- Internet Archive y su Wayback Machine alcanzaron un hito histórico al preservar 1 billón de páginas web de todo el mundo
- Iniciado en 1996, este proyecto es una colaboración para preservar la memoria colectiva de la web, archivando contenidos diversos como noticias, blogs y páginas personales
- Para conmemorarlo, durante todo octubre se realizará en San Francisco y en línea una serie de eventos, como conciertos, charlas, foros y jornadas de puertas abiertas
- En los eventos participarán pioneros de internet como Tim Berners-Lee, creador de la web, Brewster Kahle, fundador de Internet Archive, y Vint Cerf de Google
- Este logro invita a reflexionar sobre el valor de preservar el registro colectivo en la era digital y sirve como espacio para debatir juntos el futuro de una web libre y abierta
El significado de llegar a 1 billón de páginas en Internet Archive
- Desde 1996, Wayback Machine recopila y preserva automáticamente sitios web de todo el mundo para que cualquiera pueda explorar la web del pasado
- Alcanzar ahora 1 billón de registros representa un gran avance hacia la meta de ser una “biblioteca compartida de la historia en línea de la humanidad”
- El proyecto se ha sostenido gracias a la colaboración global con bibliotecas, instituciones de investigación y voluntarios individuales
- El archivo conserva titulares de noticias, blogs, foros y páginas personales como memoria digital para las generaciones futuras, resguardando huellas de la web que podrían desaparecer
Calendario de eventos conmemorativos de octubre
7 de octubre — The Vast Blue We: Del Sol Quartet at the Internet Archive
- En la sede de San Francisco se realizará una presentación del Del Sol Quartet para celebrar, a través de la música, la magnitud de la colaboración humana
- Se interpretarán nuevas composiciones de Erika Oba y Sam Reider
- La música buscará expresar la belleza de la colaboración en la web, creada por la suma de las acciones de miles de millones de personas
9 de octubre — Conversación entre Sir Tim Berners-Lee y Brewster Kahle
- Diálogo entre Sir Tim Berners-Lee, creador de la World Wide Web, y Brewster Kahle, fundador de Internet Archive
- Se abordarán diversos temas, como el crecimiento de internet, los cambios sociales y el papel del archivo de internet
- Estará compuesto por una conversación profunda sobre la evolución continua de internet y los temas clave de su futuro
- Se llevará a cabo en el Commonwealth Club de San Francisco y también se transmitirá en vivo en línea
16 de octubre — Library Leaders Forum 2025 (en línea)
- Internet Archive y sus instituciones asociadas compartirán nuevos servicios bibliotecarios y el estado actual de proyectos existentes
- Líderes de bibliotecas de todo el mundo participarán para debatir el futuro de la preservación digital y el apoyo a la investigación
- También se presentarán nuevos servicios de Internet Archive y casos de apoyo a la investigación
21 de octubre — Doors Open 2025: recorrido por el archivo físico
- Se abrirán al público las condiciones reales de resguardo de libros, música, video y películas en el archivo físico ubicado en Richmond, California
- Habrá demostraciones del proceso de archivado físico de libros, música, películas y microfichas
- Será una oportunidad para conocer directamente todo el ciclo de vida de los materiales físicos, desde la donación y preservación hasta la digitalización y la accesibilidad
22 de octubre — The Web We’ve Built: 1 Trillion Celebration
- Evento oficial de celebración por las 1 billón de páginas web alcanzadas por Wayback Machine
- Se realizará en simultáneo una fiesta global por streaming desde la sede de San Francisco
- Bajo el tema “preservar 1 billón de recuerdos, momentos y movimientos”, se celebrará el valor de la web pública y la fuerza del registro colectivo
27 de octubre — Wayback to the Future: Celebrating the Open Web
- Se llevará a cabo en la Riggs Library de la Universidad de Georgetown, en Washington D.C.
- Organizado conjuntamente por Foundation for American Innovation, Massive Data Institute e Internet Archive
- Además de recordar el valor de la web del pasado, abierta y experimental, también se debatirá la sostenibilidad de un ecosistema de internet libre y el futuro de la web en medio de las tendencias actuales hacia la concentración y el cierre
- Participarán como ponentes Vint Cerf (Google), Cindy Cohn (EFF) y Jon Stokes (Ars Technica), entre otros
El futuro de la memoria digital
- Archivar 1 billón de páginas web tiene un significado que va mucho más allá de una simple cifra
- Estos datos han convertido a Wayback Machine en un recurso público clave en ámbitos como casos de inmigración, historias personales, investigación académica y periodismo de investigación
- Internet Archive mantendrá su visión de una “biblioteca web pública accesible para todos”
- Alcanzar 1 billón de páginas no es el final, sino un nuevo punto de partida, y también continuará la discusión sobre cómo acceder y preservar la información en la era de la IA
- Brewster Kahle enfatizó que “la web que hemos construido juntos es un enorme registro de la inteligencia colectiva, y protegerla es una responsabilidad de la humanidad”
1 comentarios
Comentarios de Hacker News
Si pudiera pedir algo, sería una red de espejos P2P para archive.org; la aplicación web de IA tiende a bloquearte rápido cuando intentas hacer clic en varias fechas, y estaría genial que existiera una fuente alternativa donde el contenido de archive.org se replicara de forma distribuida y lenta, al estilo torrent, para que los usuarios pudieran consultar y verificar selectivamente los datos; por ahora mantengo mi propio archivo con ArchiveBox, pero lo uso solo para mis necesidades personales; la mayoría de las veces sigo usando IA, porque realmente tiene muchísimo material
Archive Team ha llevado proyectos para hacer respaldos distribuidos de partes del Internet Archive, por separado de Internet Archive; se puede ver más información y el estado del avance en la wiki del proyecto INTERNETARCHIVE.BAK, aunque últimamente está en pausa temporal
Definitivamente he vivido lo lento que puede ser el archivo web; también parece que los scrapers de IA generan cuellos de botella de ancho de banda; algunos archivos digitales, como Common Crawl, requieren una cuenta especial para científicos para poder acceder; la cantidad de datos es enorme y el objetivo de almacenamiento también lo es, así que guardan no solo internet sino también una dimensión adicional: el tiempo; hay tantos datos que navegar o buscar se vuelve extremadamente difícil y, en la práctica, casi inutilizable; por eso terminé creando yo mismo el proyecto de enlaces de metadatos Internet-Places-Database para obtener información de dominios
Hace tiempo, durante un proyecto de scraping, quise buscar snapshots antiguos y me di cuenta de que extraer información del Internet Archive era inesperadamente difícil; usar pywaybackup me mejoró bastante la experiencia
Me pregunto por qué IA no opera una instancia de IPFS, o si ya la opera pero no es muy popular; ya hay varios servicios espejo en IPFS que funcionan bastante rápido; uno de los problemas que tuve con IA es que algunos sitios web muy antiguos no se renderizan bien por problemas de JS o CSS; también me pregunto si habría alguna forma de corregir eso retroactivamente; si se pudiera exportar todo el código que era posible en ese momento, quizás se podría restaurar el sitio de forma más completa; sería increíble que, al hacer clic en un dominio en IA, un cliente de escritorio descargara lentamente, en una cola de baja prioridad, tantos archivos WAR como uno quiera, para poder verlos completos incluso sin conexión
Alguna vez imaginé un sistema para “donar” espacio de almacenamiento sobrante a archive.org; ejecutas un cliente y dices que vas a aportar 1TB, y entonces el servidor te envía a tu computadora el contenido más raro; sería una estructura basada en torrent, y encima de eso se podría montar fácilmente un sistema de distribución de contenido; también podría usarse para obtener datos desde esta red; le escribí a algunos equipos de archivo, pero como nadie mostró interés, al final no lo hice
Dirijo el equipo de datacenter/infraestructura en Internet Archive; me gustaría invitar a todos a los distintos eventos que tendremos este otoño; si el precio del boleto es un problema, por favor escríbanme por correo (vean mi perfil); haré lo posible para que puedan participar
Me pregunto si el equipo de IA hará eventos distribuidos por todo el mundo o si será todo reunido en SF; y de verdad, gracias por hacer un trabajo tan importante para la humanidad
Quise trabajar en IA, pero las oportunidades de contratación son realmente escasas
Me interesan las historias técnicas detrás de este logro, por ejemplo detalles sobre cómo hicieron el web crawling o cómo almacenan todo
Me gustaría saber específicamente qué eventos son
Archivar 1 billón de páginas web es un logro impresionante, pero... no hay forma de buscarlo; al final, si conoces la url puedes escribirla directamente y encontrarla, pero eso reduce muchísimo la utilidad del servicio; por ejemplo, estaría bien poder buscar por nombre de artista, nombre de archivo o incluso por el contenido de las imágenes
Indexar todo eso suena como una auténtica pesadilla
Recuerdo que algo así se podía hacer en Kagi, pero ahora no encuentro dónde se usa
Aquí también hay que pensar en los problemas de privacidad; las reglas de robots.txt quedarían anuladas y borrar un sitio se volvería, en la práctica, imposible de forma retroactiva; al final sigue siendo material público, así que aunque uno quiera bloquearlo no hay mucho que hacer, pero volver totalmente buscable todo IA me parece una muy mala idea
Yo uso la búsqueda web de GPT y a veces le pido que me encuentre libros de texto en IA; para eso funciona bien, pero no sé qué tan útil sea para páginas web generales
Si quieres aportar material adicional a IA, el grupo de voluntarios relacionado es ArchiveTeam; ellos envían datos a IA y hay más información en archiveteam.org
Creo que Internet Archive debería cerrar grandes acuerdos con empresas de IA... por ejemplo: les damos un camión lleno con todos los datos a una empresa de IA, y a cambio hacen una donación importante para que IA pueda seguir operando durante los próximos años; si no ponen dinero, igual se les permite el acceso, pero se les baja muchísimo la velocidad de descarga, de modo que tardarían años en obtener todos los datos
Me pregunto si Internet Archive y Common Crawl alguna vez han colaborado; me gustaría comparar el alcance o la infraestructura de ambas organizaciones; sus objetivos son distintos, pero en la práctica hacen cosas parecidas
El artista Sam Reider, que se presentará en el evento presencial de esta semana, es realmente excelente; tengo muchas ganas de verlo
Entonces, ¿esto significa que al final no hace falta rastrear toda la web, y que basta con pagarle al Archive para obtener todos los datos?
En la entrada de blog relacionada están reuniendo historias, por si les interesa
https://blog.archive.org/2025/09/23/celebrating-1-trillion-webpages-archived-share-your-wayback-story/
Es un hito verdaderamente impresionante en la historia de internet