Stare książki jako paliwo AI. Jak firmy trenują modele na polskich publikacjach

Międzynarodowe przedsiębiorstwa masowo skupują zabytkowe i nieaktualne książki, by wykorzystać je do trenowania sztucznej inteligencji.

Polska literatura trafia do algorytmów sztucznej inteligencji poprzez masowe skupowanie starych książek przez zagraniczną firmę technologiczną. Zjawisko to ujawnia się na rynku antykwarycznym jako dziwny ruch, który zaciekawił właścicieli księgarni i kolekcjonerów.

Kto stoi za skupowaniem polskich publikacji?

Kanadyjska firma Zoom Books inicjuje na skalę przemysłową skupowanie polskojęzycznych dzieł. W połowie lipca tego roku współzałożyciel przedsiębiorstwa skontaktował się z warszawskim antykwariuszem, oferując zakup hurtowy książek. Wiadomość zawierała konkretne liczby: lista poszukiwanych polskich tytułów obejmuje ponad 800 tysięcy pozycji. Zainteresowanie obejmuje również numery ISBN i katalogi w formatach cyfrowych, co sugeruje systematyczne podejście do zbierania danych.

Przedstawiciel firmy uzasadnił zainteresowanie wzrostem zapotrzebowania na publikacje w języku polskim. Tłumaczenie zaproponowane przez firmę wskazuje na budowanie długoterminowych relacji na polskim rynku wydawniczym.

Jakie książki trafiają do AI?

Charakterystyczne jest, że zainteresowanie nie ogranicza się do dzieł klasycznych czy cennych edycji. Wśród poszukiwanych publikacji znalazły się:

Podręczniki z czasów PRL
Nieaktualne przewodniki turystyczne
Książki popularne z poprzednich dekad
Publikacje specjalistyczne z różnych dziedzin

To wskazuje, że dla celów trenowania modeli językowych liczy się przede wszystkim dostęp do dużych zbiorów tekstu w języku polskim, niezależnie od aktualności treści. Algorytmy AI uczą się na podstawie wzorców językowych zawartych w tekście, a stare publikacje zawierają takie wzorce równie dobrze jak dzieła współczesne.

Dlaczego właśnie polskie książki?

Polska literatura w cyfrowych zbiorach treningowych AI jest zasobem niedostatecznie reprezentowanym w porównaniu do angielskiego czy niemieckiego. Języki mniejszościowe stanowią wąskie gardło w rozwoju globalnych modeli sztucznej inteligencji. Skupowanie starych publikacji to strategia wypełniania tej luki — zamiast negocjować z wydawnictwami o dostęp do współczesnych dzieł (co wiąże się z kosztami i kwestiami prawnymi), firmy sięgają po zabytkowe pozycje, które często znajdują się w szarej strefie praw autorskich.

Aspekt	Znaczenie dla AI	Wyzwanie
Stare książki PRL	Dane treningowe dla modeli polskojęzycznych	Brak jasności co do praw autorskich
Przewodniki turystyczne	Teksty w naturalnym języku polskim	Możliwość niedostatecznej reprezentacji współczesnego słownictwa
Podręczniki	Teksty strukturalne, bogata terminologia	Ryzyko zasiania algorytmów przestarzałymi informacjami
Liczba pozycji (800 tys.)	Masowe skalowanie zbiorów treningowych	Logistyka i koszty transportu

Co to oznacza dla polskiego rynku antykwarycznego?

Pojawienie się nowego gracza na rynku zmienia dynamikę handlu starymi książkami. Antykwariusze, którzy przez lata sprzedawali pojedyncze egzemplarze kolekcjonerom i bibliotekom, teraz napotykają konkurencję od firm technologicznych oferujących hurtowe ceny. Może to prowadzić do wzrostu cen rzadkich publikacji, jeśli popyt przewyższy podaż. Jednocześnie firmy takie jak Zoom Books mogą odkupić książki przed tym, zanim trafią do rąk naukowców lub kolekcjonerów zainteresowanych zachowaniem polskiego dziedzictwa kulturalnego.

Zjawisko ujawnia również lukę w ochronie praw autorskich. Wiele starych polskich publikacji nie ma już żywych autorów ani wydawców, którzy mogliby negocjować warunki wykorzystania. Ich dziedzice mogą nie być świadomi, że ich intelektualna własność trafia do algorytmów międzynarodowych korporacji. Polska literatura staje się surowcem, który można pozyskać taniej niż w krajach anglosaskich, gdzie kwestie praw autorskich są bardziej standaryzowane i egzekwowane.

Implikacje dla przyszłości

Praktyka skupowania starych książek do trenowania AI odsłania fundamentalną asymetrię: podczas gdy współczesne dzieła są chronione, publikacje z przeszłości pozostają podatne na masowe wykorzystanie bez wynagrodzenia dla spadkobierców twórców. Polska, jako kraj z bogatą tradycją wydawniczą, staje się potencjalnym źródłem tanich danych treningowych dla globalnych modeli sztucznej inteligencji.

Proces ten zachodzi poza świadomością większości interesariuszy — zarówno spadkobierców autorów, jak i polskich instytucji kultury. Brak regulacji dotyczących wykorzystania starych publikacji do trenowania AI oznacza, że polska literatura może kształtować zachowanie algorytmów na całym świecie, bez żadnych korzyści dla polskiego rynku wydawniczego czy kultury.