AIの2026年問題——データ枯渇の崖っぷちで、「合成データ」は救世主になれるか
自分の尻尾を食べる蛇
2025年4月、SEOツール大手のAhrefs社が90万件の新規英語Webページを自社AI検知器にかけた。74.2%にAI生成テキストが混入していると推定された。検知精度は100%ではないと同社も認めている。それでも4ページのうち3ページ。人間だけで書かれたページのほうが少ない。
この瞬間にも、次世代のAIモデルはそのAI生成コンテンツを学習データに吸い込んでいる。AIが吐いた文章を、別のAIが食べる。食べた側がまた吐き、それをまた別のモデルが食べる。古代の象徴「ウロボロス」——自らの尾を噛む蛇——がシリコンの体で蘇った格好だ。
厄介なのは、この蛇が満足げに咀嚼していることだろう。
複数の調査会社が、2030年前後には画像・動画分野のAI学習データの大半が合成データになると予測している。人工的に生み出された学習素材が主流になる未来だ。一方、研究者たちは声をそろえて警告する。AIが自分の出力で自分を育て続ければ、モデルはやがて「崩壊」する、と。
2026年。私たちはデータ枯渇の崖の縁に立っている。合成データは崖を飛び越える翼か。それとも、崖下へ押し出す手か。
図書館の本を読み尽くした天才
世界中の図書館にある本をすべて読み終えた天才がいる。次に何を読むか。自分のノートだけだ。
大規模言語モデルが直面しているのが、まさにこれだ。
2022年、AI研究機関Epoch AIが「高品質な公開テキストデータは2026〜2032年のあいだに制約が顕在化する」と予測し、業界に緊張が走った。書籍、学術論文、報道記事、Wikipedia——編集や査読を経た信頼性の高いテキストには物理的な上限がある。利用可能な高品質公開テキストの総量はおよそ300兆トークン。LLMの学習に必要なデータ量は、モデルの巨大化にともない指数関数的に膨らみ続けている。
2024年の改訂で枯渇時期の見通しはやや後退した。80%信頼区間は「2026年から2032年の間」、前端は2028年頃。オーバートレーニングやデータ効率化の技術が時間を稼いだ。だが構造は変わらない。有限のデータを、底なしの需要が追いかけている。
見落とせないのが順序の問題だ。高品質データから先に枯渇する。SNSの投稿やブログ記事のような未編集テキストが尽きるのは2030年以降。画像・動画はさらに先。最も栄養価の高い食料から先に底をつき、ジャンクフードだけが残る。
日本語圏ではこの構図が一段ときつい。W3Techsの2026年3月時点の調査では、言語が判明しているWebサイトのうち英語は49.5%、日本語は5.0%。母集団の十分の一。英語AIが風邪をひく頃、日本語AIはすでに肺炎だ。
2023年頃から、野村総合研究所などの解説でこの論点が「2026年問題」として広がった。スチュアート・ラッセル教授（UC Berkeley）が国連AIサミットで指摘したスケーリングの限界が、名前の起点とされる。あれから3年。技術的な工夫で崖は少し後退したが、消えてはいない。
そしてもう一つ、データ枯渇を別方向から加速させている力がある。著作権訴訟だ。2023年12月にニューヨーク・タイムズがOpenAIを提訴して以降、大手メディアや出版社からの訴訟が相次いでいる。
2026年初頭、訴訟の焦点は「Regurgitation（吐き戻し）」に移った。AIが概念や統計パターンを「学習」するだけでなく、特定の表現を「記憶」し、プロンプトに応じて同一の文字列を再現してしまう。学習と記憶の境界が曖昧になったことで、「フェアユース（公正利用）」の抗弁が根底から揺らいでいる。
裁判所の手はログにまで伸びた。ニューヨーク州南部地区連邦裁判所のSidney Stein判事とOna Wang治安判事は、2026年初頭にOpenAIへ匿名化された2,000万件のChatGPTログの提出を命じた。ニューヨーク・タイムズ側が当初要求したのは最大1億2,000万件。最終的に2,000万件のサンプルで合意されたが、3月にはさらに7,800万件と1,000万件の追加ログ群が求められた。桁が一つずつ膨らんでいく。
この法的圧力はOpenAIのデータ保持ポリシーそのものを変えた。2025年後半以降、ChatGPTの対話ログやAPIデータは30日以内に自動削除される仕様に移行している。ユーザーとのインタラクションを将来の学習データとして蓄積するパイプラインが、法的圧力によって切断されたのだ。「他人のデータで学ぶ」行為そのものが法的リスクになった今、合成データへのシフトは技術的な必然だけでなく、法的な必然でもある。
私がこの問題を知ったとき、奇妙な既視感があった。毎日noteに書く記事が、誰かのAIの学習データになっているかもしれない。そのAIが書いた記事を、私が「参考」として読んでいるかもしれない。すでにウロボロスの輪の中にいると気づいたとき、背筋がすこし冷たくなった。
統計的な双子という発明
合成データとは、実世界から直接集めたのではなく、アルゴリズムやAIが人工的に生成したデータだ。
定義は単純に聞こえる。本質はもう少し厄介だ。
良質な合成データは実データと統計的に同等の特性を持つ。たとえば合成された医療データは、実際の患者データと同じ分布、相関、パターンを再現する。だが「どの実在の個人とも対応しない」。誰のものでもない。誰も傷つけないが、誰も責任を取れない。このアンビバレンスこそが合成データの核心だ。
重要なのは、この「統計的同等性」という性質だ。医療分野を例に取ろう。実際の患者記録はHIPAAやGDPRによって厳格に保護されており、研究目的であっても利用には複雑な手続きが伴う。しかし、10万人分の患者データから統計的パターン——年齢分布、疾患の相関、治療への反応傾向——を学んだモデルは、同じ特性を持つ「架空の患者」を100万人分生成できる。どの数字も実在しないが、集団としての分布は本物に近い。「統計的な双子」と呼ばれるゆえんだ。
大きく三つの型がある。一つ目は完全合成——GANや統計モデルで一から作るもの。プライバシー保護が最優先の場面向き。二つ目は部分合成——実データの機微な部分だけを合成で差し替える。病院のカルテから患者IDを架空のものに書き換えるイメージ。三つ目はハイブリッド——実データとシミュレーションの掛け合わせ。自動運転やロボティクスの主流になりつつある。
なぜ今、これほど脚光を浴びているのか。
一つは前章で見たデータ枯渇と著作権リスク。読み尽くした図書館の蔵書を増やすには、新しい本を「書く」しかない。もう一つはプライバシー規制の壁。GDPRやCCPAの施行後、個人データの利用条件は年々厳しくなった。2019年にde Montjoyeらが発表した研究（Nature Communications）は、匿名化の限界を数字で突きつけた。年齢・性別・郵便番号など15の属性があれば、匿名化されたデータから99.98%の個人を再特定できるという。「匿名」という言葉の中に、識別可能な個人が潜んでいた。合成データはその問題を存在論的なレベルで解決する。実在しない個人のデータには、再特定という概念が成立しない。GDPRの「忘れられる権利」は存在しない個人には適用されない。データ漏洩が起きても、守るべき個人情報がそもそも存在しない。
そして三つ目に、生成AI技術自体の進化がある。GAN、拡散モデル、LLMの精度向上で、高品質な合成データを効率的に量産できるようになった。
市場はこの変化を映している。Mordor Intelligenceの2026年1月版の試算では、合成データ市場は2025年の約5.1億ドルから2031年には約36.7億ドルへ。5年強で7倍。テック業界でも異常値に近い成長率だ（市場調査会社によって数字にばらつきはある）。Gartnerは2023年、2026年までに75%の企業が合成顧客データを使用するようになると予測した。2023年時点では5%未満だった数字が3年で15倍になるという計算は、単なるトレンドの言葉では収まらない。
特筆すべきは「推論」の分野だろう。心理学者ダニエル・カーネマンが提唱した「System 1（速く、自動的な直感）」と「System 2（遅く、意識的で論理的な熟考）」のフレームワークを借りれば、従来のLLMは純粋なSystem 1だった。テキストの統計パターンから瞬時に応答を生成する。対して、2025年に登場した「推論モデル」はSystem 2を獲得しつつある。回答を生成する前に、長い「思考の連鎖（Chain-of-Thought）」を内部で展開する。
2025年1月に発表されたDeepSeek-R1はこのパラダイムの急先鋒だ。人間の手による高価な教師データに依存せず、強化学習と合成データの「拒否サンプリング」で、モデル自らに推論の軌跡を発見させた。手順はこうだ。まず数千件の高品質データでコールドスタート。次に強化学習だけで推論能力を創発させる（この段階のモデルは出力が無限ループに陥ったり、複数言語が混ざったりする不安定さがあった）。そして第三段階で、強力なベースモデル（DeepSeek-V3）を「検証器」として機能させ、大量の推論軌跡から約60万件の高品質な推論サンプルと約20万件の非推論サンプルを選別した。検証器が低品質を弾き、良質な合成データだけを残す——前章で見たNYUの「検証器による崩壊回避」の実践例でもある。最終段階で安全性のアライメントを行い、数学ベンチマーク（AIME 2024）で79.8%という最高峰の推論精度を、極めて低いコストで達成した。
OpenAIのo1やo3も、大規模強化学習で「回答前に長く考える」推論モデルとして訓練されている。このアプローチは、スケーリングの軸を「学習時のデータ量」から「推論時の計算量」へと根本的に移動させた。テキストの量ではなく「思考の質」をスケールさせる——合成データのフロンティアは、ここまで来ている。
NVIDIAは「現実」をコピーする
合成データの話をするとき、避けて通れない企業がある。NVIDIAだ。
2025年1月のCES 2025で発表された「Cosmos」は、自動運転やロボティクスなど物理世界で動くAIを訓練するための「ワールドファウンデーションモデル」。一言で言えば、現実世界を仮想的に再現し、そこでAIに無限に練習させるための基盤だ。
進化は速い。2025年3月に主要モデル群が出揃い、2026年1月に第2世代、3月にはCosmos 3。一枚の写真から物理法則に従った仮想空間を立ち上げ、天候・照明・地形を自在に書き換えてデータのバリエーションを爆発的に増やす。物理世界の「もしも」を、計算だけで何万通りも生成できる。
切り札はもう一つある。Omniverseだ。現実のシステムをデジタル上に「双子」として再現するプラットフォームで、Cosmosと組めば「合成データ増幅エンジン」が完成する。工場のラインを仮想空間に複製し、あらゆる異常パターンを合成データとして吐き出す。
この技術に賭けている企業は多い。2025年3月時点で1X、Agility、Figure、Foretellix、Skild AI、Uber。2026年1月にはBoston Dynamics、Caterpillar、Franka、LG、NEURAなどが加わった。いずれも「現実では集められないデータ」を合成で補うことに活路を見出している。
医療分野ではNemotron-4 340B（2024年公開の合成データ生成向けオープンモデル群）とNeMo Safe Synthesizer（PII置換や表形式データ向け、現在Early Access）が検証を進めている。HIPAAやGDPR準拠を意識した設定例が提供され、医療・金融など規制領域での合成データ活用が実証段階に入りつつある。
私がこのアプローチに引かれるのは、ある逆説のためだ。自動運転AIにとって最も重要な学習データは「子どもが車道に飛び出す」瞬間。しかし現実世界では稀にしか起きない。起きてほしくないからこそ重要で、重要だからこそデータが集まらない。合成データはこの矛盾を正面から解く。年に一度の事故を、仮想空間で一日一万回シミュレートする。現実では許されない失敗を、仮想空間で無限に繰り返す。
NVIDIAのやっていることを乱暴にまとめるなら、「現実を丸ごとコピーし、コピーの中でAIを育てる」。現実よりもリアルな仮想世界。矛盾した言葉だが、そこに合成データ時代の本質が凝縮されている。
だが、コピーには弱点がある。
ハプスブルク家の末裔たち
ここまで読むと、合成データは万能に見えるかもしれない。もう一つの顔がある。
2024年7月、オックスフォード大学とケンブリッジ大学の研究チームがNature誌に論文を出した。AIが生成したデータでAIを訓練し、そのAIがまたデータを生成する——このサイクルを数世代繰り返すと、出力は元の実データから急速に離れ、最終的には「ほぼ同一のものしか生成しなくなる」。
「モデル崩壊（Model Collapse）」と名付けられた現象だ。
別名を列挙するとこの問題の深刻さが伝わる。「AI近親交配」「AI共食い」、そして「ハプスブルクAI」。ヨーロッパの名門ハプスブルク家が何世代にもわたる近親婚で遺伝的多様性を失い、最後の王カルロス2世を生んだ歴史になぞらえた呼び名だ。あるいは「モデル自食症（MAD）」。自分自身を消化して栄養にしようとする自家中毒。
別の比喩で言えば、遺伝的ボトルネックだ。19世紀末、北方象アザラシは乱獲によって約50頭まで個体数が激減した。現在は保護政策で17万頭以上に回復したが、遺伝的多様性は壊滅的に低い。ほぼ全ての個体が、ほぼ同じ遺伝子を共有している。チーターも同様で、遺伝子検査をしても兄弟かどうかすら区別できないほど均一だ。多様性を失った集団は、新しい病原体や気候変動への対応力が極端に低い。ある単一の脅威が、集団全体を一気に壊滅させる可能性を持つ。AIのモデル崩壊は、同じ論理で動いている。
崩壊は二段階で進む。まず「初期崩壊」。元データ分布の「テール」——稀なケース、極端な例、マイノリティの声——が失われる。平均的な出力は保たれるが、多様性の端が削り取られていく。次に「後期崩壊」。分布はさらに縮み、元データとはまるで違う、のっぺりした出力の塊になる。
言語モデルでは語彙の幅が落ち、構文パターンが単調になり、意味の射程が狭まる。あらゆるテキストが「AIっぽい」均一な文体に収束する。肌で感じ始めていたことを、Nature論文が数理的に裏付けた。
ただし、確定した破局ではない。その後の研究で、条件によって結果が割れている。実データを合成データで「置き換える」と崩壊しやすい。だが実データを蓄積し続ければ回避できる。少量の混入でも漸近的には悪影響が出るという理論がある一方、検証器で合成データを選別すれば防げるという実証も出た。最新の整理はこうだ——「合成データ自体が悪ではなく、置換の仕方と検証設計が決定的」。
2025年のICLR（International Conference on Learning Representations）で発表された「Strong Model Collapse」論文は、この問題の数理をさらに精緻にした。高次元空間での統計モデルを用いた解析で、学習データに含まれる合成データの割合がわずか0.1%——1,000件に1件——であっても、長期的にはモデル崩壊が引き起こされることが数学的に証明された。
直感に反する発見もある。モデルのパラメータサイズを拡大すること——いわゆるスケーリング則——は、合成データのノイズに対してより過敏に適合してしまうため、崩壊をむしろ増幅させる。大きいモデルほど脆い。特定の補間閾値の周辺でテスト誤差が無限大に発散する「ダブルディセント現象」も確認されている。データセットが極端に巨大化すれば崩壊の影響は部分的に緩和されるが、完全に回避することは不可能だと結論づけられた。
もう一つ、モデル崩壊と並ぶリスクがある。バイアス増幅だ。元データに埋め込まれた偏り——性別、人種、地域に関する歪み——を合成データは吸い上げ、増幅する。しかも合成データには「本物のデータではない」分だけ、バイアスの検出が格段に難しくなる落とし穴がある。実データであれば「どの集団から集めたか」を遡って偏りを特定できる。だが合成データは出自そのものが人工だから、生成モデルのブラックボックスの中でバイアスは起源を失い、偏りの原因を遡る手がかりが薄い。見えにくくなるぶん、実データのバイアスよりも始末に負えない。国連大学は2023年7月の論考で明確に釘を刺した——「合成データはAI訓練の最後の手段であるべきだ」。
エージェンティックAIへの展開は、この問題をさらに先鋭化する。テキストや画像を生成するだけのAIとは異なり、自律的に計画を立て現実世界でアクションを起こすエージェントは、合成データの偏りを現実に直接投影する。工場制御・医療アドバイス・法的判断に介入するエージェントが訓練データのバイアスをそのまま持ち込むとき、それは「回答がやや偏っている」とは次元の違うリスクになる。
だが、脱出口がないわけでもない。
2025年、NYUのデータサイエンスセンターが回避策を示した。合成データを丸呑みせず、品質を検証し、低品質なサンプルをフィルタリングする。「知識ある検証者」を挟めば、合成データでの訓練でも性能は向上しうる。
実験結果は鮮烈だった。手書き数字画像（MNIST）を使ったテストでは、わずか500枚の実画像から学習を始めた初期モデルが、検証器を介した合成データの自己学習ループを40ラウンド繰り返した結果、6万枚の完全なデータセットで訓練したモデルに匹敵する出力を生成した。500枚が6万枚分の価値を持つ——検証プロセスの有無がその差を生んだ。言語生成タスク（SmolLM2-135Mモデルを用いたXSUM要約）でも同様の改善が確認されている。
ただし重要な留保がある。この研究の理論的分析によれば、検証器を用いた再帰的学習は短期的には性能を押し上げるが、長期的にはモデルが「検証器の持つ知識の重心」へと収束していく。完全にバイアスのない完璧な検証器は存在しない以上、初期の性能向上はいずれ頭打ちとなり、場合によっては劣化に転じうる。「目利き」の限界が、AIの性能の天井を決定づける。
鍵は「目利き」の存在だ。検証プロセスがなければ合成データはただの汚染源。だが適切なフィルタリングがあれば、実データ単体を超える性能すら引き出せる。毒にも薬にもなる。分量と処方を間違えれば致死量だ。
規制当局も動いている。欧州データ保護委員会（EDPB）は2025年の資料でバイアス評価の前提としてdata provenance（データの来歴）を重視し、米NISTは2025年3月に差分プライバシー保証の評価ガイドラインSP 800-226を公表した。英国の金融行動監視機構（FCA）も2025年8月に金融分野での合成データ利用に関するガバナンス報告書を公開済みだ。ルールなき楽園は終わった。
民主化の夢と格差の現実
「データの民主化」という言葉があった。合成データによって誰もがAI開発に必要なデータを手に入れられる時代が来る——その期待は半分実現した。
プライバシーの壁でアクセスできなかった医療・金融データを、合成で代替できる場面が増えた。スタートアップも、大病院が持つような統計的分布のデータを生成できるようになりつつある。EU AI Actが求める透明性基準を満たしながら合成データを活用するパスが、少しずつ整備されつつある。
しかし、「良い合成データを生成できる能力」は均等に分布しない。
高品質な合成データパイプラインには、高品質な元データが必要だ。元データのバイアスが少なく多様性が高いほど、生成された合成データも良質になる。「良い実データを持つ組織が、良い合成データを生成できる」という構造は、根本的には変わっていない。
大規模な電子カルテシステムを持つ大病院は、高品質な合成医療データを生成できる。地方の小規模病院は、そのデータを購入して使う側に回る。プライバシーの壁は越えたが、データ品質の格差は形を変えて残る。
品質保証の問題も未解決のままだ。統計的な分布比較だけでは微妙なパターンの再現性は確認しにくく、専門家によるレビューはスケールしない。自動バイアス検出は、メトリクス自体がバイアスを持つ可能性を抱える。Gartnerの予測通り75%の企業が合成顧客データを使い始めたとき、品質基準なきまま格差が見えにくい形で再生産されるリスクは、まだ十分に議論されていない。
金融分野ではすでに具体的な懸念が現れている。英国の金融行動監視機構（FCA）が2025年8月に公開したガバナンス報告書は、合成されたテストデータ上では完璧なパフォーマンスを示すAIモデルが、実世界に展開された途端に破綻する「行動のドリフト（Behavioral drift）」を最大の懸念に挙げた。モデルが実世界の真のパターンではなく、合成データを生成したアルゴリズム特有のノイズの痕跡に過剰適合している兆候だ。FCAは生成段階からの公平性検証と、厳格な監査証跡の保持を求めている。
日本語AIの肺炎
グローバルなデータ枯渇のうねりの中で、日本は特有の脆弱性を抱えている。
前章で触れた通り、日本語のWebデータは世界の5.0%に過ぎない。英語圏と同等のスケーリングを実テキストだけで達成することは、物理的にほぼ不可能だ。経済産業省の試算によれば、クラウドやAIを含むコンピュータサービス領域における日本の貿易赤字は拡大の一途をたどり、2030年には年間約8兆円規模に達すると予測されている。自国での基盤モデル開発——いわゆる「ソブリンAI」——の遅れは、技術的なビハインドではなく経済安全保障上のリスクとして認識され始めた。
反転の動きはある。IDCの2026年版調査によれば、日本のAIインフラ市場は2022年から2025年の間に7倍に拡大し、2026年には前年比18%増の55億ドル（約8,000億円）規模に達する見通しだ。2028年にはAIインフラへの支出が非AIインフラを上回る歴史的転換点を迎えるとされている。
その象徴が、産業技術総合研究所（AIST）が2025年1月に本格稼働させた世界最大級のAI専用スーパーコンピュータ「ABCI 3.0」だ。6,128基のNVIDIA H200 GPUを搭載し、前世代の7〜13倍の処理能力を持つ。テキストデータにおける言語的マイノリティの不利を、計算インフラの物量で補おうとする賭けだ。
日本が持つもう一つの切り札は産業構造にある。自動車・製造業・ロボティクスで蓄積された物理的なデータと、NVIDIAのDRIVE Simなどを活用した合成データ生成の組み合わせ。テキストでは英語に勝てなくても、「物理的な合成データ」の生成能力で勝負する道が拓けつつある。テキストの枯渇を、三次元空間の豊穣さで迂回する——日本のAI戦略の成否は、この転換の速度にかかっている。
鏡の中のウロボロス
ここで一歩引いて、奇妙な問いを立ててみたい。
教科書は、合成データではないのか。
学校で学ぶ知識は実世界を直接観察したものではない。誰かが観察し、解釈し、体系化し、文章にした。先人が「合成」した知識を私たちは吸収し、それをもとに新たな知識を生み出す。ニュートンの「巨人の肩の上に立っている」は、先人の合成データの山を指していないか。
情報理論の言葉を借りれば、コピーを繰り返すとエントロピーが下がる。FAXのコピーをコピーし続けると解像度が落ちて輪郭が消える——あの原理が合成データの連鎖にも働いている。純粋な自己参照サイクルは、情報理論的には退化の方向にしか進まない。
AIのモデル崩壊と人間の文化的継承に、不気味な相似形がある。
人類は「テールの消失」を何度も経験してきた。アレクサンドリア図書館の焼失。中世ヨーロッパでのギリシャ哲学の断絶。少数言語の消滅。元データの端が失われ、中央に収束する力が働く。それでも人類の知は崩壊しなかった。なぜか。
一つの答えは「ノイズの注入」だ。戦争、疫病、異文化との接触、天才の突然変異。予測不可能な撹乱が知の均質化を妨げてきた。プラトンはソクラテスの言葉に自分の解釈を混ぜた。中世の写字僧は誤写し、まれに意図的に書き換えた。印刷業者は編集した。各時代の読者は文脈を更新し、新しい問いを付け加えた。このノイズとは、外部現実との接触——「このテキストは今、自分が生きる世界でどんな意味を持つか」という問いかけ——の痕跡だ。モデル崩壊の数学を裏返せば、多様性の維持には一定量のカオスが要る。整いすぎたシステムは脆い。
この教訓に沿えば、2030年のAI開発はハイブリッド構造に向かう。実データを基盤に据え、合成データで規模を拡張し、品質検証で崩壊を防ぐ。マルチモーダル——テキストに加え画像・動画・音声を掛け合わせた合成データセット——が利用可能な学習データを3倍に膨らませるというEpoch AIの分析もある。テキストが尽きても、映像と音声で迂回する道が拓けつつある。
だが私は、この議論の底にもっと根本的な問いが流れていると思う。
AIの「自己参照」と人間の学習は、何が違うのか。私たちも先人の知識を学び、新たな知識を生み出し、後の世代に渡す。教科書を書いた人間が、教科書で育った人間に間違いを指摘される。人間版のモデル崩壊か、それとも進化か。
違いがあるとすれば「身体性」だろう。人間は本を読むだけではない。転び、火傷し、恋をし、裏切られる。感覚と偶然に満ちた「実データ」を、一人ひとりが人生で集めている。その体験が、文化の再生産を単なるコピーの劣化ではなく、変異を含んだ進化にしている。
もう一つの差がある。人間の知識伝達には「価値判断による選択」が入る。何を伝える価値があるか、何を省略するか、どう解釈するか——この主体的な介入が、前世代とは異なるノイズを注入し続ける。AIの合成データサイクルに欠けているのは技術的な問題だけではなく、「何を残し、何を捨てるか」という判断の問題かもしれない。そしてその判断を誰が——何が——担うべきかという問いは、AIがより良いデータを生成できるようになった後も、おそらく消えない。
AIに足りないのは「転ぶ経験」かもしれない。NVIDIAがCosmosで物理シミュレーションに注力する理由も、ここに繋がる。AIに仮想の身体性を与えようとしている。合成データとはAIにとっての教科書であり、同時に仮想のフィールドワークでもある。
もしそうだとすれば、合成データの品質を決めるのは「統計的な正しさ」だけではない。どれだけ多様な「転び方」を含んでいるかだ。
これを仮に「転び方の密度」と呼びたい。エッジケースがどれだけ詰まっているか。想定外がどれほど濃いか。モデル崩壊の数学が教えているのは、均質なデータを増やしても系は劣化するということだ。系を育てるのは、例外と逸脱と失敗のバリエーションのほうだ。人間の知が数千年の崩壊リスクを生き延びたのも、戦争や疫病や異文化との衝突——つまり、文明が転んだ回数と転び方の多様さ——のおかげだろう。
NVIDIAのCosmosが物理シミュレーションに注力するのも、NYUの検証器が低品質サンプルをふるい落とすのも、狙いは同じだ。転び方の密度を上げる。清潔なデータを量産することではなく、意味のある失敗を合成すること。ハプスブルク家の轍を避けるには、合成データにもカオスを設計しなければならない。
ウロボロスは飛べるか
2026年問題は、データ不足の話ではない。AIが自分自身の限界と向き合う構造的な転換点だ。
高品質データの枯渇は確実に進行している。著作権訴訟は「他人のデータで学ぶ」行為そのものにブレーキをかけ始めた。合成データ市場は爆発的に成長し、NVIDIAをはじめとする巨人たちが「現実のコピー」に数十億ドルを賭けている。モデル崩壊とバイアス増幅のリスクは確認されたが、「目利き」の検証プロセスで回避できる道筋も見え始めた。
だが最も重要なのは、この問題が人間の知の本質を映す鏡だということだ。
私たちはずっと先人の合成データで学んできた。文化の継承はコピーと変異の連鎖だ。時に多様性を失い、時に突然変異で飛躍した。人類の知は何千年にもわたるモデル崩壊のリスクを生き延びてきた——書物の焼失、言語の消滅、思想の断絶を経て。
AIが同じ試練に直面している。AIがこれをどう乗り越えるかは、人間が「知を継承するとはどういうことか」を問い直す機会にもなる。
ウロボロスの蛇は、自らの尾を食べて死ぬのか。食べ続けて永遠を手に入れるのか。答えはたぶん、どちらでもない。蛇がいつ尾を離し、何を食べ始めるか。それを決めるのは、まだ人間だ。
ところで、この記事はAIが学習データに吸い込む可能性がある。その学習済みのAIが、あなたの代わりに次の記事を要約するかもしれない。あなたが今この文章を読んでいるという行為そのものが、ウロボロスの輪に一周分の長さを足している。
参考文献
データ枯渇・スケーリングの限界
Epoch AI "Will we run out of data? Limits of LLM scaling based on human-generated data" (2022, revised 2024) — arXiv:2211.04325
W3Techs "Usage statistics of content languages for websites" 2026年3月 — w3techs.com
野村総合研究所「2026年問題（AI）用語解説」2025
日本経済新聞「合成データ、AI開発で不可欠に 2026年に学習素材枯渇」2024
World Economic Forum "AI training data is running low – but we have a solution" 2025
著作権訴訟・法的動向
NYT vs. OpenAI Lawsuit Update 2026: "Regurgitation" and the Fair Use Defense — Medium / PatentAI Lab
ABA Journal "ChatGPT creator must turn over 20M chat logs in copyright litigation" 2026 — abajournal.com
Nelson Mullins "From Copyright Case to AI Data Crisis: How NYT v. OpenAI Reshapes Data Governance" — nelsonmullins.com
OpenAI "How we're responding to The New York Times' data demands" — openai.com
合成データ市場・プライバシー
Mordor Intelligence "Synthetic Data Market Size & Share Analysis" 2026年1月版 — mordorintelligence.com
Precedence Research "Synthetic Data Generation Market Size to Hit USD 10,780.44 Billion by 2035" — precedenceresearch.com
Coherent Market Insights "Synthetic Data Market Size & Opportunities, 2026-2033" — coherentmarketinsights.com
Gartner "Top Predictions for Data and Analytics in 2026" 2026年3月 — gartner.com
Rocher, L. et al. "Estimating the success of re-identifications in incomplete datasets using generative models" Nature Communications, 2019
NIST SP 800-226 "Guidelines for Evaluating Differential Privacy Guarantees" 2025年3月 — csrc.nist.gov
Ahrefs "What Percentage of New Content Is AI-Generated?" 2025
IBM Think "Examining synthetic data: The promise, risks and realities" 2025
モデル崩壊
Shumailov, I. et al. "AI models collapse when trained on recursively generated data" Nature, 2024（arXiv 2023）
Dohmatob, E. et al. "Strong Model Collapse" ICLR 2025 — arXiv:2410.04840
NYU Center for Data Science "Escaping Model Collapse via Synthetic Data Verification: Near-term Improvements and Long-term Convergence" 2025 — arXiv:2510.16657
推論スケーリング・DeepSeek-R1
DeepSeek-AI "DeepSeek-R1: Incentivizing Reasoning Capability in LLMs via Reinforcement Learning" 2025 — arXiv:2501.12948
Label Studio "Top 5 Most Successful Data Curation Strategies in DeepSeek" — labelstud.io
"AI Scaling Laws & Reasoning Models 2026: What the Research Says" — Medium
NVIDIA・物理AI
NVIDIA "Cosmos — Physical AI with World Foundation Models" — nvidia.com/cosmos
NVIDIA Newsroom "Global Robotics Leaders Take Physical AI to the Real World" 2025 — nvidianews.nvidia.com
NVIDIA Investor Relations "New Physical AI Models as Global Partners Unveil Next-Generation Robots" 2026 — investor.nvidia.com
NVIDIA Newsroom "Major Release of Cosmos World Foundation Models and Physical AI Data Tools" — nvidianews.nvidia.com
NVIDIA Blog "Nemotron-4: Synthetic Data Generation for LLM Training" 2024
ガバナンス・規制
United Nations University "The Use of Synthetic Data to Train AI Models: Opportunities and Risks" 2023 — unu.edu
UNIDIR "Governance Implications of Synthetic Data in the Context of International Security" 2024 — unidir.org
EDPB "Fundamentals of Secure AI Systems with Personal Data" 2025 — edpb.europa.eu
EDPS "Guidance for Risk Management of Artificial Intelligence systems" 2025 — edps.europa.eu
FCA "Generating and using synthetic data for models in financial services — governance" 2025年8月 — fca.org.uk
日本市場・インフラ
経済産業省「新たな経済産業政策の方向性について」第3回新機軸部会 参考資料 2024 — meti.go.jp
IDC "7x Growth in Just Three Years: Japan's AI Infrastructure Will Surge Past $5.5 Billion in 2026" — idc.com
AIST "ABCI 3.0: Japan's Leading Computing Infrastructure for Generative AI" — arXiv:2411.09134
NVIDIA Blog "Japan Enhances AI Sovereignty With Advanced ABCI 3.0 Supercomputer" — blogs.nvidia.com
経済産業省「モビリティDX戦略」 — meti.go.jp
その他
キャシー・オニール『あなたを支配し、社会を破壊する、AI・ビッグデータの罠』インターシフト
