חקירה של אתר 404 Media, שבמסגרתה הוצמד AirTag לתוך משלוח ספרים נדירים, חשפה כיצד אמזון קונה ספרי דפוס בכמויות גדולות, סורקת אותם כנתוני אימון למודלי Nova שלה, ובתהליך גם משמידה את העותקים המקוריים. בענף המסחר בספרים נדירים חוששים שהתופעה שיטתית ופוגעת בשימור תרבותי.
חקירה חדשה של אתר 404 Media, המתוארת ב-The Decoder, חושפת כיצד אמזון רוכשת ספרי דפוס בכמויות גדולות, סורקת אותם כדי לייצר נתוני אימון עבור מערכות הבינה המלאכותית שלה, ותוך כדי כך מחסלת את העותקים הפיזיים.
במסגרת הבדיקה הצמידו כותבי החקירה התקן איתור מסוג AirTag בתוך משלוח של ספרים נדירים ועקבו אחריו לאורך כל הדרך ברחבי ארצות הברית. המשלוח הגיע בסופו של דבר למחסן של אמזון בלאס וגאס, שם פועל צוות פנימי בשם VGT3 - קבוצה שלוגו שלה, לפי הדיווח, מציג דינוזאור מסוג טירנוזאורוס רקס האוחז בספר.
עובדים במחסן מספרים כי הם חותכים את שדרות הספרים (spines) כדי להאיץ את תהליך הסריקה - שיטה שהופכת את הכריכה למבנה נפרד מהדפים ומאפשרת הזנה מהירה יותר של העמודים לסורק, אך למעשה משמידה את הספר כאובייקט פיזי שלם. לפי הדיווח, אמזון משתמשת בחומר שנסרק כך לאימון משפחת מודלי השפה שלה, Nova.
דובר אמזון שהגיב לפניית 404 Media אמר כי החברה רוכשת ספרים דרך ערוצים מסחריים רגילים במטרה לשפר את המוצרים שלה, מבלי להתייחס במפורש לשאלת ההשמדה של העותקים. סוחרי ספרים המצוטטים בכתבה חושדים כי חברות בינה מלאכותית פועלות באופן שיטתי לסרוק כל ספר לפי מספר ה-ISBN שלו, במטרה למצות מאגר ידע שלם.
הערך המיוחד של ספרים מודפסים, כך עולה מהדיווח, נובע משני גורמים מרכזיים: חלק גדול מהם מעולם לא הועלה לאינטרנט, וכמעט כולם קדמו לשנת 2022 - כלומר הם נכתבו לפני שהתפשטות כלי הבינה המלאכותית הציפה את הרשת בתוכן שנוצר על ידי מכונות. עבור חברות המאמנות מודלי שפה, מדובר במאגר נדיר של טקסט אנושי "נקי" יחסית.
אמזון אינה לבד בפרקטיקה הזו. לפי הדיווח, אנתרופיק הפעילה מבצע דומה שכונה "Project Panama", ובמסגרתו רכשה ספרים בשווקים מקוונים, גזרה את שדרותיהם ודיגיטלה אותם. פרטים על המבצע התגלו במסגרת תביעה שהגישו נגדה סופרים בטענה להפרת זכויות יוצרים. השופט בתיק קבע כי הסריקה נכנסת תחת הגנת "שימוש הוגן" (fair use) ואינה מפרה זכויות יוצרים, בין היתר משום שהעותקים המודפסים המקוריים הושמדו ולכן לא הועתקו או נמכרו מחדש.
המשמעות של הפרקטיקה, כפי שהיא עולה מהחקירה, מעוררת מתח בין שני צרכים: מצד אחד, חברות טכנולוגיה זקוקות לחומר אימון איכותי ונדיר כדי לשפר את מודלי הבינה המלאכותית שלהן. מצד שני, מבקרי התהליך מזהירים כי ספרים נדירים - שלעיתים אין להם תחליף - נעלמים מהמדף הציבורי לצמיתות, בעוד שהתוכן שבתוכם נכלא בתוך מודלים סגורים בבעלות תאגיד בודד. ככל הנראה, ככל שהתחרות על נתוני אימון איכותיים תגבר, גם המתח בין שימור מורשת תרבותית לבין צרכי פיתוח הבינה המלאכותית צפוי להעמיק.