In una delle indagini più creative sull'insaziabile appetito del settore dell'intelligenza artificiale per i dati di formazione, i giornalisti di 404 Media hanno inserito un dispositivo di localizzazione all'interno di una spedizione di libri rari che sospettavano sarebbero stati acquistati per la formazione sull'intelligenza artificiale - e l'hanno seguito attraverso il paese fino a una struttura di Amazon a Las Vegas dove, secondo quanto riportato dall'outlet, i libri vengono scansionati e distrutti.

L'articolo, pubblicato lunedì dall'editore fondatore di 404 Media, Emanuel Maiberg, identifica la destinazione come la struttura VGT3 di Amazon a Las Vegas. Secondo l’indagine, Amazon ha acquistato enormi quantità di libri, scansionandoli alla ricerca di dati di addestramento sull’intelligenza artificiale e distruggendo i volumi fisici nel processo – un’operazione che secondo il punto vendita non era stata segnalata in precedenza.

I risultati aggiungono un nuovo importante nome a una pratica che da mesi preoccupa librai e archivisti, e arrivano mentre l’attenzione del pubblico si rivolge sempre più a dove le società di intelligenza artificiale ottengono effettivamente i loro dati. Segui la nostra copertura continua sulle guerre dei dati di addestramento su AI Buzz Wire.

Un dispositivo di localizzazione in una scatola di libri

La metodologia alla base dell'indagine è ciò che la rende notevole. Invece di fare affidamento su documenti o interviste, 404 Media ha incorporato un localizzatore GPS in una spedizione di libri rari che il punto vendita sospettava sarebbero stati acquistati da una società di intelligenza artificiale, quindi ha monitorato il viaggio del pacco fino alla destinazione finale.

Quella destinazione – la struttura VGT3 di Amazon – è descritta nel rapporto come il sito in cui Amazon scansiona i libri alla ricerca di dati di addestramento sull’intelligenza artificiale. L'indagine completa, che descrive nei dettagli l'operazione di acquisto e la sua portata, è disponibile per gli abbonati di 404 Media.

La storia si è diffusa rapidamente nei circoli degli sviluppatori e della politica tecnologica dopo essere finita lunedì sulla prima pagina di Hacker News, dove i commentatori hanno discusso le implicazioni culturali e legali della distruzione di libri rari per addestrare sistemi di intelligenza artificiale commerciali.

Amazon si unisce a un elenco in crescita

Il rapporto è l’ultimo capitolo di una controversia più ampia sul destino dei libri fisici nell’era dell’intelligenza artificiale. All’inizio di questa estate, librai e ricercatori hanno documentato come le aziende di intelligenza artificiale acquistassero centinaia di migliaia di volumi antichi e fuori stampa, inserendoli in set di dati di addestramento e distruggendo le copie fisiche – una pratica che i critici descrivono come la cancellazione su scala industriale del patrimonio culturale.

Ciò che distingue il nuovo reporting è che nomina una struttura specifica, un’azienda specifica e una catena di fornitura specifica. Fino ad ora, gran parte della discussione si è basata su rivendicazioni aggregate da parte dei rivenditori di libri e documenti giudiziari. Una spedizione tracciata offre un punto dati concreto: una scatola di libri rari, un acquirente e un edificio.

Perché la richiesta di dati di formazione continua a crescere

Gli aspetti economici dietro questa pratica sono semplici. È stato ampiamente riferito che i modelli di intelligenza artificiale di frontiera hanno consumato la maggior parte del testo di alta qualità facilmente disponibile sul web aperto, spingendo le aziende a cercare fonti di più difficile accesso: libri, archivi e corpora autorizzati. I volumi rari e fuori stampa sono attraenti proprio perché è improbabile che compaiano nei set di dati standard raschiati sul web.

Per i critici, la distruzione dei libri fisici per alimentare quella domanda è diventata un simbolo del rapporto estrattivo del settore con la cultura umana: i dati come risorsa da estrarre indipendentemente da ciò che viene perso nel processo. Per le aziende coinvolte, i libri digitalizzati rappresentano una zona grigia dal punto di vista legale che tribunali e legislatori stanno ancora vagliando, in particolare perché il contenzioso sul copyright sui dati di formazione si fa strada attraverso molteplici giurisdizioni.

Né la scansione né la digitalizzazione in sé richiedono la distruzione: la distruzione, notano editori e archivisti, sembra essere una misura di risparmio sui costi, poiché archiviare i volumi fisici è più costoso che spappolarli una volta che i loro contenuti sono stati catturati.

Il problema della conservazione

Gli archivisti sostengono da tempo che la digitalizzazione non è conservazione. Una scansione cattura il testo di un libro ma non i suoi margini, la sua storia vincolante, le sue qualità materiali – le caratteristiche che rendono un volume raro un artefatto storico piuttosto che un contenitore di parole. La distruzione della copia fisica dopo la scansione chiude la porta a futuri esami e, a differenza dei file digitali, un libro ridotto in macero non può essere scansionato nuovamente con il miglioramento della tecnologia di imaging.

L’economia del commercio dei libri aggrava la perdita. I volumi rari e fuori stampa sopravvivono in piccole quantità. Quando gli acquirenti con budget su scala AI entrano nel mercato, possono fare un’offerta migliore di biblioteche e collezionisti per le copie rimanenti – e quando quelle copie vengono distrutte dopo la scansione, la popolazione sopravvissuta di una determinata edizione può ridursi permanentemente nel giro di pochi mesi.

Le associazioni dei librai in Europa sono state tra le critiche più accese della pratica, e l’indagine di 404 Media fornisce ai loro avvertimenti un’impronta concreta: una struttura, una catena di fornitura e un acquirente aziendale nominato.

Cosa verrà dopo

È probabile che l’indagine intensifichi il controllo del ruolo di Amazon nella catena di fornitura dei dati basati sull’intelligenza artificiale, una posizione che altrimenti sarebbe dominata dal suo business nel cloud. Potrebbe anche rinnovare le richieste in Europa e negli Stati Uniti per norme che richiedano la conservazione dei materiali culturali utilizzati nella formazione sull’intelligenza artificiale, un’idea che è stata lanciata dalle associazioni dei librai e da alcuni politici quando la portata dell’acquisto di libri è diventata più chiara.

Per ora, il risultato più concreto dell'indagine è informativo: una struttura nominata, un viaggio documentato e una documentazione pubblica che attesta che gli avvertimenti del commercio di libri non erano astratti. I libri rari contenuti nella spedizione tracciata hanno concluso il loro viaggio a Las Vegas. I loro contenuti, presumibilmente, continuano a vivere in un corpus di formazione.

Segui la guerra dei dati dell'IA

Dati sulla formazione, lotte sul copyright ed etica dell'intelligenza artificiale su larga scala: argomenti trattati quotidianamente su AI Buzz Wire.

Leggi altre notizie sull'AI →