A crescente procura por dados de elevada qualidade para treinar modelos de Inteligência Artificial (IA) poderá estar a levar algumas empresas tecnológicas a comprar livros físicos em grandes quantidades, digitalizá-los e destruí-los de seguida, segundo uma investigação da 404 Media.

À medida que os modelos de IA se tornam mais sofisticados, aumenta também a necessidade de conteúdos produzidos por humanos e considerados fiáveis. Com a Internet inundada por textos gerados por inteligência artificial, os livros impressos passaram a ser vistos como uma das fontes mais valiosas para o treino de novos sistemas.

De acordo com a investigação, algumas empresas do sector estarão a recorrer a intermediários para adquirir grandes quantidades de livros em segunda mão, procurando manter estas operações afastadas do escrutínio público.

O recurso a obras impressas para treinar modelos de IA não é novo. Durante um processo judicial que envolveu a Anthropic, foi revelado que a empresa comprou milhões de livros para os digitalizar, recorrendo a empresas especializadas neste tipo de serviço.

Para acelerar o processo, muitas dessas digitalizações são realizadas através de um método destrutivo: a lombada dos livros é removida para permitir que cada página seja digitalizada por equipamentos industriais de alta velocidade. Depois deste procedimento, os exemplares deixam ser preservados.

Embora esta técnica seja utilizada há vários anos em projectos de digitalização documental, a sua aplicação em larga escala para alimentar modelos de inteligência artificial está a levantar um intenso debate.

A 404 Media refere ainda que diversos vendedores de livros usados registaram um aumento invulgar da procura nos últimos meses. Um dos livreiros entrevistados revelou ter passado de cerca de 20 livros vendidos por semana para várias centenas, enquanto outros comerciantes relataram um cenário semelhante.

Outro aspecto que despertou atenção foi a preferência dos compradores por livros identificados por ISBN (International Standard Book Number), o código internacional que identifica de forma única cada obra publicada. Em muitos casos, os compradores também não demonstravam grande preocupação com o preço dos exemplares.

Apesar de uma decisão judicial nos Estados Unidos considerar que, em determinadas circunstâncias, o treino de modelos de IA com livros legalmente adquiridos pode enquadrar-se no princípio de fair use, continuam por esclarecer várias questões legais e éticas.

Entre as principais preocupações estão a eventual destruição de obras raras ou esgotadas e o facto de o conhecimento digitalizado passar a integrar bases de dados privadas, inacessíveis ao público. Embora não existam provas de que livros raros estejam a ser sistematicamente retirados de circulação, a possibilidade continua a alimentar o debate sobre a preservação do património cultural e os limites da inovação tecnológica.

‍