Amazon destruye libros raros para entrenar IA
Una investigación publicada por 404 Media ha revelado que Amazon está comprando toneladas de libros raros, cortando sus lomos y escaneando su contenido para entrenar sus sistemas de inteligencia artificial. Para confirmarlo, la investigación incluyó un dispositivo de rastreo dentro de un libro poco común que finalmente llegó a una instalación de Amazon en Las Vegas.
El rastreo que condujo hasta la instalación VGT3
El libro rastreado terminó en el centro de procesamiento conocido como VGT3, una instalación que se identifica con el símbolo de un dinosaurio que sostiene un libro en sus garras. Este detalle se convirtió en una pista clave para confirmar el destino de los ejemplares adquiridos por la compañía.
- Instalación: VGT3 en Las Vegas.
- Señal de identificación: dinosaurio con un libro en las garras.
- Práctica documentada: corte de lomos y escaneo de libros.
«Amazon purchases books through commercial channels to improve the products and services customers use», señaló la compañía en un comunicado citado por 404 Media.
¿Por qué los libros raros son tan valiosos para entrenar IA?
Las empresas tecnológicas como Amazon necesitan cantidades inimaginables de texto para entrenar sus modelos de lenguaje de gran tamaño (LLMs). Esas máquinas ya han consumido gran parte del contenido disponible en internet e incluso, en el caso de Anthropic, han recurrido a libros pirateados de forma ilegal.
En este contexto, los libros raros —especialmente los descatalogados o imposibles de encontrar en línea— se convierten en una nueva y codiciada fuente de datos. Su valor es aún mayor porque no existe posibilidad de que nada publicado antes de 2022 haya sido escrito por un modelo de IA.
El riesgo del «colapso de modelo»
Cuando los modelos de lenguaje se entrenan con texto generado por IA, existe el riesgo de «colapso de modelo», un fenómeno que puede ocurrir cuando la calidad de las respuestas de un LLM se degrada tras ingerir demasiado contenido artificial. Por eso, los textos originales y previos a la era de la IA resultan esenciales para mantener la calidad de los sistemas.
La polémica sigue creciendo mientras más voces del sector editorial piden transparencia sobre el uso de obras físicas en el entrenamiento de inteligencia artificial.