Кағаз кітаптар ЖИ үшін шикізатқа айналды: Amazon қоймасынан (Лас-Вегас) не табилды

RD media дайындады
Қысқаша: 404 Media сирек кітаптар партиясын AirTag арқылы Amazon қоймасына дейін қадағалады, онда түптер кесіліп, беттер сканерленеді. Бұл схеманы бұрын Anthropic қолданған. Интернетте жоқ мәтіндер жасанды интеллект (ЖИ) дамуы үшін стратегиялық ресурсқа айналды.

404 Media журналисттері шамамен 1 000 данадан туратын партияның бір кітапына Apple AirTag жасырып, оның маршрутын қадағалады. Маяқ Лас-Вегастағы Amazon қоймасына алып келді, онда кітаптар бөлшектеніп, түптері кесіліп, беттері сканерленеді.
2024 жылдың тамызында жария ланған тергеу операцияны ЖИ оқыту үшін деректер дайындаумен байланыстырды. Amazon осы операцияның нақты мақсатын растаған жоқ.

VGT3 ішінде

Тапсырыс Biblio маркетплейсі арқылы түсті. Қадағаланатын кітап Amazon LAS8 қоймасына жеткенше Калифорния, Висконсин және Колорадо штаттарынан өтті. Объектінің солтық бөлігінде VGT3 бөлімшесі жұмыс істейді. Оның эмблемасында қолында кітабы бар тираннозавр бейнеленген.
Қызметкерлер процесті конвейер ретінде сипаттайды: партияны қабылдау, кітап арқасын кесу, беттерді сканерлеу. Осындан кейін кітапты бастапқы түріне қайтару мүмкін емес.
Кітап саудагерлері ЖИ компаниялары мәтіндерді жийелі жинау үшін ISBN бойынша басылымдарды сатып алатынды деп күдіктенген. 404 Media бұл нұсқаны растаған дәлел тапты: қойма қызметкерлері кітаптарды өңдеу алдында штрихкодтар және ISBN нөмірлерін сканерлейді.
Amazon өнімдер және сервистерді дамыту үшін кітаптарды коммерциялық арналар арқылы сатып алатынатын мәлімденді. Компания дәл осы операцияның ЖИ оқытуға арналғанын растаған жоқ және өңдеу көлемін ашпанбады.

Компанияларға қағаз кітаптар неге қажет

Ашық интернетте жария ланған барлық мәтіндер жоқ. Ескі, сирек және тар мамандандырылған басылымдарда цифрлық жинақтарда жоқ материалдар болуы мүмкін. Модель әзірлеушілері үшін мәтіндер — ғылыми және тар мамандандырылған материалдарды қоса, құнды деректер көзі.
Мәселе деректер көлемі мен шектеуден емес. Бәсекелес модельдер үксас ашық дереккөздерде оқытулса, бірегей материалдарға қолжетімдік артықшылық болуы мүмкін. Қағаз кітаптар әдеттегі цифрлық архивтерде жоқ мәтіндерді табу беруге мүмкіндік береді.
Бірақ бұл тәсілде мазмун басылымның өзінен бөлінеді. Мәтін цифрлық түрде сақталуы мүмкін, ал рәсімдеу, иелердінің белгілері және нақты данамен байланысты тарих жоқалайды. Алынған цифрлық көшірме де оқырмандарға міндетті түрде қолжетімдік бола бермейді.

Anthropic бұл жолды бар өткен

Project Panama аясында Anthropic компаниясы түпнұсқаларды жою арқылы кітаптарды ауқым деңгейде сандыққа көшіруге үйтен келді. Сот процесінің материалдарында жобаның мақсаты «әлемдегі барлық кітаптарды деструктивті сканерлеу арқылы» ретінде сипатталды — бул тұжырымдама алты айда ішінде 500 мыңдан 2 миллионға дейін кітап өңдеуді жоспарланған мердігердің үсынысында көрсетілген.
2025 жылдың маусымында Bartz v. Anthropic ісінде АҚШ федералдық соты заңды түрде сатып алынған кітаптарда ЖИ оқытуды әділ пайдалану (fair use) деп таныды. Бұлан бөлек, 2025 жылдың қыркүйегінде Anthropic пиратталған көшірмелерді пайдалануға байланысты талаптар бойынша 1,5 млрд доллар төлеуге келісті. Бұл екі қосымша құқықтық мәселе: заңды түрде сатып алынған туыындарда оқытуға қатысты шешім кітаптарды заңсыз алуды қамтысына корған жоқ.

Бұл Қазақстан үшін нені білдіреді

KazLLM қазақ, аңғылшын, орыс және түрік тілдерінде 148 млрд токенде оқытты. Қазақ тіліндегі лингвистикалық корпусты дайындауға 26 ғылыми үйымның 140-тан астам ғалымы және қызметкері қатысты. Материалдар 115 білім саласы бойынша жиналды.

Қазақстанның ұлттық электронды кітапханасында 86 315 құжат бар, оның ішінде 10 мыңдан астам сандық қолжазба және сирек кітап. Электронды қор оқырмандарға қолжетімдік, құжаттар онданан тегіндерде усындалған.

Шетелік компаниялардың қазақ басылымдарды жаппай сатып алуы туралы деректер жоқ. Дегенмен нарық логикасы айқын: тек қағазда қана бар мәтін тілдік модель әзірлеушілері үшін құнды болуы мүмкін.
Қазақстан үшін қай ұлттық мәтіндердің сандыққа көшірілгенін, қайсыысы 0446ифрлық жинақтардан тыс қалғанын және оларды ЖИ оқытуда қандай шарттарда пайдалануы мүмкін түсіну түсіну маңызды. Болашақ ЖИ модельдеріне қазақ мұрасының қанша бөлігі енетіні осынан байланысты.

Қорытынды

Интернетте жоқ мәтіндер жасанды интеллект үшін стратегиялық ресурсқа айналды. Жүйелі ұлттық сандыққа көшіру болмаса, қазақ мәтіндері модельдерді оқыту жағдайында мемлекеттік бақылауынан тыс қалу қаупі бар.
Қазақстан үшін сандыққа көшіру — мұраны сақтау және қазақ тілі мен жұмыс істейтін технологияларды жасауға қатысу дегені білдіреді.

Жиї қойылатын сұрақтар

404 Media тергеуі нені анықтады?
Журналистер AirTag арқылы кітапты Лас-Вегастағы Amazon қоймасына дейін қадағалады, онда қызметкерлер түптерді кесіп, беттерді сканерлейді.

Amazon кітаптардың ЖИ оқытуға пайдаланатыны растаған жоқ па?
Жоқ. Компания өнімдер және сервистерді дамыту үшін кітаптарды коммерциялық арналар арқылы сатып алатынатын мәлімденді, бірақ дәл осы операцияның мақсатын растаған жоқ.

ЖИ оқыту үшін кітаптарды сканерлеу қануны ма?
АҚШ-та сот қаралған іс шеңберінде заңды түрде сатып алынған кітаптарда оқытуды әділ пайдалану деп таныды. Пиратталған көшірмелерді пайдалану — білек құқықтық мәселе.

Бұл Қазақстанға қандай қатысты?
Қазақ тіліндегі кітаптар, арайда сирек және интернетте жоқ кітаптар, тілдік модельдерді оқыту үшін құнды ресурс болуы мүмкін. Оларды сақтау, сапалы сандыққа көшіру және пайдаланудың ашық ережелерін қамтамасыз ету маңызды.