北京
一周只能卖20本书的职业书商，最近几个月销量直接飙到每周数百本——翻了大约5倍。不是因为阅读潮回来了，而是AI公司开始批量扫货二手纸质书，打算拆了当“纯净”训练素材。
调查媒体404 Media最新曝光，一批AI公司正通过中间商大规模收购旧书，借此拿到高质量的人类创作内容来训练大模型，同时又避免直接扒网触发舆论反弹。这背后藏着一个越来越扎眼的矛盾：AI自己产出的低质内容已经多到污染数据水源，逼得AI公司反过来去书架上搜刮还没被污染的人类知识。
下面把这事儿拆开看，一共四个让人心里五味杂陈的真相。
一、AI为什么开始狂收纸质书？
大模型训练不是喂的数据越多越好，关键看质量。最近两年互联网上充斥着AI生成的“垃圾内容”，如果继续把这种材料丢进训练集，模型很容易越学越“傻”。所以，头部AI公司重新把目光投向人类原创作品，尤其盯上了2022年之前出版的纸质书——这些书出版时生成式AI还没大规模泛滥，受污染的概率要低得多，可以当作“干净语料”来用。
这个逻辑不是突然冒出来的。卷入版权诉讼的Anthropic，此前就投入数百万美元大量采购纸质书，提取文字训练Claude模型，然后再把这些书销毁。法院虽然认定买正版书用于训练属“合理使用”，但Anthropic因为长期保留一个包含700万本盗版图书的数据库，被判侵犯作者和出版商版权，罚款高达15亿美元（约合101.62亿元人民币）。同期，一个出版商联盟也对谷歌提起诉讼，指控它未经授权使用数百万本受版权保护的图书来训练Gemini模型。
二、谁在买，一次买多少？
拥有超1.11亿本图书目录信息的在线数据库ISBNdb，过去主要服务书商、图书馆和发行商，现在直接调整业务，推出专门面向AI企业的大规模图书采购服务。据404 Media报道，相关订单规模从一次采购1000本，到一次采购100万本都有。
一位不愿具名的职业书商证实，从今年4月开始，图书销量出现前所未有的增长。以前生意最好时一周也就卖二十来本，近几个月每周出货量冲到数百本，大约是平时销量的五倍。Alibris、Biblio等二手书交易平台上的其他书商，也反映出现了类似的大宗采购现象。
这些订单有几个非常“不挑食”的特征：采购对象几乎全部都是带有ISBN编号的图书——那种13位数字组成的全球唯一标识码，就像图书的身份证。而且买家基本没有主题、类型或作者偏好，小说、教材、专业书，只要能扫出来的内容全收。更让人无语的是，买家似乎根本不在乎价格，哪怕某些书明显高于市场价格，也直接拿下。
三、书买回来之后被怎么处理？
扫成数据喂模型的方式，比想象中更粗暴。在Anthropic的版权诉讼过程中，曾负责其“巴拿马计划”数字化项目的汤姆·哈维证实，Anthropic聘请过多家专业文档扫描公司来做纸质书数字化。其中一家合作方Datamation Information Services，提供两种扫描服务：非破坏性扫描和破坏性扫描。
非破坏性扫描一般用俯拍扫描仪、平板扫描仪或V型扫描设备，可以在不拆解图书的情况下完成数字化。而破坏性扫描就是直接把书拆开，一页一页送进高速工业扫描仪，效率高、成本低。对AI公司来说，效率压倒一切，所以它们普遍选择破坏性扫描——这意味着，大量纸质书最终被拆毁，变成只存在于私有数据库里的一串数字。
四、更让人不安的争议在哪儿？
一个是稀有书可能被永久毁掉。批评者指出，眼下根本不清楚AI公司在数字化过程中，会不会区分普通图书和珍贵绝版书。如果那些本来存量就极少的稀有书籍被拆毁，它们将彻底退出流通，人类失去的远不止几页纸。
另一个是知识的公共性正在被悄悄蚕食。这些扫描后的内容全部进入AI公司的私有数据库，只用来训练自家模型，普通公众根本无法访问。也就是说，我们或许能获得一个更聪明的AI，但代价可能是，大量知识资源不再以公开、可获取的形式留给未来世代。
当AI进步需要拆掉真实世界的书时，这笔账到底值不值，恐怕就不是技术参数能回答的了。
特别声明：以上内容(如有图片或视频亦包括在内)为自媒体平台“网易号”用户上传并发布，本平台仅提供信息存储服务。
Notice: The content above (including the pictures and videos if any) is uploaded and posted by a user of NetEase Hao, which is a social media platform and only provides information storage services.
