AI公司为何花千万美元买旧书切碎销毁？15亿美元和解案揭开隐秘产业链

如果你是一本2022年之前出版、早已绝版的地方史小册子，你的命运很可能不是被图书管理员温柔地翻动，而是被人整箱买走，液压切纸机一刀切掉书脊，散页塞进高速扫描仪，化作一串PDF数据后，残骸立刻送进碎纸机。

这不是哪部反乌托邦小说的情节，而是此时此刻正在发生的真实生意。据调查媒体404 Media今年7月披露，多家AI公司正通过数据中间商ISBNdb大规模收购二手图书，单次订单从1000本到100万本不等。书商们惊讶地发现，自己手里那些长年卖不掉的旧书，突然变成了抢手货，销量在数月里飙升了五倍。

而这一切的幕后推手，直指AI行业自己制造出来的一个棘手问题：互联网已经被AI生成的内容污染了，想继续训练更聪明的模型，人类亲手写下的“纯净”文本，正在变成极度稀缺的资源。

斯坦福大学发布的2026 AI指数报告给出了一组令人不安的数字——自2025年初以来，新发布的互联网内容中，AI生成的比例已经超过了50%，达到51.72%。而在2022年ChatGPT横空出世之前，这个数字几乎为零。网络安全公司Cloudflare的监测数据也从另一个角度印证了这一趋势：在其托管网站的网络访问请求里，约57.4%的请求来自人工智能和自动化程序，来自人类的请求只占42.6%。当然，这个指标衡量的是HTTP请求的数量，而非人类真实的阅读量——一个AI Agent单次就可以访问数千个页面，而一个人完成同样的动作只需要几次点击。

但对于AI模型来说，问题不在于请求次数的多少，而在于训练数据的来源。当互联网上充斥着AI自己生产出来的文本，再用这些文本来训练下一代模型，其后果已被一项登上Nature封面的研究清晰地描绘出来。

2024年7月，牛津大学、剑桥大学等机构的研究团队用Meta的OPT-125m模型进行了一项实验。他们向模型输入一段关于14世纪教堂塔楼的维基百科文本，让模型基于此生成文本，再用自己生成的内容继续训练下一代。结果令人瞠目：第一代输出还在老老实实讨论建筑，到了第五代，话题已经莫名其妙地跑偏到了语言翻译，第九代模型则开始热情洋溢地介绍各种根本不存在的兔子物种。从教堂建筑到虚构的兔子，只用了短短九次迭代。

这背后的机制，被研究者称为“模型塌缩”。论文指出，驱动塌缩的是三类误差的复合效应——统计近似误差导致有限采样丢失了分布尾部的稀有信息，函数表达误差意味着神经网络永远无法完美拟合真实的数据分布，函数近似误差则说明优化算法本身就带有结构性的偏差。只要这三个因素中存在任何一个，塌缩就不可避免，这是数学上的必然。

从这个逻辑起点出发，AI公司为什么愿意花几千万美元去买那些“2022年之前印刷的纸质书”，就不难理解了。这些旧书在时间线上天然免疫于AI生成内容的污染。数据中间商ISBNdb在官方博客上毫不避讳地挑明了这一点：“2022年之前印刷的纸质书，在结构上保证没有受到过这种污染。仅此一点，就是巨大的优势。”

Epoch AI的测算进一步给出了紧迫感：语言模型将在2026年到2032年之间耗尽人类公开的高质量文本数据。合成数据看似是一条捷径，微软Phi-4、谷歌Gemma等模型已经混入了合成数据，但研究显示，训练数据中哪怕只混入0.01%的虚假文本，就可能导致模型有害输出增加11.2%——这是一个指数级放大的关系。更令人头疼的是，作者们也开始反击了。芝加哥大学开发的Nightshade工具能在图像中嵌入对人类视觉毫无影响的像素级修改，却足以让模型“中毒”。

Anthropic联合英国AI安全研究所的研究还发现，只需要250份精心构造的恶意文档，就能在数千亿token量级的语料库中为模型植入后门。这就意味着，从互联网上爬取的数据无法保证“干净”，而纸质书从诞生之初就天然避开了这种风险。

旧书虽然纯净，但大规模获取的方式，却立刻引发了另一场冲突。

ISBNdb原本是一家面向图书馆、书商和发行商的图书数据库公司，手握超过1.11亿本图书的目录信息。如今，这家公司已经把重心转向了AI行业。其官网上的营销语言充满诱惑：“书籍代表着经过精心策划、同行评审、特定领域的人类知识，其结构是任何网络爬虫都无法复制的。”它提供从1000本到100万本的批量采购服务，并且承诺严格保密，每一笔合作都签署NDA，买家姓名永不披露。

据404 Media报道，这些采购订单有几大异常特征：采购对象几乎全部带有国际标准书号，方便数据去重和溯源管理；完全没有主题、类型或作者偏好，小说、教材、专业书籍不加区分；买家对价格毫不敏感，哪怕有些书明显高于市场价，也照单全收。一位书商向媒体坦承，过去他一周只能卖出大约20本书，最近几个月每周销量冲到了几百本，但他心情复杂：“经济上对我有利，但我不喜欢那些不常见的书就这样被粉碎。”

被大量买走的，恰恰是那些“长尾、冷门、几乎没有商业价值”的图书——地方史、小城镇志、已消失学科的旧专著、小语种或土著语言文献、自费出版的战争回忆录、印量极小的学术论文集。这些绝版书一旦被成批买断并物理销毁，就意味着一些人类知识的小众角落，可能从此消失。

Anthropic的“巴拿马计划”为这一产业链提供了最完整的观察标本。

2024年初，该公司启动了这一严格保密的项目。内部文件上赫然写着：“巴拿马计划是我们对全世界所有图书进行破坏性扫描的努力。我们不想让人知道我们在做这件事。”此后一年里，公司花费数千万美元，购买了几百万本纸质书。负责该项目的汤姆·特维是一位曾参与Google Books项目的硅谷老兵。今年1月的一篇报道还揭示，Anthropic联合创始人本·曼恩早在2021年就亲自从盗版网站LibGen下载了至少500万本盗版图书，2022年又从另一个网站下载了至少200万本，并向同事转发链接，兴奋地附言：“真是太及时了!!!”

首席执行官达里奥·阿莫代伊对此完全知情，他在内部邮件中将寻求正版授权的理由概括为“法律/实践/商业上的繁琐工作”。这一说法，后来也成为法庭上的争议焦点。

具体操作流程则更接近流水线作业：工人用液压切割机切掉书脊，散开的书页被送入高速生产级扫描仪，转化为高清PDF，纸页残骸直接送往回收公司销毁。法庭文件显示，供应商提案中标注的扫描量在50万到200万本之间，完成周期约为六个月。ISBNdb的服务条款也承认：“大规模扫描通常会毁掉书籍。工人切掉书脊，让散页通过机器，这比小心翼翼的替代方案更快、更便宜。”

颇具讽刺意味的是，ISBNdb的营销文案坦率得近乎赤裸：“AI公司销毁两百万本书确实不是一个能博取同情的标题。”它索性建议客户将这一行为重新包装为“数字化保存”。但图书馆的数字化是为了保存和传播，而AI公司的数字化是消耗与训练——扫描后的内容进入私有数据库，公众永远无法访问。

这种买书、拆书、扫书、毁书的连锁操作，在法律上究竟处于什么位置？Anthropic那桩高达15亿美元的和解案，给出了一个看似矛盾却又折射出时代困境的答案。

2025年6月，联邦法官威廉·阿尔苏普作出了一项双重裁定。一方面，他认定Anthropic的破坏性扫描行为属于“合理使用”，因为训练是一种“变革性”使用。他把大模型训练比作教师教学生写作，认为“作者无权禁止任何人将他们的作品用于培训或学习”。但另一方面，同一法官又认定，该公司在启动巴拿马计划前，曾下载过一个包含700万本盗版图书的LibGen数据库，这构成了明确的版权侵犯。

2025年9月，阿尔苏普初步批准了Anthropic以15亿美元（约合101.62亿元人民币）和解的提案。到2026年7月，法官阿拉塞莉·马丁内斯-奥尔金批准了最终和解。这一金额创下了美国版权案件中有史以来的最高纪录。换句话说，买书扫描销毁本身可以被视为“合理使用”，但事先下载盗版图书的底子，却让这桩生意从一开始就沾上了原罪。

这一案件中浮现出的悖论，恰好击中了当前AI产业的命门：AI越成功，互联网上由它生成的内容就越多；而这些内容再被拿来训练新模型，就会导致模型塌缩；为了躲避塌缩，AI公司不得不去批量购买人类亲手写下的旧书；而这种近乎掠夺式的采购与销毁，又与知识保存和版权保护形成尖锐冲突。

那个从教堂塔楼一路崩塌到虚拟兔子的荒诞叙事，在商业和法律的现实里，演变成了更沉重的版本——当人类几百年积累下来的冷门知识被切碎、扫描、销毁，只为了让下一代大模型能够继续显得聪明，谁又能说，这不是另一种形式的“塌缩”呢？