一句话看懂：为了获得“干净”的AI训练数据，部分AI公司正在批量采购并销毁2022年前出版的书籍——包括一些存世极少的珍本——用切掉书脊、高速扫描的方式把它们变成数字数据。这件事引发了对不可逆文化损失的广泛担忧。
事件核心：发生了什么
据404 Media报道，数据供应商ISBNdb正在以匿名方式向AI实验室批量供应实体书籍，总量可达数百万本。这些书之所以被看重，是因为它们出版于2022年之前，早于AI生成内容大规模扩散的时间点，文本中不包含chatbot生成的杂质，被认为是“密集、经过编辑、有权威性”的训练语料，有助于降低模型训练中的“模型坍缩”风险。此外，旧书也能天然规避作者针对AI训练植入的数据投毒。
问题出在数字化方式上。为了降低成本并提高扫描速度，加工方需要先切掉书脊、拆散页面再送入自动扫描设备，这意味着每一本被扫描的原版书都会被物理销毁。由于项目与客户之间签有严格保密协议，外界难以追溯具体流入哪些实验室。唯一可以确认的是，Anthropic在涉及版权扫描的法律纠纷中，曾获得法院在特定条件下将“购买后扫描训练”认定为合理使用的裁决，理由是销毁原件意味着“取代”一本合法副本而非复制多份。
为什么重要
这是AI训练数据获取模式的一种极端走向：大模型公司为了对抗“用AI生成内容训练AI”的质量衰退，转而把目光投向实体旧书市场。商业逻辑可以理解，但规模令人不安。有受访书商指出，部分进入扫描流程的书在经历了战争、火灾和数百年流通之后，存世本就稀少，一旦实体本消失，数字版本就成了唯一残留，而扫描过程本身还可能存在脱页、裁切错误等问题。
更有批评者直言，这种规模的损毁已经超过了历史上著名的亚历山大图书馆焚毁事件。更关键的是，尚不清楚这些数据集未来是只用于训练内部模型，还是会形成可共享的数字资产。如果只是封闭地喂给大模型，那公众失去的将不仅是纸张本身，还有对这些内容进行独立研究、查阅和再版的可能性。
对用户/开发者/创作者的影响
对普通用户来说，短期内这些旧书的内容会以更碎片化的方式“内化”到新一代大模型的回答中，但用户将失去与原始文本直接接触的渠道，尤其是那些从未被数字化过的珍稀文献。对开发者而言，这个案例提醒我们，训练数据供应链存在着隐蔽的伦理灰色地带——购买数据时，验证“来源是否合法”不等于“来源是否可持续”。对于书籍作者和历史文献的研究者来说，这意味着即便你的书被合法购买，它仍可能被物理销毁，版税照付但不代表作品能以公共可访问的形式存续。Elon Musk回应一位批评者时表示，他已要求SpaceX AI团队把珍稀书籍先行入库保存、再用更保守的方式扫描，这说明行业内也存在分歧。
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。
值得关注的后续
以下几点值得跟踪：第一，Anthropic案关于“合理使用”的法院裁决是否会被上诉推翻，或者形成更清晰的判例边界；第二，ISBNdb是否会因为舆论压力修改保密条款或扫描方式；第三，是否会有第三方机构成立专门的“珍稀书籍保护清单”，对进入AI训练管线的存量旧书进行过滤。目前公开信息显示，尚未有明确的监管或行业标准约束此类行为，这场围绕训练数据来源的博弈，远未结束。
来源：TechRadar
