Empresas de IA estão a digitalizar camiões de livros, por vezes raros, e frequentemente a destruí-los no processo para treinar os seus modelos—e agora temos uma ideia de quais empresas e como estão a fazê-lo.
A publicação independente de tecnologia 404 Media colocou um dispositivo de rastreamento dentro de uma remessa de livros raros e observou-o viajar para uma instalação da Amazon em Las Vegas, onde a empresa digitaliza e destrói livros impressos para treinar IA.
A investigação, publicada na segunda-feira, é a primeira a identificar publicamente onde as compras em massa de livros ligadas ao treino de IA acabam.
A paragem final foi a equipa VGT3 da Amazon. Funcionários disseram à publicação que tudo o que fazem é receber grandes carregamentos de livros impressos, e depois cortar as encadernações para que as páginas alimentem um scanner mais rapidamente. O livro é destruído no processo. O logotipo extremamente apropriado da equipa é um dinossauro a segurar um livro nas suas garras.
Livros impressos antes de 2022 contêm texto que não está maioritariamente disponível online e, crucialmente, não é escrito por máquinas. Treinar um modelo com o seu próprio tipo de saída arrisca o "colapso do modelo", onde a qualidade se degrada a cada ciclo recursivo.
Portanto, papel pré-2022 é combustível limpo para o treino de IA.
A Amazon não é a única. Uma indústria artesanal formou-se para fornecer a laboratórios de IA livros físicos que são despojados, digitalizados e descartados—a cena de "Fahrenheit 451" de textos destruídos para alimentar máquinas que o "Project Panama" interno da Anthropic já executou em escala, digitalizando milhões de livros através de digitalização destrutiva.
Essa corrida por texto limpo já chegou aos tribunais. Um juiz federal decidiu que o treino de IA com livros legalmente comprados pode qualificar-se como uso justo, uma vitória parcial para a Anthropic que Meta e OpenAI também reivindicaram. Cópias piratas são outra questão: a Anthropic concordou com um acordo de 1,5 mil milhões de dólares sobre títulos piratas digitalizados, e a Salesforce agora enfrenta uma ação coletiva por alegada pirataria de livros.
A operação da Amazon permaneceu em silêncio por uma razão estrutural. Livreiros notaram um aumento nas encomendas em massa no último ano e suspeitaram que empresas de IA estavam por trás delas—os compradores não eram sensíveis ao preço e escolhiam títulos aparentemente aleatoriamente. As suas preocupações foram finalmente confirmadas por um AirTag que revelou o destino.
A Amazon afirmou que "compra livros através de canais comerciais para ajudar a desenvolver e melhorar os produtos e serviços que os nossos clientes utilizam".
