Cyfrowe palenie książek. Firmy AI niszczą miliony egzemplarzy, by ratować swoje modele

Gilotyny w magazynach pod San Francisco nie tną papieru na zamówienie drukarń. Tną grzbiety rzadkich wydań i podręczników, żeby błyskawicznie przepuścić je przez skanery. W świecie, gdzie dane są cenniejsze niż ropa, walka o czyste źródła wiedzy przybrała drastyczną postać. Firmy budujące duże modele językowe (LLM) masowo skupują fizyczne książki, niszczą je w procesie digitalizacji, a papierowe oryginały wysyłają na przemiał. To, co dla bibliofila jest barbarzyństwem, dla inżynierów stanowi jedyny sposób na uniknięcie „zatrucia” modeli treściami, które same wcześniej wyprodukowały.

Dlaczego to ważne właśnie teraz? Branża panicznie boi się zjawiska określanego jako AI slop — zalewu internetu tekstami niskiej jakości wygenerowanymi przez boty. Jeśli nowe systemy będą uczyć się na danych pochodzących od swoich poprzedników, ich inteligencja zacznie degenerować. Książki wydane przed 2023 rokiem to ostatni bastion wiedzy zweryfikowanej przez ludzkich redaktorów, całkowicie wolnej od halucynacji ChatGPT.

Pogoń za jakością w masie makulatury

Pośrednicy działający na zlecenie gigantów technologicznych operują po cichu, zamawiając towar całymi kontenerami. Według raportów serwisu 404 Media, antykwariusze odnotowują nagłe skoki obrotów, ale cena tej współpracy jest wysoka. Na przemiał trafiają nie tylko masowe czytadła, lecz także pozycje, które nigdy wcześniej nie doczekały się cyfrowej wersji. Istnieje realne ryzyko, że unikalne egzemplarze znikną bezpowrotnie tylko po to, by nakarmić kolejną wersję bota.

Metoda ta, stosowana między innymi w ramach projektu „Panama” przez firmę Anthropic, budzi kontrowersje nawet u konkurencji. Głos w sprawie zabrał Elon Musk, deklarując, że jego zespoły mają za zadanie zachowywać rzadkie woluminy i skanować je metodami bezinwazyjnymi. Jednak w wyścigu o dominację czas i koszty pracy manualnej przegrywają z wydajnością przemysłowych niszczarek.

Luka prawna i dozwolony użytek

Zamiast korzystać z pirackich baz danych, które są magnesem na pozwy, firmy AI wybrały metodę brutalną, ale skuteczną prawnie. Sąd federalny w San Francisco uznał, że skanowanie legalnie zakupionych książek na potrzeby trenowania algorytmów mieści się w granicach pojęcia „dozwolony użytek” (fair use). Nawet jeśli fizyczny nośnik zostaje przy tym zniszczony, prawo autorskie pozostaje (teoretycznie) nienaruszone.

• Firmy preferują książki sprzed 2023 roku jako gwarancję braku „zanieczyszczeń” AI.
• Proces niszczącego skanowania pozwala na digitalizację tysięcy stron na godzinę.
• Większość zmielonych książek trafia później do recyklingu jako makulatura o niskiej wartości.

Pytanie o etykę takiego postępowania pozostaje otwarte. Decrypt zauważa, że to technologiczny paradoks: budujemy najbardziej zaawansowane systemy w historii, niszcząc fizyczne nośniki wiedzy, na których te systemy bazują. Jeśli ten trend się utrzyma, fizyczne biblioteki staną się luksusem dostępnym tylko dla najbogatszych, podczas gdy reszta świata zostanie z cyfrowym modelem, który „przełknął” ich zawartość, wyrzucając papier do śmieci.