ZAP // Dall-E-2
Um livreiro neerlandês julgou que um pedido de 3.000 livros era “spam ou phishing”. Por trás da invulgar encomenda estava, na realidade, outra coisa: as empresas de IA estão a digitalizar e destruir obras para treinar modelos.
Era apenas mais um dia soalheiro de verão em Haarlem, nos Países Baixos, quando Pieter de Vries, um alfarrabista neerlandês, recebeu um pedido invulgar por correio eletrónico.
Uma mulher chamada Natalia, que se apresentou como representante de uma empresa denominada “2077AI“, procurava adquirir aquilo que descreveu como uma “encomenda bastante grande” de livros.
Em anexo seguia uma folha de cálculo com mais de 3.000 ISBN, acompanhada de instruções para identificar os títulos correspondentes, elaborar orçamentos e calcular os custos de envio para a China.
De Vries mal olhou para o documento. Considerou que a mensagem era spam, ou uma tentativa de phishing, e não leu além das primeiras linhas.
Só algumas semanas depois, quando um jornalista neerlandês que investigava o pedido de aquisição o contactou, percebeu que o caso estava relacionado com inteligência artificial.
“Fiquei chocado!”, afirmou De Vries, que forneceu à Fortune o correio eletrónico e a folha de cálculo enviada posteriormente. A lista tinha 3.001 títulos, publicados na maioria entre 2020 e 2021 por editoras académicas como a Emerald Publishing, a Elsevier, a Wiley, a Routledge e a Oxford University Press.
As obras abrangiam áreas tão diferentes como gestão, educação, engenharia, políticas públicas e medicina. “Foi muito invulgar”, disse De Vries. “Foi por isso que considerei que o pedido era spam ou phishing.”
De Vries não foi o único a receber a mensagem. Segundo contou à Fortune, vários outros alfarrabistas neerlandeses receberam o mesmo pedido e também o ignoraram. “Não o levaram a sério” e “consideraram que era uma burla”, explicou.
Embora o contacto pouco tenha afetado a sua atividade, o caso poderia ter tido consequências diferentes para livreiros especializados na venda de grandes quantidades de obras em segunda mão.
“Trabalho com livros antigos e raros“, explicou De Vries, acrescentando que raramente recebe encomendas por correio eletrónico e que, quando isso acontece, se trata, no máximo, de um único livro.
“Estes livros são caros e exclusivos. Por isso, não faço comércio por grosso.”
O apetite da IA por livros
A mensagem recebida por De Vries nunca mencionava inteligência artificial nem explicava para que seriam utilizados os livros. O pedido surgiu, porém, numa altura em que as empresas de IA procuram cada vez mais materiais escritos de elevada qualidade fora da Internet aberta para treinar grandes modelos de linguagem.
No verão passado, aumentou a atenção pública sobre a utilização de livros por empresas de inteligência artificial, depois de documentos judiciais revelarem que a Anthropic tinha comprado milhões de exemplares físicos, retirado as encadernações, digitalizado as páginas e deitado fora os originais.
Segundo o The Washington Post, a empresa pretendia criar uma biblioteca digital pesquisável para treinar os seus modelos de IA, numa operação designada em documentos internos como “Projeto Panamá“.
O processo, conhecido como “digitalização destrutiva”, consiste em cortar a lombada do livro para que as páginas possam passar por digitalizadores de alta velocidade. O que resta do exemplar físico é depois descartado.
Segundo a Reuters, o processo judicial terminou mais tarde com um acordo, depois de um juiz federal ter considerado que a utilização de livros adquiridos legalmente para treinar modelos de IA constituía uma utilização legítima ao abrigo da legislação de direitos de autor dos Estados Unidos.
O acordo também resolveu alegações distintas relacionadas com o descarregamento, pela Anthropic, de livros das bibliotecas digitais LibGen e PiLiMi.
De acordo com um porta-voz da Anthropic, os modelos Claude são treinados com uma combinação de dados publicamente disponíveis na Internet, conjuntos de dados adquiridos comercialmente e dados gerados internamente.
A Anthropic compra livros através dos canais comerciais habituais e nenhum dos seus programas de aquisição de dados compra ou destrói obras antigas ou raras, acrescentou o porta-voz.
A cadeia de abastecimento escondida
Os documentos judiciais mostraram o que acontecia depois de os livros serem adquiridos, mas não explicaram como é que as empresas conseguem, à partida, obter milhões de exemplares físicos.
No início deste ano, a 404 Media noticiou que a ISBNdb, empresa conhecida sobretudo por manter metadados associados aos números ISBN, os identificadores numéricos únicos codificados nos códigos de barras da maioria dos livros, começara a anunciar serviços destinados a ajudar laboratórios de IA a adquirir grandes quantidades de obras impressas.
As encomendas poderiam variar entre 1.000 e 1 milhão de livros. Segundo a reportagem, o site da empresa afirmava que o serviço fora concebido para responder às “necessidades de treino de grandes modelos de linguagem” e permitir entregas “à escala exigida pela IA”.
As páginas foram entretanto removidas. Mais tarde, a ISBNdb disse à Fortune que o serviço nunca chegou a ser lançado, que nunca comprou nem digitalizou livros para empresas de IA e que as páginas descreviam apenas um conceito em estudo, e não uma atividade comercial em funcionamento.
Surgiram relatos semelhantes na Alemanha e na Suíça. Meios de comunicação locais noticiaram que vendedores de livros em segunda mão tinham recebido encomendas invulgares de grandes quantidades de obras altamente especializadas, que pareciam incompatíveis com as práticas tradicionais de colecionismo ou revenda.
A Zoom Books, empresa canadiana identificada em algumas dessas notícias, negou as acusações. Em declarações à estação suíça SRF, afirmou que as compras faziam parte do seu modelo habitual de reciclagem e comércio de livros.
Para uma indústria construída sobre algoritmos, o correio eletrónico oferece uma rara visão de algo muito mais concreto: a cadeia física de abastecimento de livros que poderão, em última análise, alimentar os modelos de inteligência artificial.
A Fortune contactou a 2077AI para saber qual era o objetivo do pedido de aquisição e se os livros se destinavam ao treino de modelos de IA. A empresa não respondeu aos pedidos de esclarecimento.
Leave a Reply