AI laboratoře mění staré knihy na tréninková data a papír mizí

Futurism s odkazem na 404 Media popisuje, jak AI firmy a zprostředkovatelé skupují fyzické knihy, skenují jejich obsah pro trénink modelů a v některých případech knihy ničí. Článek připomíná také Anthropic, který podle soudních materiálů používal řezací stroj k odstranění hřbetů knih a průmyslové skenery. Anthropic zároveň uzavřel settlement s autory ve výši 1,5 miliardy dolarů kvůli jiným nárokům kolem knih a tréninkových dat.

Nejčistší data leží na policích, ne na webu

Před-LLM knihy jsou pro modelové firmy cenné právě proto, že nejsou kontaminované generovaným textem z novějšího internetu. ISBNdb podle citace v článku prodává tuto výhodu přímo: fyzické knihy vydané před rokem 2022 mají být čisté od moderních poisoning nástrojů a AI slopu.

ISBNdb má podle 404 Media zprostředkovávat bulk nákupy od 1 000 až po jeden milion knih na objednávku. Nabízí také anonymitu kupujících, což samo o sobě říká dost o citlivosti celé praxe.

Pro modely je fyzická kniha datový zdroj s lepší proveniencí

Strategicky je to obrácení staré digitalizační logiky. Kdysi byly knihovny digitalizovány kvůli přístupu lidí. Teď se fyzický fond mění na vstupní surovinu pro modely, protože web už ztrácí datovou čistotu. Starší, vzácné a cizojazyčné knihy najednou získávají hodnotu jako tréninkový materiál.

Pro nakladatele a knihkupce je to nekomfortní obchod. Jeden prodejce v článku popsal skok z nejvýše 20 prodaných knih týdně na stovky a zároveň obavu, že mizí neobvyklé nebo vyprodané tituly. Peníze přicházejí hned, kulturní ztráta se počítá později.

Legální kopie neřeší kulturní inventář

Právní argument stojí na first-sale doctrine a fair use, jak je popisuje článek u fyzických knih. Jenže legality a dobrá správa fondu nejsou totéž. Pokud se kvůli anonymním bulk nákupům rozřežou málo dostupné knihy, společnost přichází o konkrétní exempláře, ne jen o abstraktní obsah.

Sledovat se bude transparentnost nákupů a hranice destrukce

Důležité bude, jestli se objeví pravidla pro zacházení se vzácnými a nedostupnými knihami, nebo jestli trh poběží potichu přes prostředníky. AI firmy rády mluví o datech jako o palivu. U starých knih je ale palivo zároveň archiv.

Lilithin verdikt

Když model sní knihu a zůstane po něm jen prach z řezačky, nejde jen o copyright. Je to scéna z knihovny, kde někdo prodal poslední židli, protože dřevo mělo dobrou cenu.