Kaip DI įmonės naikina knygas dėl vertingų duomenų

Jos į sandėlius atgabenamos nežymėtais sunkvežimiais. Ilgi padėklai. Kartoninės dėžės su ISBN etiketėmis. Tylus darbas, atliekamas greičiau, nei knygas būtų galima išsaugoti. Vaizdas primena logistikos operaciją, tačiau krovinys čia – literatūra: milijonai spausdintų knygų keliauja į pramoninius skenerius, kurie jas išardo puslapis po puslapio.

Tai 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 skenavusios knygas taip, kad jos galėtų likti lentynose, įmonės nupjauna jų nugarėles, o puslapius leidžia per didelės spartos pramoninius skenerius. Kompromisas žiauriai paprastas: greitis ir mažesnė kaina mainais į fizinį spausdinto leidinio išlikimą.

Teismo bylose ryškėja viena iškalbinga tendencija. Buvę su Google Books ir vėlesniais projektais susiję darbuotojai liudijo, kad buvo naudojamasi tiek tiekėjais, siūlančiais knygų neardančius viršutinio skenavimo sprendimus, tiek greitesnes destruktyvaus skenavimo paslaugas teikiančiomis įmonėmis. Tarp vėlesnių iniciatyvų minima ir Anthropic vidinė programa, teismo dokumentuose vadinama Project Panama. DI kūrėjams toks sprendimas atrodo pragmatiškas: destruktyvus skenavimas kainuoja mažiau ir leidžia daug kartų greičiau apdoroti didelius kiekius knygų.

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 tam tikrais atvejais gali būti laikomas „sąžiningu naudojimu“, šis sprendimas neapsaugojo Anthropic nuo sankcijų, kai privačiuose archyvuose buvo aptikta milijonai suskaitmenintų kopijų, gautų be tinkamo autorių ar leidėjų leidimo. Pranešama, kad dėl to skirtos baudos siekė 1,5 mlrd. JAV dolerių.

Leidėjai taip pat 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 iškyla 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 perka naudotas knygas ištisais padėklais? Atsakymas paprastas – 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 informacinę erdvę. Siekdami kurti modelius, gebančius rašyti nuoseklią ir tikslią prozą, kūrėjai ieško autentiškų šaltinių: gerai suredaguotos grožinės literatūros, kruopščiai parengtų negrožinių kūrinių ir retų akademinių monografijų, kurių nėra iš interneto surinktuose tekstynuose.

Čia įsitraukia tokios platformos kaip ISBNdb – internetinė duomenų bazė, kurioje pateikiama daugiau nei 111 mln. leidinių. Per tokias platformas pateikiamų užsakymų mastas labai skiriasi: nuo tūkstančio egzempliorių iki milijono knygų vienu sandoriu. Pardavėjai, anksčiau per savaitę išsiųsdavę kelias dešimtis knygų, dabar praneša apie penkis kartus, o kartais ir dar labiau išaugusias apimtis. Pirkėjai dažnai moka dideles sumas ir mažai domisi tema ar autoriumi – jei leidinys turi ISBN, jis tampa kandidatu.

Šis pokytis turi ir praktinę, ir etinę pusę. Viena vertus, retų tekstų skaitmeninimas gali pagerinti jų paiešką ir padėti išsaugoti turinį, nepaisant fizinio leidinių irimo. Kita vertus, masiškai pašalinant spausdintus kūrinius iš apyvartos ir vėliau juos sunaikinant, prieiga atimama iš bibliotekų, naudotų knygų rinkos ir būsimų tyrėjų. Ar retos ar istoriškai reikšmingos laidos prieš sunaikinimą atrenkamos ir apsaugomos? Turimi duomenys migloti. Aišku viena: 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 teisių klausimą. Jie susiję su kultūros paveldo apsauga, prieiga prie žinių ir tuo, kas kontroliuoja žaliavas, kuriomis maitinamas besiformuojantis dirbtinis intelektas.

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 skaitmeninami spausdinti kūriniai. Diskusija tik prasideda, tačiau knygų rietuvės ir toliau juda, o mašinos nenustoja ūžti. Kas kalbės knygų vardu?