抢完互联网数据

来源：市场资讯

（来源：DeepTech深科技）

2026 年 4 月起，一位专营稀有书和低流通量图书的美国书商遇到了怪事：他店里的生意向来不算火爆，一周卖出二十本已经算不错，但最近，订单突然像洪水一样涌来，每周能卖几百本。最费解的是，买家只列出一份用国际标准书号（ISBN）索引的书籍清单，却从不询问品相，也不砍价。

在大洋另一端，荷兰哈勒姆的古董书商彼得·德弗里斯（Pieter de Vries）收到了一封来自新加坡公司 2077AI 的邮件，对方要求采购近 3,000 本书。同一时期，德国、瑞士、西班牙的旧书商也接到了来自加拿大公司 Zoom Books 的大批量订单，这些书涉及的领域多种多样，令人捉摸不透意图。

世界上怎么突然冒出这么多求知若渴的“人”？荷兰当地媒体着手调查，结果发现，这些订单似乎并不来自普通藏家，也不像学校或图书馆的采购。

直到 Anthropic 的一则秘密扫描项目曝光，所有线索汇集在一起，真相终于水落石出：订单的来源是几家 AI 公司，所有买到的书会被扫描喂给大模型，落得尸骨无存的下场。

大模型行业正在上演现实版“饥饿游戏”

在收集实体书日益成为小众爱好的当下，AI 厂商为何转而盯上了书商们的书架？这还要从 2024 年延续至今的大模型数据危机说起。

驱动大模型智能的核心是海量高质量文本。过去几年，训练数据的主要来源是互联网：维基百科、Reddit、新闻网站、博客、开放论文……但很快，生成式 AI 爆发，大量 AI 生成的文本涌入网络，反过来污染了互联网语料库。这导致模型在自己的输出上反复训练，质量螺旋式退化，最终趋于胡言乱语，研究者将这种现象称为“模型坍塌”（model collapse）。

因此，2022 年之前出版的纸质书就成了最后的干净数据源。它们主要由人类撰写、编辑、校对而成，语言精炼、结构完整，在物理层面上不可能包含 AI 生成内容。正如图书元数据数据库公司 ISBNdb 所言：“世界上最好的 AI 训练数据正摆在书架上。”

文本的纯净度是一方面，竞争维度同样关键。书商手中握着不少发行量极少的稀有书籍，如果一家 AI 公司把它全买回来，扫描后再销毁，就将成为自家模型的独有优势，书架由此变成“兵家必争之地”。

只是，与网页不同，书不能直接抓取。要将其变成训练数据，需要一些更暴力的破坏手段。

2026 年初，一份由美国地区法院解封的 4,000 多页法庭文件揭开了 Anthropic 公司内部一个代号为“巴拿马计划”（Project Panama）的秘密项目。

项目始于 2024 年初。此前，Anthropic 联合创始人本·曼恩（Ben Mann）在 2021 年个人下载了数百万本来自影子图书馆 LibGen 和 Books3 的盗版书籍，用于早期模型训练。这些行为给公司带来了严重的法律风险。

为寻找一条更安全的路径，2024 年 2 月，Anthropic 聘请了谷歌图书（Google Books）项目的前合作负责人汤姆·图尔维（Tom Turvey）。内部规划文件毫不掩饰地写道：“巴拿马计划代表了我们破坏性扫描世界上所有书籍的努力。”

流程大致如下：公司先从大型二手书商处大量采购纸质书；这些书会先被切掉书脊，再经由高速工业扫描仪逐页数字化；扫描完成后，纸张作为回收物处理，不留实体副本。按照项目供应商的说法，这一计划的规模是六个月内处理 50 万到 200 万本，整个项目仅花费数千万美元，放在模型训练的总开销中算是微不足道。

同样是做大规模书籍数字化，汤姆当年负责的谷歌图书保留实体原件，并向公众开放了搜索和片段浏览；“巴拿马计划”却截然不同，后者在提取内容后销毁书籍、全程保密，产出的数字副本也仅供内部使用，永远不会向公众开放。

Anthropic 内部很清楚，这件事一旦暴露，会引发汹涌的舆论攻击。但整件事的最荒谬之处在于，“巴拿马计划”的每一步，在美国现行法律下都是合法的。换言之，AI 公司几乎不会为此付出实际代价。

合法的荒谬

2025 年 6 月，加利福尼亚北区联邦地区法院法官威廉·阿尔萨普（William Alsup）在 Bartz 诉 Anthropic 一案中作出裁定：扫描合法购买的实体书用于 AI 训练，属于“转化性合理使用”，受美国版权法第 107 条保护。

裁定逻辑分三步：其一，书是合法购买的，依据首次销售原则，买家有权处置；其二，每本纸质书都在购买后被复制为数字版，因此具备转化性；其三，数字副本并未被再分发、销售或对外展示。三项条件成立，故属合理使用。

这段推理无意中创造了一个悖论：销毁原件反而让 AI 企业在法庭上更有利。企业可以主张是为了节省存储空间和便于检索，用数字副本“替代”了实体副本，这在客观效果上奖励了销毁行为。此后，在涉及 OpenAI 和 Meta 的独立版权案件中，其他联邦法官作出了类似裁定。

更诡异的是，要想合法扫描并销毁，必须得用正版书。

Anthropic 早年使用的影印扫描书籍已经被认定属于违法侵权。2026 年 7 月 20 日，法官阿拉塞莉·马丁内斯-奥尔金（Araceli Martinez-Olguin）批准了 15 亿美元的最终和解协议，覆盖 48 万余部作品。截至 2026 年 5 月，Anthropic 的年营收已达 470 亿美元，这笔和解金只占其中的 3%。

法律开了绿灯，规模足够可观，但问题是，这个项目为什么能藏这么久？

无法溯源的影子产业链

前面提到的 ISBNdb，是理解这条隐秘产业链的关键节点。

这家公司成立于 2001 年，原本是为图书馆、书店和出版商提供书籍索引服务的元数据平台，其目录中收录超 1.11 亿本书。随着 AI 行业爆发，它转型成为 AI 公司批量采购书籍的中间商。

ISBNdb 在网站上公开营销：“为大模型训练需求定制印刷书籍采购服务，以 AI 所需的规模交付。”并承诺，能获取散落在图书馆书架、二手书店和绝版目录中的书籍，每单规模从 1,000 本到 100 万本不等。它还提供严格的保密协议：“你的身份、策略和采购目标永远不会被披露。”

在一则博客中，ISBNdb 甚至大言不惭地承认：“舆论压力确实存在。（帮助）‘AI 公司销毁两百万本书’并不是一个能博得同情的说法。”还试图重构叙事，强调纸张会作为回收物重新进入供应链，并将整个行为定义为“数字化保存”。

（来源：ISBNdb）

7 月底，产业链彻底曝光后，ISBNdb 删除了网站上的 AI 采购专页以及关于保密协议的承诺表述。但很快，该页面又恢复上线，甚至引用了威廉法官在 Bartz 案中的判决作为法律背书，大张旗鼓地继续做生意。

当然，ISBNdb 不是唯一的中间商，新加坡的 2077AI、加拿大的 Zoom Books 都曾出现在欧洲书商的采购邮件里，但依然没人知道委托它们购书的大客户是谁。

不可能吃饱

AI 公司为了获取数据，正在不可逆地消耗人类文化遗产。但即使把全世界的书架都搬空，可能也解决不了 AI 的根本问题。

数据统计显示，人类历史上总共出版过约 1.3 亿本独特书籍，能提供大约 30 到 40 万亿 tokens 的文本量。而下一代大语言模型需要的训练数据或将达到 100 万亿 tokens 量级，即便把有史以来所有的书都扫完，也喂不饱它们的需求。

以 Anthropic 为首的 AI 公司的做法，已经在业内激起巨大波澜。

埃隆·马斯克（Elon Musk）称他已要求自己旗下的 AI 团队保留稀有书籍，用非破坏性方式扫描。前 AI 行业高管、非营利组织“公平训练”（Fairly Trained）创始人埃德·牛顿-雷克斯（Ed Newton-Rex）表示，巴拿马计划的曝光是科技巨头与创作者之间权力失衡的又一证据。

白宫科学与技术顾问委员会主席大卫·萨克斯（David Sacks）则锐评：“Anthropic 坚持认为它有权免费用全世界的产出来训练，即使作者反对。但如果竞争对手在付费之后用 Anthropic 的输出来训练，就是知识产权盗窃。这种伪善令人叹为观止。”

先前多起与 AI 训练有关的版权诉讼中，作者群体的愤怒是普遍且合理的：AI 公司在未经许可、未给予补偿的情况下，将创造性劳动变成了商业 AI 产品的原材料。

这次，Anthropic 买下的书籍，作者可能在几十乃至数百年前就去世，著作权的追讨无从谈起，但其规模之巨，已对人类文明构成了打击。

回到开头，那位察觉到自己生意突然变好的美国书商，在采访中流露出一种复杂的犹豫：“我个人对这一切的感受很复杂。它在经济上对我有利，也帮我清掉了不太可能卖出去的老书。我的库房里有很多来自海外和外语的书籍，的确很适合做这种生意。但另一方面，我不喜欢这个最终用途，我不喜欢这些稀有的书籍被变成纸浆。”

参考内容：

https://www.washingtonpost.com/technology/2026/01/27/anthropic-ai-scan-destroy-books/

https://www.404media.co/ai-companies-are-buying-tons-of-old-books-because-theyre-free-of-ai-slop/

https://www.courtlistener.com/docket/69058235/bartz-v-anthropic-pbc/

https://isbndb.com/blog/print-books-sourcing-ai-training/

运营/排版：何晨龙

注：封面/首图由 AI 辅助生成