Las empresas de IA compran y destruyen libros físicos para entrenar sus modelos

No es un gran problema. Desde la invención de la imprenta, cualquier libro importante ha sido duplicado por miles, decenas de miles o incluso millones de unidades. Tomar uno de esos y "destruirlo" (no se destruye, se almacena una copia digital con la capacidad de hacer millones de copias) no es problemático para la humanidad.

Por cierto, siempre busco libros de segunda mano. La mayoría de los libros allí son basura. La mayoría de la gente limpia sus estantes con los libros que no le importan, pero conserva los que son buenos. Si son jóvenes que heredaron una casa y no les importan los libros, seleccionan y venden los buenos, regalando los malos.

Si vas a un centro de reciclaje, la proporción de basura a calidad es de más de 100. Es decir, por cada 100 libros que son basura hay un libro de buena calidad. Es muy raro encontrar una joya allí.

Me desagradan estas empresas de IA, pero seamos claros: los titulares de derechos de autor son quienes encierran estos libros. Si no quieren imprimir más copias, podrían liberar los derechos de autor.

En cambio, hacen cumplir los derechos de autor y obligan a las empresas de IA a triturar los libros que quieren ingerir.

edit: Además, una empresa de IA solo se preocuparía por comprar, escanear y destruir un libro una vez. Presumiblemente, muchos libros tienen más de una copia.

El escaneo no destructivo puede costar 10 veces más. Esto se trata de costos. No se trata de preservación. Google nunca destruyó los libros que escaneó. Amazon y Anthropic están tratando de ahorrar dinero. No están considerando si un libro es raro o no. Están tratando los libros como un producto básico. Los libros raros son raros. Es bastante fácil identificar cuándo hay un número limitado de copias de un libro. El problema es ahorrar dinero en artículos que no se pueden adquirir fácilmente. Hay muchos libros de los que hay miles de copias disponibles. El escaneo destructivo de estos libros no es el problema. Es la destrucción indiscriminada de artículos que son únicos y de suministro limitado. Los libros raros son más que su contenido; son la tipografía, los materiales, el diseño, el olor y la fisicalidad de los artículos lo que importa. A menudo son muy diferentes de las ediciones de tapa dura o rústica del mercado masivo. No todos los libros se produjeron inicialmente en grandes cantidades. Esto es incorrecto. Muchos libros, antes de volverse importantes, se hicieron en tiradas limitadas. Las listas de lo que estoy leyendo a menudo incluyen libros que son de cantidad limitada. Parece un intento de obtener todo lo posible, no solo los artículos producidos en masa. El problema es hacer que las empresas de IA separen los artículos verdaderamente raros y únicos de los artículos producidos en masa. Escanear sin destrucción los raros, cortar los que tienen miles de copias.

Me sorprendió leer que Anthropic (y probablemente otras empresas de datos/modelos) están haciendo esto, y es extremadamente decepcionante, ya que trabajar por el beneficio de la humanidad no es un derecho/dominio exclusivo de ellos, sino que es una responsabilidad y misión compartida llevada a cabo por toda la humanidad como responsabilidad colectiva. Por lo tanto, la preservación de este conocimiento, su disponibilidad y accesibilidad son las cosas más importantes que debemos asegurar que continúen.

Desde un punto de vista de precedente histórico, esto es similar a la quema de la biblioteca de Alejandría, donde se destruyeron siglos de conocimiento y se dejó una versión limitada de la historia, la sobreviviente, privando a las generaciones sucesivas de una cantidad significativa de conocimiento latente.

A pesar de las restricciones de derechos de autor que obligan a las empresas a hacer esto, deberían mantener archivos que estén disponibles públicamente. Como se indica en mi primer párrafo, no son los administradores exclusivos de la humanidad a pesar de que se autoproclaman como tales. Cierto, muchos de estos libros podrían no ser tan útiles, pero aún así son una reliquia de tiempos anteriores al texto generado por máquinas, lo que los hace valiosos aunque solo sea por su valor de archivo.

Las organizaciones piratas están jugando ajedrez 4D mientras todos los demás juegan a las damas. La ironía de toda esta situación (empresas de IA obligadas legalmente a triturar libros debido a leyes de derechos de autor kafkianas, y luego utilizadas como táctica de marketing por Anna's Archive) es una obra de arte.

Apoyo a Anna's Archive, por cierto. La información quiere ser libre.

Las grandes empresas de IA están dejando pasar una oportunidad fácil para ganarse la buena voluntad del público.

Solo publiquen una bóveda de libros raros donde guarden las ediciones más antiguas que no estén en muchos catálogos de bibliotecas. Usen escaneo no destructivo para esas.

Alinéense con la imagen de salvaguardar algo. Parece una obviedad dados varios temas que he escuchado en las críticas a estas empresas.

Quizás la esperanza era enterrar la destrucción de libros bajo la alfombra, pero el gato ya está fuera de la bolsa. Publicitar un archivo de preservación de libros raros de última generación ahora es un buen movimiento.

A la tecnología le encanta asociarse con una tradición clásica o algo así. Nómbrenlo como la biblioteca de Alejandría. Sería una gran pérdida cultural si se quemara de nuevo. Gracias a Dios por nuestras grandes empresas de IA que mantienen el archivo intacto.

En realidad, supongo que serían archivos separados, ya que supongo que hay algo de una carrera armamentista para obtener datos de entrenamiento que los competidores no tienen, pero en realidad, ¿quién se quejaría de que haya múltiples archivos? Eso suena como algo bueno. ¿Y qué gran empresa de IA querría ser la única que no tiene un archivo?

Imagino que solo están comprando una copia de cada libro, por lo que solo afectan significativamente el suministro de libros que ya eran increíblemente raros. Eso puede ser malo, pero no apoya realmente la narrativa de "escanear todos los libros que puedas conseguir antes de que desaparezcan".

Eso no significa que esté en contra de esa narrativa; soy un gran partidario de las bibliotecas en la sombra y de escanear todos los libros no escaneados. Pero conectar esto con la narrativa de la IA parece oportunista y populista.

Quizás esté dando por sentado lo que se pregunta. Si un libro físico es raro, ¿no significa eso que no estuvo disponible para muchos en primer lugar? Me parece que proporcionar su conocimiento a través de la IA, incluso si es una empresa privada, beneficia a más personas que si estuviera sentado en una biblioteca en algún lugar, quizás leído por unos pocos, o peor, en la colección de algún coleccionista privado.

No puedo evitar sentir que hay algo de hipocresía o algo así en este llamado a indignarse por las empresas de IA y escanear libros ahora. ¿Qué pasaba antes cuando todavía estaban en su mayoría encerrados del mundo? Solo cuando realmente se están poniendo a disposición de, al menos, una parte del mundo más amplio, son un "patrimonio cultural" que vale la pena preservar. Qué vergüenza.

Uno de los peores artículos de todos los tiempos. Las empresas de IA compran libros viejos que estarían pudriéndose en un estante sin que nadie los leyera. Están obligadas por ley a destruir el libro como parte del proceso de escaneo. Este libro no se estaba leyendo de todos modos y ahora está digitalizado. Es decir, preservado para siempre.

Entiendo que quieras estar enojado con ellos. Estén enojados por razones reales, como aumentar los precios de la RAM o usar la red pública para socializar sus costos.