پشت پرده Project Panama؛ پروژه‌ ی anthropic که میلیون‌ها کتاب را به غذای هوش مصنوعی تبدیل کرد

عقربه ی بزرگ ساعت، تازه عدد 8 را نشانه رفته بود که یک کامیون بزرگ، مقابل یک انباری عظیم توقف کرد. کارگران، خیلی سریع، دور کامیون حلقه زدند و کارتن های سنگین کتاب را یکی یکی پایین می آوردند کتاب‌هایی که قرار نبود به دست خوانندگان برسند، بلکه قرار بود به داده‌های آموزشی هوش مصنوعی تبدیل شوند. هزاران جلد، از رشته های مختلف؛ پزشکی، مهندسی، اقتصاد، روانشناسی و علوم کامپیوتر. حتی کارگرانی که کتاب ها را تخلیه میکردند هم نمیداستند که این کتاب‌ها قرار است سوخت نسل بعدی مدل ‌های زبانی بزرگ (LLM) شوند. این، پروژه ی مخفی و ترسناک شرکت آنتروپیک، به اسم Project Panama بود.

اگر به عنوان یک رهگذر از محل تخلیه کتاب ها عبور میکردید، همه چیز عادی به نظر میرسید، انباری پر از کتاب - که برخی از آنها تنها نسخه های موجود در دنیا بودند-، کارگرانی که جعبه ها را جا به جا میکردند و دستگاه هایی که بی وقفه کار میکردند.  اما چند دقیقه بعد، اولین کتاب روی میزی قرار گرفت که سرنوشت آن کتاب را برای همیشه تغییر داد و حتی میتوان گفت دروازه ی جدیدی به روی نسل انسان باز کرد.

پس از قرار گرفتن کتاب روی میز، تیغه ای تیز، مثل یک گیوتین، در یک حرکت شیرازه اش را برید. صفحات، با سرعتی سرسام آور، وارد اسکنر شدند. هر صفحه، تنها چند ثانیه زیر نور اسکنر میمانند و خیلی سریع، به یک فایل دیجیتال تبدیل میشد.

وقتی آخرین صفحه، آخرین نور اسکنر را دید، دیگر چیزی از کتاب باقی نمانده بود. نسخه ی کاغذی، ماموریتش را انجام داده و حالا بی ارزش تلقی شده بود و وارد سطل بازیافت کاغذ شد.

در طول هفته ها و ماه های بعد، این صحنه نه یک بار که میلیون ها بار تکرار شد.

پروژه Project Panama چه بود؟

ماه ها بعد، اسناد یکی از جنجالی ترین پرونده های حقوق دنیای فناوری منتشر شد. این اسناد، به وضوح نشان میداد، شرکت anthropic، سازنده مدل های هوش مصنوعی Claude، پروژه ای فوق محرمانه به اسم «پروژه پاناما» را اجرا کرده است. هدف این پروژه، ساده اما جاه طلبانه بود. ساخت یک آرشیو عظیم از کتاب های دیجیتال برای آموزش مدل های هوش مصنوعی. بر اساس اسناد دادگاه، Anthropic میلیون ها کتاب چاپی را به صورت قانونی خریداری کرد.سپس، جلد کتاب ها جدا شد، تمام صفحات اسکن شدند و در نهایت، نسخه های فیزیکی دور ریخته شدند. این فرآیند، با نام destructive scanning یا «اسکن تخریبی» شناخته میشود؛ روشی که امکان دیجیتال سازی کتاب ها را با سرعت بسیار بالا فراهم میکند.

چرا «پاناما»؟

جالب اینکه با وجود انتشار هزاران صفحه از اسناد دادگاه، هنوز مشخص نیست چرا Anthropic این پروژه را Project Panama  نام‌گذاری کرده بود. این شرکت هرگز دلیل انتخاب این نام را توضیح نداد و در اسناد رسمی نیز اشاره‌ای به مفهوم آن نشده است. برخی معتقدند «Panama» تنها یک نام رمز داخلی برای حفظ محرمانگی پروژه بوده، برخی هم معتقدند این پروژه، مثل «کانال پاناما»، کانالی برای تبدیل میلیون ها داده چاپی به مدارک دیجیتال بوده است، اما هیچ مدرکی برای تأیید این فرضیه یا هر تفسیر دیگری وجود ندارد.   

حکم دادگاه؛ آیا این کار قانونی بود؟

با افشای این پروژه، بحثی بزرگ میان ناشران، نویسندگان و شرکت های فناوری شکل گرفت. سوال اصلی این بود: «آیا خرید قانونی یک کتاب، به یک شرکت اجازه میدهد از محتوای آن برای آموزش هوش مصنوعی استفاده کند؟

این پرونده ماه‌ها در دادگاه بررسی شد و سرانجام قاضی رأی داد که استفاده از کتاب‌های خریداری‌شده به‌صورت قانونی برای آموزش مدل‌های هوش مصنوعی، در این پرونده، می‌تواند مشمول اصل Fair Use  یا «استفاده منصفانه» باشد.

البته در دادگاه مشخص شد Anthropic میلیون‌ها فایل کتاب را نیز از کتابخانه‌های غیرقانونی مانند LibGen و PiLiMi  دانلود کرده است؛ موضوعی که در نهایت با تسویه‌ای ۱.۵ میلیارد دلاری پایان یافت؛ یکی از بزرگ‌ترین توافق‌های تاریخ دعاوی حق نشر.

چرا این پرونده همه را شوکه کرد؟

آنچه «پروژه پاناما» را به یکی از جنجالی ترین پرونده های تاریخ هوش مصنوعی تبدیل کرد، اسکن میلیون ها کتاب نبود؛ بلکت این واقعیت بود که اینترنت دیگر برای آموزش نسل جدید مدل های زبانی کافی به نظر نمیرسید.

در سال های اولیه، شرکت های هوش مصنوعی بخش بزرگی از اطلاعات خود را از اینترنت جمع آوری میکردند اما اینترنت امروز 2 مشکل جدی دارد:

• محتوای با کیفیت پشت دیوار اشتراک و حق نشر گرفته است.
• اینترنت هر روز بیشتر از قبل با محتوای تولید شده توسط خود هوش مصنوعی رو به رو میشود.

در نتیجه، شرکت‌ها برای دسترسی به متن‌های دقیق، ویرایش‌شده و کاملاً انسانی، به سراغ کتاب‌ها رفتند؛ منابعی که هنوز یکی از باکیفیت‌ترین مخازن دانش محسوب می‌شوند.

پرونده Anthropic نشان داد رقابت در دنیای هوش مصنوعی دیگر فقط به قدرت پردازنده‌ها یا تعداد GPUها محدود نمی‌شود؛ بلکه دسترسی به داده‌های آموزشی باکیفیت به مهم‌ترین مزیت رقابتی شرکت‌های توسعه‌دهنده مدل‌های زبانی بزرگ (LLM) تبدیل شده است.

با این حال، یک سؤال اساسی همچنان بی‌پاسخ مانده است: اگر روزی کتاب‌ها هم دیگر برای آموزش مدل‌های هوش مصنوعی کافی نباشند، نسل بعدی LLMها دانش خود را از کجا به دست خواهند آورد؟ شاید پاسخ این سؤال، مسیر آینده صنعت هوش مصنوعی را مشخص کند.