角歌謡集（ブロードサイド・バラッド）1万点、18世紀アイルランド公文書、作家マリア・エッジワースの私簡、ペニシリン研究で知られるドロシー・ホジキンの研究ノートなど
• ​将来構想​: 2300万点に及ぶ全蔵書のデジタル化や、独自チャットボット「Ask the Bod」の開発も議論

大学側は、対象は著作権の切れた文献に限定されており非独占契約であること、スキャンデータの権利は大学が保持し数カ月以内に一般公開する予定であると説明しています。

AI各社による物理書籍・学術文献の獲得手法の比較

Web上のテキストデータ枯渇（モデル崩壊リスク）に直面するAI大手各社のデータ収集手法には、明確な対比が見られます。

項目	OpenAI（オックスフォード大提携）	競合各社（古書店買収・物理スキャン等）
​主な情報源​	大学・学術機関図書館（ボストン公共図書館、Caltech、MIT、ミシガン大等）	世界各地の古書店での古書・希少本の一括購入
​原本の保存​	原本を傷つけずにスキャンし保存・一般公開へ	スキャン効率化のため本の背表紙を裁断・パルプ化廃棄する事例が報道
​データの性質​	16〜20世紀の学位論文、公文書、歴史的手稿	1950年代の伝記、18世紀の農具解説書などWebに未掲載の実用古書
​学内・世論の懸念​	評判リスク（Reputational Risk）や電力消費等の環境負荷	希少な文化遺産の破壊や著作権グレーゾーンへの批判

​未確認事項​: ボドリアン図書館の蔵書スキャンが具体的にどのモデル（GPT-5や推論モデル等）の事前学習・事後学習に組み込まれているか、その寄与度についての公式な検証データは公表されていません。

分析・展望

編集部注: 大規模言語モデルの性能向上を支えてきたWebスクレイピングは、AI自身が生成した低品質なデータ（AIスロップ）がネット空間を埋め尽くしたことで限界を迎えつつあります。モデルの知能と知識の多様性を高めるため、著作権が失効した歴史的文献や、まだネット上に存在しない紙の書籍が「最後のフロンティア」として争奪戦の対象となっています。名門大学がデータ提供元となる動きは、研究のオープン化に貢献する一方で、商業AI企業との距離感や公共財の利用倫理を巡る議論を加速させることになりそうです。

引用元：The Guardian