世界最大の大規模言語モデル（LLM）向け学習データセットが、モデル自身が吐き出したテキストによって逆流汚染されている。英語版ウィキペディアでは、巡回編集者たちが次々と押し寄せる機械生成記事を食い止めるため、日夜防衛戦を繰り広げている。検出ツール「Pangram」の調査によると、2025年末時点でウィキペディアの新規記事の約20%に合成痕跡が見られた。AIの出力が知識ベースへと逆流し、次世代モデルの学習原料を静かに蝕んでいる。
ウィキペディアの有志による清掃活動は、一見すると単なるコミュニティの日常的な保全作業に見えるかもしれない。しかし実際には、この防御戦はAI業界全体のデータ基盤の存亡に直結している。人類が20年以上にわたって検証を積み重ねてきた知識の体系が、AIによって捏造された事実の沼地に変貌しようとしているのだ。
5分間に長文5本を投稿：パトローラーが暴いた「2割が合成テキスト」の実態
ウィキペディアのバックエンドは、かつてないコンテンツの氾濫に直面している。通常の生身の編集者であれば、文献を丹念に調査し、推敲を重ねながら数千文字の質の高い記事を書き上げるまでに数日を費やすのが普通だ。だが2026年の投稿ログでは、新設されたアカウントがわずか5分間に5本もの長文下書きを投稿する事態が確認されている。
自動化スクリプトの普及によって、文章生成の限界費用は実質ゼロになった。こうした工業的な絨毯爆撃に対抗すべく立ち上がったのが、フランス国立情報学自動制御研究所（Inria）レンヌ拠点でAIを専攻する博士課程学生、エリア・ルブルー（Ellia Lebleu）氏だ。2023年12月、彼女はDiscord上で他のボランティア編集者とともに清掃プロジェクト「WikiProject AI Cleanup」を立ち上げた。彼らが排除しようとしているのは、機械によって大量捏造された数万本もの百科事典記事だ。
これらの自動化ツールで組み立てられた文章には、際立った文体の指紋が存在する。機械的な三拍子の並列構文を多用し、平坦で均一な進行、まるで工場の金型から打ち出されたかのように整然とした段落構成を持つ。表面上の文章は流暢に見えるものの、中身は空疎な形容詞の羅列で占められ、独自の事実は一切含まれていない。
Pangramの観測データでは、2025年末時点で新規記事の約20%に機械生成の疑いがあった。継続的な巡回と削除によって、2026年初頭には約16%まで抑制されたものの、依然として新着コンテンツの6分の1を占めている。機械によるゴミの大量生産コストがゼロに落ちた一方で、人間によるファクトチェックの時間は変わらず硬直的なままだ。
図：ウィキペディアの地球儀ロゴと編集用ツールを組み合わせたビジュアルデザイン。出典：IEEE Spectrum
偽の引用は消えたが、本物の出典が本文の主張を支えていない
清掃プロジェクトの参加者は、生成スクリプト側の技術がこの1年で急速に進化したことを指摘する。初期のAIハルシネーション（幻覚）は極めて稚拙だった。実在しない学者の名前をでっち上げたり、架空の学術誌巻号を捏造したりしていたため、巡回者は引用文献をGoogle Scholarなどの学術検索にかけるだけで、即座に嘘を暴くことができた。
だが最新の生成スクリプトは、検索拡張生成（RAG）を標準的に組み込んでいる。記事を執筆する前に実在する文献をスクレイピングし、本物のURLや書籍情報を文末の出典リストに貼り付ける。参考文献はすべて実在し、リンクも正常に機能するため、一見すると捏造引用は完全に消え去ったかのように映る。
その結果、偽装は一段と巧妙化した。いま最も蔓延しているのは、「文献そのものは実在するが、本文の記述内容を一切裏付けていない」というケースだ。例えばある歴史記事では、文末にもっともらしく権威ある学術専門書のページ数が注記されていた。だがボランティアが該当ページを開いて確認すると、本文に書かれた経歴や出来事について著者は一行も言及していなかった。
この種の手の込んだ偽造は、もはや斜め読みで見破ることは不可能だ。巡回編集者はまるで学術不正の調査員のように、紙の書籍を取り寄せたり、数十ページに及ぶ論文のPDFを精読したりしなければならない。かつて数秒で完了していた引用1件の検証作業は、いまや30分以上を要する重労働と化している。
事態の悪化に歯止めをかけるため、英語版ウィキペディアは2026年3月より指針「WP:LLM」を正式施行した。このポリシーでは、大規模言語モデルを用いて記事本文を直接生成・リライトすることを全面的に禁じている。同時に、LLM生成コンテンツを対象とした即時削除基準「WP:G15」も導入された。機械が本物の文献で虚偽の主張を包装する時代において、人間による一文字ずつの手作業検証こそが唯一の防波堤となっている。
図：自動生成テキストの乱用対策を中核目標に掲げるWikiProject AI Cleanupのプロジェクトトップページ。出典：Wikipedia
合成テキストの再吸収がもたらす「モデル崩壊」の悪夢
もしウィキペディアが単なるネット掲示板にすぎないなら、スパムの氾濫は読者の閲覧体験を損なうだけで済む。しかし現在のAIエコシステム全体において、ウィキペディアは極めて特殊な「水源」に位置づけられている。ほぼすべての主要な最先端フロンティアモデルが、事前学習の段階でウィキペディアのコーパスに極めて高いサンプリング重み付けを与えているからだ。
ウィキペディアの高い品質は、世界中の有志が20年以上にわたって厳格な相互査読を続けてきた賜物である。主要なAI研究所はこの純度の高いアーカイブに依存し、モデルに基礎的な常識と論理的思考力を授けてきた。だが、ウィキペディアが機械生成テキストによって薄められれば、AIは自分自身の合成産物を「客観的事実」として再吸収してしまう。
学術界ではこの現象を「モデル自噬障害（Model Autophagy Disorder）」、あるいは「モデル崩壊（Model Collapse）」と呼ぶ。合成データに依存して学習を繰り返すと、世代交代が進むにつれて初期のわずかな誤差が指数関数的に増幅される。モデルの出力は急速に平均値へと収縮し、出現頻度は低いが決定的であるエッジケースの知識が削ぎ落とされ、最終的には論理破綻に陥る。
MITテクノロジーレビューの以前の調査報道は、小規模言語版ウィキペディアにおける同様の被害実態を克明に記録している。常駐の人間編集者が少ない言語版では、機械生成記事の割合が跳ね上がっていた。そうした汚染コーパスで訓練された後続の言語モデルは著しい性能劣化を起こし、意味不明な回答や出鱈目な虚構を頻発するようになった。
モデルは上質な知識を吸収して初めて進化し、合成廃棄物を摂取すれば退化するしかない。 ボランティアが日々排除している1本1本のジャンク記事は、未来のAIモデルのために純粋な知識の種火を保護しているのだ。
2022年の過去ログはデジタル空間の「低バックグラウンド鋼」となった
開発者コミュニティの議論では、2022年末以前のインターネット上のテキストアーカイブを、物理学における「低バックグラウンド鋼（Low-background steel）」になぞらえる声が相次いでいる。産業史と放射線物理学から引かれた、冷徹な比喩である。
1945年に人類初の原子爆弾実験が行われて以降、世界中の大気には人工放射性同位元素が拡散した。それ以降に地上で高炉を用いて製錬された新しい鋼材は、送風の過程でどうしても大気中の微量放射能を取り込んでしまう。そのため、極めて高精度な素粒子検出器や医療機器を製造する際、現代の鋼鉄は使えない。科学者たちは、第1次世界大戦で海底に沈没した軍艦の装甲板を引き揚げて再利用している。
2022年末のChatGPT登場は、情報空間における「第1号核実験」だった。それ以降、パブリックなウェブ空間は瞬く間に機械生成コンテンツで埋め尽くされた。検索結果は流れ作業で生成された粗大ゴミで満ち溢れ、純粋な人間由来のオリジナルな文章は急速に失われつつある。
だからこそ、2022年以前に保存されたウェブアーカイブは、低バックグラウンド鋼と全く同様の代替不可能な戦略的価値を獲得した。近頃、大手AI研究所が高額で書籍の出版権を買い漁り、果ては実店舗の図書館から古い物理書籍を大量調達していると報じられるのも、すべて同じ動機によるものだ。機械に汚染されていない、生身の人間の思考の記録を必死に囲い込んでいるのである。
かつてネット上のテキストは無尽蔵の資源だと信じられていた。だが機械生成テキストが放射性降下物のようにウェブ全域へ降り注ぐいま、汚染されていない人間の言葉は再生不可能な希少資源となった。
人の手による一字一句の検証が「人間の事実」の砦を守る
怒涛の勢いで押し寄せる合成テキストの奔流に対し、純粋にアルゴリズムに頼った技術的対策は早くも限界を露呈している。統計モデルに基づくAI検出ツールは誤検知や見落としを頻繁に起こす。攻撃側がプロンプトを少し手直ししたり、類語をいくつか入れ替えたりするだけで、機械的なフィルターは容易に突破されてしまう。
プロジェクト創設者のエリア・ルブルー氏は、新たな規制方針が真に効果を上げているかを判断するのは時期尚早だと語る。ルールは良心的な一般利用者を律することはできても、自動化ツールで組織的に大量投稿を繰り返す悪質な業者を食い止めることはできない。
真の防壁を築いているのは、やはりウィキペディアが創業以来培ってきた、泥臭い人間の編集作業だ。有志たちは埃をかぶった紙の古書を引っ張り出し、学術誌のデジタルスキャンと照合しながら、最も愚直な手法で虚偽の記述を一行ずつ削ぎ落としている。Pythonスクリプトを数行書いてAPIを叩けば、数万語の合成テキストを吐き出すのに数秒しかかからない。だが人間がその中のわずか1段落の真偽を検証するには、半日かけて文献を読み漁らなければならない。
それは圧倒的に非対称な消耗戦だ。しかし、この無償のボランティアたちによる執念の検証作業こそが、宙を舞う合成テキストの粉塵の中で、客観的事実という人類共通の防波堤を死守している。
AIの出力が、自らの拠って立つ教科書を汚染している。ウィキペディアによる機械生成記事のパージは、AI産業全体が生存するための事実の基準点を守り抜く戦いである。もし人間が基礎的な事実の精査を放棄し、モデルが自身の吐瀉物を貪り食うのを放置すれば、人類のデジタル知識体系はいずれ中身のない幻影へと成り果てるだろう。真実を守り抜くためには、依然として生身の人間の手が欠かせない。
参考リンク：
- IEEE Spectrum 詳細レポート
- 英語版ウィキペディア WP:LLM および WP:G15 方針文書
- WikiProject AI Cleanup ボランティアプロジェクト公式ページ
- MIT Technology Review コーパス汚染に関する調査
- 低バックグラウンド鋼とモデル崩壊に関する技術コミュニティの議論
