Bücherverbrennung 2.0

Die KI-Hyperscaler, die Betreiber der großen Sprachmodelle, sind damit aufgefallen, die Buch-Antiquariate abzugrasen und alles, was ihnen als höherwertiger Kontext erscheint, abzuräumen. Die wertvollen Alt-Werke werden eingescannt, und wie böse Zungen behaupten, anschließend verbrannt. Die BigTechs haben das natürlich postwendend dementiert. Gebraucht werden die Altwerke für das Nachtraining der großen Sprachmodelle, die auch als Futter für die Chatbots und Suchmaschinen genutzt werden.

Die Frischtextkur ist erforderlich, einerseits aus ehrenwerten Gründen, um das „Weltwissen“  der Systeme zu erweitern, andererseits aus der Not heraus, als Kontrapunkte gegen die zunehmende Vermüllung der Datenlage.

Das Problem dabei: Die eingescannten Inhalte gehen bei der Aufbereitung für die Sprachmodelle in ihrer Originalform verloren. Die Daten werden in eine für sie verarbeitbare Form gebracht, das heißt in sogenannte Token (Wortsilben) zerhackt und vektorisiert (Details siehe Intro KI: Lernen). Ihre Bedeutung verschwindet in den im Training der Systeme erworbenen Milliarden bis Billionen Verbindungswerte für die Wahrscheinlichkeiten eines gemeinsamen Vorkommens mit den anderen Token des Systemwortschatzes. Wenn die Benutzerinnen und Benutzer mit Zitaten aus den Werken beglückt werden sollen, müssen die Scans in irgendeiner digitalisierten Form ebenfalls gespeichert werden.

Den Hyperscalern genügt es, je ein Exemplar zu kaufen. Damit ist das Einscannen im sog. rechtssicheren Raum. Doch sie verwerten die Inhalte in ihren Sprachmodellem zu eigenen Zwecken, und sei es auch nur als Substrat für die Positionierung von themenbezogener Werbung. Das ist, zumindest nach US-amerikanischem Recht, Grauzone. Die Verlage und Händler streiten darüber, wie sie an den Verwertungserlösen beteiligt werden können - um die Urheber geht es dabei nur noch in Ausnahmefällen - wenn sie noch leben.

Die Anbieter der großen Systeme könnten allerdings auch ähnlich wie bei den großen Datentöpfen, an denen sich alle bedienen, die Scans in einer allgemein zugänglichen Datensammlung zur Verfügung stellen, aber das ist nicht in Diskussion.