در یکی از تحقیقات مبتکرانه‌تر در مورد اشتهای سیری ناپذیر صنعت هوش مصنوعی برای داده‌های آموزشی، روزنامه‌نگاران در 404 Media یک دستگاه ردیابی را در محموله‌ای از کتاب‌های کمیاب قرار دادند که گمان می‌رفتند برای آموزش هوش مصنوعی خریداری می‌شوند – و آن را در سراسر کشور دنبال کردند و به تأسیسات آمازون در لاس‌وگاس رفتند، جایی که طبق گزارش رسانه‌ها، کتاب‌ها اسکن و نابود می‌شوند.

این داستان که دوشنبه توسط امانوئل مایبرگ، سردبیر 404 Media منتشر شد، مقصد را مرکز VGT3 آمازون در لاس وگاس معرفی می‌کند. طبق تحقیقات، آمازون مقادیر زیادی کتاب می‌خرد، آنها را برای داده‌های آموزشی هوش مصنوعی اسکن می‌کند و حجم فیزیکی را در این فرآیند از بین می‌برد - عملیاتی که این رسانه می‌گوید قبلاً گزارش نشده بود.

این یافته‌ها نام جدیدی را به رویه‌ای می‌افزاید که ماه‌ها بی‌سروصدا کتاب‌فروشان و آرشیوداران را با مشکل مواجه کرده است، و زمانی که توجه عمومی به‌طور فزاینده‌ای به جایی که شرکت‌های هوش مصنوعی واقعاً داده‌های خود را دریافت می‌کنند، جلب می‌شود. پوشش مداوم ما در مورد جنگ های داده های آموزشی را در [AI Buzz Wire] (https://aibuzzwire.news) دنبال کنید.

یک دستگاه ردیابی در یک جعبه کتاب

روش شناسی پشت تحقیق چیزی است که آن را قابل توجه می کند. 404 Media به جای تکیه بر اسناد یا مصاحبه‌ها، یک ردیاب GPS را در محموله‌ای از کتاب‌های کمیاب تعبیه کرد که گمان می‌رود توسط یک شرکت هوش مصنوعی خریداری شود، سپس بر سفر بسته به مقصد نهایی نظارت کرد.

این مقصد - تاسیسات VGT3 آمازون - در این گزارش به عنوان سایتی توصیف شده است که آمازون کتاب‌ها را برای داده‌های آموزشی هوش مصنوعی اسکن می‌کند. بررسی کامل، که جزئیات عملیات خرید و مقیاس آن را نشان می‌دهد، در دسترس 404 مشترک رسانه است.

این داستان پس از قرار گرفتن در صفحه اول هکر نیوز در روز دوشنبه، به سرعت در محافل توسعه‌دهندگان و سیاست‌های فناوری منتشر شد، جایی که نظر دهندگان در مورد پیامدهای فرهنگی و قانونی تخریب کتاب‌های کمیاب برای آموزش سیستم‌های هوش مصنوعی تجاری بحث کردند.

آمازون به فهرست رو به رشد پیوست

این گزارش آخرین فصل از یک بحث گسترده تر درباره سرنوشت کتاب های فیزیکی در عصر هوش مصنوعی است. در اوایل تابستان امسال، کتاب‌فروشان و محققان مستند کردند که چگونه شرکت‌های هوش مصنوعی صدها هزار جلد عتیقه و چاپ نشده خریداری می‌کردند، آنها را در مجموعه داده‌های آموزشی تغذیه می‌کردند و نسخه‌های فیزیکی را از بین می‌بردند - کاری که منتقدان آن را به عنوان پاک کردن میراث فرهنگی در مقیاس صنعتی توصیف می‌کنند.

چیزی که گزارش جدید را متمایز می کند این است که یک تاسیسات خاص، یک شرکت خاص و یک زنجیره تامین خاص را نام می برد. تا پیش از این، بسیاری از بحث ها بر روی کل دعاوی کتابفروشان و پرونده های دادگاه بود. یک محموله ردیابی شده یک نقطه داده مشخص را ارائه می دهد: یک جعبه کتاب کمیاب، یک خریدار و یک ساختمان.

چرا تقاضای داده‌های آموزشی در حال افزایش است

اقتصاد پشت این عمل ساده است. به طور گسترده گزارش شده است که مدل‌های هوش مصنوعی مرزی اکثر متن‌های با کیفیت بالا را که به آسانی در وب باز در دسترس است، مصرف کرده‌اند، و شرکت‌ها را به جستجوی منابعی با دسترسی سخت‌تر سوق می‌دهند: کتاب‌ها، بایگانی‌ها و شرکت‌های دارای مجوز. حجم‌های کمیاب و چاپ نشده دقیقاً به این دلیل جذاب هستند که بعید است در مجموعه داده‌های استاندارد خراشیده شده وب ظاهر شوند.

برای منتقدان، تخریب کتاب‌های فیزیکی برای تامین این تقاضا به نمادی از رابطه استخراجی صنعت با فرهنگ انسانی تبدیل شده است - داده‌ها به‌عنوان منبعی که بدون توجه به آنچه در این فرآیند از دست می‌رود استخراج می‌شود. برای شرکت‌های درگیر، کتاب‌های دیجیتالی یک منطقه خاکستری قانونی را نشان می‌دهد که دادگاه‌ها و قانون‌گذاران هنوز در حال بررسی آن هستند، به‌ویژه که دعوای حقوقی کپی‌رایت بر سر داده‌های آموزشی راه خود را در حوزه‌های قضایی متعدد دنبال می‌کند.

نه اسکن کردن و نه دیجیتالی کردن به خودی خود نیاز به تخریب ندارد - به نظر می رسد تخریب، ناشران و بایگانی ها، یک اقدام صرفه جویی در هزینه است، زیرا ذخیره حجم های فیزیکی گران تر از خمیر کردن آنها پس از ضبط محتویات آنها است.

مشکل حفظ

بایگانی‌ها مدت‌ها استدلال کرده‌اند که دیجیتالی‌سازی حفظ نیست. اسکن متن یک کتاب را نشان می‌دهد، اما حاشیه‌های آن، تاریخچه الزام‌آور، کیفیت‌های مادی آن را نشان نمی‌دهد - ویژگی‌هایی که یک جلد نادر را به‌جای ظرفی از کلمات، یک اثر تاریخی می‌سازد. از بین بردن نسخه فیزیکی پس از اسکن، درب را برای معاینه بعدی می‌بندد و برخلاف فایل‌های دیجیتال، با بهبود فناوری تصویربرداری، نمی‌توان کتاب پالپی شده را دوباره اسکن کرد.

اقتصاد تجارت کتاب ضرر را تشدید می کند. مجلدات کمیاب و چاپ نشده در تعداد کم باقی می مانند. وقتی خریداران با بودجه در مقیاس هوش مصنوعی وارد بازار می‌شوند، می‌توانند برای نسخه‌های باقی‌مانده از کتابخانه‌ها و مجموعه‌داران پیشی بگیرند – و زمانی که آن نسخه‌ها پس از اسکن از بین بروند، جمعیت باقی‌مانده از یک نسخه خاص می‌تواند برای همیشه در عرض چند ماه کاهش یابد.

انجمن‌های کتاب‌فروش در اروپا یکی از سرسخت‌ترین منتقدان این عمل بوده‌اند، و تحقیقات 404 Media به هشدارهای آنها ردپای مشخصی می‌دهد: یک تسهیلات، یک زنجیره تامین، و یک خریدار شرکتی نام‌گذاری شده.

بعد چه می آید

این تحقیقات احتمالاً بررسی نقش آمازون در زنجیره تامین داده های هوش مصنوعی را تشدید می کند، موقعیتی که در غیر این صورت تحت سلطه تجارت ابری آن است. همچنین ممکن است فراخوان‌ها را در اروپا و ایالات متحده برای قوانینی که مستلزم حفظ مواد فرهنگی مورد استفاده در آموزش هوش مصنوعی هستند، تجدید کند، ایده‌ای که با شفاف‌تر شدن مقیاس خرید کتاب توسط انجمن‌های کتابفروش و برخی سیاست‌گذاران مطرح شده است.

در حال حاضر، ملموس‌ترین نتیجه تحقیق اطلاعاتی است: یک مرکز نام‌گذاری شده، یک سفر مستند، و یک سابقه عمومی مبنی بر اینکه هشدارهای تجارت کتاب انتزاعی نبوده است. کتاب های کمیاب در محموله ردیابی شده سفر خود را در لاس وگاس به پایان رساندند. محتویات آنها احتمالاً در یک مجموعه آموزشی زنده است.

جنگ داده های هوش مصنوعی را دنبال کنید

داده‌های آموزشی، مبارزات مربوط به حق نسخه‌برداری، و اخلاقیات هوش مصنوعی در مقیاس - روزانه در [AI Buzz Wire] (https://aibuzzwire.news) پوشش داده می‌شود.

اخبار هوش مصنوعی را بیشتر بخوانید →