AI Slop

AIスロップ、略してスロップとは、生成AIを使って人手をほとんどかけずに大量生産される、低品質なデジタルコンテンツです。内容には、つなぎの記事、不自然な画像、ナレーション付きのストック映像、検索流入、エンゲージメント、広告収入を狙って投稿される機械生成の楽曲などがあります。Merriam-Websterはslopを2025年のWord of the Yearに選び、「通常、人工知能を用いて大量に生成される低品質のデジタルコンテンツ」と定義しました。Macquarie Dictionaryも同じ年の言葉に「AI slop」を選びました。コンテンツがスロップとされるのは、含まれる個々の誤りではなく、ほぼゼロのコストで大量に作られるという制作方法と目的によります。

用語の由来#

スロップはもともと柔らかい泥を意味し、後に豚の餌となる食べ残しを指すようになりました。2024年5月、プログラマーのSimon Willisonは、スパムが迷惑メールの名称になったのと同じように、スロップを望まれないAI生成コンテンツの名称にすべきだと主張し、この言葉が専門用語になりつつあることに気づいたオンラインライターのdeepfatesを評価しました。同年、エンゲージメントを狙うページが、エビと融合したイエスの画像である「Shrimp Jesus」など、シュールなテキストから画像を生成した画像でFacebookのフィードを埋め尽くしました。2025年までには、この言葉はAI生成の動画、音楽、書籍、学術論文にも使われるようになりました。

AIスロップが拡散する理由#

スロップは経済的な産物です。大規模言語モデル（LLM）や拡散モデルを基盤とする画像生成ツールは、人間が作るコンテンツ1点分のコストで何千もの投稿を生成できます。一方、レコメンデーションシステムで順位付けされたフィードや広告ネットワークは、誰が何を作ったかに関係なく注目を収益化します。制作者に必要なのは、投稿のごく一部が人気を集めることだけです。

このパターンは現在、ウェブ全体で見られます。

• コンテンツファームと検索スパム： サイトはLLMが作成したページを大量に生成し、検索クエリでの上位表示を狙います。Googleのスパムポリシーは大規模なコンテンツ不正使用を、「どのように作成されたかにかかわらず」ユーザーへの価値がほとんどないページを多数生成することと定義しています。この定義は、背後にあるツールではなく、スロップの量と目的を対象としています。
• ストリーミングプラットフォーム: Spotifyは2025年9月、過去12か月間にスパム的な楽曲を7,500万曲以上削除したと発表しました。またYouTubeは、動画の大量生産を対象にするため、2025年7月に「反復的なコンテンツ」の収益化ルールを「真正でないコンテンツ」に改称しました。
• 学術出版: 約951,000本の論文を分析した結果、2024年2月までにコンピューターサイエンス分野の抄録の最大17.5%に、LLMによる改変の兆候が見られました。捏造された参考文献を含む質の低い投稿は、査読の負担を増やします。

AIスロップと関連用語#

• ハルシネーション: モデルの出力に含まれる、誤りまたは根拠のない記述です。スロップはコンテンツの作成方法と利用方法を指すため、正確でも意味のない記事はスロップであり、慎重にレビューされた記事にもハルシネーションが含まれることがあります。
• ディープフェイク: 実在する人物が何かを言ったり行ったりしているように見せるために作られた合成メディアです。スロップは通常、特定の人物や出来事について視聴者を欺くことよりも、注目を集めることを狙います。
• モデル崩壊: 生成コンテンツで繰り返し学習されたモデルの性能が劣化する現象です。ウェブからスクレイピングされたスロップが学習データに取り込まれることは、この悪循環が始まる原因の一つです。そのため、ウェブ規模のデータセットを対象とするデータクリーニングパイプラインでは、ほぼ同一のサンプルを重複排除し、品質の低いサンプルを除外します。
• 合成データ: モデルの学習に使うため、意図的に生成し、フィルタリングと検証を行ったデータであり、スロップを管理された形で対照するものです。

AIスロップの検出とフィルタリング#

出所を示すシグナルが存在する場合、それが最も信頼できる証拠です。AIウォーターマーキングは生成時に検出可能なシグナルを埋め込み、Content Credentials (C2PA)はファイルの作成または編集に使われたツールを記録する署名付きメタデータを付与します。そのため、プラットフォームは生成ツールが対応しているコンテンツにラベルを付けられます。どちらもマークを付けないツールの出力には役立たず、ファイルの再エンコードやスクリーンショットによってメタデータが失われることもあります。

事後にコンテンツを判定する分類器は、この不足を補いますが、結果はまちまちです。AI生成テキストの検出器の実績は芳しくありません。OpenAIは2023年7月、自社のテキスト分類器がAI生成テキストを正しく判定できたのはわずか26%だったとして、提供を終了しました。画像の検出はより容易です。生成器が統計的な痕跡を残すためです。歪んだ文字や不自然な手など、人が確認できる痕跡もあり、読者が画像がAI生成かどうかを見分けるのに役立つほか、モデルはより微妙な痕跡も捉えます。実画像と生成画像のラベル付きデータで学習させたUltralytics YOLO26の分類モデルは、AI生成の可能性が高い画像にフラグを付け、人によるレビューに回せます。こうした検出器は、新しい生成器に対応し続ける必要があります。あるGANの画像で学習した分類器は、ぼかしとJPEGによるデータ拡張を使って学習すると、他のCNNベースの生成器にも汎化しました。しかし、GANで学習した検出器は潜在拡散モデルの画像では機能せず、CLIPの特徴量を使って検出器を構築すると、未知の拡散型および自己回帰型生成器に対する精度が約26ポイント向上しました。