Companiile de AI scanează camioane întregi de cărți, uneori rare, și adesea le distrug în acest proces pentru a-și antrena modelele—iar acum avem o idee despre ce companii și cum o fac.
Publicația independentă de tehnologie 404 Media a plasat un dispozitiv de urmărire într-un transport de cărți rare și l-a urmărit cum a ajuns la o unitate Amazon din Las Vegas, unde compania scanează și distruge cărți tipărite pentru a antrena AI-ul.
Investigația, publicată luni, este prima care identifică public unde ajung achizițiile masive de cărți legate de antrenamentul AI.
Destinația finală a fost echipa VGT3 a Amazon. Angajații au declarat publicației că tot ce fac este să primească transporturi masive de cărți tipărite, apoi să le taie cotorul pentru ca paginile să fie introduse mai rapid într-un scaner. Cartea este distrusă în acest proces. Logo-ul extrem de potrivit al echipei este un dinozaur care strânge o carte în gheare.
Cărțile tipărite înainte de 2022 conțin text care nu este în mare parte disponibil online și, în mod crucial, nu este scris de mașină. Antrenarea unui model pe propriul său tip de output riscă „colapsul modelului”, unde calitatea se degradează cu fiecare buclă recursivă.
Așadar, hârtia de dinainte de 2022 este combustibil curat pentru antrenamentul AI.
Amazon nu este singurul. O industrie artizanală s-a format pentru a furniza laboratoarelor AI cărți fizice care sunt dezmembrate, scanate și aruncate—o scenă à la „Fahrenheit 451” cu texte distruse pentru a alimenta mașinăriile, pe care „Proiectul Panama” intern al Anthropic a rulat-o deja la scară, digitalizând milioane de cărți prin scanare distructivă.
Această goană după text curat a ajuns deja în instanță. Un judecător federal a decis că antrenarea AI-ului pe cărți achiziționate legal poate fi considerată utilizare loială (fair use), o victorie parțială pentru Anthropic, pe care au revendicat-o și Meta și OpenAI. Copiile piratate sunt o altă poveste: Anthropic a acceptat o înțelegere de 1,5 miliarde de dolari pentru titluri piratate scanate, iar Salesforce se confruntă acum cu un proces colectiv pentru presupusa piraterie de cărți.
Operațiunea Amazon a rămas discretă dintr-un motiv structural. Librarii au observat o creștere a comenzilor în vrac în ultimul an și au suspectat că firmele de AI se aflau în spatele lor—cumpărătorii nu erau sensibili la preț și alegeau titluri aparent la întâmplare. Îngrijorările lor au fost în cele din urmă confirmate de un AirTag care a dezvăluit destinația.
Amazon a declarat că „achiziționează cărți prin canale comerciale pentru a ajuta la dezvoltarea și îmbunătățirea produselor și serviciilor pe care le folosesc clienții noștri.”
