گزارش‌های تازه افشا کرده‌اند که آمازون، غول فناوری که فعالیت خود را به عنوان یک کتاب‌فروشی آنلاین آغاز کرده بود، اکنون دست به اقدام جنجالی تازه‌ای زده است: خرید کتاب‌های نایاب، بریدن شیرازه آن‌ها و اسکن صفحه به صفحه برای آموزش مدل‌های زبانی بزرگ (LLM). این افشاگری که ابتدا توسط رسانه ۴۰۴ Media مطرح شد، نشان می‌دهد آمازون برای دسترسی به داده‌های متنی دست‌نخورده و باکیفیت، حتی حاضر است نسخه‌های فیزیکی ارزشمند را نابود کند.
ماجرای ردگیری کتاب‌های نایاب در مرکز هوش مصنوعی آمازون
خبرنگاران رسانه ۴۰۴ Media با قرار دادن یک ردیاب داخل یک کتاب نایاب و قدیمی، مسیر حرکت آن را دنبال کردند. این کتاب در نهایت به یکی از مراکز آمازون در لاس‌وگاس به نام VGT3 رسید. نماد این مرکز، دایناسوری است که کتابی را در چنگال‌های خود نگه داشته است.
شرکت آمازون طی بیانیه‌ای تایید کرد که «کتاب‌ها را از طریق کانال‌های تجاری خریداری می‌کند تا محصولات و خدمات مورد استفاده مشتریان را بهبود ببخشد». با این حال، تخریب فیزیکی اثر برای فرایند اسکن سریع، موجی از انتقادات را در جوامع فرهنگی به همراه داشته است.
چرا کتاب‌های نایاب برای غول‌های هوش مصنوعی حیاتی هستند؟
شرکت‌های توسعه‌دهنده هوش مصنوعی برای آموزش مدل‌های پیشرفته خود به حجم عظیمی از متون متکی هستند. اکنون که بخش عمده داده‌های موجود در اینترنت توسط مدل‌ها بلعیده شده، چالش‌های تازه‌ای بروز کرده است:
- جلوگیری از فروپاشی مدل (Model Collapse): اگر هوش مصنوعی روی داده‌های تولیدشده توسط خودش آموزش ببیند، کیفیت خروجی‌ها به شدت افت می‌کند. کتاب‌های قدیمی تضمین می‌کنند که متن ۱۰۰٪ توسط انسان نوشته شده است.
- کمیابی داده‌های باکیفیت: متون آنلاین موجود تقریباً تمام شده‌اند و شرکت‌ها برای متمایز کردن مدل‌های خود به منابع جدید و دست‌نخورده نیاز دارند.
- دسترسی به محتوای نایاب: متون کتاب‌های خارج از چاپ که هرگز دیجیتالی نشده‌اند، گنجینه‌ای از دانش تخصصی و زبان طبیعی به شمار می‌روند.
سوالات متداول
چرا آمازون جلد و شیرازه کتاب‌ها را می‌برد؟
برای اسکن سریع و انبوه صفحات توسط دستگاه‌های اتوماتیک، شیرازه کتاب‌ها بریده می‌شود تا صفحات به صورت جداگانه و با سرعت بالا اسکن شوند؛ فرایندی که نسخه فیزیکی را کاملاً نابود می‌کند.
پدیده فروپاشی مدل در هوش مصنوعی چیست؟
فروپاشی مدل زمانی رخ می‌دهد که یک مدل زبانی بر اساس متون تولیدشده توسط هوش مصنوعی دیگر آموزش ببیند. این کار باعث کاهش تدریجی دقت، تنوع و کیفیت پاسخ‌های مدل می‌شود.