Záhadný kupec skupoval tisíce starých knih. AirTag odhalil Amazon, který je rozřezává pro hladovou AI
- Umělá inteligence potřebuje stále více kvalitních dat vytvořených lidmi, jejich zásoba se ale může během několika let vyčerpat.
- Technologické firmy proto hledají nové zdroje a jedním z nich jsou i desítky let staré knihy.
- Amazon je nakupuje, rozřezává a digitalizuje pro vývoj AI, upozornil server Živě.cz s odkazem na zjištění webu 404 Media.
Na neobvyklé využití starých knih narazil prodejce působící na platformě Biblio, když obdržel podezřele velkou objednávku zhruba tisícovky titulů od neznámého zákazníka. Do jednoho výtisku proto ukryl sledovací zařízení Apple AirTag a společně s novináři amerického serveru 404 Media sledoval jeho cestu. Kniha se z Kalifornie přes několik amerických států nakonec dostala do skladu Amazonu na severovýchodě Las Vegas.
Právě tam se z fyzických knih stávají data. Zaměstnanci odříznou hřbet, jednotlivé stránky projdou skenerem a jejich obsah se převede do digitální podoby. Data následně slouží k trénování systémů umělé inteligence. Amazon pro 404 Media uvedl pouze to, že knihy nakupuje běžnými komerčními cestami, aby jejich prostřednictvím pomáhal vyvíjet a zlepšovat produkty a služby využívané zákazníky.
Hodnotu nese text napsaný člověkem
Důvodem, proč mají pro technologické firmy hodnotu i staré a dříve obtížně prodejné knihy, je především jejich lidský původ. Výzkumná organizace Epoch AI odhaduje množství kvalitního a veřejně dostupného textu vytvořeného lidmi přibližně na 300 bilionů tokenů. Podle jejích odhadů by se tato zásoba mohla pro trénování modelů vyčerpat mezi lety 2026 a 2032, přičemž střed odhadu připadá na rok 2028. Spoluzakladatel OpenAI Ilya Sutskever už v roce 2024 upozorňoval, že množství lidských dat je omezené a internet nelze jednoduše vytvořit znovu.
Situaci navíc komplikuje rostoucí množství obsahu vytvořeného samotnou umělou inteligencí. Studie společnosti Ahrefs z roku 2025 uvádí, že nějakou formu AI textu obsahovalo 74 procent nově vzniklých webových stránek. Trénování modelů na jejich vlastních výstupech přitom může vést k postupnému hromadění chyb a degradaci výsledků. Pro vývojáře proto získávají na hodnotě texty, u nichž lze s vysokou pravděpodobností určit, že vznikly ještě před nástupem generativní AI. Typickým příkladem jsou právě knihy vydané před rokem 2022.
Samotné listy zrychlují skenování
Digitalizace knih, při níž dojde k jejich zničení, je výrazně rychlejší než šetrné skenování. Po odstranění hřbetu lze jednotlivé listy vložit do výkonných skenerů s automatickým podavačem. Například Internet Archive při nedestruktivní digitalizaci zvládá přibližně 500 až 800 stran za hodinu a stránky musí ručně obracet pracovník. Průmyslové skenování samostatných listů je podle Živě.cz řádově rychlejší a levnější. Následné OCR dokáže z kvalitních snímků rozpoznat 95 až 99 procent znaků, stále častěji ale tuto fázi zvládají přímo multimodální AI modely.
Samotné knihy přitom objemem dat internet nenahradí. Když harvardská Institutional Data Initiative zveřejnila téměř milion knih z oblasti volných děl, jejich 394 milionů stran představovalo přibližně 242 miliard tokenů. To odpovídá zhruba jednomu procentu typického současného trénovacího korpusu, zatímco veřejný webový archiv Common Crawl obsahuje přes 100 bilionů tokenů. Hodnota starých knih však spočívá především v kvalitě, jedinečnosti a v jistotě, že jejich obsah vytvořil člověk. Destruktivní postup současně přináší riziko, že mezi knihami skončí i vzácné nebo unikátní exempláře, protože při nákupu může být rozhodující jedinečnost textu pro trénink AI, nikoliv historická či bibliografická hodnota konkrétního výtisku.
