Jos atkeliauja į sandėlius nežymėtais sunkvežimiais. Ilgi padėklai. Kartoninės dėžės su ISBN etiketėmis. Tylus darbas. Greitesnis už išsaugojimą. Vaizdas primena logistikos operaciją, tačiau krovinys yra literatūra: milijonai spausdintų knygų keliauja į pramoninius skenerius, kurie jas ardo puslapis po puslapio.

Tai, apie ką skaitote, nėra sąmokslo teorija. Teismų dokumentai ir pranešėjų liudijimai rodo, kad kelios dirbtinio intelekto įmonės, siekdamos masiškai skaitmeninti spausdintus tekstus, taiko destruktyvaus skenavimo metodus. Užuot kruopščiai fiksavusios knygas taip, kad jos liktų lentynose, įmonės nupjauna knygų nugarėles, o puslapius leidžia per didelės spartos pramoninius skenerius. Kompromisas čia žiauriai paprastas: greitis ir mažesnė kaina mainais į fizinį spausdinto leidinio išlikimą.

Teismo bylose išryškėja viena daug pasakanti gija. Buvę darbuotojai, susiję su Google Books ir vėlesniais projektais, tokiais kaip Anthropic vidinės iniciatyvos, teisminiuose dokumentuose vadinamos Project Panama, liudijo, kad buvo naudojamasi tiek švelnų skenavimą iš viršaus, tiek greitesnę destruktyvią paslaugą siūlančiais tiekėjais. DI kūrėjams toks sprendimas yra pragmatiškas. Destruktyvus skenavimas kainuoja mažiau ir daug kartų paspartina apdorojimo apimtis.

Pavyzdžiui, Anthropic kaltinama išleidusi milijonus, kad iš spausdintų knygų, įsigytų per tokius perpardavėjus kaip Better World Books, išgautų mokymo duomenis, o po skenavimo šiuos egzempliorius sunaikintų. Nors teisėjas neseniai nusprendė, kad autorių teisių saugomų kūrinių naudojimas DI mokymui kai kuriais atvejais gali patekti į „sąžiningo naudojimo“ sąvoką, šis sprendimas neapsaugojo Anthropic nuo sankcijų, kai privačiuose archyvuose buvo aptikta milijonai suskaitmenintų kopijų, paimtų be tinkamo autorių ar leidėjų leidimo. Pranešama, kad dėl to skirtos baudos siekė 1,5 mlrd. JAV dolerių.

Leidėjai neliko nuošalyje. Leidėjų koalicijos pateikė ieškinius, teigdamos, kad kitos technologijų milžinės be leidimo naudojo autorių teisių saugomus leidinius didiesiems kalbos modeliams mokyti. Teisinė kova sukasi apie teises ir žalos atlyginimą, tačiau virš teismo salės pakimba platesnis kultūrinis klausimas: ar privačioms įmonėms turėtų būti leidžiama viešų ir privačių bibliotekų fondus paversti nuosavais duomenimis, o originalus vėliau susmulkinti?

Tad kodėl technologijų bendrovės superka naudotas knygas ištisais padėklais? Tiesus atsakymas yra mokymo duomenys. Kokybiški, žmonių parašyti tekstai tebėra vienas vertingiausių išteklių pažangiems kalbos modeliams. Internetas jau perpildytas prastos kokybės DI sugeneruotu turiniu, pašaipiai vadinamu „DI šlamštu“, kuris teršia informacinį signalą. Norėdami kurti modelius, gebančius rašyti nuoseklią ir tikslią prozą, kūrėjai ieško autentiškų šaltinių: gerai suredaguotos grožinės literatūros, kruopščios negrožinės literatūros ir retų akademinių monografijų, kurių nėra iš interneto surinktuose tekstynuose.

Čia atsiranda tokios rinkos kaip ISBNdb, internetinė duomenų bazė, kurioje pateikiama daugiau nei 111 mln. leidinių. Per tokias platformas pateikiami užsakymai labai skiriasi: nuo tūkstančio egzempliorių iki vieno sandorio už milijoną. Pardavėjai, kurie anksčiau per savaitę išsiųsdavo kelias dešimtis knygų, dabar praneša apie penkis kartus, o kartais ir dar labiau išaugusias apimtis. Pirkėjai dažnai moka dideles sumas ir menkai domisi tema ar autoriumi; jei leidinys turi ISBN, jis tampa kandidatu.

Šis pokytis turi praktinių ir etinių aspektų. Viena vertus, retų tekstų skaitmeninimas gali pagerinti jų paiešką ir užtikrinti, kad turinys išliktų nepaisant fizinio irimo. Kita vertus, masinis spausdintų kūrinių išėmimas iš apyvartos, po kurio jie sunaikinami, atima prieigą iš bibliotekų, naudotų knygų rinkų ir būsimų tyrėjų. Ar retos arba istoriškai reikšmingos laidos prieš sunaikinimą yra atrenkamos ir apsaugomos? Įrašai migloti. Aišku tai, kad nuskenuoti tekstai dažnai atsiduria privačiose duomenų bazėse, prieinamose tik už jas sumokėjusioms įmonėms.

Įsivaizduokite kartą, kuriai reikia patikrinti citatą ar ištirti archyvinę pastabą, tačiau svarbiausių leidinių fizine forma jau nebėra, o suskaitmenintos kopijos užrakintos už korporacijų sienų. Šie kompromisai peržengia nuosavybės teisės ribas. Jie paliečia kultūros paveldo priežiūrą, prieigą prie žinių ir klausimą, kas kontroliuoja žaliavas, maitinančias besiformuojantį dirbtinį intelektą.

Knygų naikinimas siekiant mokyti rytojaus intelektą kelia sunkų klausimą: ar technologinė pažanga verta negrįžtamo dalies mūsų popierinio paveldo praradimo?

Politikos formuotojai, bibliotekininkai ir technologijų specialistai turės nuspręsti, ar susitaikyti su privačiu suskaitmenintos literatūros kaupimu, įpareigoti suteikti viešą prieigą, ar reguliuoti metodus, kuriais fiksuojami spausdinti kūriniai. Diskusija tik prasideda, tačiau knygų rietuvės juda toliau, o mašinos nenustoja ūžti. Kas kalbės knygų vardu?