Companiile AI distrug cărți tipărite pentru antrenare

Ajung în depozite cu camioane neinscripționate. Paleți lungi. Cutii de carton ștampilate cu etichete ISBN. Muncă liniștită. Mai rapid decât conservarea. Scena pare o operațiune de logistică, dar marfa este literatură: milioane de cărți tipărite destinate scanerelor industriale care le sfâșie pagină cu pagină.

Ceea ce citiți nu este o teorie a conspirației. Documentele judiciare și rapoartele denunțătorilor arată că mai multe companii de inteligență artificială au adoptat tehnici de scanare distructive pentru a digitaliza texte tipărite la scară largă. În loc de capturare atentă, care păstrează cărțile pe raft, se îndepărtează cotorul volumelor și paginile sunt introduse în scanere industriale de mare viteză. Compromisul este brutal de simplu: viteză și costuri mai mici versus supraviețuirea fizică a volumului tipărit.

Un fir revelator străbate documentele. Foști angajați implicați în Google Books și în proiecte ulterioare precum eforturile interne ale Anthropic, menționate în procese ca Project Panama, au depus mărturie că au fost folosiți furnizori care ofereau atât scanare delicată de sus, cât și serviciul mai rapid și distructiv. Pentru constructorii de AI, decizia este pragmatică. Scanarea distructivă costă mai puțin și crește fluxul de procesare cu ordine de mărime.

De exemplu, Anthropic este acuzată că a cheltuit milioane pentru a extrage date de antrenament din cărți tipărite achiziționate prin revânzători precum Better World Books și apoi a distrus acele exemplare după scanare. Deși un judecător a decis recent că utilizarea operelor protejate de drepturi de autor pentru antrenarea AI poate intra în categoria „utilizării echitabile” în unele contexte, acea hotărâre nu a scutit Anthropic de măsuri punitive când s-a constatat că arhivele private conțineau milioane de copii digitalizate obținute fără autorizarea adecvată a autorilor sau editorilor, fapt care, conform unor rapoarte, a dus la amenzi de până la 1,5 miliarde de dolari.

Editurile nu au rămas inactive. Coaliții de edituri au intentat procese susținând că alți giganți tehnologici au folosit titluri protejate de drepturi de autor fără permisiune pentru a antrena modele lingvistice mari. Bătălia juridică se concentrează atât pe drepturi, cât și pe remedii, dar o întrebare culturală mai amplă planează deasupra sălilor de judecată: ar trebui companiile private să aibă voie să transforme stocurile din biblioteci publice și private în date proprietare și apoi să distrugă originalele?

Deci de ce companiile tehnologice cumpără cărți second-hand pe palet? Răspunsul direct este: date de antrenament. Textele de înaltă calitate, scrise de oameni, rămân printre cele mai valoroase intrări pentru modelele lingvistice avansate. Webul este deja inundat de conținut de slabă calitate generat de AI, poreclit peiorativ „mizerie AI”, care poluează semnalul. Pentru a construi modele care produc proză coerentă și precisă, dezvoltatorii doresc surse autentice: ficțiune bine editată, non-ficțiune riguroasă și monografii academice obscure care nu se găsesc în corpusurile web extrase.

Apoi apar piețe precum ISBNdb, o bază de date online care listează peste 111 milioane de titluri. Comenzile plasate prin astfel de platforme variază enorm, de la o mie de exemplare până la o singură tranzacție de un milion. Vânzătorii care odinioară expediau câteva zeci de cărți pe săptămână raportează acum creșteri de cinci ori, uneori mai mult. Cumpărătorii plătesc adesea sume mari și arată puțin interes pentru subiect sau autor; dacă un volum are un ISBN, este un candidat.

Există dimensiuni practice și etice ale acestei schimbări. Pe de o parte, digitizarea textelor rare poate îmbunătăți descoperirea și poate asigura supraviețuirea conținutului în fața degradării fizice. Pe de altă parte, scoaterea în masă a lucrărilor tipărite din circulație, urmată de distrugerea lor, privează bibliotecile, piețele de carte second-hand și cercetătorii viitori de acces. Sunt ediții rare sau cu semnificație istorică filtrate înainte de distrugere? Evidențele sunt neclare. Ceea ce e clar este că textele scanate ajung frecvent în baze de date private, accesibile doar companiilor care le-au plătit.

Imaginează-ți o generație care trebuie să verifice o citare sau să studieze o adnotare de arhivă, dar volumele esențiale nu mai există în formă fizică și copiile digitalizate se află în spatele zidurilor corporative. Compromisurile depășesc domeniul dreptului de proprietate. Ele ating administrarea culturală, accesul la cunoaștere și cine controlează materiile prime care alimentează AI emergent.

Distrugerea cărților pentru a antrena inteligența de mâine ridică o întrebare dificilă: merită progresul tehnologic pierderea permanentă a unor părți din patrimoniul nostru pe hârtie?

Factorii de decizie, bibliotecarii și tehnologiștii vor trebui să decidă dacă să accepte acumularea privată a literaturii digitalizate, să impună acces public sau să reglementeze metodele folosite pentru a captura lucrările tipărite. Dezbaterea abia începe, dar rafturile continuă să se miște, iar mașinile continuă să zumzăie. Cine va vorbi în numele cărților?