Rastreamos um envio de livros raros. Ele terminou em uma instalação de treinamento de IA da Amazon

Artigo original ↗ Discussão no Hacker News ↗

A Amazon foi rastreada comprando grandes lotes de livros usados “raros” que acabam em instalações onde são escaneados para treinamento de IA e as cópias físicas supostamente são destruídas. Os comentaristas debatem se isso é vandalismo cultural ou indignação exagerada, dado que muitos desses livros são manuais obscuros e de baixa demanda que talvez de outro modo fossem triturados, e observam que a legislação atual de copyright incentiva perversamente a digitalização privada e destrutiva enquanto bloqueia a preservação aberta. O debate levanta preocupações mais amplas sobre a perda de conhecimento a longo prazo, a concentração de informações dentro de modelos corporativos de IA e pedidos de reformas como prazos de copyright menores, projetos públicos de digitalização ou exigências para preservar e eventualmente liberar os textos escaneados.

O que “livros raros” significa e quão séria é a perda

  • Muitos observam que “raro” é usado de forma vaga: pode significar tiragens pequenas, títulos em língua estrangeira, manuais antigos ou livros técnicos desatualizados, e não primeiras edições inestimáveis.
  • Céticos argumentam que o artigo omite os títulos porque são banais (por exemplo, guias de software dos anos 1990), chamando a indignação de rage bait fabricado.
  • Outros respondem que até obras obscuras ou de nicho (histórias locais, sermões, manuais, periódicos) podem se tornar historicamente valiosas ou ter importância única para pesquisas específicas.

Digitalização destrutiva, copyright e contexto jurídico

  • Vários comentários vinculam a destruição diretamente à estratégia de copyright: digitalizar e destruir cópias compradas foi considerado fair use em pelo menos um caso nos EUA (Bartz v. Anthropic).
  • Há disputa sobre o que exatamente a decisão permite; alguns dizem que a destruição é legalmente exigida, outros dizem que ela apenas fortalece o argumento de fair use.
  • Há forte crítica de que a lei de copyright agora incentiva a digitalização destrutiva privada enquanto pune esforços de digitalização aberta como Google Books / Internet Archive.

Preservação vs. destruição e acesso

  • De um lado: laboratórios de IA estão preservando conteúdo que, de outra forma, iria para o aterro; livros são constantemente descartados por bibliotecas, jogados fora por espólios ou triturados por editoras.
  • Do outro lado: preservação “nos pesos do modelo” não é preservação — não há texto literal, não há procedência, e modelos proprietários podem desaparecer ou ser alterados.
  • Há preocupação de que várias empresas de IA, todas competindo pelo mesmo estoque cada vez menor, possam destruir as últimas cópias físicas de algumas obras, sem registro público ou garantia de scans liberados.

Valor de dados impressos obscuros para IA

  • Defensores: livros em geral contêm escrita de maior qualidade e mais profunda do que a web; o trabalho de LLMs de fronteira trata “dados mais diversos” como claramente benéfico.
  • Céticos: o valor marginal de livros obscuros fora de catálogo é minúsculo em comparação com corpora digitais já existentes; isso parece mais acumulação competitiva do que necessidade.

Bibliotecas, mercados e escala

  • Muitos observam a enorme destruição contínua de livros que antecede a IA, especialmente por meio do descarte de acervo em bibliotecas e do despejo por brechós.
  • Outros respondem que a digitalização impulsionada por IA é qualitativamente diferente: escala industrial, direcionada a obras não digitalizadas e feita sem catalogação pública.

Incentivos corporativos e remédios propostos

  • Preocupações repetidas com “jardins murados” privados de conhecimento e o poder de revisar silenciosamente o registro digital.
  • Mitigações sugeridas:
    • Comprometer-se a depositar os scans em um trust público quando o copyright expirar.
    • Publicar listas de títulos escaneados/destruídos.
    • Digitalização em larga escala financiada pelo governo por meio de bibliotecas nacionais.
    • Reforma do copyright (prazos menores, vincular proteções ao status de “em circulação”, licenciamento em lote / clean rooms).

Reação ao artigo e ao enquadramento da mídia

  • Alguns elogiam a investigação sobre a cadeia de suprimento de compradores de livros em grande volume.
  • Outros criticam o tom da 404 Media como rage bait e pouco específico (sem títulos, preços ou volumes), tornando difícil julgar as apostas éticas.