Πώς μια δικαστική διαμάχη ρίχνει λίγο φως στην εκμάθηση της τεχνητής νοημοσύνης. Στη διδασκαλία συμμετέχουν υδραυλικά συστήματα και σαρωτές σελίδων. Φιλική συμμετοχή, εταιρείες ανακύκλωσης.
Ο Tom Turvey είχε μια καριέρα στον χώρο των εκδόσεων, πριν μεταπηδήσει το 2004 στην Google. Η πρώτη του θέση στην εταιρεία που έγινε συνώνυμο των διαδικτυακών αναζητήσεων, περιγράφεται ως “Strategic Product Development Manager” και στα χρόνια που ακολούθησαν αναβαθμίστηκε στο επίπεδο του Managing Director – μάλλον το πιο κοντινό στα δικά μας είναι το Γενικός Διευθυντής. Ίσως το πιο σημαντικό του ορόσημο στα 20 χρόνια που πέρασε στην Google ήταν ο ρόλος του στην ψηφιοποίηση (άγνωστο πόσων) βιβλίων, τμήμα των οποίων ακολούθως μπορούσε ο καθένας μας να διαβάσει μέσα από τη σχετική υπηρεσία αναζήτησης της εταιρείας. Οι εκδότες και οι συγγραφείς αντέδρασαν, θεωρώντας ότι η συγκεκριμένη υπηρεσία παραβίασε τα δικαιώματά τους, αφού προσέφερε δωρεάν πρόσβαση στο έργο τους ή, έστω, μέρος του έργου τους. Το φθινόπωρο του 2005 οι εκδότες έστειλαν τους δικηγόρους τους στην Google, ξεκινώντας μια δικαστική διαμάχη που κατέληξε σε συμβιβασμό το 2012. Σε όλο αυτό το διάστημα φαίνεται ότι ο Turvey έπαιξε κάποιο ρόλο, πιθανολογούμε λόγω και της προϋπηρεσίας του στον χώρο των εκδόσεων και σε εταιρείες όπως η HarperCollins και η Barnes & Noble.
Αλλά γιατί μας ενδιαφέρουν όλα αυτά τα περασμένα;
Όταν το 2024 ο Turvey άφησε την Google για τα κάλλη της Anthropic, ανέλαβε να υλοποιήσει ένα φιλόδοξο έργο. Η εταιρεία του Claude ήθελε να αποκτήσει «όλα τα βιβλία του κόσμου», όχι για συλλεκτικούς λόγους, αλλά για να τα χρησιμοποιήσει ώστε ακολούθως να γίνει η εκπαίδευση των γλωσσικών της μοντέλων. Ο Turvey φαίνεται ότι επικοινώνησε με ορισμένους εκδοτικούς οίκους για να διερευνήσει το ενδεχόμενο μιας συνεργασίας, χωρίς όμως οι συγκεκριμένες επαφές να προχωρήσουν περαιτέρω. Αντίθετα, αυτό που προχώρησε ήταν η μαζική αγορά βιβλίων κατευθείαν από το λιανεμπόριο. Δεν ξέρουμε πόσα βιβλία απέκτησε η Anthropic, τα δικαστικά έγγραφα που έχουν δοθεί στη δημοσιότητα στο πλαίσιο της δικαστικής διένεξης της εταιρείας με Αμερικανούς συγγραφείς δεν δίνουν κάποιον σαφή αριθμό. Εικάζεται ωστόσο ότι ο αριθμός τους κυμαίνεται μεταξύ μερικών εκατοντάδων χιλιάδων έως και δύο εκατομμυρίων βιβλίων.
«Επιχείρηση Παναμάς»
Τα βιβλία δεν βρέθηκαν να κοσμούν κάποια βιβλιοθήκη της Anthropic, καθώς η μοίρα τους συμπεριφέρθηκε αρκούντως βάναυσα. Τα βιβλία δόθηκαν σε υπεργολάβους. Αυτοί, χρησιμοποίηασν υδραυλικά συστήματα κοπής για να ξηλώσουν τις ράχες των βιβλίων και να «ξυρίσουν» τις σελίδες, τις οποίες ακολούθως ψηφιοποίησαν μέσω σαρωτών υψηλής ταχύτητας. Μετά από αυτό το στάδιο επεξεργασίας, οι σελίδες κατέληξαν σε συστήματα ανακύκλωσης. Ακολούθησε περαιτέρω επεξεργασία του ψηφιοποιημένου υλικού με την εισαγωγή διαφόρων metadata ώστε να γίνει πιο εύκολη η κατηγοριοποίηση και ανάκτησή τους. Αυτό το υλικό, δηλαδή τα κείμενα των εκατοντάδων χιλιάδων (ή εκατομμυρίων) βιβλίων αποτέλεσαν μέρος της διδακτέας ύλης του γλωσσικού μοντέλου της Anthropic.
Κατά την εκδίκαση της αγωγής που κατέθεσαν συγγραφείς κατά της Anthropic, o Turvey κατέθεσε ότι αυτή η επιχείρηση (η οποία ονομάστηκε από την Anthropic ως «Επιχείρηση Παναμάς») ήταν ένας τρόπος «να δημιουργηθεί μεγάλος όγκος πληροφορίας που θα χρησιμοποιείτο για ερευνητικούς σκοπούς».
Το δικαστήριο που εκδίκασε την αγωγή των συγγραφέων κατά της εταιρείας του Claude έκρινε ότι αυτή η διαδικασία δεν παραβίασε την νομοθεσία περί προστασίας των πνευματικών δικαιωμάτων. Οποιοσδήποτε μπορεί να αγοράσει ένα βιβλίο, να το διαβάσει με όποιον τρόπο θέλει και να διδαχθεί από αυτό. Από τη στιγμή που το Claude δεν αναπαρήγαγε ακριβώς το περιεχόμενο των βιβλίων και απλά τα χρησιμοποιούσε για να «μάθει» από αυτά, δεν υπήρχε κάποια παραβίαση του νόμου. Μόνο που η ομάδα της Anthropic δεν έμεινε στα φυσικά βιβλία. Η εταιρεία «κατέβασε» μέσω διαδικτύου ολόκληρες (ψηφιακές, εννοείται) βιβλιοθήκες από πειρατικά sites, αποκτώντας δωρεάν πρόσβαση σε πολύτιμο υλικό. Αυτός ήταν ο βασικός λόγος για τον οποίο η Anthropic κατέληξε σε συμφωνία με τους ενάγοντες και θα καταβάλει 1,5 δισ. δολάρια ως αποζημίωση στους συγγραφείς, έργα των οποίων ήταν μέρος αυτών των ψηφιακών βιβλιοθηκών που χρησιμοποιήθηκαν στην εκπαίδευση του Claude.
Αλλά ας γυρίσουμε στα φυσικά βιβλία.
Η επιχείρηση της αγοράς και ψηφιοποίησης (και καταστροφής) των βιβλίων ονομάστηκε από την Anthropic «Επιχείρηση Παναμάς» σε μια προσπάθεια της εταιρείας να προστατεύσει από τα αδιάκριτα μάτια τη συγκεκριμένη δραστηριότητα. Η εταιρεία δεν ήθελε ο κόσμος να γνωρίζει τι κάνει με τα βιβλία, προφανώς αντιλαμβανόμενη ότι η αποκάλυψη θα αμαύρωνε την εικόνα της. Κανείς δεν αγαπάει όσους καταστρέφουν βιβλία.
Όταν η καταστροφή γίνεται ρουτίνα
Αλλά τα συναισθήματα δεν ενδιαφέρουν ιδιαίτερα τις εταιρείες και αυτό αφορά και τις εταιρείες της τεχνητής νοημοσύνης. Η Anthropic ενδιαφέρθηκε πρωτίστως για βιβλία στην αγγλική γλώσσα, ωστόσο υπήρξαν αγορές τίτλων και από βιβλιοπωλεία χωρών της ηπειρωτικής Ευρώπης. Μία από τις μικρές αλλά ενδιαφέρουσες πτυχές της υπόθεσης ήταν η σαφής εντολή της Anthropic, οι αγορές να περιοριστούν αποκλειστικά σε τίτλους που είχαν κυκλοφορήσει πριν το 2022, δηλαδή πριν το λανσάρισμα του ChatGPT. Ο λόγος ήταν προφανής, η Anthropic ήθελε κείμενα «αμόλυντα» από την τεχνητή νοημοσύνη και αυτό, νομίζουμε, έχει έναν κάποιο ειρωνικό χαρακτήρα.
Όμως μία έρευνα της 404 Media έδειξε ότι η αγορά, ψηφιοποίηση και καταστροφή των βιβλίων είναι μάλλον μέρος της καθημερινής λειτουργίας των εταιρειών.
Η 404 Media υποστηρίζει ότι (τουλάχιστον) 1.000 σπάνια βιβλία έχουν καταλήξει στο Λας Βέγκας και σε ένα κέντρο επεξεργασίας της Amazon, το οποίο έχει ως σήμα του έναν τυραννόσαυρο μπροστά σε ένα ανοιχτό βιβλίο. Μάλλον δεν πρόκειται περί αναγνωστικής λέσχης.
Το ενδιαφέρον της 404 Media και του Emanuel Maiberg, που διεξήγαγε τη σχετική έρευνα, προκάλεσαν βιβλιοπώλες οι οποίοι ανέφεραν ότι ξαφνικά δέχονταν μεγάλες παραγγελίες από αγοραστές που παρά τον όγκο των τίτλων που παράγγελναν δεν έκαναν κανενός είδους παζάρι. Ένας βιβλιοπώλης συμφώνησε με τον Maiberg και τοποθέτησε ένα AirTag συσκευή γεωεντοπισμού της Apple) σε ένα από τα 1.000 βιβλία για τα οποία είχε λάβει παραγγελία. Το βιβλίο ταξίδεψε από την Καλιφόρνια στο Λας Βέγκας και στο κέντρο της Amazon με διάφορους ενδιάμεσους σταθμούς εντός των ΗΠΑ. Η Amazon απάντησε ότι προμηθεύεται βιβλία με στόχο τη βελτίωση των προϊόντων και υπηρεσιών που χρησιμοποιούν οι πελάτες της. Φυσικά δεν επεκτάθηκε περαιτέρω αλλά μάλλον τα βιβλία δεν χρησιμοποιούνται για τη διεύρυνση των πνευματικών οριζόντων των τυραννόσαυρων ( ή άλλων δεινοσαύρων).
Την πρακτική της χρήσης βιβλίων ακολουθούν και άλλες εταιρείες. OpenAI και Microsoft βρίσκονται επίσης αντιμέτωπες με συγγραφείς που υποστηρίζουν ότι τα έργα τους χρησιμοποιήθηκαν χωρίς οι ίδιοι να το γνωρίζουν για την εκπαίδευση γλωσσικών μοντέλων. Για την ώρα, δεν ξέρουμε αν χρησιμοποιήθηκαν βιβλία και τι τύχη είχαν αυτά ή αν η εκπαίδευση περιορίστηκε στο ψηφιακό υλικό που κυκλοφορεί σε πειρατικά sites. Κρίνοντας από την περίπτωση της Anthropic, το πρώτο δεν είναι παράνομο, το δεύτερο είναι.
Απλοί υπολογισμοί
Ωστόσο αυτό δεν απαντά στο βασικό ερώτημα του πόσες επιχειρήσεις παρόμοιες με την «Επιχείρηση Παναμά» βρίσκονται σε εξέλιξη και τι έκταση έχουν; Αν ρωτήσετε τα ίδια τα γλωσσικά μοντέλα δεν θα σας απαντήσουν με σαφήνεια. Μια παραδοχή που άλλωστε πρέπει να κάνουμε είναι ότι τα γλωσσικά μοντέλα που χρησιμοποιούμε στην καθημερινότητά μας, κυρίως δηλαδή τα εργαλεία των Anthropic, Google και OpenAI, έχουν «εκπαιδευτεί» να μην αποκαλύπτουν λεπτομέρειες σχετικά με το πώς δημιουργήθηκαν και εξελίχθηκαν.
Με κάποιον συνδυασμό ερωτήσεων σε Claude, ChatGPT και Gemini φαίνεται να φτάνουμε κάπου. Το ChatGPT αναφέρει πως υπάρχουν ισχυρές ενδείξεις για χρήση μιας βάσης δεδομένων ονόματι Books3, η οποία εκτιμάται ότι περιλαμβάνει κάτι λιγότερο από 200.000 βιβλία σε ψηφιακή μορφή. Το Books3 φαίνεται ότι είναι η κορυφή ενός μεγάλου παγόβουνου, το οποίο ακούει στο όνομα Bibliotek. Πρόκειται για ένα αποθετήριο που περιλαμβάνει έναν τεράστιο αριθμό βιβλίων τα οποία ψηφιοποιήθηκαν (χωρίς την άδεια των εκδοτών ή των συγγραφέων) και στο οποίο η πρόσβαση γίνεται κατόπιν πρόσκλησης, ενώ οι συμμετέχοντες πρέπει να συνεισφέρουν περιεχόμενο αν θέλουν να διατηρήσουν τον λογαριασμό τους ενεργό. Το 2020 o Shawn Presser κέρδισε μια θέση στην μακροχρόνια ιστορία των πνευματικών δικαιωμάτων στην εποχή του διαδικτύου, διαθέτοντας ένα μέρος της Bibliotek ελεύθερα και αυτό το μέρος που ονομάστηκε Books3 χρησιμοποιήθηκε στην εκπαίδευση γλωσσικών μοντέλων. Ναι, ήταν πειρατικό περιεχόμενο και όποια εταιρεία αποκαλυφθεί (ή παραδεχθεί) ότι το χρησιμοποίησε θα προχωρήσει σε συμβιβασμό με τους εκδότες και θα καταβάλει τις σχετικές αποζημιώσεις.
Αν το θέμα είναι οικονομικό, η απάντηση είναι απλή. Ίσως, τελικά, να συμφέρει τις εταιρείες να κινούνται στο όριο του νόμου ή και να το παραβιάζουν ελεύθερα, καθώς τα οφέλη είναι σαφώς ισχυρότερα της βλάβης. Ας δούμε την περίπτωση της Anthropic. Η εταιρεία συμφώνησε να αποζημιώσει τους εκδότες και συγγραφείς το υλικό των οποίων χρησιμοποίησε παράνομα (και αυτό δεν περιλαμβάνει τα βιβλία που αγόρασε η εταιρεία, ψηφιοποίησε και μετά κατέστρεψε) με 1,5 δισ. δολάρια. Η εταιρεία αναμένει ότι το 2026 θα κλείσει με έσοδα 65 δισ. δολάρια, μιλάμε λοιπόν για μια αποζημίωση που αντιστοιχεί στο 0,23% των εσόδων της για ένα μόνο έτος.
Το λες και λειτουργική δαπάνη…
