Amazon почав знищувати книги для навчання ШІ на тлі дефіциту даних

Коли відкритий інтернет стає все складнішим для забезпечення достатньо рідкісних, надійних та не забруднених AI-згенерованим вмістом якісних текстів, старі книги перетворюються з культурних товарів на сировину для даних у епоху ШІ.

Автор статті, джерело: 0x9999in1, ME News



• Це не просто новина про «Амазон розпродав книги». Більш важливим сигналом є те, що коли відкритий Інтернет стає все складнішим для надання достатньо рідкісного, надійного, якісного тексту, що не забруднений AI-згенерованим вмістом, старі книги перетворюються з культурних товарів на сировину для даних у епоху ШІ.
• 404 Media відстежила замовлення приблизно на 1000 книг, які в кінцевому підсумку потрапили на склад Amazon LAS8 у Північній Лас-Вегасі; працівники зазначили, що команда VGT3 відріже корені книжок та скануватиме сторінки, через що оригінали на папері будуть знищені. Amazon підтвердила, що купує книги через комерційні канали для покращення продуктів і послуг, але не розголошила розмір проекту, дату початку, конкретне призначення, а також не відповіла на питання, чи будуть вилучатися рідкісні або обмежені видання до знищення.
• «Спочатку купити друковану книгу, а потім зробити руйнівне сканування» має ще один реальний контекст: у справі Bartz v. Anthropic 2025 року федеральний окружний суд США визнав раціональне використання однозначної цифрової заміни законно придбаної паперової книги, але чітко розмежував законне придбання та отримання піратських копій. До липня 2026 року колективний позов Anthropic щодо порушення авторських прав на основі піратських джерел був остаточно схвалений зі вирішенням у розмірі 1,5 млрд доларів США. Джерела даних перетворюються з технічної проблеми на проблему балансу.
• Не дивно, що Amazon вступає в цю галузь зараз. Компанія планує капітальні витрати приблизно на 200 мільярдів доларів США до 2026 року, причому AI є пріоритетним напрямком інвестицій; у другому кварталі цього року доходи AWS зросли на 37% до 42,2 мільярда доларів США. Потужність обчислень продовжує швидко розширюватися, але гранична цінність якісних даних також зростає.
• Слід насторожуватися не самі дії з «розбирання книг», а система закупівель та знищення, яка не має прозорості: звичайні книги другої руки можна перевидати та купити знову, а деякі видання, що вийшли з обігу, з коментарями, місцеві видання та рідкісні тексти можуть бути втрачені назавжди. Якщо механізм відбору відсутній, компанії з ІШ отримують дані, а суспільство може втратити незворотні фізичні записи.

Найбільш вражаючою сценою, звичайно, є жорстока: книгу розрізають уздовж кореня, сторінки подають у сканер, і початкова книга більше не існує. Ще більш драматично те, що це робить компанія Amazon — та сама Amazon, яка в 1995 році розпочала з продажу книг у мережі. Через тридцять років вона знову масово купує книги, але на цей раз книги можуть йти не читачам, а перетворюватися на дані, які можуть «заправляти» машини.

Згідно з розслідуванням 404 Media від 17 серпня, журналіст Емануель Майберг співпрацював із книгарем, який отримав великий замовлення через Biblio, і вставив AirTag в одну зі сторінок приблизно 1000 книг. Трекер дістався до складу LAS8 Amazon у Північній Лас-Вегасі. У доповіді цитуються працівники цього місця, які стверджують, що команда під назвою VGT3 відповідає за прийом великих партій паперових книг, видалення обкладинок, швидке сканування та знищення оригіналів у процесі. Amazon підтвердила Inc., що компанія дійсно «покупає книги через комерційні канали, щоб допомогти розробляти та покращувати продукти та послуги, якими користуються клієнти», але не відповіла на питання, скільки саме книг було куплено, з якого часу розпочався проект, які продукти отримують дані та чи виключаються раніше рідкісні або обмежені видання.

Ще більш варто зазначити, що ця підказка не з’явилася вчора. Inc. виявила, ще з вересня 2024 року на форумі продавців Amazon люди повідомляли про велику кількість замовлень книг, відправлених на LAS8: хтось стикався з тим, що один покупець одночасно робив 68 замовлень, хтось отримував 48 замовлень уночі, і всі вони стосувалися книг видавництв університетів, а також продавці повідомляли, що один і той самий обліковий запис майже щодня купував книги. На той час представник форуму Amazon підтвердив, що ці замовлення є дійсними, але зараз Amazon не пояснює, чи пов’язані ці замовлення з VGT3.

Моя думка полягає в тому, що справжньою цінністю цієї події є не емоційний шок від ідеї «технологічні гіганти спалюють книги», а те, що вона виявила перез цінування ресурсів у галузі ШІ: якщо протягом останніх років найбільш дефіцитними були GPU, серверні приміщення, електроенергія та капітал, то зараз високоякісні, прослідковувані, мінімально забруднені контентом, створеним ШІ, людські тексти також починають перез цінуватися.

Ринок старих книг раптово потрапив у ланцюжок постачання ШІ — це не абсурдний епізод епохи ностальгії, а природний і дуже жорсткий крок після індустріалізації великих моделей.

Інтернет здається безмежним, але даних, справді придатних для навчання передових моделей, не безкінечно.

У дослідженні Epoch AI 2024 року оцінюється, що після корекції на якість та дублювання доступний для навчання публічний обсяг людського тексту становить приблизно 30 трильйонів токенів; якщо тенденція зростання обсягу даних на той момент продовжиться, цей запас може бути повністю використаний у період з 2026 по 2032 рік. Це прогноз не є зворотним відліком до “вичерпання даних завтра”, оскільки синтетичні дані, ефективність даних, пост-навчання та багатомодальні методи продовжують розвиватися, але він вказує на напрямок: все складніше отримувати нову інформацію однакової якості лише шляхом подальшого розширення веб-скрапінгу.

Але старі книги мають кілька характеристик, яких не можна ігнорувати компаніям зі штучним інтелектом.

Спочатку вони часто проходять кілька етапів відбору автором, редактором та видавництвом, тому щільність інформації та структура зазвичай стабільніші, ніж у випадкових веб-сторінках. По-друге, велика кількість місцевих історій, професійних посібників, узких наукових праць, застарілих підручників, галузевих матеріалів та видань неанглійською мовою ніколи повністю не були оцифровані, і їх неможливо отримати через відкриті веб-сторінки. Ще більш тонкий момент полягає в тому, що контент, опублікований до масового поширення генеративного ШІ, має більшу ймовірність походити з чисто людського середовища створення.

Цю цінність прямо висловили данні компанії. У липні цього року у звіті про ринок закупівлі книг компанія ISBNdb, що займається базами даних книг, використала фразу «Найкращі у світі дані для навчання ШІ лежать на полицях», щоб перевірити попит на закупівлю книг з боку компаній, що розробляють ШІ, підкреслюючи, що книги містять відфільтровану, відредаговану та професійну людську інформацію. Пізніше ISBNdb зазначила, що ця сторінка була лише тестом ринкового попиту і вже видалена.

Чому це речення викликає незручність? Бо воно відображає всю тривогу галузі.

Чим потужнішими стають генеративні ІІ, тим більше текстів у Інтернеті створюється, переписується або зводиться ІІ. Якщо моделі знову безрізницею поглинають цей контент, джерела даних стають все складнішими. Тому речі, які ще до хвилі генеративної ІІ були надруковані на папері, раптово отримали додаткову цінність, якої раніше не було: принаймні в часовому вимірі вони ближчі до інформаційного середовища, яке не було масово втручане генеративною ІІ.

Отже, покупка старих книг на Amazon не означає, що це «повернення до епохи паперових носіїв» — навпаки, це дуже глибоке дано-орієнтоване мислення. Для тренувальників моделей обкладинка, оформлення та історія збирання книги можуть не мати прямої цінності для навчання; справді цінними є ті токени всередині, які можна розбити на частини, індексувати, видалити дублікати, позначити та використати для навчання.

Книги перетворюються з товарів на корпуси даних, і система цін змінюється відповідно. Раніше протягом десятиліть ніхто не цікавився старою професійною книгою, але через відсутність повної електронної версії в Інтернеті вона раптово отримує новий попит з боку машин.

Це найважливіше, на що варто звернути увагу.

Причина спочатку дуже проста: ефективність.

Індустріалізація цифровизації тисячі книг шляхом посторінкового фотографування — надзвичайно повільний процес. Після видалення кореня книжки паперові сторінки можна рівномірно розділити, що робить їх більш придатними для швидкого сканування та подальшого розпізнавання тексту. Деструктивне сканування — це не технологія, що з’явилася в епоху ШІ, але ШІ може вперше використати її для прямих цілей індустрії даних.

Є ще другий, більш чутливий контекст: право.

У червні 2025 року федеральний окружний суд Північного округу Каліфорнії у справі Bartz v. Anthropic розкрив, що Anthropic придбала мільйони паперових книг, розібрала їхні обкладинки, вирізала сторінки, отримала цифрові копії та викинула оригінали після створення цифрових версій. Суддя Вільям Альсуп вважав, що в даних конкретних обставинах таке перетворення формату — «один паперовий екземпляр замінюється внутрішньою цифровою копією, а цифрова копія не поширюється зовні» — є справедливим використанням; суд також визнав, що конкретне використання великих моделей для навчання у цій справі є справедливим використанням.

Але та сама вирок також провів дуже чітку межу.

Раніше Anthropic завантажила з піратських баз даних понад 7 мільйонів книг. Суд вважає, що створення та тривале зберігання центральної цифрової бібліотеки з піратських джерел не отримує автоматичного захисту на підставі «раціонального використання» лише тому, що деякі з цих матеріалів пізніше використовувалися для навчання ШІ. Суд чітко розділив законно придбані та піратські матеріали.

Чому ця лінія важлива? Бо вона подала цілій галузі ШІ дорогий урок щодо закупівель: не «будь-які дані можна використовувати для навчання», а те, звідки взяті дані, чи заплатила компанія за копію, як вони зберігаються та копіюються, може змінити правовий ризик.

А цей урок пізніше справді став дорожчим.

20 липня 2026 року федеральний суд США остаточно схвалив 1,5 мільярда доларів США класову угоду про авторські права між Anthropic, авторами та видавцями. Угода стосується понад 482 000 книг, приблизно 91% відповідних творів вже мають заявки на відшкодування. Необхідно зазначити, що ця угода стосується претензій, пов’язаних із піратськими джерелами, і не означає, що судова система США надала універсальну дозвілку для всіх навчань ШІ; інші справи, інші джерела даних та інші способи використання все ще можуть мати інші наслідки.

Тому зараз Amazon купує фізичні книги через комерційні канали, що дуже легко зрозуміти з точки зору контролю ризиків.

Чи було створено процес прямо за юридичним шляхом, сформованим справою Anthropic? Наразі немає публічних доказів, щоб зробити такий висновок. Але до 2026 року, коли вирок у справі Anthropic та угоду на 1,5 мільярда доларів вже будуть на столі, будь-яка велика AI-компанія буде більше турбуватися про одне: чи зможеш ти довести, звідки взято дані.

Ціна на фізичну книгу може бути дуже низькою; через кілька років у суді пояснювати, звідки взялися мільйони тренувальних матеріалів, може бути дуже дорого.

Раніше в індустрії ШІ звичайно вважали дані безмежним повітрям, доступним у мережі, а зараз вона вчиться платити за «походження».

Тут потрібно розділити емоції та факти.

Звичайні бестселери, масово видані популярні книги та старі книги, яких ще багато на ринку, що потрапляють у систему переробки, самі по собі не є культурною катастрофою. Раніше у сфері вторинних та старовинних книг також існували практики розбирання книг для продажу ілюстрацій та утилізації непроданих видань. Не можна через з’явлення ШІ раптово притворюватися, що кожна стара книга — це унікальний примірник.

Проблема в тому, що Amazon досі не відповів, чи буде він визначати рідкісні, вихідні або спеціальні видання до сканування.

Книга, яку відстежує 404 Media, була описана у звітах як рідкісна, а Inc. звернувся до Amazon із запитанням, чи відбирали компанії рідкісні або дефіцитні видання перед знищенням, але не отримав відповіді.

Це залишає прогалину, яку не можна просто зігнати фразою «вже витратив гроші, щоб купити»: юридична власність і культурна цінність збереження — це зовсім різні речі.

Текст книги можна відсканувати. Однак підписи, зауваження читачів, книжкові етикетки, особливі обкладинки, інформація про виправлення, місцеві відбитки друку, а також фізичні сліди, залишені під час десятилітьнього обігу книги, не завжди потрапляють у OCR і ще менше — у фінальний навчальний набір.

Текст залишився, а матеріальні докази можуть зникнути.

Ці занепокоєння не є виключно американськими. Цього року кілька другорядних книжкових магазинів у Великобританії та Ірландії повідомили The Guardian, що протягом останніх місяців з’явилися масові закупівлі книг з абсолютно різними темами та низькою чутливістю до ціни: хтось купує одночасно романи естонською мовою, певні видання творів Бронте та старі журнали 1983 року; один книжковий продавець зазначив, що з початку року отримав замовлення на приблизно 6000 таких книг. Раніше в Австралії також повідомляли про незвичайні масові замовлення.

Але тут також необхідно дотримуватися меж фактів: наразі немає публічних доказів, що всі ці закордонні замовлення походять від компаній з ІІ. Сама стаття The Guardian чітко вказує, що це припущення та занепокоєння видавців, а не підтверджені закупівлі ІІ.

Справжнім пристроєм, який був відслідкований до конкретної AI-скануючої установки, є розслідування 404 Media проти Amazon.

Це саме підкреслює, чому важлива прозорість.

Якщо компанія вважає такий закупівельний процес законним, обґрунтованим і дійсно сприяє покращенню продукту, то кілька найпростіших питань не є надмірними: які типи книг потраплятимуть у руйнівне сканування? Чи виключаються рідкісні, унікальні, підписані видання та версії з особливою фізичною цінністю? Як обробляються паперові копії після сканування? Скільки часу зберігаються цифрові копії? Які загальні продукти або категорії моделей будуть використовувати ці дані?

Компанії, звичайно, не обов’язкові публікувати всі рецепти навчання.

Але «ми витратили гроші, тому можемо мовчки все відключити» — це не досить доросла відповідь.

Оскільки він робить ставки на ШІ з безпрецедентною швидкістю.

У лютому цього року Amazon заявила, що очікує капітальні витрати на рівні приблизно 200 мільярдів доларів США за повний 2026 рік, з акцентом на такі перспективні напрямки, як ШІ, чіпси, робототехніка та низькі орбітальні супутники. У другому кварталі обсяг продажів компанії досяг 200,6 мільярда доларів США, що на 20% більше, ніж у попередній період; обсяг продажів AWS склав 42,2 мільярда доларів США, що на 37% більше, ніж раніше — найвищий темп зростання за 18 кварталів. За останні 12 місяців вільний грошовий потік перетворився на чистий витік у розмірі 7,6 мільярда доларів США, і Amazon чітко зазначила, що значне збільшення закупівель нерухомості та обладнання в основному пов’язане з інвестиціями в штучний інтелект. Річний обсяг доходу від бізнесу ШІ та чіпів AWS також перевищив 25 мільярдів доларів США.

Ще більш важливим є відношення Amazon до Anthropic.

У квітні цього року Amazon оголосила про додаткове інвестування 5 мільярдів доларів США в Anthropic на додачу до попередніх 8 мільярдів доларів США, а також можливість додаткового інвестування до 20 мільярдів доларів США після досягнення певних комерційних віх. В той же час Anthropic пообіцяла витратити понад 100 мільярдів доларів США на технології AWS протягом наступних десяти років і отримати до 5 ГВт потужності Trainium — як наявної, так і майбутньої.

Іншими словами, Amazon зараз є як постачальником хмарної інфраструктури, так і інвестором у індустрію передових моделей, а також веде діяльність з Nova, Alexa, Rufus та великою кількістю корпоративних AI-сервісів.

Йому потрібне більше, ніж просто більше чіпів.

Йому потрібно більше якісних знань, більше покриття довгих хвиль, більш надійні джерела даних та простіша для пояснення ланцюжок прав на дані.

З урахуванням поточного рівня капітальних витрат Amazon, масовий закупівель старих книг явно не стане основним витратом, що визначає фінансовий стан компанії. Насправді важливим є саме цей крок, який відправляє сигнал: величезна компанія, яка готова щороку інвестувати близько 200 мільярдів доларів у розширення інфраструктури технологій, все ще готова розширювати ланцюжок постачання до розсіяного, низькоефективного ринку б/у книг, де ціни встановлюються окремо за кожною книгою.

Чому?

Оскільки деякі дані справді не мають спрощених шляхів.

Це місце, де конкуренція штучного інтелекту змінюється. Раніше всі змагалися, хто збере більше веб-сторінок, потім хто має більше GPU, а зараз все більше залежить від того, хто володіє чистішими, унікальнішими, легальнішими та складнішими для копіювання даними.

Дані більше не є просто набором «сировини» до початку навчання.

Воно перетворюється на актив, який потрібно придбати, очистити, підтвердити права власності, відстежувати та аудитувати.

Справжнім даними рівнем захисту, можливо, є не «хто володіє копією інтернету», а хто володіє якісним контентом, який інші не можуть отримати, не можуть тримати або, навіть отримавши, не наважуються використовувати.

Я не вважаю, що висновком має бути «заборонити компаніям зі штучним інтелектом сканувати друковані книги».

Цифровізація сама по собі може зберігати знання та повернути вимерлі матеріали до систем пошуку, дослідження та машинного розуміння. Для великої кількості звичайних букиністичних книг знищення шляхом сканування може бути не гіршим, ніж їх остаточна передача на переробку паперу. Спростити це до вигляду «Штучний інтелект спалює книги» — емоційно, але недостатньо точно.

Справжніх меж дві.

Перше — межі прав: придбання паперової книги не означає придбання всіх авторських прав на цей твір, тим більше не означає, що всі дії щодо навчання, копіювання та виведення є природно легальними. Справа Bartz — це лише важливе рішення однієї з федеральних окружних судів США у конкретних обставинах, а не постійний пропуск для всіх глобальних AI-компаній.

Друге — збереження меж: якщо компанія не може довести, що вміє визначати та уникати рідкісних, унікальних за виданням або маючих особливе історичне значення книги, то так зване «ефективне сканування» може перетворити проблему обробки даних на незворотню культурну втрату.

Саме на це亚马逊 найбільше варто відповісти — не «чому вам потрібні книги».

Ця відповідь стає все більш зрозумілою: бо велика кількість якісних знань, що залишилися людством за останні кілька століть, існують не всі в відкритому Інтернеті.

Справжнє питання полягає в тому: хто вирішує, що можна пожертвувати, а що — ні, коли ці книги переходять із полиць у потік навчання ШІ? Хто підтверджує, що компанії отримують зміст, а не випадково знищують історію, що лежить поза змістом?

Це має дуже сильний іронічний відтінок.

Amazon колись став однією з найважливіших інтернет-компаній, доставляючи книги людям; сьогодні він знову купує книги, розбирає їх і передає тексти машинам.

Технології, звичайно, можуть змінювати носії знань, але це не означає, що варто ігнорувати їхню цінність.

Штучний інтелект потребує речей, написаних людьми, і в цьому немає нічого соромного. Справжньою загрозою є те, що вся галузь все більше залежить від «якісних текстів, залишених людьми», але все ще приховує процес отримання глибоко в ланцюзі постачання, перетворюючи авторські права, джерела, рідкісність та відповідальність за збереження на вторинні питання.

Моделі можуть стиснути книгу до токенів, компанії можуть перетворити токени на параметри, але деякі речі, якщо їх розрізати, не можна відновити під час наступного навчання.

Цивілізацію можна оцифрувати, а відповідальність не можна видалити за допомогою «конвертації формату».

1. Емануель Майберг. «Ми відслідкували відправку рідкісних книг. Вона закінчилася на об’єкті навчання штучного інтелекту Amazon.» 404 Media, 2026-08-17.
2. Джорджія Фірн. «Amazon купує старі книги та знищує їх після сканування. Замовлення сягають 2024 року.»Inc., 2026-08-17.
3. Amazon.com, Inc. «Amazon.com оголошує результати другого кварталу.» 2026-07-30.
4. Amazon. «Amazon та Anthropic розширюють стратегічну співпрацю.» 2026-04-20.
5. Суд США першої інстанції, Північний округ Каліфорнії. Bartz проти Anthropic PBC, розпорядження щодо справедливого використання та порушення, 2025-06-23.
6. Reuters. «Суд США схвалив угоду Anthropic щодо вирішення позову про порушення авторських прав на суму 1,5 мільярда доларів США.» 2026-07-20.
7. Pablo Villalobos та ін. «Чи закінчиться наша кількість даних? Межі масштабування LLM на основі даних, створених людиною.»Epoch AI, 2024-06-06.
8. Дан Мілмо. «Продавці вторинних книг у Великобританії та Ірландії підозрюють, що за «дивними» оптовими замовленнями стоять компанії зі штучним інтелектом.»The Guardian, 2026-08-15.