AI-Unternehmen zerstören seltene Bücher

• AI-Unternehmen kaufen Bücher in großen Mengen, trennen die Buchrücken ab, um sie mit hoher Geschwindigkeit zu scannen, und zerstören anschließend die Originale
• ISBNdb unterstützt Bestellungen von bis zu 1 Million Büchern, Anonymität der Käufer und NDAs und rät Kunden, diesen Prozess als „digitale Bewahrung“ zu bezeichnen
• Vor 2022 veröffentlichte Werke gelten als besonders wertvoll, weil sie Daten ohne beigemischten AI-generierten Text liefern, und auch Anthropic treibt die umfassende Beschaffung von Büchern voran
• Ein Bundesrichter stufte die Methode, bei der durch die Beseitigung des Originals jeweils nur eine Kopie übrig bleibt, als Fair Use ein, doch darunter fallen auch Bücher, von denen nur noch extrem wenige Exemplare existieren
• Das letzte erhaltene Exemplar eines Buchs aus dem 18. Jahrhundert ist nach der Zerstörung nicht ersetzbar, sodass das legale Urteil irreversible Beschädigung beschleunigen könnte

---

Wie seltene Bücher zu Trainingsdaten werden

• AI-Unternehmen kaufen Bücher in großen Mengen, schneiden dann die Buchrücken ab, scannen sie mit hoher Geschwindigkeit und zerstören die Originale
• ISBNdb vermittelt Bestellungen von bis zu 1 Million Büchern und verbirgt dabei die Identität der Käufer
  • NDAs werden als Service-Funktion angeboten
  • Kunden wird geraten, diese Arbeit als „digitale Bewahrung“ zu bezeichnen
  • Auf der eigenen Website heißt es: „‚Ein AI-Unternehmen zerstört 2 Millionen Bücher‘ ist keine Schlagzeile, die Sympathie weckt“
• Vor 2022 veröffentlichte Werke werden als Premium-Daten behandelt, weil sie keinen AI-generierten Text enthalten
• Anthropic stellte den früheren Verantwortlichen für Google-Books-Partnerschaften ein, um „alle Bücher der Welt“ zu beschaffen

Die Irreversibilität des Fair-Use-Urteils

• Ein Bundesrichter bewertete diese Praxis als Fair Use mit der Begründung, dass durch die Beseitigung des Originals zu jedem Zeitpunkt nur ein Exemplar existiere
• Ein Mitarbeiter einer Buchhandlung sagte 404 Media, dass auch seltene Bücher, von denen kaum noch Exemplare übrig sind, in diesen Prozess geraten
• Websites lassen sich erneut hochladen und Bestseller nachdrucken, aber ein botanisches Werk aus dem 18. Jahrhundert, von dem nur noch die letzten drei Exemplare existieren, ist nach der Zerstörung nicht ersetzbar
• Anders als Internet-Scraping, Bibliotheks-Torrents oder die unbefugte Beschaffung von Musik ist die Zerstörung des Originals unumkehrbar, und nach dem legalen Urteil könnte sich dieses Geschäft weiter beschleunigen

[GN⁺]

Hacker-News-Kommentare

• Für Verlage habe ich nicht viel Mitleid. Sie halten Bücher bis zum Ablauf des Copyrights vergriffen und machen vollkommen intakte Bücher dadurch zu Raritäten, und selbst bei noch verkauften Büchern bekommt man oft nur Papier, das sich bei Feuchtigkeit wellt, und Klebebindungen, die nach ein paar Jahren auseinanderfallen.
  Wenn ein Verlag ein Buch vergriffen sein lässt, sollte ein anderer Verlag es ohne Entschädigung an den ursprünglichen Verlag neu herausgeben dürfen, solange Autor und Tantiemen neu verhandelt werden können. Auch wenn kein haltbarer Hardcover-Band mit langlebigem Papier und Fadenheftung erscheint, sollte ein anderer Verlag eine hochwertige Ausgabe machen dürfen — dafür sollte man das Urheberrecht ändern

  • Ich finde, das Copyright sollte mit dem Tod des Autors oder des Ehepartners enden. Es ist unfair, dass Plattenfirmen sogar die Einnahmen kleiner Kanäle abschöpfen, die Videos mit nur ein paar Sekunden Musikanalyse machen, obwohl das klar unter Fair Use fällt und viel Zeit und Geld gekostet hat.
    Kleine Streamer haben auch gar nicht die Mittel, sich juristisch zu wehren. Der betreffende Kanal ist https://www.youtube.com/@diggingthegreats/videos
  • Im 17. und 18. Jahrhundert war es üblich, dass Verlage Bücher ungebunden verkauften und Käufer sie bei unabhängigen Buchbindern individuell anfertigen ließen; manchmal folgte sogar eine ganze Privatbibliothek einem einheitlichen Einbandstil des Besitzers.
    Bücher waren damals Luxusgüter, die sich die meisten nicht leisten konnten, und erst günstige massenproduzierte Einbände machten sie breiter zugänglich. Auch heute gibt es noch einen Handwerkermarkt, der handelsübliche Bücher zerlegt und hochwertige individuelle Bindungen und Umschläge daraus macht
  • Dass heute noch Bücher aus dem 17. und 18. Jahrhundert existieren, könnte einfach daran liegen, dass von Anfang an nur die gut gemachten Exemplare überlebt haben. Schlecht gemachte Bücher sind längst verschwunden — klassischer Survivorship Bias
  • Wenn Verlage alle Bücher hochwertig binden und einlagern würden, während die Käufer nur billige Taschenbücher kaufen, hätten sie keinen Grund, die Mehrkosten zu tragen; das ist einfach eine Reaktion auf die Marktnachfrage.
    Es ist naheliegender anzunehmen, dass Verlage eine angeblich verborgene Nachfrage nach Premium-Ausgaben nicht absichtlich ignorieren, sondern anhand ihrer Verkaufsdaten wissen, dass sie sich nicht verkaufen würden. Wenn es um Bewahrung geht, sollte man nicht etwas besseres Papier erzwingen, sondern robuste digitale Archive aufbauen statt sich auf Lagerbestände oder Sammlerregale zu verlassen
  • Mit LLM-Betreibern, die geistiges Eigentum stehlen, habe ich noch weniger Mitleid als mit Verlagen

• Ich prüfe das Copyright und bringe dann alte Bücher neu heraus. Alle Bücher stammen aus der Zeit vor 1930, und je nachdem, ob die Rechteinhaber verlängert haben, kommen oft auch Bücher bis 1964 oder 1973 infrage.
  Mit einer Spezialschneidemaschine schneide ich den Buchrücken ab, lege die Einzelblätter in versiegelte Kunststoffhüllen zur dauerhaften Aufbewahrung und bewahre zusätzlich unkomprimierte Originaldateien auf Magnetplatten auf, damit man bei Bedarf erneut scannen kann. Ich halte auch nach Raritäten ab 1931 Ausschau, um sie direkt nach Ablauf des Copyrights veröffentlichen zu können, aber keine AI-Firma hat jemals gefragt, ob sie mit den kompletten Scans trainieren darf

  • Mich würde interessieren, wer hier mit „wir“ gemeint ist und ob versiegelte Kunststoffhüllen für die Langzeitarchivierung geeignet sind. Durch chemischen Zerfall könnten sich Feuchtigkeit oder korrosive Dämpfe im Inneren ansammeln; womöglich wäre eine aktiv temperatur- und feuchtigkeitsgeregelte Umgebung besser
  • Sehr alte Bücher können zu einem Bias in Richtung altertümlicher Ausdrucksweise führen, und wertvolles Wissen wird in moderner Literatur oft tiefer und ausführlicher behandelt, daher ist ihr Wert als AI-Trainingsmaterial eher gering.
    Altes Schrifttum ist an sich interessant und erhaltenswert, aber als Beimischung für riesige Trainingsdatensätze weniger nützlich
  • Es braucht Quelle und Hintergrund, damit man weiß, ob es sich um eine zweiköpfige Non-Profit-Organisation oder ein noch nicht börsennotiertes Unternehmen mit einer Billion Dollar Bewertung handelt
  • Wenn man den Buchrücken abschneidet, bleiben dann nicht nur lose Blätter wie die Schriftrollen vom Toten Meer zurück, die ihren Kontext verloren haben?

• Wenn nur Bücher mit noch bestehendem Copyright gescannt werden, frage ich mich, warum dann botanische Werke aus dem 18. Jahrhundert dabei sind. Das Scannen eines Buchs, das man besitzt, sollte urheberrechtlich legal sein und keine Zerstörung voraussetzen.
  Für Werke, die seit über 50 Jahren veröffentlicht sind und vom Vergessen bedroht werden, sollte es eine Regelung für verwaiste Werke geben, nach der Rechteinhaber nachweisen müssen, dass Exemplare in mehreren Bibliotheken erhalten sind, weitere Vervielfältigung erlauben oder auf ihr Copyright verzichten

  • Wenn man Bücher zum Scannen in Einzelblätter zerlegt, geht es schneller und billiger, und beim AI-Training zählt die Masse, daher ist diese Methode im Vorteil. Die nach dem Scannen nutzlosen Blätter werden zu Zellstoff recycelt, deshalb wäre destruktives Scannen vermutlich auch ohne Copyright zum Standard geworden.
    Dass OpenAI nicht einfach die Digitalausgabe eines Buchs von 2018 bei Amazon kaufen und direkt verwenden kann, liegt nicht nur am Lizenzverstoß, sondern auch daran, dass die DMCA das Umgehen von DRM verbietet
  • Bücher aus dem 18. Jahrhundert sind gemeinfrei, daher ist es nicht illegal, sie zu scannen und dabei das Original zu erhalten
  • Der Grund, unersetzliche Bücher zu zerstören, ist nicht das Copyright, sondern die Kostenersparnis durch destruktives Scannen: https://www.404media.co/ai-companies-are-buying-tons-of-old-...
  • Seltene alte Bücher, von denen nur noch einstellige Stückzahlen existieren, sollten wie Museumsbestände als Kulturgut geschützt werden. Wenn Eigentümer sie beschädigen oder entsorgen wollen, sollte der Staat ein Vorkaufsrecht haben
  • Ein zerstörtes Buch hat auch den Vorteil, dass ein Konkurrent es nicht erneut scannen kann

• Wäre Archive.org nicht verklagt worden, weil es physisch vorhandene Bücher verliehen hat, hätte sich dieses Ergebnis vielleicht vermeiden lassen. Verlage hätten sorgfältiger darüber nachdenken sollen, welches Resultat sie sich wünschen

  • Archive.org verlieh ursprünglich Bücher, die es physisch besaß und selbst gescannt hatte, mit DRM und einer gleichzeitigen Ausleihe pro Exemplar, doch während der Corona-Zeit hob es diese Begrenzung auf und erlaubte unbegrenzte parallele Ausleihen, woraufhin der Streit mit den Verlagen begann
  • Wenn ein Buch zerstört wird, steigt der Wert anderer Exemplare und unveröffentlichter Restbestände, daher ist nicht gesagt, dass Verlage das unbedingt hassen
  • Man kann auch sagen, dass der leichtsinnige Ansatz von Archive.org sogar die Position legitimer Erhaltungsarbeit geschwächt hat

• Verlage wollten AI-Firmen verklagen, die mit Materialien aus Schattenbibliotheken trainiert hatten, und auf hohe Content-Deals hoffen, aber die AI-Firmen nutzten eine analoge Lücke. Ein gebrauchtes Buch für 5 Dollar zu kaufen und 25 Dollar für destruktives Scannen auszugeben ist viel billiger als Lizenzgebühren.
  Dabei geht es allerdings nicht um antike Schriften, sondern um Bücher mit noch bestehendem Copyright, und alt heißt nicht automatisch wertvoll. Bibliotheken entsorgen Bücher ohne Nachfrage, die nur Lagerkosten verursachen, weshalb Scan-Unternehmen sie billig bekommen können

  • Für AI-Firmen haben diese Bücher Wert, also sollten sie eine faire Vergütung zahlen
  • Auch moderne Literatur wird mit der Zeit zu alter Literatur, daher kann man das nicht nur nach dem aktuellen materiellen Wert beurteilen
  • Selbst wenn man Geräteverschleiß, Arbeitszeit zum Entfernen von Papierstaus und Recyclingkosten einrechnet, könnten die Kosten für destruktives Scannen eher bei 0,25 Dollar als bei 25 Dollar pro Buch liegen
  • Wenn Informationen verschiedener Käufer vermischt und die Rohquellen zerstört werden, bleiben Fehler im LLM bestehen, daher wirkt eine Rechtfertigung dafür eher wie Propaganda

• Das ähnelt weniger Bradburys Fahrenheit 451 als der „Scan-nach-dem-Schreddern“-Fabrik in Vernor Vinges Rainbows End

  • Vernor Vinge hat die nahe Zukunft besonders gut vorausgesehen und das Schredder-Scannen als eine Methode beschrieben, die die Schurken nur kurz nutzen, bevor sie zu zerstörungsfreiem Scannen übergehen. Langfristig ist eines der besten Dinge, die man für die Menschheit tun kann, meiner Ansicht nach die Unterstützung von Anna’s Archive
  • Auch wenn es sich von der Bedeutung unterscheidet, die die Öffentlichkeit dem Werk oft zuschreibt, kommt es der Absicht des Autors von Fahrenheit 451 ziemlich nahe

• Durch die Digitalisierung seltener Bücher ließe sich auch der Schaden aus Authors Guild v. Google rückgängig machen. Man könnte Scans durch AI-Unternehmen erlauben, aber die Veröffentlichung der digitalen Kopien verpflichtend machen und zum Vorteil des zuerst scannenden Unternehmens eine mehrjährige Sperrfrist vorsehen: https://en.wikipedia.org/wiki/Authors_Guild,_Inc._v._Google,...

  • Das einzige Exemplar eines Buchs von 1850 zu zerstören und seinen Inhalt in einem kommerziellen System einzuschließen, ist eine Art Plünderung öffentlicher Ressourcen, vergleichbar mit dem Abbau von Rohstoffen auf öffentlichem Land ohne Genehmigung
    Dagegen wäre es viel vernünftiger, es in hoher Qualität zu digitalisieren und dauerhaft kostenlos zu veröffentlichen, den Zugang über ein öffentliches LLM zu ermöglichen, das in Bibliotheken und online kostenlos nutzbar ist, und es per Regulierung nach ausreichender Prüfung in einem öffentlichen Archiv seltener Bücher zu bewahren, falls keine physischen Exemplare mehr übrig sind

• Wenn dies wegen dummer Urheberrechtsgesetze die legale Methode ist, die AI-Unternehmen wählen können, ist es schwer, ihnen die gesamte Verantwortung zuzuschieben. Man kann lokale Schattenbibliotheken unterstützen: https://annas-archive.pk/donate

• Allein anhand des zitierten Materials gibt es zu wenig Belege dafür, dass seltene Bücher tatsächlich zerstört werden. Zwar wurde als Beispiel zusätzlich ein unersetzliches botanisches Werk aus dem 18. Jahrhundert angeführt, doch es lässt sich nicht ausschließen, dass die tatsächlichen Objekte noch im Handel oder häufige Bücher sind

  • Für Bücher aus dem 18. Jahrhundert ist das Urheberrecht ohnehin abgelaufen, daher gibt es keinen besonderen Grund, sie zu schreddern

• Mit „seltene Bücher“ sind hier offenbar nicht historisch bedeutende mittelalterliche Handschriften gemeint, sondern vergleichsweise neuere Bücher, die noch urheberrechtlich geschützt sind, von denen aber nur wenige physische Exemplare verkauft werden. Ein solches Buch zu zerstören, um den Inhalt digital zu bewahren, ist nicht zwingend schlecht, und der Wert urheberrechtlich geschützter Bücher liegt meist eher im Inhalt als im physischen Medium

  • Selbst historisch bedeutende mittelalterliche Handschriften werden zunehmend online veröffentlicht, und wenn Forschende direkten Zugang zu Scans der Originalquellen haben, beschleunigt das die historische Forschung. In diesem Fall natürlich zerstörungsfrei
  • Es gibt natürlich auch Bücher, bei denen das physische Medium selbst wertvoll ist, etwa signierte Ausgaben oder besondere Sammlereditionen mit Goldprägung, aber es ist unwahrscheinlich, dass AI-Unternehmen solche Ausgaben verwenden
  • Selbst bei Büchern, von denen nur noch eine einstellige Zahl von Exemplaren existiert, könnte ich einem zerstörerischen Scan zustimmen, unter der Bedingung, dass der hochwertige digitale Scan veröffentlicht wird
  • Die zentrale Frage ist, für wen digital bewahrt wird
  • Ich bezweifle, dass man es wirklich Bewahrung des Inhalts nennen kann, wenn irgendwo lediglich die Gewichte einer Markov-Kette leicht verändert werden