Amazon niszczy rzadkie książki, by trenować swoje modele AI

Amazon, znane niegdyś jako internetowa księgarnia, dziś kupuje rzadkie, drukowane książki, obcina im grzbiety i skanuje strony, by zdobyć materiał do trenowania swoich modeli sztucznej inteligencji – wynika z dochodzenia serwisu TechCrunch, opartego na śledztwie 404 Media. Dziennikarze umieścili urządzenie śledzące w przesyłce z rzadkimi książkami i odkryli, że trafiła ona do jednego z centrów logistycznych Amazona w Las Vegas.

Obiekt, oznaczony jako VGT3, posługuje się wewnętrznym symbolem przedstawiającym dinozaura – tyranozaura – trzymającego w pazurach książkę. Według doniesień The Decoder pracujący tam ludzie sami przyznają, że obcinają grzbiety książek, aby przyspieszyć proces skanowania stron, co nieuchwytnie prowadzi do zniszczenia oryginalnych egzemplarzy.

Kluczowe wnioski

• Amazon kupuje rzadkie, drukowane książki, obcina im grzbiety i skanuje je, by zasilać dane treningowe swoich modeli AI – zeskanowane treści trafiają do modeli Nova.
• 404 Media potwierdziło ten proces, umieszczając urządzenie lokalizujące w przesyłce książek, która trafiła do centrum VGT3 w Las Vegas, oznaczonego logo dinozaura z książką w pazurach.
• Amazon w oświadczeniu dla 404 Media stwierdziło, że firma „kupuje książki przez kanały komercyjne, aby ulepszać produkty i usługi, z których korzystają klienci”.
• Rzadkie, drukowane teksty są szczególnie cenne, bo często nie istnieją w internecie i powstały przed 2022 rokiem – czyli na pewno nie zostały napisane przez modele AI, co chroni przed ryzykiem „model collapse”.
• Amazon nie jest jedyną firmą stosującą tę praktykę – podobny proces, nazwany „Project Panama”, prowadził Anthropic, co ujawnił pozew autorów książek.

Głód danych bez AI-generowanych zanieczyszczeń

Firmy budujące duże modele językowe potrzebują nieporównywalnie dużych zasobów tekstu, a internet – jak wskazuje TechCrunch – został już w dużej mierze „wyeksploatowany” jako źródło danych treningowych. Anthropic w przeszłości sięgnął nawet po nielegalnie zdobyte, pirackie kopie książek. W tym kontekście rzadkie, zwłaszcza wyczerpane z druku lub niedostępne w sieci publikacje, stają się nową, pożądaną kategorią materiału treningowego.

Kluczowy argument, dla którego wydawcy AI polują właśnie na starsze, drukowane egzemplarze, to ich „czystość” pod względem daty powstania. Teksty opublikowane przed 2022 rokiem z definicji nie mogły zostać napisane przez modele językowe, co eliminuje ryzyko tzw. model collapse – zjawiska, w którym jakość generowanych przez LLM odpowiedzi degraduje się po nadmiernym „nakarmieniu” modelu treściami wygenerowanymi przez inne modele AI.

Booksellerzy cytowani przez The Decoder podejrzewają, że firmy AI systematycznie próbują skanować każdą książkę identyfikowaną numerem ISBN – co sugeruje, że proces ma charakter zorganizowanej, wielkoskalowej operacji, a nie pojedynczych, sporadycznych zakupów.

Precedens Anthropic i wyrok sądowy w tle

Amazon nie jest pierwszą firmą, która sięgnęła po tę metodę zdobywania danych. Jak przypomina The Decoder, Anthropic prowadził analogiczną operację o kodowej nazwie „Project Panama”. Sprawa wyszła na jaw dzięki pozwowi wytoczonemu przez autorów książek, z którego wynikało, że Anthropic kupował książki na rynkach wtórnych, obcinał ich grzbiety i cyfryzował zawartość.

Co istotne, sędzia orzekający w tej sprawie uznał, że tego rodzaju skanowanie kwalifikuje się jako dozwolony użytek (fair use) i nie narusza praw autorskich – częściowo właśnie dlatego, że drukowane oryginały zostały zniszczone, a więc nie były kopiowane i odsprzedawane dalej. Wyrok ten stworzył pewien precedens prawny, na który mogą powoływać się inne firmy technologiczne stosujące podobne praktyki, w tym Amazon.

Kontrowersje wokół niszczenia unikatowych egzemplarzy

Praktyka opisywana przez 404 Media i The Decoder budzi kontrowersje z kilku powodów. Po pierwsze, niszczone są egzemplarze, które mogą być niezastąpione – rzadkie wydania, których nie da się już nigdzie odtworzyć. Po drugie, wiedza zawarta w tych książkach zostaje w praktyce „ściągnięta” z publicznych półek i zamknięta wewnątrz prywatnych, komercyjnych modeli AI należących do jednej korporacji, bez możliwości swobodnego dostępu dla innych.

Warto zauważyć, że firmy technologiczne coraz częściej sięgają po różne, niekoniecznie oczywiste źródła danych treningowych – Amazon pozwala też, przykładowo, streamerom na platformie Twitch zablokować trenowanie AI na swoich transmisjach, co wskazuje, że temat wykorzystywania cudzych materiałów bez wyraźnej zgody twórców pozostaje dla firmy powracającym punktem sporu.

Amazon utrzymuje, że działa w granicach prawa, kupując książki przez legalne kanały komercyjne. Jednak fakt, że firma znana pierwotnie jako sprzedawca książek online dziś fizycznie niszczy egzemplarze, by zasilić swoje modele AI, symbolicznie ilustruje, jak dalece zmieniła się natura relacji wielkich firm technologicznych z drukowanym słowem – od dystrybucji treści do ich przetworzenia w surowiec dla algorytmów.

Sprawa pokazuje, że wyścig o dane treningowe wysokiej jakości nie zwalnia, a firmy AI są gotowe sięgać po fizyczne, analogowe zasoby, gdy internet przestaje wystarczać.