En 2024, la empresa de inteligencia artificial Anthropic puso en marcha una estrategia para adquirir millones de libros, retirar sus hojas, escanearlas y utilizar su contenido para alimentar sus modelos de IA.
Los detalles de la iniciativa, denominada Proyecto Panamá, permanecieron en secreto hasta que un juez de distrito en Estados Unidos hizo públicos más de 4 mil páginas de documentos relacionados con una demanda por derechos de autor.
Ismael Everardo Bárcenas Patiño, responsable del Laboratorio de Inteligencia Artificial Microsoft de la Universidad Nacional Autónoma de México (UNAM), explicó que los modelos de IA que dan soporte a los chatbots necesitan grandes cantidades de información para responder consultas sobre temas como salud, educación y otros ámbitos.
“Si lo entrenamos con un libro sobre medicina, todos esos datos se cargan en el modelo y entonces es capaz de utilizar esa información para inferir sobre alguna consulta”.
Anthropic buscó nuevas fuentes de información
Por separado, Rocío Aldeco Pérez, especialista en criptografía, cadena de bloques y sistemas distribuidos, consideró que el caso de Anthropic refleja la búsqueda de nuevas fuentes de información para entrenar modelos de IA más allá de los contenidos disponibles en Internet.
La especialista explicó que existen libros antiguos que nunca fueron digitalizados, por lo que su información no había sido utilizada en este tipo de procesos.
“Hay libros antiguos que nunca fueron digitalizados; entonces su información nunca se usó para ese entrenamiento, recurrir a ellos es una manera de ver si esos datos mejorarían el modelo de aprendizaje que ya se tiene”.
Los documentos legales hechos públicos y revisados por The Washington Post revelaron que Anthropic había recurrido también a libros y otros contenidos procedentes de sitios que distribuían material sin respetar los derechos de autor.
De acuerdo con esos registros, la empresa compró millones de libros usados. Su plan consistía en cortar los lomos de los ejemplares para escanear sus páginas y posteriormente enviarlos a una empresa de reciclaje.
El reto de los derechos de autor
Aldeco Pérez y Bárcenas Patiño coincidieron en que uno de los principales desafíos en la carrera por desarrollar modelos de inteligencia artificial es determinar cómo debe utilizarse el contenido protegido por derechos de autor.
Aldeco Pérez señaló que el uso de obras para entrenar modelos de IA se encuentra en un área que la legislación todavía no define con claridad.
“Cuando escribes un libro esperas venderlo y ganar dinero para seguir escribiendo. Aquí se usa de maneras que no puedo decir ilegales, pero que tampoco son legales. Es algo que sucede en un espacio gris de la legislación”.
Por su parte, Bárcenas Patiño explicó que los modelos basados principalmente en redes neuronales requieren grandes cantidades de información para ser entrenados y planteó la posibilidad de analizar si las empresas deberían pagar derechos de autor por el uso de esas obras.
“Estos modelos basados principalmente en redes neuronales necesitan mucha información para entrenarse. El tema aquí es que estos modelos eventualmente lucran; entonces, sería pertinente evaluar si se tendría que pagar derecho de autor”.
El juez de distrito William Alsup determinó que Anthropic podía utilizar libros adquiridos legalmente para entrenar sus modelos de IA, debido a que consideró que el uso del material era transformador.
El magistrado comparó el proceso de entrenamiento de inteligencia artificial con el trabajo de profesores que enseñan a escribir correctamente. Sin embargo, dejó abierta la disputa relacionada con los libros que habían sido obtenidos de fuentes que infringían derechos de autor.
México aún está lejos de un Proyecto Panamá
Para Bárcenas Patiño, México se encuentra lejos de poder realizar una operación similar al Proyecto Panamá, debido a que el país no cuenta con la infraestructura necesaria para llevar a cabo un proceso de esa magnitud.
Una iniciativa de este tipo requiere centros de datos de alta potencia, equipos especializados y grandes capacidades de cómputo.
Sin embargo, el especialista señaló que México sí cuenta con grandes volúmenes de información que podrían resultar de interés para empresas extranjeras dedicadas al desarrollo de modelos de IA.
Entre estos contenidos se encuentran:
- La producción editorial.
- Contenidos disponibles públicamente en Internet.
- Información generada por usuarios en plataformas digitales.
- Datos gubernamentales de acceso público.
Ante la creciente competencia por desarrollar inteligencia artificial generativa, Bárcenas Patiño y Aldeco Pérez consideraron que México debe apostar por crear tecnología propia y establecer una regulación que defina límites claros para el uso de obras y datos durante el entrenamiento de modelos de IA.
Para Aldeco Pérez, este debate debe involucrar a distintos sectores de la sociedad.
“Cómo vamos a legislar y cómo vamos a proteger la soberanía de nuestros países frente a esta situación son las conversaciones que debemos dar en universidades, empresas y gobierno”.
