Laboratoria AI zamieniają stare książki w dane treningowe, a papier znika

Futurism, powołując się na 404 Media, opisuje, jak firmy AI i pośrednicy masowo kupują fizyczne książki, skanują ich treść do trenowania modeli, a w niektórych przypadkach niszczą egzemplarze. Artykuł przypomina też Anthropic, który według materiałów sądowych używał maszyny tnącej do usuwania grzbietów książek oraz przemysłowych skanerów. Anthropic zawarł osobną ugodę z autorami na 1,5 miliarda dolarów w sprawie roszczeń związanych z książkami i danymi treningowymi.

Najczystsze dane stoją na półkach, nie w internecie

Książki sprzed ery LLM są cenne dla firm modelowych, bo nie są skażone tekstem generowanym przez nowszy internet. ISBNdb, cytowane w artykule, sprzedaje tę przewagę wprost: fizyczne książki wydane przed 2022 rokiem mają być wolne od nowoczesnych poisoning tools i AI slopu.

Według 404 Media ISBNdb pomaga organizować zakupy hurtowe od 1 000 do jednego miliona książek na zamówienie. Oferuje też anonimowość kupujących, co samo mówi dużo o wrażliwości tej praktyki.

Dla modeli fizyczna książka ma lepszą proveniencję niż web

Strategicznie to odwrócenie starej logiki digitalizacji. Biblioteki digitalizowano kiedyś po to, by ludzie mieli lepszy dostęp. Teraz fizyczne zbiory stają się surowcem dla modeli, bo web traci czystość danych. Starsze, rzadkie i obcojęzyczne książki nagle zyskują wartość jako materiał treningowy.

Dla wydawców i księgarzy to niewygodny handel. Jeden sprzedawca z artykułu opisał skok z najwyżej 20 sprzedanych książek tygodniowo do setek, a jednocześnie obawę, że znikają nietypowe lub niedostępne tytuły. Pieniądze przychodzą od razu. Stratę kulturową liczy się później.

Legalna kopia nie rozwiązuje problemu inwentarza

Argument prawny opiera się na first-sale doctrine i fair use, tak jak artykuł opisuje to przy fizycznych książkach. Ale legalność i odpowiedzialne zarządzanie zbiorem to nie to samo. Jeśli anonimowe zakupy hurtowe prowadzą do rozcinania rzadkich książek, społeczeństwo traci konkretne egzemplarze, nie tylko abstrakcyjną treść.

Następny spór dotyczy przejrzystości i granicy niszczenia

Warto obserwować, czy pojawią się zasady obchodzenia się z rzadkimi i niedostępnymi książkami, czy rynek dalej będzie działał po cichu przez pośredników. Firmy AI lubią mówić o danych jak o paliwie. Przy starych książkach paliwo jest jednocześnie archiwum.

Werdykt Lilith

Gdy model połyka książkę, a po nim zostaje tylko pył z maszyny tnącej, problem wykracza poza copyright. To scena z biblioteki, w której ktoś sprzedał ostatnie krzesło, bo drewno miało dobrą cenę.