2026年8月13日、Microsoft Technology Licensing LLCは特許出願US20260236548A1を公開しました。この特許は、検索結果から得られたデータを圧縮し、生成AIモデルに送信する前のシステムを説明しています。ページを要約する際、このシステムはテキスト全体やクエリと最も関連性の高い文を保持します。ただし、この文書はBingやCopilotがこの方法をそのまま適用していることを証明するものではありません。
モデル呼び出し前の情報圧縮
この文書のタイトルは「Generating and utilizing compressed grounding data for search engines that utilize generative artificial intelligence models」です。2025年2月13日に提出されたインドの暫定出願を優先権として主張しています。対象は「grounding data」、つまり検索結果から取得されるコンテンツ（リンク、抜粋、メタデータ、直接回答）で、言語モデルに事実に基づく回答をさせるための根拠データです。この仕組みはRAG（retrieval-augmented generation、検索強化生成）として知られています。
特許は技術的課題から出発しています。これらのデータがtokens（モデルが一度に処理可能なテキスト単位）の制限を超えると、複数回の呼び出しが必要となり、時間とリソースが増大します。逆に一度に大量のデータを与えると、一般的または矛盾した回答になる恐れがあります。文章は大規模言語モデルに知られる2つの欠点を挙げています。長いプロンプトの中間にある情報が適切に処理されない「lost in the middle」現象と、プロンプト末尾の情報に過剰な重みを置く新近性バイアスです。
提案された解決策は、送信前にこれらのデータを圧縮し、一度の呼び出しで全てを送ることです。システムはクエリに焦点を当てた要約を生成し、それをテキストの意味を表すベクトル表現であるembeddingに変換できます。また、事前にコンテンツの新鮮さや信頼性を評価することも可能です。
LinkedInの投稿でIan Sorinはこの特許をCopilotやBingチャットボットの動作説明として紹介しています。しかし文書自体は「生成型AIモデルを利用する検索エンジン」と一般的に述べ、例としてGPT-3.5、GPT-4、GPT-4oを挙げているものの、BingやCopilotの名前は出していません。
重要文、鮮度、信頼性
ページ要約では、システムはまずHTMLタグ、特殊文字、エンコードエラーを除去して内容をクリーンアップします。次にテキストを文に分割し、抽出的要約を行います。つまり既存の文を選択し、書き換えはしません。主な手法は各文をグラフのノードとして表現し、コサイン類似度という意味的近接度で他の文と結びつけます。重要な文は、他の重要な文と強く結びついていると判断され、Ian Sorinはこれを「文のpagerank」と呼んでいます。特許はテーマ別クラスタリングやクエリに対する頻出語に基づく選択も説明し、導入部や結論部の文を優先します。
鮮度はコンテンツのタイムスタンプ、すなわち作成日や最終更新日から評価されます。最も古いコンテンツは関連度が低くなりますが、基礎知識には例外があり、分野ごとに有効期間の閾値が異なり、更新検出も行われます。信頼性は、歴史的正確性、ドメインの権威性、ピアレビューによる検証を組み合わせた評価スコアに基づきます。さらに複数の独立した情報源間で情報を照合し、多様な視点の確認も行います。ただしこれらの基準の測定方法は特許に明記されていません。
編集者への示唆、実用例は未確認
文書は「ある実装例では」という表現で多くのバリエーションを示しており、公開はこのシステムが現在BingやCopilotの背後で稼働している証明にはなりません。しかし生成型エンジンが取得したページを選別する論理を示しています。編集チームに対し、Ian Sorinは独立した要約文、重要情報の導入部・結論部への配置、公開日と更新日の明示、事実に基づくトーン、情報の照合可能性を教訓として挙げています。
ただし特許は、独占的情報の扱いという未解決の問題を残しています。スクープや所有権のあるデータが公開時に限られた情報源にしか存在しない場合、追加の情報源探索が行われますが、システムがそれを見つけられなかった場合の扱いは明示されていません。
