نابودی کتاب های چاپی برای آموزش مدل های هوش مصنوعی

آن‌ها با کامیون‌های بدون علامت به انبارها می‌رسند. پالت‌های بلند. جعبه‌های مقوایی مهرخورده با برچسب‌های ISBN. کار خاموش و بی‌صدا. سریع‌تر از فرآیند حفظ آثار. صحنه شبیه عملیات لجستیک به‌نظر می‌آید، اما بار، ادبیات است: میلیون‌ها کتاب چاپی که برای اسکنرهای صنعتی ارسال می‌شوند که آن‌ها را صفحه‌صفحه جدا می‌کنند.

موضوعی که می‌خوانید یک نظریه توطئه نیست. مدارک دادگاهی و گزارش‌های افشاگر نشان می‌دهد چندین شرکت فعال در هوش مصنوعی تکنیک‌های اسکن مخرب را برای دیجیتالی‌سازی گسترده متون چاپی به‌کار گرفته‌اند. به‌جای ثبت محتاطانه و حفظ کتاب روی قفسه، ستون فقرات کتاب جدا شده و صفحات در اسکنرهای صنعتی پرسرعت قرار می‌گیرند. معاوضه به‌طرز قاطعانه‌ای ساده است: سرعت و هزینه کمتر در برابر بقا و حفظ فیزیکی نسخه چاپی.

یک نکته روشن در میان این مدارک دیده می‌شود. کارکنان سابقی که در پروژه‌هایی مانند Google Books و تلاش‌های بعدی Anthropic که در دعاوی قضایی با نام پروژه پاناما مطرح شده شرکت داشتند، شهادت داده‌اند که پیمانکارانی که هم اسکن آرام از بالا و هم خدمات مخرب و سریع‌تر ارائه می‌کردند، مورد استفاده قرار گرفته‌اند. برای سازندگان مدل‌های هوش مصنوعی، این تصمیم عملی است. اسکن مخرب هزینه کمتری دارد و توان عملیاتی را به مراتب افزایش می‌دهد.

برای نمونه، Anthropic متهم است که میلیون‌ها دلار هزینه کرده تا داده‌های آموزشی را از کتاب‌های چاپی خریداری‌شده از طریق فروشندگان ثانویه‌ای مانند Better World Books استخراج کند و سپس آن نسخه‌ها را پس از اسکن از بین ببرد. در حالی که یک قاضی اخیراً حکم داده که استفاده از آثار دارای حق نشر برای آموزش هوش مصنوعی در برخی زمینه‌ها می‌تواند تحت عنوان «استفاده عادلانه» قرار گیرد، آن حکم مانع از اعمال اقدامات تنبیهی علیه Anthropic نشد، زمانی که در آرشیوهای خصوصی، میلیون‌ها نسخه دیجیتالی‌شده بدون مجوز مناسب نویسنده یا ناشر یافت شد؛ اقدامی که به‌گفته گزارش‌ها جریمه‌هایی تا 1.5 میلیارد دلار به دنبال داشت.

ناشران بیکار ننشسته‌اند. ائتلاف‌هایی از ناشران دعاوی مطرح کرده‌اند و ادعا دارند که غول‌های فناوری دیگر از عناوین دارای حق نشر بدون اجازه برای آموزش مدل‌های زبانی بزرگ استفاده کرده‌اند. نبرد حقوقی حول حقوق و راهکارهای جبران متمرکز است، اما پرسش فرهنگی بزرگ‌تری در دادگاه مطرح می‌شود: آیا باید به شرکت‌های خصوصی اجازه داد منابع کتابخانه‌های عمومی و خصوصی را به داده‌های مالکیتی تبدیل کرده و سپس نسخه‌های فیزیکی را از بین ببرند؟

پس چرا شرکت‌های فناوری کتاب‌های دست‌دوم را به‌صورت پالتی خریداری می‌کنند؟ پاسخ ساده، داده‌های آموزشی است. متون باکیفیت و نوشته‌شده توسط انسان هنوز از ارزشمندترین ورودی‌ها برای مدل‌های زبانی پیشرفته محسوب می‌شوند. وب‌سایت‌ها هم‌اکنون مملو از محتوای تولیدشده با کیفیت پایین توسط هوش مصنوعی هستند که به‌صورت تحقیرآمیز «آشغال هوش مصنوعی» نامیده می‌شود و سیگنال‌های مفید را آلود می‌کند. برای ساخت مدل‌هایی که نثر منسجم و دقیق تولید کنند، توسعه‌دهندگان به منابع اصیل نیاز دارند: ادبیات داستانی خوب ویراست‌شده، غیر داستانی دقیق، و تک‌نگاری‌های دانشگاهی نادری که در مجموعه‌های وب خراشیده‌شده یافت نمی‌شوند.

بازارهایی مانند ISBNdb وارد می‌شوند، پایگاه‌داده آنلاین که بیش از 111 میلیون عنوان را فهرست می‌کند. سفارش‌هایی که از طریق چنین پلتفرم‌هایی گذاشته می‌شوند بسیار متغیرند، از هزار نسخه تا معامله‌ای یک میلیون نسخه‌ای. فروشندگانی که زمانی چند ده کتاب در هفته ارسال می‌کردند حالا افزایش پنج‌برابری فروش یا بیشتر را گزارش می‌دهند. خریداران اغلب مبالغ زیادی پرداخت می‌کنند و علاقه چندانی به موضوع یا نویسنده نشان نمی‌دهند؛ اگر یک عنوان ISBN داشته باشد، نامزد خرید است.

این تغییر ابعاد عملی و اخلاقی دارد. از یک سو دیجیتالی‌سازی متون نادر می‌تواند کشف آثار را بهبود بخشد و تضمین کند محتوا از فساد فیزیکی جان سالم به در ببرد. از سوی دیگر، خارج کردن گسترده آثار چاپی از چرخه انتشار و سپس نابودی آن‌ها، دسترسی کتابخانه‌ها، بازارهای کتاب دست‌دوم و پژوهشگران آینده را سلب می‌کند. آیا نسخه‌های نادر یا بااهمیت تاریخی قبل از نابودی جدا شده و کنار گذاشته می‌شوند؟ سوابق نامشخص‌اند. آنچه روشن است این است که متون اسکن‌شده اغلب در پایگاه‌داده‌های خصوصی قرار می‌گیرند که تنها برای شرکت‌هایی که هزینه آن را پرداخته‌اند قابل دسترسی‌اند.

تصور کنید نسلی می‌خواهد یک نقل‌قول را بررسی کند یا حاشیه‌نویسی یک سند آرشیوی را مطالعه کند، اما نسخه‌های کلیدی دیگر به شکل فیزیکی وجود ندارند و نسخه‌های دیجیتال پشت دیوارهای شرکتی محبوس‌اند. معاوضه‌ها فراتر از حقوق مالکیت هستند. آن‌ها به نگهداری فرهنگی، دسترسی به دانش و این‌که چه کسی کنترل مواد خامی را که هوش مصنوعی نوظهور را تغذیه می‌کنند در دست دارد، مربوط می‌شوند.

نابودی کتاب‌ها برای آموزش هوش فردا پرسشی دشوار برمی‌انگیزد: آیا پیشرفت فناوری ارزش از دست رفتن دائمی بخشی از میراث مکتوب ما را دارد؟

سیاست‌گذاران، کتابداران و فناوران باید تصمیم بگیرند آیا احتکار خصوصی ادبیات دیجیتال شده را بپذیرند، دسترسی عمومی را الزام کنند، یا روش‌های استفاده‌شده برای ثبت آثار چاپی را تنظیم کنند. بحث تازه آغاز شده است، اما قفسه‌ها همچنان جابه‌جا می‌شوند و ماشین‌ها همچنان می‌چرخند. چه کسی از حقوق کتاب‌ها دفاع خواهد کرد؟