AI изяжда книгите – масово ги изкупуват да обучават чатботовете, после ги унищожават

Старите произведения са особено ценни, защото не са замърсени от машини

До не толкова далечното минало книгите бяха основният източник на знание. Интернет бумът от началото на века обаче ускори бъдещето и сега тяхното място заеха чатботовете на изкуствения интелект (AI - от английски artificial intelligence - б.р.). Който вече изяжда книгите.

Големи AI компании масово изкупуват ценни книги, режат ги и ги сканират, за да обучават езиковите модели на чатботовете си. Това става ясно от вътрешни документи, разсекретени по съдебно дело на автори срещу гиганта Anthropic.

Те се потвърждават и от разследване на 404 Media. През юли тази година в САЩ е отчетен странен скок в продажбите на книги, и то в особено големи количества - понякога по около хиляда тома наведнъж. Заглавията изглеждали случайни. А купувачите им не се интересували от цената.

Това е един от първите сигнали, че зад поръчките не стоят обичайни читатели или колекционери. При една библиотека логиката е ясна - купуват се книги, които са нужни на читателите. При колекционера се търсят конкретни заглавия.

При AI компанията обаче ценно е само количеството

Една от големите платформи за пазар на редки и ценни книги – Biblio, крие самоличността на купувачите. Така книжарят продавач изпраща стоката към складовете на платформата и оттам пратката продължава към неизвестен получател. Един продавач обаче се съгласява да сложи проследяващо устройство, предоставено от 404 Media, в рядка книга при поръчка от около 1000 тома.

Пратката тръгва към Калифорния, лети до Милуоки, стои около две седмици в разпределителен склад край Кеноша и накрая с камион пристига в склад на Amazon в Лас Вегас. Северната част на базата обаче работи под вътрешния код VGT3. А символът му е тиранозавър с отворена уста и книга в лапите. В онлайн форуми служители на Amazon открито коментират, че там само сканират книги - някои ги режат, други приемат пратките и сканират баркодовете. И работата била лесна и приятна.

Anthropic се заема с още по-мащабна операция. Вътрешен документ описва проект “Панама” с директна цел: “да сканираме разрушително всички книги по света”. Но без това да става публично достояние, пише “Вашингтън пост”.

За около година компанията е похарчила десетки милиони долари, за да купи книги, които режели с хидравлична машина, а след това страниците минавали през високоскоростен скенер и така се превръщали в текстов масив за обучение на AI моделите. Останките от книгата отивали за рециклиране. За операцията е привлечен Том Търви, работил по проекта Google Books. А доставчици са били вериги за употребявани книги като Better World Books и британската World of Books.

Три са причините печатните книги да са толкова ценни за компаниите. Голяма част от текстовете не са достъпни в интернет, съдържанието е редактирано и подредено, а ако изданието е отпреди 2022 г., почти сигурно не съдържа генериран от изкуствен интелект текст.

Последното става особено важно, защото AI компаниите вече се сблъскват с проблем, създаден от собствените им продукти. Ако новите модели се обучават върху все повече текстове, създадени от предишни модели, качеството може да се влоши - процес, известен като model collapse. Затова старите човешки текстове, написани преди да съществуват машините, се превръщат в ценна суровина.

Книжари подозират още, че купувачите минават методично по списък с ISBN номера, защото най-редките издания без такъв номер рядко влизат в огромните поръчки. Това означава, че целта не е да се намират просто добри книги, а систематично да се обхваща възможно по-голяма част от печатните книги.

Тук обаче историята става и юридическа. Компаниите знаели, че

най-честно би било да искат  разрешение от автори

и издатели, но това би ги забавило. И избират да свалят целите архиви от т.нар. сенчести библиотеки като LibGen и Pirate Library Mirror. Става дума за огромен набор от книги, качени пиратски. Според вътрешните документи съоснователят на Anthropic Бен Ман лично е изпиратствал големи количества текстове. Като Anthropic твърди, че пиратските издания не са влезли в модел, който носи приходи.

Паралелно се появява и втори канал - покупката на физически книги. И тук съдебният спор става особено интересен. В американското право съществува принципът на допустима употреба, който позволява в определени случаи защитени произведения да бъдат използвани без разрешение на автора. Според съдия Уилям Алсъп обучението на модел на AI може да мине за допустима употреба, тъй като чатботът не препечатва книгата и не я продава като книга, а използва съдържанието ѝ за обучение. Съдът приема, че това използване не нарушава авторското право.

Унищожаването на хартията тук не е случаен детайл. То също има значение в правната логика. Компанията не създава физическо копие, което да бъде продадено на пазара. Закупената книга се превръща в цифрова информация, а след това оригиналният екземпляр изчезва.

Но съдът разделя делото на две. Самото обучение върху купени книги може да е допустимо. Свалянето на милиони пиратски файлове преди това обаче не е. Anthropic се споразумява с автори и издатели да плати около 3000 долара на заглавие, общо 1,5 милиарда долара, но не признава вина. Юристите ѝ държат, че е платено за начина на придобиване, не за самото право моделите да се учат от текст. Това разграничение може да се окаже едно от най-важните за бъдещето на индустрията. Ако съдът приеме, че

AI има право да се учи от книги,

технологичните компании ще получат огромно предимство. Но ако трябва да плащат за всяко произведение, което използват, бизнес моделът им ще стане несравнимо по-скъп.

Съдебни дела на автори и издатели вече има срещу няколко технологични гиганта наведнъж - Anthropic, Meta, Google, OpenAI и Microsoft. Вътрешни писма по делата показват, че и в самите фирми е имало колебание. Те казват, че моделът не копира произведението, а извлича закономерности, за да създаде нещо ново. Авторите питат друго: ако машината е станала по-умна върху милиони чужди текстове, защо този, който ги е написал, не получава нищо? Това всъщност е големият спор по въпроса, при който изкуственият интелект се оказва не просто нов начин за достъп до знание, а индустрия, която започва да консумира самите носители на това знание.