一句话看懂：Hacker News 上一条讨论指出，AI 公司的大规模图书扫描计划正在推高二手书销量，并引发关于版权、文化保存与训练语料获取方式的争论。这件事值得关注，因为它折射出 AI 训练数据从“免费爬取”转向“真金白银收购”后的新冲突。
事件核心：发生了什么
这篇讨论源于一篇报道：AI 公司为了获取高质量训练语料，开始大量购入二手书并扫描入库。一位用户描述，本地独立书店联合起来建立了旧书交易平台：用户把不想要的书送到店里，平台帮助寻找买家，卖家获得少量报酬，书店收取手续费。二手书价格通常不超过新书的一半，不少在线零售商也将二手书作为更便宜的替代品上架。
讨论中最引人注目的数据点来自用户估算：如果某些书在全世界只剩 25 本，且出版社已不再印售，那么扫描和“传播”这些书实际上并没有伤害任何人——因为权利方根本不再接受新订单。与此同时，有用户明确呼吁 AI 公司保存扫描件、做好压缩和备份，并“鼓励员工把档案分享给朋友，泄漏到 Libgen、Anna’s Archive 等平台”。
反对一方则认为，把数十亿页文学书籍“打成纸浆”是本质上令人反感的事，即使支付了购书费用，也不能消解那种对文化载体的破坏感。
为什么重要
这个现象的意义超越了“图书会不会绝版”这一层。它把 AI 训练数据的问题从互联网搬到了纸质出版物上。
过去两年，大模型训练语料争议集中在“是否未经授权抓取网络内容”，而现在的模式显然不同：AI 公司愿意付费购买旧书，并把扫描作为训练材料的合法获取渠道。正如评论者所言，这可能是“最不可疑的获取训练资料的方式”——他们向正确的权利方支付了费用，而且将文字投入模型训练，至少在转化性质上不亚于搜索引擎建立倒排索引。
另一个值得注意的判断是：这些被扫描的书仍然是“原创、有足够质量、能印在纸上”的文本。评论者认为，这个来源不会轻易被挖尽——除非所有主要外语中类似的纸质文献都被扫描并翻译用于训练。这意味着在开放互联网上的文本被大量消耗之后，纸质书反而成为了尚未充分开采的高质量语料矿层。
更深层的冲突是“购买产权”与“文化完整性”之间的张力：买下二手书并扫描，在法律上可能买到了物理副本，但并没有买到无限复制和分发的权利。当这种大规模扫描以“训练”为名发生时，现有版权框架其实尚未准备好回答：训练一个模型是否构成侵权，或者是否构成合理使用。
对用户/开发者/创作者的影响
对普通读者：二手书在零售端变得更有价值，部分绝版书可能因 AI 公司的收购而价格上涨，尤其是那些被认为“训练价值高”的品类。你手上的旧书可能成为 AI 训练供应链中的一环，这既可能带来二手交易活跃的好处，也可能导致部分珍稀版本加速从公开市场消失。
AI 工具推荐
想把多个 AI 模型放在一个入口？
GamsGo AI 集成 ChatGPT、DeepSeek、Gemini、Claude、Midjourney、Veo 等常用模型，适合写作、绘图、视频和日常 AI 工作流。
推广链接：通过此链接购买，我可能获得佣金，不影响你的价格。
对开发者：如果你在做开源模型或垂直领域小模型，纸质语料的扫描件意味着你能获得比“互联网文本”更干净、更有结构的高质量数据。但要注意，这些数据集的版权状态仍然模糊，直接使用扫描书库可能导致法律风险，Libgen、Anna’s Archive 等来源的合法性问题并没有因为“绝版”而消失。
对创作者/出版社：这一趋势正在重塑版税谈判的基准。如果模型公司大规模购买旧书作为训练语料，未来新书的合同中可能会出现“是否授权用于 AI 训练”的专门条款。出版社也需要重新考虑绝版书的数字化保存策略——与其等 AI 公司来扫，不如主动建立授权的数字化版本库。
值得关注的后续
其一，扫描书目规模是否持续扩大，以及是否有 AI 公司公开披露其旧书采购与扫描计划——目前公开信息中尚无具体公司名单，但已有出版社开始关注这一渠道。
其二，版权诉讼是否会延伸至二手书扫描领域。此前针对 AI 训练数据的诉讼多集中在网络抓取，纸质书购买的物理所有权与复制权之间的边界，很可能成为下一个法律争议点。
其三，Libgen、Anna’s Archive 等影子图书馆与商业 AI 公司的关系是否会变得更加紧张。讨论中“鼓励员工泄漏”的呼声，在版权方看来是明显的侵权行为，这种压力可能促使更多国家收紧相关法律，也可能反向推动更开放的授权模式出现。
来源：hackernews
