Las empresas de IA están comprando libros antiguos para obtener datos de entrenamiento sin errores.

      La propuesta del corredor de datos ISBNdb es contundente: los mejores datos de entrenamiento de IA del mundo están en una estantería. La trampa es que acceder a ellos significa cortar el lomo de millones de libros, y luego nunca admitir qué laboratorio pagó por el trabajo.

      La IA tiene un problema de contaminación que ha creado por sí misma. Tanto del contenido web ahora está escrito por máquinas que los modelos corren el riesgo de alimentarse de sus propios desechos. Una empresa cree que el antídoto está en una estantería: libros impresos antiguos, publicados antes de la llegada de los chatbots.

      404 Media informó que ISBNdb ahora obtiene libros físicos en grandes cantidades para que los laboratorios de IA los escaneen y los conviertan en datos de entrenamiento. La firma se autodenomina la base de datos de libros más grande del mundo. "Los mejores datos de entrenamiento de IA del mundo están en una estantería", dice su sitio. Los libros, añade, son "densos, editados, autoritativos".

      El valor está en la fecha. ISBNdb argumenta que los libros impresos antes de 2022 son anteriores a la era de los modelos de lenguaje grande, por lo que no pueden contener texto generado por IA. Eso importa debido al colapso del modelo. Nombra el declive documentado que se produce cuando los modelos se entrenan con la salida sintética de modelos anteriores. Cada generación termina siendo un poco peor que la anterior.

      El 💜 de la tecnología de la UE

      Los últimos rumores de la escena tecnológica de la UE, una historia de nuestro sabio fundador Boris, y un arte de IA cuestionable. Es gratis, cada semana, en tu bandeja de entrada. ¡Inscríbete ahora!

      La web abierta no ofrece tal garantía. Una parte de rápido crecimiento del texto en línea ahora es hecho por máquinas, parte de la misma inundación de desechos que los laboratorios ayudaron a crear. Una tirada impresa anterior a 2022, en contraste, es un registro fijo, escrito por humanos que nadie puede reescribir en silencio.

      La carrera armamentista de la contaminación

      Hay una segunda razón por la que los laboratorios quieren papel limpio. Los autores han comenzado a contraatacar con la contaminación de datos. Toman prestados trucos de herramientas como Nightshade, impregnando el texto con caracteres que una persona lee normalmente pero que un modelo no puede. El propio blog de ISBNdb cita investigaciones de Anthropic que sugieren que tan solo 250 a 500 documentos elaborados pueden plantar una puerta trasera en un corpus de billones de tokens.

      Los libros anteriores a 2022, escritos antes de que existieran estas herramientas, evitan el problema. ISBNdb vende eso como procedencia: compra el papel, guarda los recibos, y tu equipo legal mantiene una cadena de custodia limpia.

      El problema de la óptica

      Hay una trampa que la empresa declara claramente. Escanear a gran escala generalmente destruye el libro. Los trabajadores cortan el lomo para que las páginas sueltas pasen por una máquina, lo cual es más rápido y barato que la alternativa cuidadosa. Así que ISBNdb ofrece a sus clientes secreto. "NDA estricta en cada compromiso", dice su sitio. Los nombres de los compradores "nunca se divulgan".

      La razón está en su propia copia de marketing. "El problema de la óptica es real", dice el sitio. "'La empresa de IA destruye dos millones de libros' no es un titular que genere simpatía". Una solución sugerida es pura propaganda: reformular el acto como la preservación digital de los libros.

      Una lucha familiar

      Todo esto choca directamente con una batalla de derechos de autor que ya está en curso. Un juez de EE. UU. aprobó el acuerdo de $1.5 mil millones de Anthropic sobre libros pirateados y dictaminó que el entrenamiento en libros comprados y escaneados cuenta como uso justo. Parte de su razonamiento fue que la copia destruyó cada original impreso, por lo que una copia legal simplemente reemplazó a otra. Comprar y triturar papel, en otras palabras, es la ruta que los tribunales bendicen.

      Así que la industria que prometió digitalizar el conocimiento humano ahora paga para comprarlo y convertirlo en pulpa, un camión a la vez. Ingram, el mayor distribuidor de libros en EE. UU., ya ha advertido a los editores y les ha ofrecido una forma de optar por no participar. Lo más escaso en la IA, resulta, es una oración que ninguna máquina haya tocado jamás.