Amazon starebbe acquistando in grandi quantità libri rari, vecchi e fuori catalogo per digitalizzarne il contenuto e ottenere nuovi dati testuali potenzialmente utilizzabili nell’addestramento dei propri sistemi di intelligenza artificiale. Il processo non consisterebbe nella semplice scansione conservativa dei volumi: i libri verrebbero fisicamente smontati, con il taglio del dorso e la separazione delle singole pagine, così da rendere più rapido il passaggio attraverso sistemi di acquisizione automatizzata. Il risultato è la trasformazione di materiale disponibile soltanto in formato cartaceo in un corpus digitale che può essere elaborato su larga scala.
Una ricostruzione effettuata attraverso un dispositivo di tracciamento inserito all’interno di un libro raro ha mostrato che il volume era stato trasferito presso VGT3, una struttura Amazon situata a Las Vegas. L’impianto è riconoscibile anche per un simbolo raffigurante un dinosauro che tiene un libro tra gli artigli ed è stato associato alle operazioni di trattamento dei volumi acquistati. Secondo le informazioni emerse, Amazon acquisirebbe i libri attraverso normali canali commerciali, per poi tagliare la rilegatura, separare le pagine e procedere alla scansione sistematica dei contenuti.
Amazon ha respinto l’ipotesi che l’acquisizione dei libri avvenga attraverso procedure illegali, precisando di acquistare il materiale per vie commerciali e di utilizzarlo per migliorare prodotti e servizi destinati ai propri clienti. L’azienda non ha però reso pubblici dettagli precisi sui titoli acquisiti, sui quantitativi complessivi o sulle modalità con cui i dati ottenuti dalle scansioni vengono successivamente impiegati nei processi di sviluppo e addestramento dell’intelligenza artificiale.
L’interesse per libri difficili da reperire online è direttamente collegato alla progressiva scarsità di dati testuali di alta qualità disponibili sul web. I grandi modelli linguistici sono stati addestrati per anni su enormi quantità di pagine, documenti, libri digitalizzati e altri contenuti pubblicamente accessibili, ma la disponibilità di nuovi testi originali e sufficientemente affidabili non cresce allo stesso ritmo delle esigenze dei modelli. Le opere fuori catalogo o scarsamente digitalizzate rappresentano quindi una riserva di contenuti che non può essere ottenuta semplicemente ampliando il normale web crawling.
I libri pubblicati prima della diffusione su larga scala dell’AI generativa possiedono inoltre una caratteristica particolarmente importante: hanno una probabilità estremamente bassa di contenere testo prodotto da modelli artificiali. Il materiale precedente al 2022 costituisce quindi una fonte relativamente sicura di contenuti originariamente scritti da esseri umani, caratteristica sempre più difficile da garantire nei corpus raccolti direttamente da Internet, dove testi generati o riscritti da sistemi AI sono ormai presenti in quantità crescente.
Questo aspetto è collegato al problema del cosiddetto model collapse. Quando nuovi modelli vengono addestrati in misura crescente su testi già prodotti da altri sistemi generativi, la distribuzione originaria dei dati umani può progressivamente deteriorarsi. Errori, semplificazioni, formulazioni statisticamente più frequenti e caratteristiche tipiche dell’output artificiale possono essere reintrodotti nel ciclo di addestramento, riducendo nel tempo la varietà e la qualità delle informazioni utilizzate dal modello. Per questo motivo non è più sufficiente accumulare grandi quantità di testo: diventa importante poter distinguere dati realmente prodotti da persone da contenuti sintetici generati successivamente.
Le opere stampate prima dell’attuale fase di espansione dell’AI generativa possono quindi diventare un dataset particolarmente interessante perché contengono conoscenze, stili linguistici, informazioni specialistiche e testi che non sono necessariamente presenti nelle raccolte digitali più comuni. Nel caso di libri rari o fuori catalogo, il valore cresce ulteriormente perché il loro contenuto può rappresentare una componente quasi esclusiva all’interno di un corpus di addestramento e offrire informazioni non già duplicate milioni di volte sul web.
L’acquisto fisico dei libri non elimina tuttavia il problema del copyright. Comprare legalmente una copia cartacea significa possedere quell’esemplare, ma non determina automaticamente quali utilizzi siano consentiti per la riproduzione digitale del testo o per il suo impiego nell’addestramento di un modello AI. La distinzione tra proprietà dell’oggetto materiale, diritto di digitalizzazione e diritto di sfruttamento del contenuto resta quindi centrale, soprattutto nel caso di opere ancora protette da copyright anche se non più normalmente disponibili sul mercato.
La questione è diventata ancora più rilevante dopo le controversie che hanno coinvolto altre aziende del settore AI. Anthropic, per esempio, è stata coinvolta in un’importante disputa sul copyright relativa all’utilizzo di libri acquisiti attraverso fonti illegali durante la costruzione dei dataset di addestramento. Episodi di questo tipo stanno spingendo le società che sviluppano modelli a prestare maggiore attenzione alla provenienza dei dati, privilegiando acquisti diretti, archivi autorizzati e accordi di licenza rispetto a raccolte di origine incerta.
Il metodo utilizzato da Amazon apre però anche un problema legato alla conservazione materiale delle opere. Per ottenere scansioni ad alta velocità è possibile distruggere la rilegatura originale e trasformare un volume integro in una serie di pagine separate. Nel caso di libri comuni questo processo può avere conseguenze limitate, mentre per opere rare, fuori catalogo o difficilmente sostituibili la distruzione fisica della copia può comportare la perdita di un oggetto che possiede anche un valore storico, bibliografico o culturale indipendente dal testo che contiene.
Esiste inoltre una differenza sostanziale tra digitalizzazione finalizzata alla conservazione pubblica e digitalizzazione destinata a un archivio proprietario. Se una biblioteca o un’istituzione di ricerca digitalizza un libro, il materiale può essere conservato e, quando consentito, reso accessibile a studiosi e utenti. Se invece il contenuto viene acquisito esclusivamente per alimentare un database privato utilizzato nell’addestramento di modelli AI, il testo può entrare a far parte del patrimonio informativo del modello senza diventare direttamente consultabile dal pubblico.
Il paradosso è quindi che una stessa opera può diventare più utile per un sistema di intelligenza artificiale e contemporaneamente meno accessibile come fonte primaria alle persone. Un libro raro può essere acquistato, smontato, convertito in dati e incorporato in un corpus privato, mentre la copia fisica originale viene danneggiata o eliminata e la versione digitale non viene resa pubblicamente disponibile. La crescente richiesta di dati umani di alta qualità sta così trasformando anche libri stampati decenni fa in una risorsa strategica per l’addestramento dell’intelligenza artificiale, assegnando nuovo valore proprio ai contenuti che il normale web non è riuscito a inglobare.
Questo articolo è stato redatto con il supporto di strumenti di intelligenza artificiale (AI)