Knihovny z druhé ruky

Pieter de Vries obdržel před pár týdny prapodivnou nabídku. Nizozemskému antikváři přišel e-mail s objednávkou na tři tisíce knih. Podezřelý nebyl jen celkový objem poptávaných výtisků — de Vriesův antikvariát prodává spíše po kusech než tisících —, ale i způsob objednávky. E-mail poslala jistá Natalie ze společnosti 2077AI a jako přílohu připojila rozsáhlou tabulku s ISBN čísly spolu s instrukcemi, jak k číslům přiřadit informace o knihách a kalkulovat cenu zásilky do Číny. Nizozemský obchodník poptávku vyhodnotil jako spam a dál se jí nezabýval.

Nedávno však Pietera de Vriese oslovil magazín Fortune s tím, že objednávka mohla být skutečná. Podobné poptávky totiž dostaly i další nizozemské antikvariáty. Obdobný zájem o knihy z druhé ruky hlásí i obchodníci z Německa, Španělska nebo Švýcarska. A deník The Guardian například upozorňuje na obdobnou situaci v Austrálii. Ze všech takových objednávek přitom není jednoznačné, kdo přesně knihy objednává a k čemu by takové množství starších knih — většina poptávaných titulů vyšla před rokem 2022 — měla sloužit.

Novináři i antikváři se nicméně shodují, že navzdory tajemnému charakteru poptávajících firem i jedinců za obrovskými objednávkami stojí technologické společnosti vyvíjející modely umělé inteligence. Deník The Washington Post už dříve letos upozornil na tzv. Project Panama firmy Anthropic, která vyvíjí například AI model Claude. Projekt, který mimo jiné řídil bývalý šéf Google Books, skupoval tištěné knihy z celého světa a ve speciálním skladu je skrze vysokokapacitní skenery poskytoval umělé inteligenci jako tréninková data. Skenování probíhalo destruktivně: hřbet knihy se uřízl, samostatné listy putovaly do skeneru a vše následně do stoupy. Americký federální soud tuto praxi později zlegalizoval, když ji označil jako „řádné užití“ (fair use) v souladu s legislativou.

Velké jazykové modely od počátku využívají ke svému zdokonalování obrovské datasety získané legální i nelegální cestou: databáze knih, právních dokumentů, návodů, kopie sociálních sítí a tak dále. Technologické společnosti jako Anthropic, OpenAI nebo Meta se v závodě o další technologické zlepšení a získání výhody nad konkurencí proto obracejí ke vzácnějším a především starším zdrojům. Klíčový je v tomto ohledu zmíněný rok 2022. Tehdy totiž došlo k veřejnému spuštění služby ChatGPT od OpenAI, po němž následoval start i konkurenčních chatbotů — a tím pádem také kontaminace internetu či knižního trhu texty generativních jazykových modelů. Vývojáři se chtějí vyhnout nebezpečné smyčce trénování umělé inteligence na jejích vlastních výplodech, a proto roste poptávka po starších textech a datech vytvořených výlučně lidmi. A ty jsou zpravidla papírové.

Firmy jako Anthropic proto spoléhaly na velké prodejce knih z druhé ruky jako Better World Books nebo World of Books. Nedávná reportáž technologického serveru 404 Media nicméně ukázala, že technologické společnosti měly při nákupech pravděpodobně nečekaného spojence — databázi ISBNdb. Ta primárně spravuje data o knihách na základě mezinárodního identifikátoru, čísla ISBN, a slouží jako největší knižní databáze na světě. Ještě v červenci však ISBNdb na svých stránkách rovněž nabízela vývojářům AI služby „přímo na míru“: možnost najít v antikvariátech, bazarech, vyřazených knihovnických fondech a dalších zdrojích tisíc až milion knih „pro trénování LLMs“ a dokonalou anonymitu zákazníků. Databáze po publicitě tuto nabídku stáhla s tím, že šlo jen o experiment a že se společnost rozhodla jít jiným směrem.

Zkušenost Pietera de Vriese a dalších antikvariátů z celého světa, které dostaly v posledních měsících obrovskou objednávku v podobě tabulky se seznamem ISBN čísel, nicméně ukazuje, že ze strany ISBNdb možná šlo o experiment, ale jinak jde o nový byznys model, na který obchodníci i regulátoři teprve chystají odpověď.