DI gigantai masiškai superka ir naikina senas knygas. Jau vyksta masinis skenavimas ()
Dirbtinio intelekto gigantai rado naują duomenų šaltinį: naudotas spausdintas knygas.
© DI
Prisijunk prie technologijos.lt komandos!
Laisvas grafikas, uždarbis, daug įdomių veiklų. Patirtis nebūtina, reikia tik entuziazmo.
Sudomino? Užpildyk šią anketą!
Dėl interneto išteklių išeikvojimo įmonės perka ištisas paletes tomų iš dėvėtų knygų parduotuvių.
Atliekamas vadinamasis destruktyvus skenavimas, tai reiškia, kad po įsigijimo knygos sunaikinamos, o jų puslapiai įkeliami į kalbos modelius (LLM) kaip unikalus, „nesugadintas“ tekstas.
Manoma, kad iš rinkos jau dingo 3 milijonai tomų. JAV priimti novatoriški sprendimai pripažino šią praktiką teisėta, o tai kelia susirūpinimą dėl kultūros paveldo privatizavimo, cenzūros ir kolektyvinės atminties praradimo.
Dirbtinio intelekto pramonė rado naują duomenų šaltinį: fizines, naudotas knygas. Antikvarinių knygų prekeiviai Vokietijoje, Šveicarijoje ir Austrijoje patiria precedento neturintį užsakymų apimties augimą.
Technologijų įmonės ir jų vardu veikiantys tarpininkai iš antrinės rinkos perka tūkstančius tomų, kurie vėliau yra destruktyviai nuskaitomi.
Manoma, kad vien Vokietijoje jau įsigyta apie 700 000 tomų, o visame pasaulyje šis skaičius siekia 3 milijonus. Tai skirta kalbos modeliams mokyti – aprūpinti dirbtinį intelektą naujomis žiniomis, kurios anksčiau nebuvo prieinamos internete.
Knygų pasirinkimas nėra atsitiktinis. Pirkėjai sąmoningai renkasi negrožinę literatūrą, išleistą nuo XX a. 8-ojo dešimtmečio. Pagrindinės domėjimosi sritys yra moksliniai tyrimai, teisė, lingvistika, ekonomika ir regioninė istorija. Paprastai perkamas tik vienas konkretaus leidinio egzempliorius – dažniausiai tas, kuris dėl mažos paklausos metų metus gulėjo lentynose.
Gavus knygas, jos siunčiamos į specializuotus objektus. Ten jų nugarėlės apkarpomos giljotinos staklėmis, todėl puslapiai greitai nuskaitomi įrenginiuose, galinčiuose nuskaityti 80–120 puslapių per minutę. Suskaitmenintas tekstas perkeliamas tiesiai į dirbtinio intelekto modelių duomenų bazes, o puslapiai nedelsiant siunčiami utilizuoti ir perdirbti.
|
Skenavimas taip pat gali būti atliekamas nesunaikinant knygų, tačiau tai yra lėčiau. Verta paminėti, kad tai nėra klasikinis knygų skaitmeninimas, suprantamas kaip skaitmeninių kopijų prieinamumo žmonėms užtikrinimas. Jų turinys bus prieinamas tik modeliams, ir jie galės jį naudoti atsakydami į vartotojų užklausas.
Priežastis, kodėl dirbtinio intelekto kūrėjai pradėjo naudoti popierines versijas, yra atvirų interneto išteklių išeikvojimas. Esama mokymo bazė, paremta viešai prieinamomis svetainėmis, socialine žiniasklaida ir Vikipedija, yra beveik visiškai išsekusi. Be to, šiuolaikinis internetas vis labiau užterštas pačių dirbtinio intelekto modelių sukurtu turiniu.
Algoritmų maitinimas savo išvestimi sukelia reiškinį, vadinamą „modelio kolapsu“ , ir drastišką sugeneruotų atsakymų kokybės sumažėjimą. Modeliai įsitikina, jog tam tikros frazės, tokios kaip „tai ne X, o Y“, yra tokia natūrali žmonių bendravimo konstrukcija, kad jas galima įtraukti beveik kiekvienoje pastraipoje.
Knygos, išleistos vadinamojoje analoginėje eroje, prieš plačiai paplitusį skaitmeninimą, o ypač prieš 2022 m., kai viešai debiutavo ChatGPT, yra unikalus, neužterštas patikrintų žinių, tęstinio pasakojimo ir specializuotos terminologijos šaltinis. Nors viešojo domeno kūriniai anksčiau buvo suskaitmeninti tokiuose projektuose kaip „Google Books“, XX a. antrosios pusės autorių teisių saugoma literatūra dar neturėjo teisėtų skaitmeninių versijų.
Vakarų technologijų laboratorijoms (arba bent jau toms, kurios nenaudojo piratinių knygų duomenų bazių) šios kolekcijos tapo geidžiamu, anksčiau nežinomu unikalių duomenų rezervuaru, ypač vertingu ne tik anglų, bet ir kitomis kalbomis.
Kyla klausimas, ar visa tai teisėta. Verta pacituoti 2025 m. JAV federalinio teismo sprendimą byloje „Bartz prieš Anthropic“. Teisėjas nustatė, kad fizinis knygos įsigijimas, jos sunaikinimas ir tik skaitmeninės kopijos išsaugojimas dirbtinio intelekto mokymo tikslais patenka į JAV autorių teisių įstatymo sąžiningo naudojimo doktriną.
Kadangi skaitmeninis įrašas nėra pakartotinai naudojamas kaip knygos pakaitalas, o veikiau tarnauja aparato edukaciniams tikslams, jis turi transformacinį poveikį. Nors Claude modelio kūrėjai sumokėjo 1,5 milijardo dolerių pagal susitarimą už ankstesnį piratinių skaitmeninių bibliotekų naudojimą, jų „Panamos projektas“, kuris apėmė masinį kūrinių pirkimą ir sunaikinimą, sulaukė teisinio palaikymo.
Europos Sąjungoje padėtis kitokia. Europos teisei trūksta sąžiningo naudojimo lankstumo. Nors ES DSM direktyva įvedė išimtį teksto ir duomenų gavybai, ji suteikia autoriams teisę prieštarauti. Senesnių kūrinių, kurie dažnai nebespausdinami arba buvo paskelbti iki direktyvos įsigaliojimo, atveju prieštaravimo mechanizmą sunku įgyvendinti, o tokių duomenų gavimo teisėtumas išlieka ginčytinu teisiniu klausimu.
Atsižvelgiant į dirbtinio intelekto jau turimas žinias, 3 milijonai knygų sudaro maždaug 300 milijardų teksto žetonų arba vos kelis procentus naujausių modelių naudojamų duomenų rinkinių. Tačiau šio turinio unikalumas yra vertingas.
Technologijų gigantai skenuoja, be kita ko, mažai tiražu išleistas disertacijas, monografijas ir vietos istorijos leidinius, išleistus 300–500 egzempliorių tiražu. Kai kurie iš jų yra reti radiniai, kurie popierine forma gali amžiams išnykti iš rinkos, o įmonės, perkančios knygas padėklais, atrodo, dėl to nesijaudino.
Sunaikinus paskutinius vis dar apyvartoje esančius egzempliorius, jie bus pašalinti iš viešos antikvarinių daiktų apyvartos. Nors popierius bus perdirbtas, puslapiuose užfiksuotos žinios visiškai neišnyks; veikiau jos bus perkeltos į naują laikmeną.
Viena vertus, stebime žinių prieinamumo pažangą, nes vietoj ilgų paieškų naudotų knygų parduotuvėse ar bibliotekose galėsime gauti informacijos iš šių knygų vos keliais paspaudimais. Bent jau optimistine prasme. Pesimistiškesnis požiūris labiau primena regresą – grįžimą prie žodinės kultūros, kurioje žinios buvo perduodamos žodžiu, pakeliui iškraipomos. Kai kas buvo atimta, kai kas pridėta, ir taip atsirado tylus šauksmas.
Dirbtinis intelektas, nors šiuo metu galima teigti, kad tai pažangiausia žmonių sukurta technologija skaičiavimo srityje, nėra apsaugotas nuo ikiraštingumo eros problemų.
Dirbtinio intelekto haliucinacijos, arba modelių polinkis kurti ir iškraipyti duomenis, tebėra neišspręsta problema. Be to, šio turinio gavėjai jį pasiekia netiesiogiai. Dėl autorių teisių apsaugos modelis neskleidžia citatų ir nepadaro prieinamų el. knygų parsisiuntimui. Jis galės mums pasakyti, kas yra tam tikroje knygoje, tačiau savais žodžiais ir interpretacija, kuri gali skirtis nuo originalo. Tai sukuria klaidų, bet ir tyčinio manipuliavimo riziką.
Prancūzų filosofas Michelis Foucault galią prilygino žinioms. Nepaisant dirbtinio intelekto kūrėjų deklaruojamo neutralumo (kurį taip pat galima interpretuoti skirtingai), modeliai gali perteikti informaciją, kuri yra cenzūruojama ir transformuojama pagal įmonių interesus, o šios informacijos patikrinimas gali būti sunkus arba neįmanomas, jei nėra autentiškų, nepakeistų knygų, iš kurių jie semiasi žinių, kopijų.
Taigi literatūra iš bendrojo gėrio srities persikels į uždaras, privačias didelių korporacijų duomenų bazes. Nesant iš viršaus į apačią nukreiptų reglamentų, verčiančių įmones teikti skaitmenines kopijas viešosioms bibliotekoms, didelė XX amžiaus unikalaus kultūros ir mokslo paveldo dalis gali būti negrįžtamai atkirsta nuo visuomenės ir atsidurti privačiose rankose.
Kam naudinga ši nauja padėtis ir kam tai rūpi? Padėtis gana sudėtinga. Didžiausi šios praktikos laimėtojai yra antikvarai, kurie pagaliau turi rinką knygų, dulkančių jų lentynose. Tiems, kurie atlieka tyrimus – tiek paprastiems vartotojams, tiek akademikams ir žurnalistams – tai galėtų būti patogus ir pigesnis pasirinkimas nei ieškoti fizinių ar skaitmeninių tekstų kopijų (darant prielaidą, kad dirbtinio intelekto duomenys yra patikimi, o įrankis yra nemokamas, kas ilgainiui nėra visiškai aišku).
Destruktyvus knygų nuskaitymas ir perkėlimas į didelių kalbų modelių (LLM) žinių bazes gali kelti susirūpinimą tiems, kurie rūpinasi žmonijos kultūros paveldo išsaugojimu, nes raštas yra vienas iš pagrindinių civilizacijos atributų, o knygos buvo gerbiamos šimtmečius.
Tačiau tai nereiškia, kad kiekvienas atspausdintas popieriaus lapas turi didžiulę pažintinę ar literatūrinę vertę ir kad jį reikėtų dievinti bibliofiliniu būdu. Knygos, kaip ir bet kuris kitas kultūrinis tekstas, dažnai yra iškraipytos arba yra prastos kokybės šiukšlės, parašytos (arba vis dažniau generuojamos dirbtinio intelekto) vien pelno tikslais.
Tačiau, be akivaizdaus sentimentalumo, problema yra galimas informacinių duomenų trūkumas – originalų „tik skaitymui“ skirtą turinį perims kaprizingi algoritmai, todėl neįmanoma nepriklausomai patikrinti, ką tiksliai parašė autorius.
Kyla klausimas, ar kas nors apskritai varginsis šiuo patikrinimu. Be mažėjančio skaitytojų, tikrinančių informaciją (įskaitant faktų tikrinimo įrankius), skaičiaus, deja, vis daugiau turinio vartotojų tenkina tai, kas jiems pirmiausia pateikiama internete.
Kai Strittmatter apie tai rašė savo knygoje „China 5.0: How a Digital Dictatorship Is Rising“, kurioje jis aprašė, kaip dauguma studentų net neaktyvavo VPN įrankio, kurį jie gavo norėdami skaityti straipsnius iš užsienio portalų, o dauguma žmonių buvo patenkinti turiniu iš Kinijos interneto, kurį „kuravo“ partijos cenzoriai.
Be to, dėl prieigos prie rašytinio turinio (pvz., apie Tiananmenio aikštės žudynes) trūkumo kolektyvinė atmintis nyksta. Autorius taip pat palygino George'o Orwello ir Aldouso Huxley susirūpinimą. Pirmasis baiminosi, kad knygos bus cenzūruojamos arba pašalintos iš apyvartos, o antrasis baiminosi, kad niekam tai nerūpės. Abu šie blogiausi scenarijai išsipildė Kinijoje, bet argi ne tas pats vyksta ir čia?
Procesą, kurį vykdo ateities superintelekto – technologijos, intelektualiniais pajėgumais pranokstančios visą žmoniją – kūrėjai, galima nagrinėti atsižvelgiant į tokias literatūrines distopijas kaip Orwello „1984-ieji“ ,Huxley „Puikus naujas pasaulis“ ar Bradbury „451 laipsniai pagal Farenheitą“, ir galima diskutuoti, kuri iš šių vizijų geriausiai tinka.
Galima teigti, kad kiekviena iš jų tam tikru mastu numatė, kas vyksta su rašymu šiandien. Savo nuomonę išsakė ir lenkų autorius Jacekas Dukajus. Dar prieš LLM erą savo esė „Po rašymo“ jis numatė tradiciškai suprantamo rašymo krizę ir augantį naujųjų skaitmeninių medijų, skleidžiančių žinias gana išsigimusia forma, vaidmenį.
Pažanga ne visada reiškia pokyčius į gerąją pusę, o kabinėjimasis į praeitį ne visada apsaugo nuo blogio ir korupcijos. Google žemėlapiai puikiai pakeitė popierinius, kompiuteriai – rašomąsias mašinėles ir skaičiavimo prietaisus. Tačiau kai nestabili skaitmeninė atmintis pakeičia spausdintą ir netaisomą atmintį, o dirbtinis intelektas – mūsų pačių, atsiduriame tikrai nestabilioje padėtyje.
.jpg)
.jpg)
