Firmy zajmujące się sztuczną inteligencją skupiają się na masowych zakupach starych książek jako źródła danych treningowych wolnych od śmieci treściowych. Pośrednik danych ISBNdb wprost zachęca do tego podejścia, argumentując, że najlepsze materiały treningowe dla AI leżą na półkach bibliotek i antykwariatów. Rzecz w tym, że dostęp do tych danych wymaga niszczenia milionów fizycznych egzemplarzy poprzez odcinanie grzbietów i digitalizację, a następnie zatajniania, które laboratorium AI finansowało tego typu operacje.
AI ma sam przez siebie problem z zanieczyszczeniem danych. Internet został zalany taką ilością niskiej jakości treści generowanych przez sieci neuronowe, że przestał być wiarygodnym źródłem do trenowania nowych modeli. Stare książki i wydania naukowe - poddane recenzji redaktorskiej, edycji autorów i procesowi wydawniczemu - stały się walutą w toczącej się wyścigu o czystą, wysokiej jakości dane treningowe. To ironia: branża AI sama spowodowała zaśmiecenie Internetu, a teraz musi kupować fizyczne artefakty przeszłości, aby wytrenować kolejne pokolenie algorytmów.
To zjawisko wskazuje na strukturalne wyzwania stojące przed przemysłem AI. Podczas gdy firmy technologiczne inwestują miliardy w poszukiwanie nowych danych treningowych, stawiają się w bezpośredniej opozycji do praw autorskich i ochrony dziedzictwa kulturowego. Nieujawniane transakcje nabycia książek dla celów trenowania modeli sugerują również świadomość potencjalnych konsekwencji prawnych i publicznych backlashu wobec tego podejścia.