Dalam salah satu penyiasatan yang lebih inventif terhadap selera industri AI yang tidak pernah terpuaskan untuk data latihan, wartawan di 404 Media meletakkan peranti penjejakan di dalam penghantaran buku jarang yang mereka syak akan dibeli untuk latihan AI — dan mengikutinya ke seluruh negara ke kemudahan Amazon di Las Vegas di mana, laporan outlet, buku diimbas dan dimusnahkan.
Kisah itu, diterbitkan Isnin oleh editor pengasas 404 Media Emanuel Maiberg, mengenal pasti destinasi itu sebagai kemudahan VGT3 Amazon di Las Vegas. Menurut penyiasatan, Amazon telah membeli sejumlah besar buku, mengimbasnya untuk data latihan AI, dan memusnahkan volum fizikal dalam proses itu - operasi yang dikatakan oleh outlet itu tidak pernah dilaporkan sebelum ini.
Penemuan itu menambah nama baharu yang besar kepada amalan yang secara senyap-senyap meresahkan penjual buku dan arkib selama berbulan-bulan, dan ia tiba apabila perhatian orang ramai semakin beralih kepada tempat syarikat AI sebenarnya mendapatkan data mereka. Ikuti liputan berterusan kami tentang perang data latihan di AI Buzz Wire.
Peranti Penjejakan dalam Kotak Buku
Metodologi di sebalik penyiasatan itulah yang menjadikannya ketara. Daripada bergantung pada dokumen atau temu bual, 404 Media membenamkan penjejak GPS dalam penghantaran buku jarang yang disyaki oleh kedai itu akan diperoleh oleh syarikat AI, kemudian memantau perjalanan pakej itu ke destinasi terakhirnya.
Destinasi itu — kemudahan VGT3 Amazon — diterangkan dalam laporan itu sebagai tapak di mana Amazon mengimbas buku untuk data latihan AI. Siasatan penuh, yang memperincikan operasi pembelian dan skalanya, tersedia untuk 404 pelanggan Media.
Kisah itu tersebar dengan cepat melalui kalangan pembangun dan dasar teknologi selepas mendarat di muka depan Berita Hacker pada hari Isnin, di mana pengulas membahaskan implikasi budaya dan undang-undang memusnahkan buku-buku yang jarang ditemui untuk melatih sistem AI komersial.
Amazon Menyertai Senarai yang Berkembang
Laporan itu adalah bab terbaru dalam kontroversi yang lebih luas mengenai nasib buku fizikal dalam era AI. Pada awal musim panas ini, penjual buku dan penyelidik mendokumentasikan cara syarikat AI membeli jilid antik dan tidak dicetak sebanyak ratusan ribu, memasukkannya ke dalam set data latihan, dan memusnahkan salinan fizikal - pengkritik amalan menggambarkan sebagai penghapusan skala industri warisan budaya.
Apa yang membezakan pelaporan baharu ialah ia menamakan kemudahan tertentu, syarikat tertentu dan rantaian bekalan tertentu. Sehingga kini, kebanyakan perbincangan bergantung pada tuntutan agregat daripada penjual buku dan pemfailan mahkamah. Penghantaran yang dijejaki menawarkan titik data konkrit: kotak buku yang jarang ditemui, pembeli dan bangunan.
Mengapa Permintaan Data Latihan Terus Meningkat
Ekonomi di sebalik amalan ini adalah mudah. Model AI Frontier dilaporkan secara meluas telah menggunakan kebanyakan teks berkualiti tinggi yang sedia ada di web terbuka, mendorong syarikat mencari sumber yang sukar diakses: buku, arkib dan korporat berlesen. Jilid yang jarang ditemui dan tidak dicetak adalah menarik dengan tepat kerana ia tidak mungkin muncul dalam set data yang dikikis web standard.
Bagi pengkritik, pemusnahan buku fizikal untuk memenuhi permintaan itu telah menjadi simbol hubungan ekstraktif industri dengan budaya manusia — data sebagai sumber untuk dilombong tanpa mengira apa yang hilang dalam proses itu. Bagi syarikat yang terlibat, buku didigitalkan mewakili zon kelabu undang-undang yang masih diselesaikan oleh mahkamah dan penggubal undang-undang, terutamanya apabila litigasi hak cipta ke atas data latihan berjalan melalui pelbagai bidang kuasa.
Pengimbasan mahupun pendigitalan itu sendiri tidak memerlukan pemusnahan — pemusnahan, nota penerbit dan arkivis, nampaknya merupakan langkah penjimatan kos, memandangkan menyimpan volum fizikal adalah lebih mahal daripada mengepulkannya sebaik sahaja kandungannya telah ditangkap.
Masalah Pemeliharaan
Arkivis telah lama berhujah bahawa pendigitalan bukan pemeliharaan. Imbasan menangkap teks buku tetapi bukan marginalianya, sejarah mengikatnya, kualiti materialnya — ciri-ciri yang menjadikan jilid jarang sebagai artifak sejarah dan bukannya bekas perkataan. Memusnahkan salinan fizikal selepas mengimbas menutup pintu pada peperiksaan akan datang, dan tidak seperti fail digital, buku pulpa tidak boleh diimbas semula apabila teknologi pengimejan bertambah baik.
Ekonomi perdagangan buku mengkompaun kerugian. Jilid jarang dan tidak dicetak bertahan dalam jumlah yang kecil. Apabila pembeli dengan belanjawan berskala AI memasuki pasaran, mereka boleh membida perpustakaan dan pengumpul untuk baki salinan — dan apabila salinan tersebut dimusnahkan selepas diimbas, populasi yang masih hidup bagi edisi tertentu boleh menyusut secara kekal dalam beberapa bulan.
Persatuan penjual buku di Eropah telah menjadi antara pengkritik yang paling lantang terhadap amalan itu, dan penyiasatan 404 Media memberikan amaran mereka jejak konkrit: kemudahan, rantaian bekalan dan pembeli korporat yang dinamakan.
Apa Yang Akan Datang
Siasatan itu berkemungkinan akan memperhebat penelitian terhadap peranan Amazon dalam rantaian bekalan data AI, kedudukan yang sebaliknya dikuasai oleh perniagaan awannya. Ia juga mungkin memperbaharui panggilan di Eropah dan Amerika Syarikat untuk peraturan yang memerlukan pemeliharaan bahan budaya yang digunakan dalam latihan AI, idea yang telah diapungkan oleh persatuan penjual buku dan beberapa penggubal dasar apabila skala pembelian buku semakin jelas.
Buat masa ini, hasil penyiasatan yang paling konkrit adalah bermaklumat: kemudahan bernama, perjalanan yang didokumenkan dan rekod awam bahawa amaran perdagangan buku itu bukan abstrak. Buku-buku yang jarang ditemui dalam penghantaran yang dijejaki menamatkan perjalanan mereka di Las Vegas. Kandungan mereka, mungkin, hidup dalam korpus latihan.
Ikuti Perang Data AI
Data latihan, pergaduhan hak cipta dan etika AI pada skala — diliputi setiap hari di AI Buzz Wire.
Baca lebih banyak berita AI →
