Las empresas de inteligencia artificial están comprando libros antiguos para obtener datos de entrenamiento sin errores
El discurso del corredor de datos ISBNdb es contundente: los mejores datos de entrenamiento de IA del mundo están en un estante. El problema es que conseguirlo significa cortar los lomos de millones de libros y luego nunca admitir qué laboratorio pagó por el trabajo.
La IA tiene un problema de contaminación que ella misma ha provocado. Gran parte de la web ahora está escrita por máquinas que los modelos son vulnerables a su propia extracción. Una empresa cree que el antídoto está en un estante: libros antiguos impresos, publicados antes de que aparecieran los chatbots.
404 Media informa que ISBNDB ahora dedica una gran cantidad de libros físicos a los laboratorios de inteligencia artificial para escanear datos de entrenamiento. La empresa se autodenomina la base de datos de libros más grande del mundo. "Los mejores datos de entrenamiento de IA del mundo están en un estante", dice su sitio. El libro, añade, es "denso, editado, auténtico".
¿Por qué libros viejos?
El valor está actualizado. ISBNdb sostiene que los libros impresos antes de 2022 son anteriores a la era de los grandes modelos lingüísticos, por lo que no pueden contener texto generado por IA. Esto es importante debido al colapso del modelo. Nombra la reducción registrada que los modelos establecen durante el entrenamiento en la producción sintética de modelos anteriores. Cada generación es un poco peor que la anterior.
💜 de tecnología de la UE
Los últimos rumores de la escena tecnológica de la UE, una historia de nuestro sabio fundador Boris y algo de arte de inteligencia artificial dudoso. Es gratis, todas las semanas, en tu bandeja de entrada. ¡Regístrate ahora!
Open Web no ofrece tal garantía. Una porción de texto en línea en rápido crecimiento ahora es generada por máquinas, parte de la misma inundación que ayudó a crear los laboratorios. La tirada anterior a 2022, por el contrario, es un registro fijo creado por el hombre que nadie puede reescribir silenciosamente.
Una carrera armamentista tóxica
La segunda razón es que los laboratorios quieren papel limpio. El autor ha comenzado a luchar contra el envenenamiento de datos. Toman prestadas técnicas de herramientas como Nightshade, uniendo texto con caracteres que una persona normalmente puede leer pero un modelo no. El propio blog de ISBNdb cita investigaciones antropológicas que afirman que entre 250 y 500 documentos documentados pueden colocar una puerta trasera en billones de tokens.
Los libros anteriores a 2022, escritos antes de que existieran todas estas herramientas, evitan el problema. ISBNdb lo vende como prueba: compre el papel, conserve los recibos y su equipo legal mantendrá una cadena de custodia limpia.
Problema de óptica
La empresa claramente tiene control sobre el Estado. El escaneo a escala suele destruir los libros. Los trabajadores cortan el lomo para que las páginas sueltas pasen a través de una máquina, que es más rápida y económica que la alternativa cuidadosa. Por lo tanto, ISBNdb proporciona privacidad a sus clientes. "NDA estricto en cada compromiso", dice su sitio. Los nombres de los compradores "nunca se revelan".
La razón radica en su propio texto de marketing. "El problema óptico es real", se lee en el sitio. "’Una empresa de inteligencia artificial destruye dos millones de libros' no es un titular que suscite simpatía." Una solución propuesta es pura manipulación: reescribir el documento para preservar los libros digitalmente.
Una lucha familiar
Todo esto ya suena directamente a una guerra de derechos de autor. Un juez estadounidense aprobó el acuerdo de 1.500 millones de dólares de Anthropic por libros pirateados y dictaminó que la capacitación en libros comprados y escaneados se considera uso legítimo. Parte de su argumento era que la copia destruye todo original impreso, por lo que una copia legal reemplaza a la otra. En otras palabras, comprar y triturar papel es el camino hacia la bendición de la corte.
De modo que la industria que prometió digitalizar el conocimiento humano ahora paga para comprarlo y convertirlo en pulpa, un camión cargado a la vez. Ingram, el mayor distribuidor de libros de EE.UU., ya alertó a los editores y les ofreció una forma de excluirse. Resulta que lo más raro en la IA es una frase que ninguna máquina ha tocado jamás.
