**Redaktørens bemerkning**: Denne analysen er en del av The Atlantic sin undersøkelse av Library Genesis-datasettet. Tilgang til The Atlantic sitt søkeverktøy for film- og TV-skriving brukt til å trene AI, finner du her. Da Meta begynte å utvikle sin AI-modell, Llama 3, sto teamet overfor et etisk dilemma: å skaffe en stor mengde kvalitetstekst lovlig var tidkrevende og kostbart. De vurderte å piratkopiere data etter å ha vært misfornøyde med lisensieringsalternativene, med henvisning til høye kostnader og forsinket levering fra potensielle partnere. Interne diskusjoner viste et sterkt ønske om å bruke bøker, som de så på som essensielle for trening, noe som fikk dem til å utforske Library Genesis (LibGen), et stort lager av piratkopiert litteratur og forskning. Interne kommunikasjoner viste at Meta-ansatte søkte godkjenning fra CEO Mark Zuckerberg for å bruke LibGens datasett, som nå er offentliggjort på grunn av en opphavsrettssak fra flere forfattere. I tillegg har OpenAI vært assosiert med LibGen i tidligere bruksområder. Selv om omfanget av tekstene de to selskapene har trent på, ikke er helt klart—LibGens innhold oppdateres kontinuerlig—inneholder databasen millioner av titler, inkludert betydelige verker og akademiske artikler. Meta og OpenAI forsvarer sine tilnærminger under påstanden om "rimelig bruk", og hevder at deres generative AI forvandler kilder til nytt innhold. Imidlertid reiser bruken av LibGen kritiske spørsmål, spesielt siden interne dokumenter indikerer at Meta lastet ned data via BitTorrent, som medfører juridiske risikoer på grunn av potensiell distribusjon av piratkopiert innhold.

Meta har insistert at de tok forhåndsregler mot å dele filer. Ansatte erkjente de juridiske risikoene, og diskuterte strategier for å skjule aktivitetene sine, som å unngå referanser til opphavsrettsbeskyttede verker og filtrere ut identifiserbar informasjon. LibGen, som er betydelig større enn andre piratsamlinger, appellerer til AI-utviklere på grunn av sitt brede utvalg, inkludert samtidslitteratur og akademiske tidsskrifter. Etablert i 2008 av russiske forskere, fungerer LibGen i områder med begrenset tilgang til utdanningsressurser. Dets vekst har vært drevet av bidrag av piratkopierte materialer, noe som har ført til en overvekt av engelske tekster over tid. Til tross for flere forsøk fra forlag på å begrense piratvirksomhet, inkludert betydelige dommer og bøter mot LibGen, vedvarer lagret. Denne tilgjengeligheten reiser etiske bekymringer angående det underliggende arbeidet til forfattere, som ofte ikke får kreditt eller kompensasjon. Generative AI-teknologier risikerer å avkontekstualisere kunnskap og undergrave anerkjennelsen som tilkommer originale skapere. Den sentrale utfordringen er hvordan man effektivt kan balansere formidlingen av kunnskap og kreativt arbeid for samfunnets beste, mens selskaper som Meta kapitaliserer på disse ressursene for profitt, noe som potensielt kan redusere verdien av menneskelig intellektuell engasjement.