Amazon compra libros raros, les corta el lomo y los escanea para entrenar su IA
Una investigación de 404 Media siguió con un AirTag un lote de libros antiguos hasta un almacén de Amazon en Las Vegas. Allí una unidad interna les corta la encuadernación y los digitaliza página por página para alimentar a los modelos Nova. Amazon lo ha confirmado.
Un lote de libros antiguos, un AirTag escondido dentro y varias semanas de viaje. Al final del rastro no había una biblioteca: había un almacén de Amazon y una cuchilla.
Qué ha pasado
Un equipo de 404 Media compró libros viejos en Biblio, la plataforma especializada en ejemplares raros y descatalogados, y metió un AirTag dentro del paquete. El rastreo contó el viaje completo: avión, camión y semanas de trayecto hasta un almacén de Amazon en Las Vegas.
Ahí dentro trabaja una unidad identificada como VGT3. Según los empleados citados en la investigación, su tarea es recibir libros físicos, cortarles el lomo y escanearlos página por página. El corte acelera la digitalización, pero destruye el ejemplar: de ese libro ya no queda libro.
Todo ese texto termina en el conjunto de datos con el que Amazon entrena a Nova, su familia de modelos de inteligencia artificial. La compañía lo ha confirmado. Un portavoz dijo que compra libros por canales comerciales «para mejorar los productos y servicios que ofrece a sus usuarios». No dijo cuántos ejemplares van ya, ni por qué hace falta destruirlos.
Por qué precisamente libros viejos
Los grandes modelos de lenguaje ya se comieron buena parte del texto que hay en internet. Lo que queda ahí fuera tiene un problema nuevo: cada vez más está escrito por otra IA.
Y eso, para quien entrena modelos, es veneno. Se le llama colapso del modelo: si entrenas una IA con lo que escupió otra IA, y esa con lo que escupió una tercera, las respuestas se van degradando en cada vuelta, como una fotocopia de una fotocopia.
De ahí el criterio de Amazon, que es más revelador que la noticia misma: se concentra en libros impresos antes de 2022, es decir, antes de que ChatGPT existiera. Papel garantizado como humano.
El otro filtro es el ISBN. Amazon solo digitaliza los libros que lo tienen, porque ese número le sirve de registro para saber qué títulos ya escaneó. Dicho de otra forma: está recorriendo el catálogo mundial de libros de forma sistemática, título por título. Se quedan fuera los ejemplares muy antiguos, las ediciones raras y los autoeditados sin ese registro.
Los vendedores del sector llevaban meses notando algo raro sin saber qué era: un repunte inusual de compras de libros descatalogados, por lotes, sin preguntar por el precio ni por el estado. Nadie que colecciona compra así. Quien compra así no quiere el libro, quiere el texto.
No es la primera que lo hace
La práctica no la inventó Amazon. Anthropic hizo lo mismo para entrenar a Claude, y se supo por una demanda de autores contra la empresa: compraba libros físicos, les cortaba la encuadernación y los digitalizaba.
Lo curioso es cómo terminó ese asunto en los tribunales. Un juez de Estados Unidos consideró que escanear y destruir un libro que compraste podría entrar dentro del uso legítimo, con un razonamiento incómodo pero coherente: al destruir el ejemplar físico no se crea una copia adicional. Un libro entra, un archivo sale, el total no aumenta.
Por eso Amazon compra los libros en vez de piratearlos, y por eso los destruye en vez de revenderlos. No es descuido: es el camino jurídico más limpio que existe hoy.
Qué significa para ti
Aunque no compres libros raros, esto te dice tres cosas útiles.
La primera es que los datos buenos se acabaron y ahora se pagan. Durante años la materia prima de la IA fue gratis: internet, abierta y a mano. Cuando una empresa monta una cadena logística para comprar libros por lote, escanearlos y tirarlos, es que la parte fácil ya se agotó.
La segunda es que lo escrito antes de 2022 vale más que lo escrito después. Es una idea rarísima y probablemente irreversible: existe una fecha de corte a partir de la cual el texto humano deja de estar garantizado.
Y la tercera, la que más nos toca: el material con el que se entrenan estos modelos no sale de la nada. Sale de libros que alguien escribió y de páginas que alguien mantiene. La discusión sobre si eso hay que pagarlo, y a quién, apenas está empezando, y por ahora la va ganando quien tiene la cuchilla.
¿Te parece aceptable destruir un libro para digitalizarlo, o es una línea que no se debería cruzar? Te leo en los comentarios.
Fuentes
Sigue leyendo
Una IA diseñó proteínas contra 15 dianas sin ayuda humana: el laboratorio confirmó 14
Anthropic dejó a Claude trabajando solo durante 48 horas en un problema clásico del diseño de fármacos. Dos laboratorios externos fabricaron sus 1.320 diseños: 354 funcionaron, repartidos entre 14 de las 15 dianas. La tasa de acierto dobla o triplica lo habitual en el sector. Qué demuestra de verdad y qué no.
Las IA de OpenAI y Anthropic se escaparon de su jaula: un profesor de Harvard explica por qué importa
En julio, modelos de OpenAI y Anthropic rompieron el entorno cerrado donde los probaban, salieron a internet y atacaron servidores ajenos. James Mickens, catedrático de Harvard, avisa de que los riesgos de seguridad de la IA dejaron de ser teóricos hace tiempo. Esta semana OpenAI anunció su respuesta.
ChatGPT ya tiene modo adolescente, y avisa cuando tu hijo intenta copiar los deberes
OpenAI lanza ChatGPT for Teens y no es opcional: si el sistema calcula que tienes menos de 18 años, entras ahí. Trae modo estudio por horas, avisos a los padres y un modelo con prohibido hablarte en tono romántico. Llega cuatro años y 900 millones de usuarios semanales tarde.
Un taller japonés le duplica la memoria a la RTX 2080 Ti: 22 GB por 282 dólares
Un taller de Saitama cambia los módulos GDDR6 de la vieja RTX 2080 Ti y le instala un BIOS modificado: de 11 a 22 GB por 45.000 yenes, unos 282 dólares. La tarjeta no corre más rápido, pero gana justo lo que hoy está caro, que es memoria.