En una de las investigaciones más inventivas sobre el insaciable apetito de la industria de la IA por datos de entrenamiento, los periodistas de 404 Media colocaron un dispositivo de seguimiento dentro de un envío de libros raros que sospechaban que serían comprados para el entrenamiento de IA, y lo siguieron por todo el país hasta una instalación de Amazon en Las Vegas donde, según informa el medio, los libros son escaneados y destruidos.

La historia, publicada el lunes por el editor fundador de 404 Media, Emanuel Maiberg, identifica el destino como las instalaciones VGT3 de Amazon en Las Vegas. Según la investigación, Amazon ha estado comprando cantidades masivas de libros, escaneándolos en busca de datos de entrenamiento de IA y destruyendo los volúmenes físicos en el proceso, una operación que, según el medio, no se había informado anteriormente.

Los hallazgos añaden un nuevo nombre importante a una práctica que ha preocupado silenciosamente a libreros y archiveros durante meses, y llegan cuando la atención del público se centra cada vez más en dónde las empresas de IA obtienen realmente sus datos. Siga nuestra cobertura continua de las guerras de datos de entrenamiento en AI Buzz Wire.

Un dispositivo de seguimiento en una caja de libros

La metodología detrás de la investigación es lo que la hace notable. En lugar de depender de documentos o entrevistas, 404 Media incorporó un rastreador GPS en un envío de libros raros que el medio sospechaba que serían adquiridos por una empresa de inteligencia artificial, y luego monitoreó el viaje del paquete hasta su destino final.

Ese destino, las instalaciones VGT3 de Amazon, se describe en el informe como el sitio donde Amazon escanea libros en busca de datos de entrenamiento de IA. La investigación completa, que detalla la operación de compra y su escala, está disponible para los suscriptores de 404 Media.

La historia se difundió rápidamente entre los círculos de desarrolladores y de políticas tecnológicas después de aparecer en la portada de Hacker News el lunes, donde los comentaristas debatieron las implicaciones culturales y legales de la destrucción de libros raros para entrenar sistemas comerciales de inteligencia artificial.

Amazon se une a una lista en crecimiento

El informe es el último capítulo de una controversia más amplia sobre el destino de los libros físicos en la era de la IA. A principios de este verano, libreros e investigadores documentaron cómo las empresas de inteligencia artificial estaban comprando cientos de miles de volúmenes antiguos y agotados, introduciéndolos en conjuntos de datos de entrenamiento y destruyendo las copias físicas, una práctica que los críticos describen como el borrado a escala industrial del patrimonio cultural.

Lo que distingue a los nuevos informes es que nombra una instalación específica, una empresa específica y una cadena de suministro específica. Hasta ahora, gran parte de la discusión se basó en reclamaciones agregadas de libreros y documentos judiciales. Un envío rastreado ofrece un punto de datos concreto: una caja de libros raros, un comprador y un edificio.

Por qué la demanda de datos de formación sigue aumentando

La economía detrás de esta práctica es sencilla. Se informa ampliamente que los modelos de inteligencia artificial de Frontier han consumido la mayor parte del texto de alta calidad disponible en la web abierta, lo que ha empujado a las empresas a buscar fuentes de más difícil acceso: libros, archivos y corpus con licencia. Los volúmenes raros y descatalogados son atractivos precisamente porque es poco probable que aparezcan en conjuntos de datos estándar extraídos de la web.

Para los críticos, la destrucción de libros físicos para satisfacer esa demanda se ha convertido en un símbolo de la relación extractiva de la industria con la cultura humana: los datos como un recurso que debe extraerse independientemente de lo que se pierda en el proceso. Para las empresas involucradas, los libros digitalizados representan una zona legal gris que los tribunales y los legisladores aún están analizando, particularmente a medida que los litigios de derechos de autor sobre datos de capacitación se abren camino a través de múltiples jurisdicciones.

Ni el escaneo ni la digitalización en sí requieren destrucción; la destrucción, señalan editores y archiveros, parece ser una medida de ahorro de costos, ya que almacenar volúmenes físicos es más costoso que despulparlos una vez que se ha capturado su contenido.

El problema de la preservación

Los archiveros han sostenido durante mucho tiempo que la digitalización no es preservación. Un escaneo captura el texto de un libro, pero no sus márgenes, su historia vinculante, sus cualidades materiales: las características que hacen de un volumen raro un artefacto histórico en lugar de un contenedor de palabras. Destruir la copia física después del escaneo cierra la puerta a exámenes futuros y, a diferencia de los archivos digitales, un libro pulpeado no se puede volver a escanear a medida que mejora la tecnología de imágenes.

La economía del comercio del libro agrava la pérdida. Volúmenes raros y agotados sobreviven en pequeñas cantidades. Cuando los compradores con presupuestos a escala de IA ingresan al mercado, pueden superar las ofertas de las bibliotecas y los coleccionistas por las copias restantes, y cuando esas copias se destruyen después del escaneo, la población superviviente de una edición determinada puede reducirse permanentemente en cuestión de meses.

Las asociaciones de libreros en Europa han estado entre las críticas más acérrimas de esta práctica, y la investigación de 404 Media da a sus advertencias una huella concreta: una instalación, una cadena de suministro y un comprador corporativo designado.

¿Qué viene después?

Es probable que la investigación intensifique el escrutinio del papel de Amazon en la cadena de suministro de datos de IA, una posición que de otro modo está dominada por su negocio en la nube. También puede renovar los llamados en Europa y Estados Unidos para que se establezcan reglas que exijan la preservación de los materiales culturales utilizados en el entrenamiento de IA, una idea que han planteado asociaciones de libreros y algunos formuladores de políticas a medida que la escala de la compra de libros se ha vuelto más clara.

Por ahora, el resultado más concreto de la investigación es informativo: una instalación con nombre, un viaje documentado y un registro público de que las advertencias del comercio del libro no eran abstractas. Los libros raros del envío rastreado terminaron su viaje en Las Vegas. Es de suponer que sus contenidos perduran en un corpus de entrenamiento.

Siga las guerras de datos de IA

Datos de capacitación, luchas por derechos de autor y la ética de la IA a escala: cubiertos diariamente en AI Buzz Wire.

Leer más noticias sobre IA →