L'antiquario olandese Pieter de Vries e altri colleghi nei Paesi Bassi hanno ricevuto una richiesta d'acquisto via e-mail da una società denominata 2077AI per il reperimento di 3.001 volumi accademici stampati tra il 2020 e il 2021. Il messaggio, inizialmente scambiato per un tentativo di truffa o phishing, conteneva un foglio di calcolo completo di codici ISBN relativi a saggi universitari editi da case come Elsevier, Wiley e Oxford University Press, con la richiesta di coordinare la spedizione verso la Cina.
L'episodio fa luce sulle dinamiche con cui i laboratori di sviluppo approvvigionano le basi dati destinate ai modelli linguistici di grandi dimensioni. Esaurita la disponibilità di testo ad alta qualità liberamente accessibile sul web aperto, le società del settore hanno iniziato a guardare alla letteratura scientifica cartacea, concentrandosi su ambiti specifici quali medicina, ingegneria, economia e politiche pubbliche.
La filiera fisica dietro l'addestramento degli algoritmi
La procedura standard adottata in queste operazioni passa attraverso la cosiddetta scansione distruttiva. Come confermato da un'inchiesta ricostruita nel dettaglio a seguito di vicende giudiziarie statunitensi che hanno coinvolto altri attori del settore, le aziende acquistano regolarmente volumi cartacei sul mercato commerciale per poi tagliarne la rilegatura. Le pagine sciolte vengono inserite in scanner ad alta velocità e i resti fisici vengono smaltiti, consentendo la creazione rapida di archivi digitali consultabili dalle macchine.
