Les entreprises d'IA détruisent peut-être des livres rares pour entraîner leurs modèles

Points clés

• Les entreprises d'IA achèteraient des livres physiques, notamment des titres rares, puis les détruiraient pour extraire du texte destiné à l'entraînement des modèles.
• La numérisation de livres reliés intacts est plus lente et coûteuse, ce qui rend la destruction la voie la moins chère pour obtenir de grands volumes de texte de haute qualité.
• Les libraires soupçonnent que la pratique est plus répandue que ne le montrent les reportages actuels.
• Les livres rares et épuisés détruits de cette façon pourraient être perdus définitivement.
• Les chercheurs et les amateurs de livres affirment que la destruction est évitable si les entreprises optent pour des méthodes plus lentes et moins dommageables.

Quelque part en ce moment, un livre qui a survécu un siècle est probablement en train de passer dans un déchiqueteur.

C'est le portrait inconfortable qui émerge des libraires qui, comme l'a d'abord rapporté Ars Technica AI, soupçonnent que les entreprises d'IA achètent discrètement des livres physiques pour ensuite les détruire afin de numériser rapidement et à bas coût les pages.

Pourquoi quelqu'un détruirait-il un livre juste pour le numériser ?

La reliure pose problème. La couture d'un livre maintient les pages ensemble en courbe, ce qui rend une numérisation plate et nette presque impossible sans les séparer d'abord. Détruire la reliure, découper les pages libres, les numériser et jeter les restes est dramatiquement plus rapide que de photographier un livre intact page par page.

La vitesse compte ici parce que les entreprises d'IA sont dans une course. Les modèles derrière des outils comme ChatGPT et Claude, appelés modèles de langage de grande taille, apprennent à partir de quantités énormes de texte. Les livres sont particulièrement précieux pour cet entraînement car ils contiennent de la prose longue et soigneusement rédigée, bien plus riche que la plupart des textes trouvés en ligne. Obtenir des millions de pages dans un ensemble de données d'entraînement rapidement vaut de l'argent, et détruire un livre de poche bon marché pour ce faire est une décision facile.

La décision plus difficile se pose quand le livre n'est pas bon marché.

Qu'en est-il des livres rares ou irremplaçables ?

C'est là que l'histoire devient véritablement préoccupante. Les libraires rapportent que les acheteurs, supposément travailler pour des entreprises d'IA, achètent des titres qui incluent des copies rares et épuisées. Une fois ces livres déchiquetés pour numérisation, aucune copie physique ne subsistera peut-être.

Une numérisation n'est pas la même chose qu'un objet survivant. Les pages contiennent des annotations, des variations d'impression et des preuves physiques que les chercheurs utilisent. Perdre l'objet signifie perdre plus que les mots.

Les libraires soupçonnent aussi que l'ampleur est plus importante que ce qui a été rendu public. Parce que les achats en vrac de livres ne sont pas réglementés ou suivis d'une manière qui révèle l'objectif de l'acheteur, l'étendue complète est difficile à confirmer.

Les lecteurs ordinaires devraient-ils s'en préoccuper ?

Oui, même si vous ne visitez jamais une librairie de livres rares. Les livres en cours de numérisation façonnent ce que les outils d'IA connaissent et comment ils écrivent. Si l'écriture de long format la plus précieuse et la plus soignée entre dans ces modèles sans le consentement des auteurs ou des éditeurs, et que les copies physiques disparaissent dans le processus, le patrimoine culturel et les moyens de subsistance des écrivains en souffrent.

La partie la plus cruelle, comme le soulignent les critiques, est que rien de tout cela n'est techniquement nécessaire. Des méthodes de numérisation plus lentes et non destructives existent. Les entreprises choisissent la voie moins chère.

À surveiller : Si vous vendez des livres d'occasion ou rares, soyez vigilant face aux acheteurs en vrac qui posent peu de questions sur l'état et ne montrent aucun intérêt pour la revente. Les commandes inhabituellement importantes de copies de lecture de titres épuisés, payées rapidement et collectées en vrac, correspondent au modèle que décrivent les libraires.