Amazon escanea libros raros para entrenar IA y luego los destruye

Amazon compra toneladas de libros raros, les corta el lomo y los escanea para entrenar IA, según 404 Media, que colocó un dispositivo de rastreo en un libro raro que terminó llegando a una instalación de Amazon en Las Vegas. La instalación, conocida como VGT3, se identifica con un símbolo de un dinosaurio sosteniendo un libro entre sus garras.

Amazon declaró a 404 Media que “compra libros a través de canales comerciales para mejorar los productos y servicios que usan los clientes”.

Empresas como Amazon necesitan cantidades inconcebiblemente grandes de texto para entrenar sus LLM, que ya han absorbido todo lo que pudieron de internet, incluidos, en el caso de Anthropic, libros pirateados ilegalmente. Los libros raros, en especial los que están agotados o son imposibles de encontrar en internet, ofrecen una nueva fuente de datos de entrenamiento codiciados.

Estos textos son especialmente valiosos porque no hay posibilidad de que algo publicado antes de 2022 haya sido escrito por un LLM. Cuando los LLM entrenan con texto generado por IA, corren el riesgo de sufrir “colapso del modelo” (model collapse), que puede ocurrir cuando la calidad de los resultados de un LLM se degrada tras absorber demasiado texto generado por IA.

Por qué importa

La búsqueda de textos verificablemente escritos por humanos anteriores a 2022 está empujando a las empresas de IA hacia métodos de obtención físicamente destructivos, convirtiendo a los libros agotados en un recurso escaso para una industria que corre para evitar entrenarse con sus propios resultados.