A nagy nyelvi modelleknek (LLM-eknek) szöveg kell — sok szöveg. És most úgy tűnik, a "jó minőségű" szövegért egyre gyakrabban a használtkönyv-piacra mennek, ahol a vége nem olvasás, hanem szkennelés és darálás.

Mi történt

Az AI-modelleket fejlesztő cégek eddig is rengeteg digitális anyagot használtak tanításhoz, sokszor vitatott jogi háttérrel. A digitális könyvek különösen érzékeny terep: volt példa arra, hogy cégeket kalózpéldányok használatával vádoltak, és olyan is, hogy szerzőkkel kötött megállapodás lett a vége.

Ezzel párhuzamosan terjed egy másik, kevésbé látványos, de annál „iparibb” megoldás: fizikai könyveket vásárolnak fel nagy tételben, majd a köteteket szétszedik és beszkennelik. Egy peres megállapodás részletei alapján az Anthropic például hidraulikus vágógéppel választotta le a könyvek lapjait a gerincről, majd ipari képalkotó eszközökkel digitalizálta az oldalak tartalmát — a könyv mint tárgy ezzel gyakorlatilag megszűnt.

A módszer jogi alapja több pilléren áll. Az egyik az úgynevezett first-sale doctrine (első eladás elve): ha megveszel egy példányt, a fizikai tárggyal alapvetően azt csinálsz, amit akarsz (eladod, ajándékozod, akár szét is szeded), a jogtulajdonos ebbe jellemzően nem szólhat bele. A másik a fair use (méltányos felhasználás) amerikai gyakorlata, ahol a bíróságok vizsgálhatják, hogy a felhasználás „átalakító” (transformative) jellegű-e. Itt az érvelés lényege: nem új könyvpéldányok terjesztése történik, hanem a szöveg digitális feldolgozása egy másik célra.

Közben a könyvkereskedelmi infrastruktúrában is megjelentek olyan szolgáltatók, amelyek kifejezetten AI-laborok igényeire optimalizálnak. A 404 Media által idézett ISBNdb például már nem csak könyvtáraknak és boltoknak segít adatbázissal, hanem 1 000-től akár 1 millió könyvig terjedő bulk beszerzéseket is közvetít — és azt is kommunikálja, hogy az ilyen vásárlásokat diszkréten kezeli, mert az „optika” problémás.

Miért fontos

A tét nem pusztán az, hogy „könyveket szkennelnek”. Az AI-tanításnál egyre nagyobb gond a adat-szennyezés: amikor a modell olyan szövegekből tanul, amelyeket már más AI-k generáltak, így a minőség és a megbízhatóság lassan „visszhanggá” válik. Gondolj rá úgy, mint amikor egy fénymásolatot fénymásolsz újra és újra: minden körben romlik a részletgazdagság. A nyomtatott, 2022 előtti könyvek azért vonzóak, mert nagy eséllyel még nem AI-írt tartalommal telítettek.

Csakhogy a fizikai példányok megsemmisítése kulturális és piaci kockázat: a ritka, kifutott, nehezen pótolható könyvek esetében a „még egy használt példány” nem mindig létezik. Ha néhány ezer véletlenszerűen kiválasztott tétel között ilyenek is vannak, az hosszú távon csökkentheti a hozzáférhető példányok számát — még akkor is, ha a szöveg digitálisan „megmarad” egy zárt tréningkorpuszon belül.

Mire figyelj

  1. Jogi precedensek: a „transformative” és a fair use értelmezése nem kőbe vésett. Egy-egy új ítélet könnyen átrajzolhatja, mi fér bele a tömeges szkennelésbe.
  2. Ritka könyvek védelme: várható, hogy könyvtárak, gyűjtemények, antikváriumok szigorúbb belső szabályokat vezetnek be (például eladási korlátozásokat vagy azonosítási kötelezettséget nagy tételeknél).
  3. Adatminőség vs. közérdek: a „tiszta” tréningadat iránti igény érthető, de a megoldás ára kérdéses. Ha a piac erre áll rá, könnyen lehet, hogy a szabályozók is előbb-utóbb rákérdeznek: társadalmilag elfogadható-e, hogy kulturális javak fizikai példányai így tűnjenek el.

A következő hónapok egyik csendes, de fontos vitája valószínűleg az lesz, hogy hol húzódik a határ a legitim digitalizálás és a visszafordíthatatlan kulturális veszteség között.