امیزون AI ٹریننگ کے لیے کتابوں کو تباہ کرنا شروع کر چکا ہے، ڈیٹا کی کمی کے باعث

جب عوامی انٹرنیٹ مزید مشکل ہو رہا ہے کہ کافی نایاب، قابل اعتماد، اور AI جنریٹڈ مواد سے آلودہ نہ ہونے والے معیاری متن فراہم کیا جائے، تو پرانی کتابیں ثقافتی مال سے AI دور کے ڈیٹا کے سرچھڑے بن رہی ہیں۔

مضمون کے مصنف، ماخذ: 0x9999in1، ME News



• یہ صرف ایک "امیزون کتابیں جلائے گی" کی خبر نہیں ہے۔ زیادہ اہم سگنل یہ ہے کہ جب عوامی انٹرنیٹ میں کافی نایاب، قابل اعتماد، اور AI جنریٹڈ مواد سے آلودہ نہ ہونے والے معیاری متن دستیاب ہونا مشکل ہوتا جا رہا ہے، تو پرانی کتابیں ثقافتی مال سے AI کے دور کے ڈیٹا کے سرچع بن رہی ہیں۔
• 404 Media نے جس 1000 کتابوں کے آرڈر کا پتہ لگایا، وہ آخرکار ایمیزون کے شمالی لاس ویگاس LAS8 اسٹور میں پہنچ گئے؛ ملازمین کے مطابق، VGT3 ٹیم کتابوں کے ریڑھ کی هڈی کاٹ دے گی اور صفحات کو اسکین کرے گی، جس سے کاغذی نسخے تباہ ہو جائیں گے۔ ایمیزون نے تصدیق کی ہے کہ وہ مصنوعات اور خدمات کو بہتر بنانے کے لیے تجارتی طریقے سے کتابیں خریدتی ہے، لیکن منصوبے کا سائز، شروع کا وقت، یا مخصوص مقاصد کو عوامی طور پر نہیں بتایا گیا، اور نہ ہی اس نے جواب دیا کہ کیا وہ تباہ کرنے سے پہلے نایاب یا محدود نسخوں کو الگ کرے گی۔
• "سب سے پہلے فزیکل کتاب خریدیں، پھر تباہ کن اسکین کریں" کا ایک اور عملی پس منظر یہ ہے: 2025 کے Bartz v. Anthropic کے معاملے میں، امریکی فیڈرل ضلع عدالت نے قانونی طور پر خریدی گئی کاغذی کتابوں کو ایک سے ایک ڈیجیٹل تبدیلی کے لیے مناسب استعمال کو تسلیم کیا، لیکن قانونی خریداری اور چوری کی گئی حصول کے درمیان واضح فرق قائم کیا۔ جولائی 2026 تک، Anthropic کے خلاف چوری شدہ ذرائع سے متعلق ایک جمعی کاپی رائٹ مقدمہ 15 ارب ڈالر کے سمجھوتے کے ساتھ آخری طور پر منظور ہوا۔ ڈیٹا کے ذرائع اب تکنیکی مسائل سے مالیاتی تجاویز کا مسئلہ بن چکے ہیں۔
• ابھی ایمیزون کا داخلہ حیرت کی بات نہیں۔ کمپنی کا تخمینہ ہے کہ 2026 تک اس کی سرمایہ کاری 200 ارب ڈالر ہوگی، جس میں AI مرکزی توجہ کا نقطہ ہے؛ اس سال کے دوسرے تिमہینے میں AWS کی فروخت 37 فیصد بڑھ کر 422 ارب ڈالر ہوگئی۔ کمپوٹنگ پاور اب بھی خوفناک طور پر بڑھ رہی ہے، لیکن معیاری ڈیٹا کی سرحدی قیمت بھی بڑھ رہی ہے۔
• جو چیز حقیقت میں خوف کا باعث ہے، وہ تمام “کتابوں کو تحلیل کرنے” کا عمل نہیں، بلکہ ایک ایسا خرید اور تباہ کرنے کا نظام ہے جس میں شفافیت نہیں ہے: عام دوسرے ہاتھ کی کتابیں دوبارہ پرنٹ اور خریدی جا سکتی ہیں، لیکن کچھ نایاب کتابیں، حاشیہ نوٹس والے ورژن، مقامی شائع شدہ کتابیں اور محدود تعداد میں دستیاب متن دوبارہ حاصل نہیں کیے جا سکتے۔ اگر منتخب کرنے کا نظام موجود نہ ہو، تو AI کمپنیاں ڈیٹا حاصل کرتی ہیں، جبکہ سماج ایسے غیر قابل واپسی والے فزیکل ریکارڈز کو کھو سکتا ہے۔

اس بات کا سب سے زیادہ توجہ کشی والے منظر بے حد کریہہ ہے: ایک کتاب کا جلد کاٹ دیا جاتا ہے، صفحات سکیننگ ڈیوائس میں ڈال دیے جاتے ہیں، اور آخرکار اصل کتاب مکمل طور پر ختم ہو جاتی ہے۔ اس سے بھی زیادہ ڈرامائی بات یہ ہے کہ اس کام کرنے والی کمپنی ایمیزون ہے — وہی ایمیزون جس نے 1995 میں آن لائن کتابوں کی فروخت سے شروعات کی تھی۔ تین دہائیوں کے بعد، یہ اب دوبارہ کتابوں کی بڑے پیمانے پر خریداری کر رہا ہے، لیکن اس بار کتابیں ضروری نہیں کہ قارئین تک پہنچائی جائیں، بلکہ مشینوں کے لیے قابلِ نگل ڈیٹا میں تبدیل ہو رہی ہیں۔

404 Media کے 17 اگست کے مطابق جاری تحقیق کے مطابق، صحافی ایمانوئیل مائبرگ نے ببلیو کے ذریعے بڑا آرڈر حاصل کرنے والے ایک کتاب فروش کے ساتھ مل کر، تقریباً 1000 کتابوں کے ایک سیٹ میں سے ایک کتاب میں ایئر ٹیگ لگا دیا۔ ٹریکر نے امریکہ کے شمالی لاس ویگاس میں واقع LAS8 اسکورٹ ڈپو تک راستہ طے کیا۔ رپورٹ میں اس مقام پر کام کرنے والے ملازمین کے حوالے سے کہا گیا ہے کہ VGT3 نامی ٹیم بڑی مقدار میں کاغذی کتابوں کو قبول کرتی ہے، جنہیں جلد باندھنے کے بعد تیزی سے اسکین کیا جاتا ہے، اور اصل کتابوں کو عمل کے دوران تباہ کر دیا جاتا ہے۔ امریکہ نے Inc. کو تصدیق دی ہے کہ کمپنی "گاہکوں کے استعمال کردہ مصنوعات اور خدمات کو ترقی دینے اور بہتر بنانے میں مدد کے لیے تجارتی ذرائع سے کتابیں خریدتی ہے"، لیکن اس نے یہ نہیں بتایا کہ کتنی کتابیں خریدی گئیں، یہ منصوبہ کب شروع ہوا، ڈیٹا کس مصنوعات میں داخل ہوا، اور نایاب یا نایاب ورژنز کو پہلے سے ہٹایا جائے گا یا نہیں۔

زیادہ قابل توجہ بات یہ ہے کہ یہ رہسازی کل اچانک نہیں آئی۔ Inc. نے پایا کہ ستمبر 2024 میں ہی ایمیزون سیلرز فورم پر لوگوں نے LAS8 کو بڑی تعداد میں کتابوں کے آرڈرز بھیجنے کی رپورٹ کی تھی: کچھ نے ایک ہی خریدار سے ایک بار میں 68 آرڈرز کا تجربہ کیا، کچھ نے رات کے وقت 48 آرڈرز اکٹھے حاصل کیے، اور یہ سب یونیورسٹی پریس کی کتابیں تھیں، جبکہ دوسرے سیلرز نے دعویٰ کیا کہ ایک ہی اکاؤنٹ تقریباً روزانہ کتابیں خرید رہا تھا۔ اس وقت ایمیزون فورم کے نمائندے نے تصدیق کر دی تھی کہ یہ آرڈرز درست ہیں، لیکن اب ایمیزون نے ان آرڈرز کو VGT3 سے منسلک بتانے کا کوئی بیان نہیں دیا۔

میرا خیال ہے کہ اس بات کا اصلی اہمیت والا پہلو "ٹیک گیگنٹس کتابیں جلائیں" جیسا جذباتی صدمہ نہیں، بلکہ یہ ہے کہ یہ AI صنعت میں ایک وسائل کی دوبارہ قیمت گذاری کو ظاہر کرتا ہے: گزشتہ کچھ سالوں تک سب سے کم دستیاب چیزیں GPU، سرور روم، بجلی اور سرمایہ تھیں، اب، اعلی معیار، قابلِ ردِّد، اور جتنی ممکن ہو AI جنریٹڈ مواد کے آلودگی سے پاک انسانی متن بھی دوبارہ قیمت دی جانے لگے ہیں۔

قدیم کتابوں کا بازار اچانک AI سپلائی چین میں گھل گیا، جو ماضی کا ایک عجیب و غریب واقعہ نہیں بلکہ بڑے ماڈلز کے صنعتیکر کے بعد بہت قدرتی اور بہت سرد قدم ہے۔

انٹرنیٹ لامتناہی لگتا ہے، لیکن سب سے آگے کے ماڈلز کو تربیت دینے کے لیے درست ڈیٹا لامتناہی نہیں ہے۔

ایپوک AI نے 2024 کے مطالعے میں اندازہ لگایا کہ معیار اور دہرائے گئے مواد کو درست کرنے کے بعد، تربیت کے لیے دستیاب عوامی انسانی متن کا مؤثر ذخیرہ تقریباً 300 ٹریلین ٹوکن ہے؛ اگر اس وقت کے ڈیٹا کے ترقی کا رجحان جاری رہا تو، یہ ذخیرہ 2026 سے 2032 کے درمیان مکمل استعمال ہو سکتا ہے۔ یہ پیش گوئی “ڈیٹا کل صبح ختم ہو جائے گا” کا کاؤنٹ ڈاؤن نہیں ہے، کیونکہ سنتھیٹک ڈیٹا، ڈیٹا کی کارکردگی، ٹریننگ کے بعد کے طریقے اور متعدد ماڈل طریقے مستقل تبدیل ہوتے رہتے ہیں، لیکن یہ ایک رجحان ظاہر کرتی ہے: صرف ویب سکریپنگ کو بڑھانے پر انحصار کرنا، اب برابر معیار کی نئی معلومات حاصل کرنے کے لیے مشکل ہوتا جا رہا ہے۔

لیکن پرانی کتابوں کے کچھ خصوصیات ہیں جن کو AI کمپنیاں نظرانداز نہیں کر سکتیں۔

سب سے پہلے، وہ عام طور پر مصنف، ایڈیٹر اور ناشر کی متعدد ادوار کی چناؤ سے گزرتی ہیں، جس کی وجہ سے ان کی معلومات کی گنجائش اور ساخت عام ویب صفحات کے مقابلے میں زیادہ مستقل ہوتی ہے۔ دوسرے، بہت سے مقامی تاریخوں، ماہرانہ ہدایات، نادر اکادمیک کتب، پرانے پाठ کتب، صنعتی مواد اور غیر انگریزی شائع کردہ کتب کبھی مکمل طور پر ڈیجیٹل نہیں ہوئیں، اور عوامی ویب صفحات ان تک پہنچ نہیں سکتے۔ تیسرے، خاص طور پر جنریٹو AI کے وسیع پیمانے پر عام ہونے سے پہلے شائع ہونے والے مواد زیادہ تر صرف انسانی تحریر کے ماحول سے آتے ہیں۔

اس قیمت کو ڈیٹا فراہم کنندگان نے براہ راست کہہ دیا ہے۔ جولائی 2023 میں کتابوں کے خریداری کے مارکیٹ کے بارے میں رپورٹس میں، کتاب ڈیٹا بیس کمپنی ISBNdb نے AI کمپنیوں کے لیے کتابوں کے خریداری کی مانگ کا امتحان لینے کے لیے "دنیا کا بہترین AI ٹریننگ ڈیٹا اب بھی شیلف پر پڑا ہوا ہے" کا استعمال کیا، اور زور دیا کہ کتابوں میں ترتیب دیا گیا، سمبھالا گیا اور ماہرانہ انسانی علم شامل ہے۔ بعد میں ISBNdb نے بتایا کہ یہ صرف مارکیٹ کی مانگ کا امتحان تھا اور اس صفحے کو ہٹا دیا گیا ہے۔

یہ جملہ کیوں چوٹ پہنچاتا ہے؟ کیونکہ یہ پورے صنعت کی پریشانی کو سمجھاتا ہے۔

جتنی زیادہ جنریٹو AI طاقتور ہوتی ہے، اتنی ہی زیادہ آن لائن میں AI کے ذریعہ لکھے گئے، AI کے ذریعہ تبدیل کئے گئے، اور AI کے ذریعہ مجموعہ کئے گئے متن پھیلتے جاتے ہیں۔ اگر ماڈل ان تمام مواد کو بے ترتیب طور پر دوبارہ نگل لے، تو ڈیٹا کے ذرائع مزید پیچیدہ ہوتے جائیں گے۔ اس لیے، جنریٹو AI کی لہر سے پہلے کاغذ پر چھپائے گئے اشیاء کو اچانک ایک نئی قدر حاصل ہو گئی: کم از کم وقت کے لحاظ سے، وہ ایک ایسے معلوماتی ماحول کے قریب تر ہیں جس میں بڑے پیمانے پر جنریٹو AI کا مداخلت نہیں ہوا۔

تو، ایمیزون کی طرف سے پرانی کتابوں کا خریدنا اس بات کا مطلب نہیں کہ یہ “کاغذی میڈیا کے دور” میں واپس آ رہا ہے، بالکل برعکس، یہ بہت گہرا ڈیٹا ڈرائیون سوچ ہے۔ ماڈل ٹرینرز کے لیے، ایک کتاب کا کور، اس کا ڈیزائن اور اس کی کلیکٹنگ کی کہانی ممکنہ طور پر براہ راست ٹریننگ کی قیمت نہیں رکھتی، اصل میں قیمتی چیز وہ ٹوکن ہیں جو اس میں موجود ہیں اور جنہیں ٹوکنائز، انڈیکس، ڈپلیکیٹس سے صاف، اینوٹیٹ اور ٹرین کیا جا سکتا ہے۔

کتابیں مال کے طور پر تبدیل ہو کر ڈیٹا سیٹ بن گئیں، اور قیمت کا نظام بھی تبدیل ہو گیا۔ کچھ دہائیوں تک کسی نے پوچھا ہی نہیں، ایک ماہرانہ پرانی کتاب، جس کا آن لائن مکمل ڈیجیٹل ورژن نہیں ہے، اچانک مشین کی نئی مانگ پیدا کر سکتی ہے۔

یہی سب سے زیادہ قابل توجہ بات ہے۔

وجہ پہلے تو بہت سادہ ہے: کارکردگی۔

ہزاروں کتابوں کو صنعتی سطح پر ڈیجیٹل بنانے کے لیے، صرف صفحات کو ایک ایک کر کے اسکین کرنا بہت سستا ہے۔ کتاب کے پسینے کو کاٹنے کے بعد، کاغذ کے صفحات کو صاف طور پر الگ کیا جا سکتا ہے، جس سے تیز اسکیننگ اور بعد میں متن شناخت کے لیے بہتر ہوتا ہے۔ تباہ کن اسکیننگ AI کے دور میں نئی ٹیکنالوجی نہیں ہے، لیکن AI اسے شاید پہلی بار ایسے براہ راست ڈیٹا صنعتی استعمال کی طرف لے جا رہا ہے۔

اگرچہ دوسری، زیادہ حساس پس منظر قانونی ہے۔

جون 2025 میں، امریکہ کے کیلیفورنیا شمالی ضلع فیڈرل عدالت نے Bartz v. Anthropic کے معاملے میں کھول دیا کہ Anthropic نے لاکھوں کتابوں کو خریدا، ان کے جلد بند کو الگ کیا، صفحات کاٹے، انہیں ڈیجیٹل نسخوں میں اسکین کیا، اور ڈیجیٹل نسخے تیار ہونے کے بعد اصل کاغذی کتابوں کو چھوڑ دیا۔ جج ویلیم ال سپ نے اس وقت کے خاص حقائق کے تحت یہ سمجھا کہ اس طرح کا “ایک کاغذی نسخہ ایک اندر کے ڈیجیٹل نسخہ سے تبدیل ہو جاتا ہے اور ڈیجیٹل نسخہ باہر نہیں بھیجا جاتا” — یہ فارمیٹ تبدیلی مناسب استعمال ہے؛ عدالت نے یہ بھی طے کیا کہ معاملے میں مخصوص بڑے ماڈل ٹریننگ کا استعمال مناسب استعمال ہے۔

لیکن اسی فیصلے نے ایک بہت سخت لکیر بھی کھینچ دی۔

اینٹروپک نے پہلے 7 ملین سے زائد کتابوں کو غیر قانونی ڈیٹا بیس سے ڈاؤن لوڈ کیا تھا۔ عدالت نے یہ فیصلہ کیا کہ ان غیر قانونی ذرائع کا مرکزی ڈیجیٹل لائبریری بنانا اور لمبے عرصے تک محفوظ رکھنا، چاہے بعد میں ان میں سے کچھ مواد AI تربیت کے لیے استعمال ہو گیا ہو، اسے خودکار طور پر مناسب استعمال کی حفاظت نہیں دے سکتا۔ عدالت نے قانونی خریداری اور غیر قانونی حصول کو واضح طور پر الگ الگ سمجھا۔

یہ لائن کیوں اہم ہے؟ کیونکہ یہ پورے AI صنعت کو ایک مہنگا خریداری کا درس دیتی ہے: یہ صرف "ٹریننگ کے لیے کوئی بھی ڈیٹا حاصل کر لیں" نہیں ہے، بلکہ ڈیٹا کہاں سے آ رہا ہے، کیا کمپنی اس کا نسخہ خرید رہی ہے، اور اسے کیسے محفوظ اور کاپی کیا جا رہا ہے — یہ سب قانونی خطرات کو بدل سکتا ہے۔

اور اس کلاس کے بعد اس کی قیمت واقعی بڑھ گئی۔

2026ء کے 20 جولائی کو، امریکی فیڈرل عدالت نے اینتھروپک اور مصنفین اور ناشرین کے درمیان 1.5 بلین ڈالر کے جماعتی کاپی رائٹ سمجھوتے کو آخری طور پر منظور کر لیا۔ اس سمجھوتے میں 482,000 سے زائد کتابوں کو شامل کیا گیا ہے، جن میں سے تقریباً 91% متعلقہ کاموں کے لیے معاوضہ کا دعویٰ کیا جا چکا ہے۔ واضح رہے کہ یہ سمجھوتہ صرف غیر قانونی ذرائع سے متعلق دعوؤں کے لیے ہے، اور اس کا مطلب یہ نہیں کہ امریکی عدالتی نظام نے تمام AI تربیت کے لیے ایک یکساں اجازت نامہ جاری کر دیا ہے؛ دوسرے معاملات، مختلف ڈیٹا ذرائع اور مختلف استعمال کے طریقے، مختلف نتائج پیدا کر سکتے ہیں۔

اس لیے، امریکا اب اپنے تجارتی چینلز کے ذریعے فزیکل کتابیں خرید رہا ہے، جو جو خطرہ کنٹرول کے منطق کے لحاظ سے بہت آسانی سے سمجھا جا سکتا ہے۔

کیا یہ عمل Anthropic کیس کے مطابق قانونی راستہ اپنانے کے لیے ڈیزائن کیا گیا ہے؟ اب تک کوئی عوامی ثبوت نہیں ہے کہ ایسا ہو۔ لیکن 2026 تک، جب Anthropic کا فیصلہ اور 1.5 ارب ڈالر کا معاہدہ پیش ہو چکا ہوگا، تو کوئی بھی بڑی AI کمپنی ایک بات پر زیادہ توجہ دے گی: کیا آپ ثابت کر سکتے ہیں کہ ڈیٹا کہاں سے آیا؟

ایک کتاب خریدنے کی قیمت بہت سستی ہو سکتی ہے؛ کچھ سالوں بعد عدالت میں لاکھوں تربیتی مواد کہاں سے آئے، اس کی وضاحت کرنا بالکل بھی سستا نہیں ہو سکتا۔

AI صنعت نے پہلے ڈیٹا کو انٹرنیٹ پر بے حد دستیاب ہوا کی طرح دیکھا تھا، اب یہ "ماخذ" کے لیے ادائیگی کرنا سیکھ رہی ہے۔

یہاں جذبات اور حقائق کو الگ کرنا ضروری ہے۔

عام طور پر بہت زیادہ فروخت ہونے والی کتابیں، بڑی تعداد میں چھپی ہوئی عام کتابیں، اور بازار میں اب بھی کئی نسخے موجود ہونے والی پرانی کتابیں جب ری سائیکل سسٹم میں داخل ہوتی ہیں، تو خود بخود کلچرل کارسٹ نہیں ہوتیں۔ دوسرے دستخط کتابوں اور قدیم کتابوں کے صنعت میں پہلے بھی کتابوں کو الگ کر کے تصویریں بیچنا اور فروخت نہ ہونے والی کتابوں کو نکالنا جیسے روایات موجود تھیں۔ AI کے ظہور کے باعث اچانک ہر پرانی کتاب کو منفرد نسخہ سمجھنا مناسب نہیں۔

مسئلہ یہ ہے کہ ایمیزون نے اب تک جواب نہیں دیا ہے کہ کیا وہ نایاب، محدود یا خاص ایڈیشنز کو تباہ کرنے سے پہلے پہچانے گا۔

404 Media نے جس کتاب کا پیگھلایا، اسے نایاب کتاب کے طور پر بیان کیا گیا، جبکہ Inc. نے ایمیزون سے خصوصی طور پر پوچھا کہ کیا کمپنی نے کتابوں کو تباہ کرنے سے پہلے نایاب یا محدود ورژنز کو الگ کیا، لیکن کوئی جواب نہیں ملا۔

یہ ایک خلا چھوڑ دیتا ہے جسے "بھی ہے، پہلے ہی خرید لیا گیا ہے" کے ذریعے آسانی سے نہیں چھپایا جا سکتا: قانونی مالکیت اور ثقافتی تحفظ کی قیمت بالکل ایک بات نہیں ہیں۔

کسی کتاب کے متن کو سکین کیا جا سکتا ہے۔ لیکن کسی خاص ایڈیشن پر دستخط، قارئین کے نوٹس، کتابوں کے سٹیکرز، خاص بندش، اشتباهات کی معلومات، مقامی پرنٹنگ کے نشانات، یا ایک کتاب کے دہائیوں کے سفر میں جمع ہونے والے فزیکل ریکارڈز، OCR میں شامل نہیں ہو سکتے، اور نہ ہی وہ آخری ٹریننگ سیٹ میں شامل ہو سکتے ہیں۔

لفظ باقی رہ جاتے ہیں، لیکن ثبوت غائب ہو سکتے ہیں۔

یہ فکر صرف امریکہ میں ہی نہیں ہے۔ اس سال برطانیہ اور آئرلینڈ کے کئی دوسرے کتابوں کے فروشندگان نے گارڈین کو بتایا کہ پچھلے کچھ ماہوں میں ایسے بڑے آرڈرز آئے ہیں جن میں موضوعات مکمل طور پر متعلق نہیں تھے اور قیمت کے پ्रति بہت کم حساسیت تھی: کسی نے ایک بار میں اسٹونین زبان میں ناول، برونٹے کے خاص ایڈیشن اور 1983 کی پرانی میگزینز خرید لیں؛ ایک کتاب فروش نے بتایا کہ اس سال تک انہیں اس قسم کے خریداروں سے تقریباً 6000 کتابوں کے آرڈرز مل چکے ہیں۔ آسٹریلیا میں بھی پہلے کتاب فروشندگان نے غیر معمولی بڑے آرڈرز کی رپورٹ کی تھی۔

لیکن یہاں بھی حقیقت کی سرحدوں کو برقرار رکھنا ضروری ہے: ابھی تک کوئی علیحدہ ثبوت نہیں ہے کہ ان خارجی آرڈرز کے پیچھے صرف AI کمپنیاں ہیں۔ دی گارڈین کی رپورٹ خود بھی انہیں مصنوعات کے تخمن اور فکر کے طور پر پیش کرتی ہے، نہ کہ پہلے سے تصدیق شدہ AI خریداری کے طور پر۔

404 Media کی امریکا کے خلاف اس تحقیق کو حقیقی طور پر ٹریک کیا گیا تھا، جس نے ایک خاص AI اسکین فیسیلٹی تک پہنچنا تھا۔

یہی وجہ ہے کہ شفافیت کیوں اہم ہے۔

اگر کوئی کمپنی یہ سمجھتی ہے کہ یہ خریداری قانونی، منطقی ہے اور حقیقت میں مصنوعات کو بہتر بناتی ہے، تو کچھ بنیادی سوالات زیادہ نہیں ہیں: تباہ کن اسکیننگ میں کون سے قسم کے کتابیں شامل ہوں گی؟ کیا نایاب، نایاب، دستخط شدہ اور خاص جسمانی قیمت والے ورژنز کو مستثنیٰ کر دیا گیا ہے؟ اسکین کے بعد کاغذ کا کیا ہوگا؟ ڈیجیٹل نسخے کتنے عرصے تک محفوظ رکھے جائیں گے؟ یہ عموماً کن مصنوعات یا ماڈل کیٹیگریز کے لیے استعمال ہوں گے؟

کمپنیوں کو ضروری نہیں کہ وہ تمام تربیتی ریسیپیز کو شائع کریں۔

لیکن "ہم نے خریدا ہے، اس لیے ہم سب کچھ خاموشی سے کاٹ سکتے ہیں" ایک کافی بالغ جواب نہیں ہے۔

کیونکہ یہ AI پر بے مثال رفتار سے بڑھ چڑھ کر بیٹ لگا رہا ہے۔

فبروری 2024 میں ایمیزون نے کہا کہ 2026 کے پورے سال کے لیے سرمایہ کاری کا تخمنا 2000 ارب ڈالر ہے، جس میں AI، چپس، روبوٹس اور کم ارتفاع سیٹلائٹس شامل ہیں۔ دوسرے تین ماہ میں، کمپنی کی فروخت 2006 ارب ڈالر تک پہنچ گئی، جو 20 فیصد کی نمو ہے؛ AWS کی فروخت 422 ارب ڈالر تک پہنچ گئی، جو 37 فیصد کی نمو ہے اور 18 ارب تک کی سب سے تیز رفتار نمو ہے۔ پچھلے 12 ماہ میں آزاد نقدی بہاؤ 76 ارب ڈالر کے صاف نکاس تک پہنچ گیا، اور ایمیزون نے واضح طور پر بتایا کہ جائیداد اور آلات کی خریداری میں بڑھوتے نکاس کا سبب AI کی سرمایہ کاری ہے۔ AWS کی AI اور چپس کی سرگرمیاں دونوں نے 250 ارب ڈالر کی سالانہ آمدنی کے رن ریٹ کو عبور کر لیا۔

مزید قابل توجہ بات یہ ہے کہ ایمیزون اور اینتھروپک کے درمیان تعلق۔

اپریل 2024 میں، ایمیزون نے پہلے 80 ارب ڈالر کے سرمایہ کاری کے علاوہ Anthropic میں 50 ارب ڈالر کا مزید سرمایہ کاری کرنے کا اعلان کیا، اور مخصوص تجارتی اہمیت کے حصول پر مزید 200 ارب ڈالر تک اضافہ کرنے کا اختیار رکھتا ہے۔ اس کے ساتھ، Anthropic نے مستقبل کے دس سالوں میں AWS ٹیکنالوجی پر 1000 ارب ڈالر سے زائد خرچ کرنے کا وعدہ کیا ہے، اور اسے موجودہ اور مستقبل کی Trainium کمپوٹنگ پاور تک زیادہ سے زیادہ 5GW تک کا احاطہ حاصل ہوگا۔

دوسرے الفاظ میں، امازون اب بارش کی بھی بنیادی ڈھانچہ فراہم کنندہ ہے، اور ساتھ ہی ساتھ اگلے جدید ماڈلز کے صنعت میں سرمایہ کار بھی ہے، اس کے علاوہ یہ نووا، الیکسا، روفس اور بہت ساری کاروباری AI سروسز کا بھی انتظام کرتا ہے۔

اس کے لیے صرف زیادہ چپس کی ضرورت نہیں ہے۔

اسے زیادہ معیاری علم، لمبے پوچھے گئے علم کا دائرہ، قابل اعتماد ڈیٹا کے ذرائع، اور آسانی سے وضاحت کی جانے والی ڈیٹا ملکیت کی سلسلہ واری کی ضرورت ہے۔

亚马逊 کی موجودہ سرمایہ کاری کے تناظر میں، پرانی کتابوں کا بڑے پیمانے پر خریداری واضح طور پر کمپنی کے مالیاتی حالات کا اہم خرچ نہیں ہوگا۔ اصل میں اہم بات یہ سگنل ہے جو یہ حرکت جاری کرتی ہے: ایک ایسا بڑا کھلاڑی جو تکنیکی بنیادی ڈھانچے کو توسیع کے لیے سالانہ تقریباً 200 ارب امریکی ڈالر خرچ کرنے کو تیار ہے، وہ اب بھی اپنی سپلائی چین کو بکھرے ہوئے، کم کارآمد، اور ہر کتاب کے الگ قیمت والے دوسرے ہاتھوں کی کتابوں کے مارکیٹ میں لے جانے کو تیار ہے۔

کیوں؟

کیونکہ کچھ ڈیٹا کے لیے، حقیقت میں کوئی تیز راستہ نہیں ہے۔

یہ بھی AI کے مقابلے کی جگہ ہے جہاں تبدیلی آ رہی ہے۔ گزشتہ زمانے میں لوگ اس بات پر مقابلہ کرتے تھے کہ کون زیادہ ویب صفحات کو اسکین کر سکتا ہے، پھر اس بات پر کہ کون کے پاس زیادہ GPU ہیں، اب ہم دیکھ رہے ہیں کہ کون کے پاس زیادہ صاف، منفرد، قانونی اور نقل کرنے میں مشکل ڈیٹا ہے۔

ڈیٹا صرف تربیت شروع کرنے سے پہلے کا ایک ڈھیر "س原材料" نہیں رہا۔

یہ ایک� ایسا اثاثہ بن رہا ہے جسے خریدنا، صاف کرنا، ملکیت کی تصدیق کرنا، ٹریک کرنا اور آڈٹ کرنا ضروری ہے۔

اصلی ڈیٹا کا دفاعی دیوار، شاید “جو کوئی انٹرنیٹ کی نقل رکھتا ہے” نہیں، بلکہ وہ ہے جو دوسرے کے لیے دستیاب نہیں، یا جسے وہ محفوظ طریقے سے رکھ نہیں سکتے، یا جسے وہ حاصل کر لیں تو استعمال کرنے کا جرات نہیں کرتے۔

میں نہیں سمجھتا کہ نتیجہ یہ ہونا چاہیے کہ AI کمپنیوں کو فزیکل کتابوں کو اسکین کرنے سے منع کر دیا جائے۔

ڈیجیٹلائزیشن خود کو محفوظ رکھ سکتی ہے، اور قدیمی مواد کو دوبارہ تلاش، تحقیق اور مشینی سمجھ کے نظام میں شامل کر سکتی ہے۔ بہت سی عام دوسرے ہاتھ کی کتابوں کے لیے، تباہ کن اسکیننگ آخرکار کاغذ کے ریسائیکلنگ میں جانے سے زیادہ برا نہیں ہو سکتی۔ اس بات کو صرف "AI کتابیں جلا رہا ہے" کے طور پر لکھنا جذباتی طور پر زوردار ہے، لیکن حقیقت کم ہے۔

اصلی سرحدیں دو ہیں۔

پہلا اصول حقوق کی حدود ہے: ایک کاغذی کتاب خریدنا، اس کام کے تمام کاپی رائٹ حقوق خریدنا نہیں، اور بالکل بھی یہ نہیں کہ تمام تربیت، کاپی اور پیداوار کے عمل خود بخود قانونی ہیں۔ بارٹز کا معاملہ صرف ایک امریکی فیڈرل علاقائی عدالت کا ایک خاص حقائق پر مبنی اہم فیصلہ ہے، عالمی AI کمپنیوں کے لیے مستقل اجازت نامہ نہیں۔

دوسرا اصول محدودیت کو محفوظ رکھنا ہے: اگر کوئی کمپنی ثابت نہ کر سکے کہ وہ نایاب، منفرد یا خاص تاریخی اہمیت رکھنے والی کتابوں کو پہچان کر ان سے بچے گی، تو "موثر اسکیننگ" ایک ڈیٹا انجینئرنگ کا مسئلہ بن سکتی ہے جو غیر قابل واپسی کا ثقافتی نقصان ہو جائے۔

亚马逊最应该回答的，其实不是“你们为什么需要书”。

یہ جواب اب زیادہ واضح ہو رہا ہے: کیونکہ انسانوں نے پچھلے کئی سو سالوں میں جو بہت ساری معیاری معلومات چھوڑی ہیں، وہ سبھی کھلے انٹرنیٹ پر موجود نہیں ہیں۔

اصل سوال یہ ہے: جب یہ کتابیں اپنی رکھائی سے AI ٹریننگ لائن میں داخل ہوتی ہیں، تو کون فیصلہ کرے گا کہ کیا قربان کیا جا سکتا ہے اور کیا نہیں؟ کون تصدیق کرے گا کہ کاروبار کو صرف مواد ملا ہے، نہ کہ مواد کے باہر کی تاریخ کو بے نقاب کر دیا گیا ہے؟

اس بات کا مزاحیہ پہلو بہت زیادہ ہے۔

جبکہ ایمیزون نے اپنے آغاز میں کتابوں کو لوگوں تک پہنچانے کے ذریعے انٹرنیٹ کے تجارتی دنیا کی اہم ترین کمپنیوں میں سے ایک بنی، آج وہ کتابوں کو واپس خرید رہی ہے، انہیں کھول رہی ہے، اور متن کو مشینوں میں بھیج رہی ہے۔

ٹیکنالوجی بالکل بھی علم کے حامل کو تبدیل کر سکتی ہے، لیکن اس لیے یہ نہیں کہا جا سکتا کہ حامل بے قیمت ہے۔

AI کو انسانوں کے لکھے ہوئے چیز کی ضرورت ہوتی ہے، اس میں کوئی شرمندگی نہیں۔ اصل خطرہ اس بات میں ہے کہ جب پورا صنعت "انسانوں کے باقی رہ جانے والے اعلیٰ معیار کے متن" پر زیادہ تر انحصار کرتا ہے، لیکن اس کی حاصل کرنے کی عمل کو سپلائی چین کے گہرائی میں چھپا دیتا ہے، اور کاپی رائٹ، ماخذ، نایابی اور محفوظ رکھنے کی ذمہ داری کو بعد میں مسئلہ سمجھتا ہے۔

ماڈل ایک کتاب کو ٹوکن میں دباسکتا ہے، کاروبار ٹوکن کو پیرامیٹر میں تبدیل کرسکتا ہے، لیکن کچھ چیزیں ایک بار ٹکڑوں میں ٹوٹ جانے کے بعد، دوبارہ ٹریننگ سے واپس نہیں لائی جاسکتیں۔

ثقافت کو ڈیجیٹل بنایا جا سکتا ہے، لیکن ذمہ داری کو "فارمیٹ تبدیل" نہیں کیا جا سکتا۔

1. ایمانوئل مائبرگ۔ “ہم نے نایاب کتابوں کی ایک شپمنٹ کا تعاقب کیا۔ اس کا خاتمہ ایک ایمیزون AI ٹریننگ سہولت پر ہوا۔” 404 میڈیا, 2026-08-17.
2. جورجیا فرن۔ “امیزون پرانی کتابوں کو خرید رہا ہے اور اسکین کے بعد انہیں تباہ کر رہا ہے۔ یہ آرڈرز 2024 تک جاتے ہیں۔” Inc., 2026-08-17.
3. Amazon.com, Inc. “Amazon.com دوسرے تिमہ کے نتائج کا اعلان کرتی ہے۔” 2026-07-30.
4. امیزون۔ "امیزون اور اینتھروپک کا جدید تعاون مزید وسعت پا گیا۔" 2026-04-20.
5. ریاستہائے متحدہ کی عدالتِ ضلع، شمالی ضلع کیلیفورنیا۔ بارٹز بمقابلہ Anthropic PBC، فئر یوز اور خلاف ورزی پر آرڈر, 2025-06-23.
6. رويترز۔ "امریکی جج نے اینتھرپک کے کاپی رائٹ مقدمے کا 1.5 ارب ڈالر کا معاہدہ منظور کر لیا۔" 2026-07-20.
7. پابلو ویلالو bos اور دیگر۔ “کیا ہم ڈیٹا کے خاتمے کو محسوس کریں گے؟ انسانی طور پر تخلیق کردہ ڈیٹا کے بنیاد پر LLM کے سکیلنگ کے حدود۔” ایپوک AI, 2024-06-06.
8. ڈین ملمو۔ "برطانیہ اور آئرلینڈ میں دوسرے ہاتھ کی کتابوں کے فروشندگان AI کمپنیوں کو 'عجیب' بڑی آرڈرز کے پیچھے مشکوک سمجھ رہے ہیں۔"The Guardian, 2026-08-15.