Giganci "pożerają" stare książki. Unikaty znikają bezpowrotnie

W wielu księgarniach i antykwariatach w Niemczech taki popyt pojawił się dopiero w ostatnich miesiącach. Sprzedawcy łączą go przede wszystkim z zamówieniami składanymi przez kanadyjsko-amerykańską firmę Zoom Books. Największe zainteresowanie dotyczy starszej literatury naukowej i akademickiej, a także książek o historii regionalnej, językoznawstwie, ekonomii i prawie. Część tych tytułów wcześniej latami zalegała na półkach.

Skala zakupów przypomina hurtową operację. Jak wynika z relacji opisanych także przez 404media, książki wyjeżdżają całymi paletami, po 800-1200 egzemplarzy na każdej, a pojedyncze zamówienia przekraczają 10 tys. książek. Po zakupie grzbiety są odcinane, by przyspieszyć skanowanie do 80-120 stron na minutę, a później oryginały trafiają do przemiału. W efekcie z obiegu znikają również pozycje bardzo rzadkie i wydane w małych nakładach.

Firmy AI szukają takich zbiorów nieprzypadkowo. W tekście przywołano problem tzw. załamania modelu, czyli spadku jakości systemu, który uczy się na treściach wytworzonych wcześniej przez inne modele. Dlatego drukowane książki wydane przed 2022 r. uchodzą za szczególnie cenne źródło danych, bo nie zawierają tekstu wygenerowanego przez sztuczną inteligencję. Taką ocenę publikuje także baza ISBNdb, z której korzysta branża książkowa.

Ta sama baza pomaga ograniczać powtarzanie zakupów tych samych tytułów. Przy wielkich zamówieniach znaczenie ma numer ISBN, czyli identyfikator książki umieszczany na tylnej okładce. Publikacje bez ISBN nie pojawiają się w hurtowych zakupach. Równolegle istnieje też inna droga pozyskiwania treści: Uniwersytet Harvarda razem z Google i Microsoftem udostępnił prawie milion zdigitalizowanych książek z domeny publicznej w 254 językach, bez niszczenia papierowych egzemplarzy.

W tle trwa też walka o jakość i kontrolę nad danymi treningowymi. W ostatnich latach pojawiło się zjawisko celowego zatruwania zbiorów, tak by model po przyswojeniu materiału popełniał błędy albo dawał niepożądane odpowiedzi. W przypadku obrazów służy do tego m.in. Nightshade, gdzie drobne zmiany w pikselach pozostają niewidoczne dla człowieka, ale mylą system.

Podobny efekt dają błędne lub zmanipulowane metadane, na przykład gdy podpis pod materiałem celowo opisuje go niezgodnie z rzeczywistością. Przywołane badania wskazują, że kampania warta ok. 60 dolarów może zatruć ok. 0,01 proc. popularnych par obraz-tekst w dużych zbiorach danych.

Spór przeniósł się już także do sądów w USA. Pisarka Andrea Bartz odkryła w 2023 r., że jej książki znalazły się w pirackim zbiorze wykorzystywanym do szkolenia chatbotów. Później wraz z Charlesem Graeberem i Kirkiem Wallace’em Johnsonem zaangażowała się w działania autorów przeciwko firmom z branży AI.

Według "The New York Times" proces przeciwko Anthropic ujawnił, że spółka zdobyła miliony książek nielegalnie, a kierownictwo wiedziało, że internetowe biblioteki zawierały pirackie kopie. Sędzia uznał naruszenie praw autorskich przy pobieraniu i przechowywaniu takich plików, ale jednocześnie stwierdził, że użycie legalnie pozyskanych książek do treningu AI mieści się w ramach fair use. Autorzy i wydawcy się z tym nie zgadzają. Ugoda objęła ok. 500 tys. utworów, a Anthropic zachował modele wytrenowane na tych danych, co dla całej branży stało się ważnym sygnałem.