شركات الذكاء الاصطناعي تشتري الكتب القديمة: آخر بيانات تدريب خالية من «نفايات» الذكاء الاصطناعي

بدأت مختبرات الذكاء الاصطناعي بشراء الكتب الورقية القديمة على نطاق واسع لتدريب نماذجها عليها، فالنصوص الصادرة قبل ظهور الذكاء الاصطناعي التوليدي لا تزال آخر مجموعة بيانات كبيرة لم يلوّثها «السلوب» الآلي. ويبيع وسيط البيانات ISBNdb حق الوصول إلى الفهرس، بينما لا تكشف المختبرات نفسها عن الجهة التي تموّل عمليات الشراء، بحسب ما نشره موقع The Next Web في يوليو 2026.

لماذا تُعدّ الكتب خالية من «سلوب» الذكاء الاصطناعي ثمينة

تكمن قيمة الكتب القديمة في أن كتابتها بيد البشر مضمونة: فأي نص صدر قبل إطلاق ChatGPT في نوفمبر 2022 لا يمكن فيزيائياً أن يتضمن محتوى ولّدته شبكة عصبية. وهذه «النقاوة» تحديداً هي ما يحوّل رفوف المكتبات إلى مورد شحيح لتدريب النماذج.

وتكمن المشكلة في طريقة الحصول على هذه الكتب. فلكي يُرقمن الكتاب بماسح ضوئي صناعي، يُقصّ كعبه وتُمرَّر صفحاته عبر مغذٍّ آلي، أي أنه يُتلف مادياً. وبحسب The Next Web، يتعلق الأمر بملايين المجلدات، ولا يظهر اسم المختبر صاحب الطلب في الصفقات.

• ISBNdb: وسيط بيانات يبيع المختبرات حق الوصول إلى فهرس الكتب
• نوفمبر 2022: إطلاق ChatGPT، وهو الفاصل بين البيانات «النظيفة» والبيانات الملوّثة
• الرقمنة مدمّرة: تُقصّ الكعوب وتُتلف الكتب الورقية
• يجري تداول ملايين الإصدارات
• لا يكشف المشترون عن شركة الذكاء الاصطناعي التي دفعت ثمن الطلب

لماذا تنفد البيانات؟

استنفدت المختبرات الكبرى فعلياً الإنترنت المفتوح كمصدر للنصوص عالية الجودة. فقد قدّر محللو Epoch AI منذ عام 2024 أن مخزون البيانات البشرية عالية الجودة المتاحة للعموم قد ينضب في النصف الثاني من عشرينيات هذا القرن، ومنذ ذلك الحين لم يزدد السباق على المجموعات «النظيفة» المتبقية إلا حدّة.

وتُعدّ الكتب في هذا السباق أصلاً مميزاً. فالكتاب يقدّم نصاً طويلاً ومترابطاً ومحرَّراً بلغة غنية، لا منشورات وتعليقات متفرقة، ولذلك يساوي المجلد الواحد تلك الجودة التي تكون المختبرات مستعدة لدفع ثمنها لوسطاء مثل ISBNdb.

ما المقصود بتلوث البيانات؟

تلوث البيانات هو الحالة التي تتكوّن فيها نصوص التدريب المأخوذة من الإنترنت بصورة متزايدة من مخرجات الشبكات العصبية نفسها، لا من مواد كتبها البشر. والنموذج الذي يُدرَّب على «سلوبه» هو يتدهور تدريجياً، فيفقد التنوع والدقة. وقد وصف باحثون هذا الأثر في مجلة Nature منذ عام 2024 وأطلقوا عليه اسم model collapse، أي انهيار النموذج.

ومن هنا جاء السعي وراء الكتب المادية. فالإنترنت بعد 2022 يمتلئ بسرعة بنصوص الذكاء الاصطناعي، ويزداد صعوبة التمييز بين النص البشري والنص الآلي على الويب، في حين أن تاريخ نشر الكتاب مؤشر موثوق على أن ما بين يديك نص بشري سابق للعصر الرقمي التوليدي.

«أفضل بيانات العالم لتدريب الذكاء الاصطناعي موجودة على الرف»، هكذا جاء عرض وسيط البيانات ISBNdb، بحسب

The Next Web.

ويبقى الجانب القانوني منطقة رمادية: فشراء كتب الآخرين ومسحها ضوئياً لتدريب نماذج تجارية موضوع دعاوى قضائية يرفعها أصحاب الحقوق، كما أن إخفاء هوية المشترين لا يزيد التساؤلات حول الشفافية إلا تعقيداً.

ماذا يعني ذلك

تمثّل هذه الظاهرة للصناعة إشارة إلى نقص بنيوي: فالبيانات البشرية عالية الجودة محدودة، وتتراجع قيمة كل ما أُنتج بعد 2022 بسبب شوائب محتوى الذكاء الاصطناعي. ومع استمرار حاجة النماذج إلى مزيد من النصوص، يتحول الإرث السابق للعصر الرقمي، من كتب قديمة وأرشيفات وصحف، إلى مورد استراتيجي ينفد مادياً.