404 media au urmărit cărți rare la o unitate Amazon care le scanează și le distruge pentru instruire AI

Într-una dintre cele mai inventive investigații asupra apetitului nesățios al industriei AI pentru datele de instruire, jurnaliștii de la 404 Media au plasat un dispozitiv de urmărire într-un transport de cărți rare despre care bănuiau că ar fi cumpărate pentru instruire AI - și l-au urmărit în toată țara până la o unitate Amazon din Las Vegas, unde, relatează presa, cărțile sunt scanate și distruse.

Povestea, publicată luni de editorul fondator al 404 Media, Emanuel Maiberg, identifică destinația ca fiind instalația VGT3 a Amazon din Las Vegas. Potrivit investigației, Amazon a cumpărat cantități masive de cărți, le-a scanat pentru date de antrenament AI și a distrus volumele fizice din proces - o operațiune despre care, potrivit cărților, nu a fost raportată anterior.

Descoperirile adaugă un nou nume major unei practici care a tulburat în liniște librarii și arhiviștii de luni de zile și ajung pe măsură ce atenția publicului se îndreaptă din ce în ce mai mult spre locul în care companiile AI își obțin efectiv datele. Urmăriți acoperirea noastră continuă a războaielor de date de antrenament la AI Buzz Wire.

Un dispozitiv de urmărire într-o cutie de cărți

Metodologia din spatele investigației este cea care o face notabilă. În loc să se bazeze pe documente sau interviuri, 404 Media a încorporat un tracker GPS într-un transport de cărți rare despre care magazinul bănuiește că ar fi achiziționat de o companie AI, apoi a monitorizat călătoria pachetului către destinația sa finală.

Acea destinație – instalația VGT3 a Amazon – este descrisă în raport ca fiind site-ul în care Amazon scanează cărți pentru date de antrenament AI. Investigația completă, care detaliază operațiunea de cumpărare și amploarea acesteia, este disponibilă pentru 404 de abonați Media.

Povestea s-a răspândit rapid în cercurile dezvoltatorilor și ale politicilor tehnologice, după ce a ajuns luni pe prima pagină a Hacker News, unde comentatorii au dezbătut implicațiile culturale și juridice ale distrugerii cărților rare pentru a antrena sisteme comerciale AI.

Amazon se alătură unei liste în creștere

Raportul este cel mai recent capitol dintr-o controversă mai largă cu privire la soarta cărților fizice în era AI. La începutul acestei veri, vânzătorii de cărți și cercetătorii au documentat modul în care companiile de inteligență artificială cumpărau volume antice și epuizate cu sute de mii, le introduceau în seturi de date de instruire și distrugeau copiile fizice - o practică descrisă de critici drept ștergerea la scară industrială a patrimoniului cultural.

Ceea ce distinge noua raportare este că denumește o anumită unitate, o anumită companie și un anumit lanț de aprovizionare. Până acum, o mare parte a discuției s-a bazat pe revendicări cumulate din partea vânzătorilor de cărți și pe dosarele instanței. O expediere urmărită oferă un punct de date concret: o cutie de cărți rare, un cumpărător și o clădire.

De ce cererea de date de instruire continuă să crească

Economia din spatele practicii este simplă. Modelele Frontier AI sunt raportate că au consumat cea mai mare parte a textului de înaltă calitate disponibil pe web deschis, împingând companiile să caute surse mai greu de accesat: cărți, arhive și corpuri licențiate. Volumele rare și epuizate sunt atractive tocmai pentru că este puțin probabil să apară în seturile de date standard realizate pe web.

Pentru critici, distrugerea cărților fizice pentru a alimenta această cerere a devenit un simbol al relației extractive a industriei cu cultura umană - datele ca o resursă care trebuie extrasă, indiferent de ceea ce se pierde în acest proces. Pentru companiile implicate, cărțile digitizate reprezintă o zonă gri legală pe care instanțele și legislatorii încă o trimit, în special pentru că litigiile privind drepturile de autor privind datele de formare își fac drum prin mai multe jurisdicții.

Nici scanarea, nici digitalizarea în sine nu necesită distrugere - distrugerea, notează editorii și arhiviștii, pare a fi o măsură de economisire a costurilor, deoarece stocarea volumelor fizice este mai costisitoare decât prelucrarea în pulpă odată ce conținutul lor a fost capturat.

Problema conservării

Arhiviștii susțin de mult că digitizarea nu înseamnă conservare. O scanare surprinde textul unei cărți, dar nu marginalia ei, istoria ei obligatorie, calitățile sale materiale - trăsăturile care fac dintr-un volum rar un artefact istoric mai degrabă decât un recipient de cuvinte. Distrugerea copiei fizice după scanare închide ușa la examinarea ulterioară și, spre deosebire de fișierele digitale, o carte în pulpă nu poate fi scanată din nou pe măsură ce tehnologia imaginii se îmbunătățește.

Economia comerțului cu cărți agravează pierderea. Volumele rare și epuizate supraviețuiesc în număr mic. Când cumpărătorii cu bugete la scară AI intră pe piață, aceștia pot depăși bibliotecile și colecționarii pentru copiile rămase - iar atunci când acele copii sunt distruse după scanare, populația supraviețuitoare a unei anumite ediții se poate micșora permanent în câteva luni.

Asociațiile de vânzători din Europa au fost printre cei mai vocali critici ai practicii, iar investigația 404 Media oferă avertismentelor lor o amprentă concretă: o unitate, un lanț de aprovizionare și un cumpărător corporativ numit.

Ce urmează

Este posibil ca investigația să intensifice controlul asupra rolului Amazon în lanțul de aprovizionare cu date AI, o poziție care este de altfel dominată de afacerea sa în cloud. De asemenea, poate reînnoi cererile în Europa și Statele Unite pentru reguli care impun păstrarea materialelor culturale utilizate în instruirea AI, o idee care a fost prezentată de asociațiile de vânzători de cărți și de unii factori de decizie pe măsură ce amploarea cumpărării de cărți a devenit mai clară.

Deocamdată, rezultatul cel mai concret al investigației este informațional: o unitate numită, o călătorie documentată și o înregistrare publică că avertismentele comerțului cu cărți nu erau abstracte. Cărțile rare din transportul urmărit și-au încheiat călătoria în Las Vegas. Conținutul lor, probabil, trăiește într-un corpus de instruire.

Urmărește Războiul datelor AI

Datele de antrenament, luptele privind drepturile de autor și etica AI la scară – acoperite zilnic la AI Buzz Wire.

Citiți mai multe știri AI →