The Digital Afterlife of Empires: Four Language Models Converge on the Same Imperial Cartography of Writing
本論文は、歴史的な帝国主義的不平等が共有された学習データを通じて現代の大規模言語モデルの中に存続しており、その結果、ほとんどの表記体系に対する劇的なデジタル上の支援不足と、多様なモデルアーキテクチャを横断して、非宗教的なスクリプトを宗教的な用途へと不当に誤帰属させる系統的かつ収束的なエラーが生じていることを論じるものである。
原論文は CC BY 4.0 (http://creativecommons.org/licenses/by/4.0/) でライセンスされています。 これは以下の論文のAI生成解説です。著者が執筆または承認したものではありません。技術的な正確性については原論文を参照してください。 免責事項の全文を読む
ビッグアイデア：機械の中の幽霊
歴史を巨大な図書館だと想像してみてください。過去500年間、強力な帝国（スペイン、イギリス、フランスなど）が、どの本を残し、どの本を焼き、どの言語で書くかを決定してきました。彼らは多くの現地の文字体系を破壊し、他者に言語の変更を強いました。
この論文は、大規模言語モデル（LLM）——ChatGPTのようなツールの背後にあるAIの脳——は、新しく中立的な発明ではないと主張しています。むしろ、それらは**「かつての帝国によって築かれた図書館に住み着く幽霊」**のようなものです。たとえ帝国が消滅しても、その「幽霊」はまだ建物の中に残っています。AIが特定の言語を読めないのは、エンジニアが悪意を持っていたからではなく、学習元となった「図書館（インターネット上のデータ）」にそれらの本が欠けているからです。
主な知見の解説
1. 「デジタル税」（なぜ言語によってコストが変わるのか）
高速道路に入るための料金所を想像してください。
- 英語の話し手は、10マイル走るのに1ドル支払います。
- 少数派言語（リムブ語やアドラム文字など）の話し手は、全く同じ10マイルを走るのに31.70ドルを請求されます。
なぜか？ AIはテキストを「トークン」と呼ばれる小さな塊（レゴブロックのようなもの）に分解します。
- 英語の場合、AIにはあらかじめ用意された巨大なレゴブロックの箱があります。それらを簡単に組み立てることができます。
- 少数派の文字の場合、AIには適切なブロックがありません。そのため、文字を意味を持たない生のバイト列へと分解しなければなりません（まるでレゴブロックを一度プラスチックの粉々に砕いてから、ゼロから作り直そうとするようなものです）。
- 結果： リムブ語の一文を処理するには、英語よりも31倍もの「計算量（コンピューティング・エフォート）」が必要になります。これはバグではなく、それらの言語が歴史的に抑圧され、インターネット上にデータが少ないために組み込まれた「税金」なのです。
2. 「デジタルの漏斗（じょうご）」（誰の声が届くのか）
研究者たちは、人類史における300種類の異なる文字体系を調査しました。そして、デジタル世界がそれらをどれほどサポートしているかを検証しました。
- 漏斗の構造： 巨大な漏斗を想像してください。
- 上部： 300の文字体系が入ります。
- 中間： 多くの文字が、コンピュータの辞書（Unicode）に登録されていない、あるいはスキャナー（OCR）で読み取れないといった理由で、途中で詰まってしまいます。
- 下部： 最終的に底まで到達できるのは、わずか**29種類（10%未満）**の文字だけです。
- パターン： 底まで到達できたのは、ほぼ例外なく歴史的な帝国が使用していた文字（ラテン文字、中国文字、アラビア文字、キリル文字）でした。一方で、詰まってしまったのは、かつての帝国が消し去ろうとした文字たちでした。
- 悲劇： 今日も生存している人々によって話されている言語が60ありますが、デジタル世界はそれらをあたかも死語であるかのように扱っています。彼らは「生きているが、デジタル的には死んでいる」のです。
3. 「4人の友人」実験（AIは一つではない）
これが特定の企業（OpenAIなど）による単なるミスではないことを証明するため、研究者たちは4つの異なるAIファミリー（Claude、GPT-4o、Grok、DeepSeek）に対し、文字体系に関する3,000の質問を同じ内容で行いました。
- 驚きの事実： これら4つのAIは、異なる国、異なるコードを用いて作られた異なる企業の製品です。本来、間違いの内容が一致することはありません。
- 現実： 彼らは間違いにおいて90%の確率で一致しました。
- 比喩： 4人の生徒がそれぞれ別の学校に通っていると想像してください。もし彼らが歴史のテストで全員同じ間違った答えを出したとしたら、それは互いに答えを写したからではなく、全員が**「同じ偏った教科書」**を読んだからです。
- バイアス： AIは一貫して、同じ方法で間違った推測を行っていました。例えば、ある文字が非西洋圏のものである場合、AIは「これは宗教に使われるものに違いない」と推測する傾向が非常に高いことが分かりました。たとえ実際にはそうでなくても、データに含まれるステレオタイプで空白を埋めていたのです。
4. 「皇帝のいない帝国」
最も重要な発見は、現在、このバイアスの責任者が誰もいないということです。
- エンジニアたちが「リムブ語の話し手に高い税を払わせよう」と意図して設計したわけではありません。
- このバイアスは構造的なものです。以下のようなプロセスで発生しました：
- 帝国がコミュニティを破壊し、言語の話者を減少させた。
- 話者が減ったことで、その言語で書かれた本やウェブサイトが減少した。
- ウェブサイトが減ったため、AIが学習するためのデータが不足した。
- データがないため、AIはその言語に弱くなった。
- 「帝国」には、もはや指導者は必要ありません。ダメージは統計の中に組み込まれているからです。AIは単に、すでに不平等であった世界に基づいて数学的な計算を行っているに過ぎません。
「宗教」のグリッチ
一つの具体的な発見が際立っていました。AIは、文字が「宗教的」であると推測することに執着していました。
- 4つのAIが共通して犯した間違いのうち、**43%**が、実際には宗教用ではないのに「宗教用である」と推測したものでした。
- なぜか？ インターネット上には、非西洋文化を「神秘的」あるいは「宗教的」な側面からのみ記述し、日常的・行政的・科学的な用途を無視してきた、植民地時代の古い記述が溢れています。AIは「非西洋の文字 ＝ 宗教」という学習をしてしまったのです。
結論：何ができるのか？
この論文は、コードを微調整するだけでAIを「修正」することはできないと示唆しています。
- 問題の本質： 問題は「読者（AI）」ではなく、「図書館（学習データ）」にあります。
- 解決策： これを解決するには、図書館を変える必要があります。その言語を話す人々自身が、自分たちの文字を使い、自分たちの生活を描いた本をもっと増やしていく必要があるのです。
- 警告： それを行わない限り、AIは過去500年間の歴史を映し出す鏡であり続け、たとえ誰も意図していなくても、同じ不平等を反映し続けることになるでしょう。
要約すると： AIが壊れているのではありません。AIは、誰が書くことを許され、誰が沈黙させられてきたかという歴史を、忠実に再現しているだけなのです。「帝国のデジタル的な死後の世界」は、今もなお鮮明に生き続けています。
自分の分野の論文に埋もれていませんか？
研究キーワードに一致する最新の論文のダイジェストを毎日受け取りましょう——技術要約付き、あなたの言語で。