影子圖書館“安娜的檔案”宣布獲得超星旗下讀秀數據庫359TB圖書

IT之家 11 月 5 日消息，影子圖書館“安娜的檔案”官方博客當地時間 10 月 4 日宣布，該網站現已經收購一批“獨特的”750 余萬份、共計 359TB 的電子圖書，并表示愿意為一系列大語言模型公司提供獨家早期訪問權限，以獲得高質量的圖書 OCR（IT之家注：Optical Character Recognition，光學字符識別）和文本提取。

“安娜的檔案”在博客中介紹，讀秀是由超星數字圖書館創建的大量掃描圖書的數據庫，大多數是學術圖書，通過掃描可以使它們以數字化的形式提供給大學和圖書館。“安娜的檔案”表示曾希望批量獲取它，并為此分配了多個月的全職工作。

最終，一位“不可思議、了不起、才華橫溢”的志愿者宣布已經完成上述所有工作，并為之“付出巨大代價”，并無償分享了所有藏品。

從總數來看，這個收藏品共有 7543702 個文件，多過另一家“影子圖書館”Library Genesis 的 530 萬本非虛構圖書。

不過，圖書的原作者通常不會喜歡利用“影子圖書館”來訓練 AI 大模型的行為。據IT之家此前報道，上個月美國就有多名作家向紐約聯邦法院提起訴訟，指控 Meta、微軟等科技巨頭未經許可使用他們的作品來訓練 AI 模型。

這一作家團體此前已經提交了擬議集體版權訴訟，文件稱 Meta 和微軟采用了具有爭議的“Books3”數據集來訓練他們的大模型，告訴大模型如何回應人類的提示和指令。