«نابودی آثار فیزیکی»؛ روش جدید غول‌های فناوری برای دستیابی به داده‌های خالص

تصور کنید برای آموزش یک مدل ریاضی، تنها نسخهٔ موجود از یک کتاب ۳۰۰ ساله را بخرید، اسکن کنید و سپس آن را در خردکن بیندازید تا هیچ‌کس دیگر به آن دسترسی نداشته باشد. این سناریوی تکان‌دهنده، اکنون به استراتژی عملیاتی برخی از بزرگ‌ترین آزمایشگاه‌های هوش مصنوعی تبدیل شده است.

طبق گزارش‌های منتشرشده در ۲۷ ژوئیه ۲۰۲۶، مدل‌های زبانی بزرگ (LLM) — که مثل کتابخانه‌داری هستند که میلیاردها صفحه را خوانده و حالا با همان لحن جواب می‌دهد — تشنه داده‌هایی هستند که هیچ ردی از هوش مصنوعی در آن‌ها نباشد. به همین دلیل، این شرکت‌ها به سراغ کتاب‌های چاپ‌شده پیش از سال ۲۰۲۲ رفته‌اند؛ چرا که این متون «پاک» هستند و برخلاف وب‌سایت‌های امروزی، با محتوای تولیدشده توسط ماشین آلوده نشده‌اند. این مشکلِ تفکیک محتوای انسانی از ماشینی، حتی ناشران سنتی را نیز به چالش کشیده است و باعث درگیری ویراستاران برای تشخیص متون تولیدشده توسط هوش مصنوعی شده است.

همان‌طور که در تحلیل‌های قبلی ما درباره‌ی بحران کمبود داده‌های باکیفیت اشاره کردیم، این عطش برای داده‌های انسانی، منجر به یک زنجیره تأمین مخفی شده است. این وضعیت را می‌توان به عنوان بخشی از بحران جهانی حافظه که پیامد مستقیم مقیاس‌دهی اجباری در هوش مصنوعی است تحلیل کرد. طبق اعلام یک کتاب‌فروش در گفتگو با 404 Media، این فرآیند از طریق سرویس ISBNdb مدیریت می‌شود. این پلتفرم سفارش‌های تا یک میلیون جلد کتاب را سازمان‌دهی می‌کند، هویت خریداران را مخفی نگه می‌دارد و برای پوشاندن این تخریب، عبارت «حفاظت دیجیتال» را به کار می‌برد.

بر اساس مستندات این گزارش، جزئیات این عملیات به شرح زیر است:

• هدف: خرید انبوه متون گیاه‌شناسی قرن ۱۸ و نسخه‌های نادری که از جنگ‌ها و آتش‌سوزی‌ها جان به در برده‌اند.
• مکانیزم: استفاده از دستگاه‌های اسکن سریع که عطف کتاب را می‌درند و پس از دیجیتالی‌سازی، نسخه فیزیکی را خرد می‌کنند.
• بازیگران: شرکت Anthropic با استخدام رئیس سابق مشارکت‌های Google Books، هدف خود را «به دست آوردن تمام کتاب‌های جهان» قرار داده است.

این استراتژی بر یک loophole یا رخنه قانونی تکیه دارد. یک قاضی فدرال حکم داده است که نابود کردن نسخه اصلی پس از اسکن، «استفاده منصفانه» (Fair Use) محسوب می‌شود؛ زیرا مانع از وجود نسخه‌های متعدد می‌گردد. برخلاف استخراج داده از وب (Scraping)، این عمل بازگشت‌ناپذیر است؛ یک وب‌سایت را می‌توان دوباره بالا آورد، اما دستنوشته‌ای که خرد شده، تا ابد از دست رفته است.

در واقع صنعت از «تفتیش زباله‌های دیجیتال» به «استخراج فیزیکی» کوچ کرده است. آزمایشگاه‌ها با کنترل منبع فیزیکی و سپس نابودی آن، در تلاش‌اند دانش انسانی را خصوصی‌سازی کنند تا ریسک شکایت‌های کپی‌رایت را به حداقل برسانند.

گام بعدی شما

• اگر در حوزه پژوهشی یا آرشیوی فعالیت می‌کنید، بر روی قوانین جدید مربوط به «اسکن تخریبی» نظارت کنید.
• درخواست‌های غیرمعمول برای خرید انبوه کتب قدیمی را در مجموعه‌های خود جدی بگیرید.
• تغییرات در احکام دادگاه‌های فدرال درباره مفهوم «استفاده منصفانه» در سال ۲۰۲۶ را دنبال کنید.

اما این تخریب فیزیکی تنها بخشی از یک جنگ بزرگ‌تر برای مالکیت دانش است؛ در گزارش بعدی، اثر این انحصار بر اکوسیستم مدل‌های بازمتن را بررسی خواهیم کرد.