権利処理済みの日本画像、学術AI研究向けに無償公開

20世紀の写真アーカイブで価値があったのは、写真だけではなかった。

誰が撮影したのか。誰が写っているのか。広告、教科書、報道に使えるのか。モデルリリースはあるのか。トリミングは許されるのか。建物、美術作品、ロゴ、演技が含まれていないか。許諾された地域、媒体、期間はどこまでか。アーカイブは、こうした問いを画像から切り離さず保管することで信頼を得てきた。

生成AIは、その取引単位を変えた。開発者が望むのは、一枚の写真を掲載する権利ではないかもしれない。何百万枚をモデルへコピーし、規則性を抽出し、出来上がった重みを公開したいのかもしれない。収集、保存、変換、学習、評価、論文発表、生成という利用の連鎖が生まれる。古いキャプションカードは、機械で読める来歴情報へ変わらなければならない。

Visual Bankが8月13日に発表した取り組みの意味は、そこにある。1984年以来、許諾されたビジュアル素材を扱ってきたとするアマナイメージズが、Qlean Datasetの一部をHugging Face経由で学術研究者へ開放する。音声、動画、テキストも含むが、日本人の顔、手や爪、ナンバープレート、街、駅といった画像群を見ると転換が分かりやすい。

そして重要なのは、「無償」という見出しほど無制限ではないことだ。パブリックドメインの画像集ではなく、オープンライセンスでもない。誰もが複製して商用モデルに入れられるわけでもない。条件を満たす学術利用者は料金なしで研究できる一方、提供者は審査、再利用、商用許諾を管理する。これはアクセスと統制を組み合わせた契約である。

「無償」は価格の説明であり、自由の説明ではない

アカデミア・リサーチライセンスでは、対象となる大学・研究機関の教職員や学生、一定の独立研究者が、データの閲覧・品質評価、非商用ベンチマーク、学術目的のAI・機械学習モデルの学習、ファインチューニング、評価を行える。論文や学会で引用・発表し、学習済みモデルを非商用・学術目的で公開することも認められる。

これは実質的な支援である。良質な画像集合の購入費は研究室の予算を超えることがある。同等のデータを自ら集めれば、撮影機材、場所、参加者募集、同意書、アノテーション、安全な保管が必要だ。ライセンス料をゼロにすることは、現実の障壁を一つ取り除く。

ただし境界は明確だ。AI・ML製品やサービスで収益を得る組織は、研究部門であっても、この無償許諾を使ってモデルを学習できない。商用製品や本番サービスへの利用、元データの再配布、ミラーリング、転売、再許諾も対象外である。商用利用には別の有償契約が必要になる。

匿名アクセスでもない。Hugging Faceアカウントを持つ申請者が、氏名、所属、学術上の立場、利用目的、メールアドレスを提出し、手動審査を受ける。カード上は3営業日以内の判断が示されている。利用時には「データ提供：Visual Bank / Qlean Dataset（株式会社アマナイメージズ）」というクレジットが求められる。英語版は参考訳で、日本語の規約が優先し、準拠法は日本法、第一審の専属管轄は東京地方裁判所である。

最初の画像コレクションには何が入っているか

公開カードは、「日本のデータ」という抽象的な宣伝より具体的だ。装飾品の有無を含む日本人顔画像は、年齢・性別の異なる200人を様々な角度から撮影した2万2800枚と説明される。データ量は約13GBで、縦長の動画解像度と高解像度カメラ画像が含まれる。

ナンバープレート集合は、約4000台を3方向から撮影したものとされ、表にはJPEGとPNGあわせて1万2025ファイル、約14.8GBとある。別の集合には、日本人女性50人の手と爪を複数方向から撮影した200枚が入る。基盤モデル全体の学習データとしては小さい。しかし撮影条件、被写体、想定課題が定義されていることに価値がある。

広いアカデミア向けカタログには、日本人の全身・複数人物、日本人女性のフルメイク・ノーメイク顔、駅の外観、商業施設と街並み、建物、乗り物、歩行や作業行動、新卒採用の自己PR動画、多様な日本語音声が並ぶ。今回の発表では200人の顔画像と、学生72人が自身の強みを語る動画も例示された。

眼鏡、帽子、マスクなどで顔の特徴点が隠れた時に検出精度がどう変わるか。斜めから見たプレートを認識できるか。手の領域や関節点を正しく抽出できるか。日本の標識、道路表示、駅設備、建築を理解できるか。各コレクションは、それぞれ異なる問いを実験に変えられる。

権利クリアは魔法の印ではなく、つながった鎖である

著作権は最初の一環にすぎない。写真の著作権は撮影者にあっても、写った人物にはプライバシー、肖像、パブリシティー上の利益があり得る。発注者との契約が利用を制限する場合もある。美術館は撮影条件を設け、画面内のロゴ、包装、ポスター、美術作品は別の権利を持つ。場所の規則や秘密情報は著作権がなくても問題になる。

AIはさらに一段を加える。雑誌で写真を複製する許可が、モデル学習を当然に含むとは限らない。学習許諾があっても、元ファイルの再配布、記憶した画像の公開、モデルアクセスの販売、実在人物に似た生成まで許されるとは限らない。堅牢なライセンスは、技術工程の各段階と権利を対応させる必要がある。

Visual Bankは、権利管理がQlean Datasetの基礎であり、アマナイメージズは放送局、出版社などの権利者から正規に素材を預かってきたと説明する。別の会社資料では、日本法規に加え、GDPRやCCPAを意識した収集・処理を行うとしている。検索エンジンで見つかったURLを大量収集する方式より強い来歴の主張である。

それでも提供者自身の主張であることは変わらない。公開カードからは、全契約、参加者向け説明書、報酬、同意の範囲、撤回手続きまでは分からない。「権利クリア済み」は「リスクゼロ」でもない。適法に許諾された顔画像でも、偏った識別器は作れる。合法なモデルも個人を記憶し得る。契約上の許可が、参加者の期待より広いこともある。

問うべきは印の有無ではない。鎖の中身、確認者、対象利用、期間、そして一環が切れた時の救済である。

ストックフォトの倉庫がAI基盤になるまで

アマナイメージズは創業を1984年としている。当時、商業写真はポジフィルム、印刷カタログ、電話注文、物理配送で動いていた。写真エージェンシーの強みは、良い作品を選び出して探せることだけではない。締め切りまでに届け、その画像を何に使えるかを確実に答えることだった。

デジタル化は容器を変えたが、仕事をなくさなかった。フィルムはファイルに、棚はデータベースに、印刷索引はキーワードになった。権利、説明文、制作者、使用制限はメタデータへ変わった。検索と世界配信は速くなっても、信頼を作る中心機能は残った。

Visual Bankグループは2026年3月時点で、5億点超の「権利クリア済みアセット」、1万6000のデータパートナー、6種類以上のモダリティを扱うとする。これは会社発表のポートフォリオ統計で、本稿が独立監査した数字ではない。重要なのは組織の型だ。データ保有者との長期関係が、公開ウェブに一度も置かれなかった一次資料へつながる。

こうしてアーカイブの役割が変わる。一つの媒体に一枚を探す代わりに、撮影条件が分かる再現可能なコーパスを組み、学習許諾を交渉し、ラベルを構造化し、画像・音声・動画・3D・テキストを組み合わせて渡す。ライセンス部門は来歴管理部門に、カタログは機械学習の入力層になる。

精選ベンチマークから、ウェブの大規模収集へ

現代コンピュータビジョンの歴史は、データ規模が変わった歴史でもある。2009年のImageNet論文は、当時の段階でWordNetの5247カテゴリーに整理された320万枚を説明した。大規模で共通のベンチマークを使うことが、画像分類の進歩の中心になった。

一方、ImageNet自身のダウンロード規約は、現在まで続く分裂を示す。プロジェクトは画像の著作権を所有せず、非商用の研究・教育向けにアクセスを提供し、利用が第三者の権利を侵害しない保証はせず、責任を利用者へ置く。ラベルは精選されても、元画像の権利は外部ソースにつながったままだ。

2014年に登場したMicrosoft COCOは、中央に一つの物体がある写真から、物が混在する日常場面へ焦点を移した。論文は32万8000枚、91種類、250万のラベル付きインスタンスを説明する。人が輪郭を描き、文章を付けたことで豊かな課題が可能になったが、アノテーション作業そのものが元画像の全権利を処理するわけではない。

生成AIは桁を変えた。2022年のLAION-5B論文は、Common Crawl由来のリンクからCLIPで選んだ58.5億の画像・テキスト対を説明する。巨大規模の研究を可能にした反面、重複、誤り、固定観念、個人情報、曖昧な許諾もウェブから引き継いだ。URLと自動類似度は、モデルリリースではない。

Qleanは逆向きの賭けをする。意図して収集した小さな集合は、同意、文化的固有性、撮影の追跡可能性、商用水準の来歴が必要な時に強い。ウェブ規模の事前学習を単独で置き換えるものではないが、評価、教師あり微調整、安全性試験、特定領域の実験では、10億件を増やすことより出所を知る方が重要になる。

「日本不足」は言語タグの数だけでは測れない

Visual Bankは2026年7月、Hugging Face上で日本語タグ付きデータセットを3942件、英語タグ付きを8万5069件と数えた。発表文はこれをおよそ3000対8万5000、全体の約0.3％と表現した。これは量、品質、独占性の測定ではなくタグ件数である。一つの集合に複数タグが付き、巨大コーパスも一件で、言語タグのない集合も多い。

Common Crawlの公式2025年言語カバレッジ表では、日本語はサンプルクロールの5.2018％だった。決して小さくない。それでも公開ウェブは日本社会の代表標本ではない。リンクとクローラーに選ばれ、ペイウォール、非公開、短期間で消えるもの、音声、地域団体が保有する素材は薄い。

画像不足は割合で表しにくい。モデルが「駅」を認識しても、日本の改札、ホーム表示、制服、案内板、バリアフリー設備を読み違えるかもしれない。「商店街」と分類しても、縦書き看板、自転車、シャッター、アーケード、縁石を理解していないかもしれない。顔検出ができても、地域の年齢構成、化粧、マスク、撮影慣習によって精度が偏る。

だから「日本」を一つのチェック欄にしてはいけない。北海道と沖縄は同じではない。東京の都心は人口減少が進む山間部を代表しない。スタジオ肖像は通勤電車ではない。地域、階層、年齢、障害、職業、肌の色、天候、時代という日本内部の多様性が必要だ。

不足とは量だけでなく、分類を誰が決めるかという問題である。観光地、広告的なポーズ、世界に知られた記号ばかりなら、モデルが学ぶのは国ではなく磨かれた絵はがきになる。

文化は、目立たない細部に宿る

もっとも有用な日本固有データは、もっとも華やかでないかもしれない。ナンバープレート、駅入口、手、爪、制服、店舗、就職活動の自己PR動画は「日本の名景」集には出にくい。しかしAIが日常と接触するのは、こうした対象を通じてである。

採用向け自己紹介動画には、日本語の単語だけでなく、画角、あいさつ、敬語、姿勢、自己表現の慣習が入る。感情を伴う対話には相づち、間、ためらい、社会的距離がある。街並みには道路と警告の視覚文法がある。装飾品の有無を変えた顔写真は、モデルが取り外せる物を本人の同一性と混同するかを試せる。

訓練だけでなく評価でも重要だ。英語ベンチマークで高性能に見える視覚言語モデルが、日本語プロンプトで画像の社会的意味を取り違える可能性がある。Visual Bankは別途、国立情報学研究所主導の安全性評価データ「msts-japanese」にQlean画像を提供した。画像40枚、プロンプト2種類、視覚言語モデル3つという小規模な予備実験で、日本語に切り替えると有害回答率が2〜3倍になったと報告された。一般化できる規模ではないが、英語画像の翻訳だけでは見えない試験課題を示す。

NIIの集合はAnswerCarefullyという独自条件で、新しいアカデミア・リサーチライセンスとは別物である。共通する教訓は、AIが使われる言語と社会的文脈の中で、安全性、偏り、有用性を試さなければならないということだ。

顔とナンバープレートは、プライバシーを避けられなくする

風景は著作権問題を起こし得る。顔は一人の人生に関わる。識別可能な人物画像は、年齢、外見、健康上の手がかり、宗教、場所、人間関係を示すことがある。車両番号は、機械で読める識別子を時間・場所と結び付ける。通常の広告で想定しなかった技術利用が、同意済みデータにも新しいリスクを作る。

日本の個人情報保護法は事業者による個人情報の取扱いを定め、分野別規則、契約、民事上の請求がさらに義務を加えることがある。特定の画像や識別子が個人情報・個人データに当たるかは、文脈と照合可能性に左右される。プレートをぼかせば危険は減るが、研究目的を失う場合もある。被写体IDを仮名化しても、顔が見えれば匿名にはならない。

機械学習は記憶と推測を加える。反復肖像に過適合し、訓練画像を再現し、メンバーシップ推論を許し、機微な相関を埋め込む可能性がある。モデル重みの公開は元画像公開より情報量が少ないことが多いが、自動的に無害ではない。Qlean規約は非商用・学術目的のモデル公開を認めるため、研究者には記憶内容と悪用可能性を調べる責任が残る。

同意は、意味を持つ程度に具体的でなければならない。参加者はAI学習を理解したか。生体認証や生成利用を想定したか。モデル公開は可能か。海外移転はあるか。学習後に撤回できるか、既存重みはどうなるか。子どもや弱い立場の人が含まれるか。報酬と連絡窓口はどうなっているか。

これはQleanに同意がないという主張ではない。「権利クリア」を、研究倫理審査が評価できる証拠へ変えるための問いである。

著作権法30条の4は万能の通行証ではない

日本は2018年、著作物に表現された思想・感情を享受することを目的としない一定の利用などに、柔軟な権利制限規定を導入した。著作権法30条の4は、情報解析や機械学習との関係で頻繁に論じられる。要件を満たす場面で必要と認められる限度の利用を可能にする一方、著作権者の利益を不当に害する場合は除外する。

研究だけに限った狭い例外より広いが、「インターネット上のすべてを、どんなAIにもコピーできる」という宣言ではない。利用目的、利用の程度、市場や権利者への害が関係する。文化庁が2024年3月にまとめた「AIと著作権に関する考え方について」は現行法の適用を整理すると同時に、裁判例が十分に蓄積していない状況を示す。

著作権は法領域の全体でもない。30条の4は、プライバシー、個人情報、肖像・パブリシティー、秘密保持、契約、コンピュータへのアクセス制限、外国法を消さない。モデル開発時に例外が成立しても、特定の生成出力が著作権侵害かは別問題である。

法定例外を使える可能性があっても、ライセンスには意味がある。アクセス、研究範囲、守秘、再配布、表示、モデル公開、準拠法、救済を定められる。公開されていない一次データを提供できる。法的不確実性を調達方法にするのではなく、提供者との関係を維持できる。

審査制アクセスは品質を高めもすれば、弱めもする

Hugging Faceのゲート付きデータセット機能では、カードを公開しながら、ログイン利用者に元ファイルへのアクセス申請を求められる。提供者は基本的な申請情報を受け取り、自動または手動で承認する。ダウンロードは認証情報を使うため、利用者記録と規約提示の接点ができる。

機微性やライセンス条件のある画像には利点がある。気軽な大量複製を抑え、明らかな商用利用を除外し、問題通知を利用者へ届け、将来のアクセス停止もできる。学術を助成しながら、商用市場も維持できる。

一方、再現性との緊張が生じる。査読者がデータへ入れなければ論文を監査しにくい。手動判断は遅れたり一貫しなかったりする。無所属研究者、資源の乏しい機関、一般的な所属制度の外にいる人ほど不確実性が大きい。再配布禁止なら、元サイトが消えた際に大学が保存ミラーを残せない。

そこでバージョン管理が不可欠になる。研究後に画像やラベルが変わっても、どのスナップショットが結果を生んだか分からなければならない。永続識別子、チェックサム、変更履歴、撤回記録があれば、画像を一般公開せずに科学的追跡性を保てる。アクセス件数や拒否理由の集計公開は、ゲートが公平に動くかを示す。

審査制はガバナンスであり、品質の証明ではない。申請書を書かせても、説明不足の集合が代表的になるわけではない。強いゲートには強いデータカードが必要だ。

研究者はいま何を試せるのか

最も直接的なのは、統制されたベンチマークと微調整である。顔・装飾品集合なら、装飾品、角度、年齢層、被写体ごとの誤差率を測れる。プレート集合なら、同じ車両を学習用とテスト用にまたがせず、遠近変形への耐性を評価できる。街並みなら、日本語標識やインフラに関する視覚質問応答を試せる。被写体が定義されているため、匿名ウェブ収集より失敗原因を追いやすい。

領域適応の研究もできる。世界規模の事前学習モデルを改善するには日本固有素材がどれだけ必要か。その改善が他地域の性能を落とさないか。教師あり微調整、検索、合成拡張、多言語プロンプトのどれが効くか。地域画像を加えることで、固定観念、幻覚、確信度、有害応答がどう変わるか。

規約は非商用の学術モデル公開を認めるため、プライバシー、記憶、ライセンス上の安全策を満たせば、チェックポイントを公開して追試を求められる。商用ライセンス適合性の評価は限定条件で可能なので、企業は学術ルートを本番利用に変えることなく、有償契約の必要性を調べられる。

AI研究が産業側へ集中する中、広い支援には意味がある。Stanfordの2025 AI Indexでは、追跡対象となった2024年の注目モデルの90.2％が産業界から生まれた一方、被引用数の多い研究では大学が引き続き大きな役割を持つ。計算資源だけでなく独自データも障壁だ。無償アクセスだけで格差は解消しないが、大学が合法的に自力収集しにくい材料を一つ提供する。

最良の成果は最高スコアとは限らない。ある日本場面では改善し別の場面を悪化させた、参加同意を実務化するのが難しかった、同一人物の反復が性能を水増しした、という丁寧な否定結果かもしれない。権利処理済みだからこそ、批判の水準を下げてはいけない。

信頼できる日本データが、なお示すべきこと

現代のデータ文書化は、Timnit Gebruらが提案し2021年に公刊された「Datasheets for Datasets」に多くを負う。発想は意図的に地味だ。なぜ作ったか、何が入るか、どう収集・加工したか、どの用途が適切か、どう配布・保守するかを、制作者が標準的な質問に答える。

Qleanの公開カードは、件数、形式、大まかな構成、ライセンス条件を示している。次の段階では、収集時期と地域、参加者募集と報酬、倫理上必要な範囲での人口統計、機材と照明、アノテーション指示と品質管理、既知の欠落、重複・漏洩試験、同意範囲、撤回・削除、バージョン履歴を開示できる。

人物画像には、モデル公開のリスク評価も必要だ。顔認識、生体推論、生成、再識別、記憶試験、サンプル出力公開の指針が要る。街やプレートでは、マスキング、位置情報、通行人の扱いを説明すべきだ。非公開契約そのものを明かさず、方法と集計結果を公表する独立した権利・倫理監査があれば、「権利クリア」の検証可能性は高まる。

長期の問題対応も欠かせない。権利者から異議が出たら、利用者に通知し、ファイルIDと既存チェックポイントの扱いを伝える。参加者が撤回したら、何を戻せて何を戻せないか記録する。集合が消えても論文には引用情報とチェックサムを残す。信頼とは公開日の状態ではなく、時間を通じた保守である。

Qleanの新しいアクセス制度は、AI学習データを巡る世界的論争を解決しない。その中に一つの実務的な別案を示す。かつて「この写真をこのページに載せてよいか」と答えたアーカイブが、「これらの画像を、この条件で、この研究モデルの形成に使ってよいか」と答え始めた。

答えはオープンアクセスより狭く、プレスリリースの見出しより条件が多い。そして、その制限があるから価値がある。許諾が堅牢で、文書化が集合とともに成長するなら、日本の古いライセンス実務は新しい科学的共有財の一部になれる。無規則の共有財ではなく、規則自体を検証し、試し、改善できる共有財である。