Az AI-fejlesztőknek egyre nagyobb gond, hogy az internet már nem elég „tiszta” tanítóanyag: túl sok rajta az AI által generált tartalom. Ilyenkor felértékelődnek a könyvtárak polcain porosodó, de digitálisan még alig feltárt gyűjtemények.

Mi történt

Az Oxfordi Egyetem lehetővé tette, hogy az OpenAI a Bodleian Library egyes történeti szövegeit felhasználja modelljei tanításához. A megállapodás része egy 2025-ben bejelentett partnerségnek, amely eredetileg arról szólt, hogy a cég technológiájával digitalizálják a világhírű könyvtár anyagait, és így szélesebb körben hozzáférhetővé tegyék őket diákoknak és kutatóknak.

A most nyilvánosságra került részletek alapján a digitalizált anyag nemcsak online hozzáférésre szolgál, hanem bekerül az OpenAI tanítóadat-készletébe is. Ez leegyszerűsítve azt jelenti, hogy a rendszer rengeteg szöveges mintából tanulja meg, milyen szavak és mondatok követik egymást, majd ebből épít fel válaszokat. Júniusig 125 ezer, történeti disszertációkból szkennelt képet osztottak meg a Bodleian gyűjteményéből, és szóba kerültek olyan további anyagok is, mint 16. századi utcai balladák, 18. századi ír állami iratok, Marie Edgeworth levelei vagy Dorothy Hodgkin penicillinnel kapcsolatos jegyzetei.

Az egyetem szerint a projekt jelenlegi léptéke visszafogott, kizárólag szerzői jogi védelem alól kikerült anyagokra terjed ki, és a könyvtár megtartja a digitalizált másolatokhoz kapcsolódó jogokat. Ezeket a fájlokat a következő hónapokban nyíltan is közzé akarják tenni. Közben belső megbeszéléseken reputációs és környezeti aggályok is felmerültek: az AI-modellek tanítása energiaigényes folyamat, és egy ilyen partnerség az egyetem vállalásait is próbára teheti.

Miért fontos

Ez az ügy jól mutatja, merre mozdul az AI-ipar adatfronton. A nyílt webet ma már egyre inkább átitatja a gép által írt szöveg, ami olyan, mintha egy szakács egyre többször ugyanabból a maradékból próbálna új fogást készíteni: lehet belőle valami, de nem biztos, hogy ettől jobb lesz az alapanyag. Emiatt a fejlesztők történeti könyvtárakhoz, fizikai könyvgyűjteményekhez és nehezen hozzáférhető archívumokhoz fordulnak. A Guardian által ismertetett oxfordi vita azért érdekes, mert nem pusztán technológiai kérdésről van szó, hanem arról is, hogyan egyensúlyoz egy közintézmény a hozzáférés bővítése, a közérdek, az energiahasználat és a partnercégek üzleti érdekei között.

Mire figyelj

  1. Érdemes követni, pontosan milyen mennyiségű és típusú Bodleian-anyag kerül még digitalizálásra, mert a mostani „szerény lépték” könnyen lehet egy nagyobb program kezdete.
  2. Fontos kérdés, hogy a nyíltan közzétett szkennelt anyagok valóban javítják-e a kutatók és olvasók hozzáférését, vagy a gyakorlati haszon inkább az AI-fejlesztőknél csapódik le.
  3. Az is lényeges lesz, hogyan kezelik az egyetemek a transzparenciát: a jövőben valószínűleg egyre kevésbé lesz elég annyit mondani, hogy „digitalizálás”, ha a háttérben modelltréning is zajlik.
  4. Végül figyelni kell a könyvtári partnerségek terjedésére is, mert Oxford nem egyedi eset: ha ez bevett mintává válik, az alapjaiban formálhatja át, honnan tanulnak a következő AI-modellek.