دیتای آموزش OpenAI از کتابخانهٔ آکسفورد
هوش مصنوعیClaude Opus 5خلاصهٔ کامل‌تر
به گزارش گاردین که اسناد داخلی رو دیده، آکسفورد اجازه داده OpenAI از متن‌های قدیمی کتابخانهٔ بودلیان برای آموزش مدل‌هاش استفاده کنه. ایتن پنی و دن میلمو این خبر رو شنبه منتشر کردن. تو این اسناد اومده که اسکن‌هایی که OpenAI تو خود کتابخونه گرفته، وارد دادهٔ آموزش این شرکت شدن.
قرارداد آکسفورد و OpenAI مارس ۲۰۲۵ علنی شده بود، ولی اون موقع حرف از این بود که ابزارهای OpenAI به اسکن نسخه‌های کمیاب کمک می‌کنن تا دانشجو و پژوهشگر بیشتری بتونن بخوننشون. هیچ‌جا گفته نشده بود که این متن‌ها برای آموزش مدل هم به کار می‌رن. گاردین می‌گه تا ژوئن ۲۰۲۵ بودلیان ۱۲۵ هزار اسکن از پایان‌نامه‌های دکتری قدیمی فرستاده بوده، پایان‌نامه‌هایی که تو قرن نوزدهم و بیستم تو دانشگاه‌های اروپا و آمریکا نوشته شدن.
یادداشت‌های جلسه‌های کارکنان، که گاردین با درخواست آزادی اطلاعات به‌ش رسیده، نشون می‌ده بعضی از کارکنان تردید داشتن. هم نگران بدنام شدن آکسفورد بودن و هم نگران مصرف انرژی هوش مصنوعی. آکسفورد جواب داده که حجم اسکن‌ها کم بوده، متن‌ها خارج از کاپی‌رایت‌ان و به‌صورت اختصاصی هم در اختیار OpenAI نیستن. به گفتهٔ سخنگوی دانشگاه، حق اثرها پیش خود کتابخونه می‌مونه و قراره تو ماه‌های آینده اسکن‌ها روی وب منتشر بشن.
همون سخنگو می‌گه بخش آموزش مدل پنهان نشده بود: هدف اصلی آکسفورد اسکن کردن بوده، ولی کارکنان از اول گفته بودن متن‌ها برای آموزش مدل هم استفاده می‌شن. سخنگوی OpenAI هم به گاردین گفته وقتی بیش از یک میلیارد آدم از این فناوری تو زندگی روزمره استفاده می‌کنن، مهمه که فرهنگ‌ها، تاریخ‌ها و دیدگاه‌های مختلف رو بازتاب بده. آکسفورد تنها عضو بریتانیایی گروه NextGenAI هست، کنار کتابخانهٔ عمومی بوستون، کلتک، MIT و دانشگاه میشیگان.
این قرارداد وقتی بسته شده که شرکت‌های هوش مصنوعی دنبال کتاب چاپی می‌گردن تا دادهٔ آموزشی بدون slop (یعنی متن بی‌کیفیت ماشینی) گیرشون بیاد، چون وب پر شده از متن تولیدشده با AI. بعضی خریدارها کتاب رو برای اسکن تیکه‌تیکه می‌کنن، که کتاب‌فروش‌های دست‌دوم رو ناراحت کرده. تو آگوست، 404 Media مسیر یه جعبه کتاب کمیاب رو دنبال کرد که سر از یه مرکز آمازون درآورد، جایی که کتاب‌ها اسکن و بعد نابود می‌شن. گاردین می‌گه کتاب‌های بودلیان تو این قرارداد سالم می‌مونن.
نکات کلیدی:
- گاردین می‌گه اسکن‌های OpenAI از متن‌های بودلیان وارد دادهٔ آموزش مدل‌ها شده
- قرارداد مارس ۲۰۲۵ فقط از کمک به اسکن نسخه‌های کمیاب حرف زده بود، نه آموزش مدل
- تا ژوئن ۲۰۲۵، ۱۲۵ هزار اسکن پایان‌نامهٔ دکتری قرن نوزده و بیست تحویل داده شده
- موضع آکسفورد: متن‌ها خارج از کاپی‌رایت، غیراختصاصی، و حق اثر پیش کتابخونه می‌مونه
- آکسفورد تنها عضو بریتانیایی NextGenAI هست، کنار MIT، کلتک، دانشگاه میشیگان و کتابخانهٔ عمومی بوستون
- یادداشت جلسه‌ها نگرانی کارکنان از اعتبار دانشگاه و مصرف انرژی AI رو نشون می‌ده
