Các công ty AI đang nghiền nát sách hiếm

• Các công ty AI đang cắt gáy những cuốn sách hiếm mua với số lượng lớn để quét tốc độ cao, rồi nghiền nát bản gốc
• ISBNdb hỗ trợ đơn hàng lên đến 1 triệu cuốn, ẩn danh người mua và NDA, đồng thời khuyến nghị khách hàng gọi quy trình này là “bảo tồn số”
• Các ấn phẩm xuất bản trước năm 2022 được đánh giá cao vì là dữ liệu không lẫn văn bản do AI tạo ra; Anthropic cũng đang thúc đẩy việc thu gom sách trên diện rộng
• Một thẩm phán liên bang phán quyết rằng cách loại bỏ bản gốc để mỗi thời điểm chỉ còn một bản sao là sử dụng hợp lý, nhưng cả những cuốn sách có số lượng còn tồn tại cực kỳ ít cũng bị đưa vào xử lý
• Bản cuối cùng còn tồn tại của một cuốn sách thế kỷ 18 không thể thay thế sau khi bị nghiền nát, nên phán quyết hợp pháp có thể đẩy nhanh sự hủy hoại không thể đảo ngược

---

Quá trình sách hiếm biến thành dữ liệu huấn luyện

• Các công ty AI mua sách với số lượng lớn, sau đó cắt gáy sách để quét tốc độ cao và nghiền nát bản gốc
• ISBNdb môi giới các đơn hàng lên đến 1 triệu cuốn, đồng thời che giấu danh tính người mua
  • Cung cấp NDA như một tính năng dịch vụ
  • Khuyến nghị khách hàng gọi công việc này là “bảo tồn số”
  • Trên website của mình, họ nêu rằng “cụm từ ‘công ty AI phá hủy 2 triệu cuốn sách’ không phải là một tiêu đề dễ tạo thiện cảm”
• Các ấn phẩm xuất bản trước năm 2022 được xem là dữ liệu cao cấp vì không chứa văn bản do AI tạo ra
• Anthropic đã tuyển cựu phụ trách hợp tác Google Books để thu thập “mọi cuốn sách trên thế giới”

Tính không thể đảo ngược mà phán quyết sử dụng hợp lý để lại

• Một thẩm phán liên bang phán quyết hoạt động này là sử dụng hợp lý, dựa trên lập luận rằng nếu loại bỏ bản gốc thì tại một thời điểm chỉ tồn tại một bản sao
• Một người trong ngành sách nói với 404 Media rằng cả những cuốn sách hiếm gần như không còn bản nào cũng được đưa vào quy trình xử lý
• Website có thể đăng lại và sách bán chạy có thể tái bản, nhưng sách thực vật học thế kỷ 18 chỉ còn ba bản cuối cùng thì không thể thay thế sau khi bị nghiền nát
• Khác với việc cào dữ liệu Internet, torrent thư viện hay thu thập nhạc trái phép, việc nghiền nát bản gốc là không thể đảo ngược; sau phán quyết hợp pháp, các hoạt động như vậy có thể tăng tốc

[GN⁺]

Ý kiến trên Hacker News

• Tôi không mấy đồng cảm với các nhà xuất bản. Họ trói sách trong tình trạng ngừng in cho đến khi hết hạn bản quyền, biến những cuốn sách hoàn toàn bình thường thành sách hiếm, và ngay cả sách còn bán cũng thường chỉ dùng giấy dễ cong vì ẩm và kiểu đóng gáy keo mà vài năm là bung thành từng tờ
  Với những cuốn sách đã bị nhà xuất bản cho ngừng in, nhà xuất bản khác nên được phép xuất bản mà không cần bồi thường cho nhà xuất bản gốc, nhưng có thể đàm phán lại với tác giả về tiền bản quyền. Ngay cả khi họ không phát hành bản bìa cứng dùng giấy bền và khâu tay, luật bản quyền nên được sửa đổi để nhà xuất bản khác có thể làm bản cao cấp

  • Theo tôi, bản quyền nên chấm dứt khi tác giả hoặc vợ/chồng qua đời. Việc hãng đĩa kiếm tiền từ cả những video phân tích âm nhạc vài giây vốn rõ ràng là sử dụng hợp lý, rồi lấy doanh thu của các kênh nhỏ đã bỏ nhiều thời gian và chi phí là điều bất công
    Các streamer nhỏ cũng không có đủ khả năng pháp lý để chống lại. Kênh đó là https://www.youtube.com/@diggingthegreats/videos
  • Vào thế kỷ 17~18, việc nhà xuất bản không đóng bìa sách sẵn mà người mua đặt theo yêu cầu tại xưởng đóng sách độc lập là chuyện phổ biến; thậm chí cả thư viện cá nhân đôi khi còn dùng cùng một kiểu bìa thống nhất theo chủ sở hữu
    Khi đó sách là món xa xỉ mà phần lớn mọi người không thể mua nổi, và chỉ khi kiểu đóng sách sản xuất hàng loạt giá rẻ phổ biến thì khả năng tiếp cận mới tăng lên. Ngay cả bây giờ vẫn tồn tại thị trường các nghệ nhân tháo sách bán sẵn rồi làm lại bìa và kiểu đóng tùy chỉnh chất lượng cao
  • Có thể những cuốn sách thế kỷ 17~18 còn tồn tại đến nay trông có vẻ bền là vì ngay từ đầu chỉ những cuốn được làm tốt mới sống sót. Đây là thiên lệch người sống sót, vì những cuốn làm tệ đã biến mất nên ta không còn thấy chúng
  • Nếu người tiêu dùng chỉ mua bản bỏ túi rẻ tiền trong khi việc đóng bìa cao cấp cho mọi cuốn sách rồi chất trong kho làm tăng chi phí, thì nhà xuất bản không có lý do để gánh thêm khoản đó; đây là phản ứng với nhu cầu thị trường
    Thay vì cho rằng nhà xuất bản cố tình phớt lờ nhu cầu ẩn với bản cao cấp, cách giải thích đơn giản hơn là họ biết từ dữ liệu bán hàng rằng nó sẽ không bán được. Nếu mục tiêu là bảo tồn, thì thay vì ép dùng loại giấy tốt hơn đôi chút, nên xây dựng kho lưu trữ số vững chắc chứ không phải dựa vào kho hàng tồn hay kệ sách của nhà sưu tập
  • Tôi còn ít đồng cảm hơn với các công ty vận hành LLM đang đánh cắp tài sản trí tuệ

• Tôi đang tái bản các sách cũ sau khi kiểm tra bản quyền. Tất cả sách đều là bản xuất bản trước năm 1930, và tùy việc chủ sở hữu quyền có gia hạn hay không, khá nhiều sách đến tận 1964 hoặc 1973 cũng có thể làm được
  Sau khi cắt gáy sách bằng máy cắt chuyên dụng, tôi cho từng tờ vào túi nhựa niêm phong để bảo quản vĩnh viễn, đồng thời lưu cả file gốc không nén trên đĩa từ để phòng khi cần quét lại. Tôi cũng tìm trước các bản hiếm sau năm 1931 để có thể xuất bản ngay khi hết hạn bản quyền, nhưng chưa có công ty AI nào từng yêu cầu được huấn luyện bằng toàn bộ bản scan cả

  • Tôi tò mò ở đây “chúng tôi” là ai, và liệu túi nhựa niêm phong có phù hợp cho bảo quản dài hạn không. Do phân hủy hóa học có thể khiến hơi ẩm hoặc khí ăn mòn tích tụ bên trong, nên cần xác minh xem môi trường chủ động kiểm soát nhiệt độ và độ ẩm có tốt hơn không
  • Những cuốn sách rất cũ có thể tạo ra thiên lệch về văn phong cổ, và ngay cả tri thức có giá trị cũng thường được tài liệu hiện đại trình bày sâu và chi tiết hơn, nên giá trị làm dữ liệu huấn luyện AI của chúng tương đối thấp
    Bản thân cổ thư rất thú vị và rất đáng được bảo tồn, nhưng lại kém hữu ích hơn cho mục đích trộn vào một bộ dữ liệu huấn luyện khổng lồ
  • Cần có nguồn gốc và bối cảnh để biết đây là tổ chức phi lợi nhuận 2 người hay một công ty sắp IPO được định giá 1 nghìn tỷ USD
  • Tôi thắc mắc việc cắt gáy sách có khiến chỉ còn lại những trang rời kiểu “Cuộn Biển Chết” đã mất xuất xứ hay không

• Nếu đối tượng quét chỉ là sách còn bản quyền, thì thật khó hiểu vì sao sách thực vật học thế kỷ 18 lại được đưa vào. Việc quét một cuốn sách mình sở hữu phải là hành vi hợp pháp về mặt bản quyền, và không nên bị buộc phải phá hủy
  Với các tác phẩm đã xuất bản hơn 50 năm và có nguy cơ bị lãng quên, nên áp dụng quy định về tác phẩm bị bỏ mặc, buộc chủ sở hữu quyền phải chứng minh rằng chúng đang được lưu giữ tại nhiều thư viện v.v., hoặc cho phép sao chép thêm, hoặc từ bỏ bản quyền

  • Tháo sách thành từng tờ để quét sẽ nhanh và rẻ hơn, và huấn luyện AI là cuộc chiến về số lượng nên cách này có lợi. Các tờ rời trở nên vô dụng sau khi quét rồi sẽ bị nghiền bột để tái chế, nên ngay cả khi không có vấn đề bản quyền thì quét phá hủy có lẽ vẫn sẽ trở thành xu hướng chủ đạo
    Lý do OpenAI không thể mua bản số của một cuốn sách năm 2018 trên Amazon rồi dùng ngay không chỉ là vi phạm giấy phép, mà còn vì DMCA cấm cả việc gỡ DRM
  • Sách thế kỷ 18 đã hết hạn bản quyền, nên quét mà vẫn bảo tồn bản gốc không phải là bất hợp pháp
  • Lý do phá hủy những cuốn sách không thể thay thế không phải là bản quyền mà là tiết kiệm chi phí của quét phá hủy: https://www.404media.co/ai-companies-are-buying-tons-of-old-...
  • Những sách cổ hiếm chỉ còn dưới 10 bản nên được bảo vệ như di sản văn hóa kiểu hiện vật bảo tàng. Khi chủ sở hữu định làm hỏng hoặc tiêu hủy, nhà nước nên có quyền ưu tiên mua lại
  • Sách đã bị nghiền hủy cũng tạo ra lợi thế là đối thủ không thể quét lại được

• Nếu Archive.org không bị kiện chỉ vì cho mượn sách giấy mà họ đang nắm giữ, có lẽ đã tránh được kết cục này. Các nhà xuất bản lẽ ra nên suy nghĩ cẩn trọng hơn về hệ quả mà họ mong muốn

  • Archive.org ban đầu cho mượn các cuốn sách mà họ sở hữu bản giấy và đã quét, với DRM cùng giới hạn 1 người đồng thời cho mỗi cuốn, nhưng tranh chấp với nhà xuất bản bắt đầu khi trong thời kỳ COVID họ gỡ giới hạn này và cho phép mượn đồng thời không giới hạn
  • Khi một cuốn sách bị phá hủy, giá trị của các bản sao khác và hàng tồn chưa phát hành sẽ tăng lên, nên cũng không thể nói nhà xuất bản chắc chắn ghét điều đó
  • Có thể xem cách tiếp cận hấp tấp của Archive.org đã làm suy yếu cả vị thế của hoạt động bảo tồn chính đáng

• Các nhà xuất bản đã kiện những công ty AI huấn luyện bằng dữ liệu từ thư viện bóng tối, hy vọng kiếm được các hợp đồng nội dung giá trị lớn, nhưng các công ty AI đã tận dụng lỗ hổng analog. Mua sách cũ với giá 5 USD rồi chi 25 USD cho quét phá hủy vẫn rẻ hơn tiền bản quyền rất nhiều
  Tuy vậy, đối tượng không phải là cổ thư mà là sách còn bản quyền, và sách cũ cũng không tự động có giá trị. Thư viện loại bỏ những cuốn không có nhu cầu và chỉ tốn phí lưu trữ, nên các đơn vị quét có thể mua rất rẻ

  • Vì đó là những cuốn sách có giá trị với công ty AI nên họ phải trả mức thù lao công bằng
  • Tài liệu hiện đại rồi theo thời gian cũng sẽ trở thành tài liệu cổ, nên không thể chỉ đánh giá dựa trên giá trị vật lý hiện tại
  • Kể cả tính cả hao mòn thiết bị, nhân công gỡ giấy kẹt và chi phí tái chế, chi phí quét phá hủy có thể gần 0,25 USD hơn là 25 USD mỗi cuốn
  • Nếu thay đổi thông tin của nhiều người mua và phá hủy tư liệu gốc, nội dung sai sẽ bị giữ lại trong LLM, nên việc biện minh cho điều này gần như là tuyên truyền

• Nội dung này giống nhà máy “xé hủy rồi quét” trong 《Rainbows End》 của Vernor Vinge hơn là 《Fahrenheit 451》 của Bradbury

  • Vernor Vinge đặc biệt giỏi dự đoán tương lai gần, và mô tả việc quét kiểu xé hủy như một cách bọn phản diện dùng tạm thời trước khi chuyển sang quét không phá hủy. Về lâu dài, một trong những việc tốt nhất có thể làm cho nhân loại là ủng hộ Anna’s Archive
  • Dù khác với ý nghĩa mà công chúng thường gán cho tác phẩm, điều này lại khá gần với dụng ý của tác giả 《Fahrenheit 451》

• Việc số hóa sách hiếm cũng có thể khắc phục phần nào thiệt hại từ vụ Authors Guild v. Google. Có thể cho phép công ty AI quét sách nhưng bắt buộc công khai bản sao số, đồng thời dành vài năm trì hoãn để bảo vệ lợi thế của đơn vị quét đầu tiên: https://en.wikipedia.org/wiki/Authors_Guild,_Inc._v._Google,...

  • Việc phá hủy bản sao duy nhất của một cuốn sách năm 1850 để nhốt nội dung vào một hệ thống kiếm lời là hành vi chiếm đoạt tài nguyên công giống như khai thác tài nguyên trái phép trên đất công
    Ngược lại, sẽ hợp lý hơn nhiều nếu số hóa chất lượng cao, công bố miễn phí vĩnh viễn, cho phép truy cập qua LLM công cộng miễn phí tại thư viện và trên mạng, và nếu không còn bản in vật lý nào khác thì sau khi xác minh đầy đủ phải lưu giữ trong kho lưu trữ sách hiếm công cộng

• Nếu vì luật bản quyền ngớ ngẩn mà đây là cách hợp pháp duy nhất công ty AI có thể chọn, thì khó có thể đổ toàn bộ trách nhiệm cho họ. Có thể ủng hộ thư viện bóng tối địa phương: https://annas-archive.pk/donate

• Chỉ dựa trên các tư liệu được trích dẫn thì vẫn thiếu bằng chứng rằng sách hiếm thực sự đang bị phá hủy. Dù có bổ sung ví dụ về một cuốn sách thực vật học thế kỷ 18 không thể thay thế, vẫn chưa thể loại trừ khả năng đối tượng thực tế là sách đang bán hoặc sách phổ biến

  • Sách thế kỷ 18 đều đã hết bản quyền nên không có lý do gì phải xé hủy

• Ở đây, “sách hiếm” dường như không phải là bản thảo trung cổ quan trọng về mặt lịch sử, mà là những cuốn sách tương đối gần đây vẫn còn bản quyền nhưng có ít bản in lưu hành. Việc phá hủy một cuốn như vậy để bảo tồn nội dung dưới dạng số không hẳn là xấu, và với sách còn bản quyền thì giá trị thường nằm ở nội dung hơn là vật mang tin vật lý

  • Ngay cả các bản thảo trung cổ có giá trị lịch sử cũng đang dần được đưa lên mạng, và nếu nhà nghiên cứu có thể tiếp cận trực tiếp bản quét của tư liệu gốc thì nghiên cứu lịch sử sẽ nhanh hơn. Tất nhiên, trong trường hợp đó người ta dùng phương pháp không phá hủy
  • Cũng có những cuốn mà chính vật mang tin vật lý có giá trị, như bản sưu tầm đặc biệt có chữ ký tác giả hoặc dát vàng, nhưng công ty AI có lẽ sẽ không dùng những bản như vậy
  • Với những cuốn chỉ còn số bản còn lại ở mức một chữ số, tôi vẫn có thể chấp nhận quét kiểu phá hủy nếu có điều kiện công khai bản quét số chất lượng cao
  • Câu hỏi cốt lõi là đang bảo tồn dưới dạng số cho ai
  • Thật khó nói việc chỉ thay đổi đôi chút trọng số của một chuỗi Markov ở đâu đó có thực sự được gọi là bảo tồn nội dung hay không