AI公司，批量抢购旧书

来源：钛媒体AGI（AGI-Signal）
发布时间：2026年8月2日
作者：AGI-Signal
编辑：焦燕
原文链接：https://mp.weixin.qq.com/s/9xsatBhus7y6WINy4cuXdg
入库时间：2026年8月3日
标签：#AI训练数据 #版权合规 #模型塌缩 #数据合规 #合理使用

核心摘要

当AI生成内容占据互联网新发布内容的一半以上，高质量人类文本成为稀缺资源。多家AI公司通过中间商大规模收购二手图书，扫描后销毁，只为获取2022年之前"未被机器碰过"的训练数据。Anthropic的"巴拿马计划"曝光了这一隐秘产业链，15亿美元和解金创下美国版权案件纪录。

一、被切碎的旧书

多家AI公司通过数据中间商ISBNdb大规模收购二手图书，切掉书脊、高速扫描、物理销毁
单次订单从1000本到100万本不等，书商销量在数月内飙升了五倍
Anthropic"巴拿马计划"一年内花费数千万美元购买数百万本纸质书，拆解扫描后全部销毁

根本原因：互联网已被AI生成内容污染。

斯坦福2026 AI指数报告：2025年初以来，新发布互联网内容中AI生成比例已超50%（51.72%）
Cloudflare数据：约57.4%的网络访问请求来自AI和自动化程序
模型塌缩（Model Collapse）：牛津、剑桥等机构联合研究登上Nature封面——递归训练下，模型从讨论教堂建筑退化到介绍不存在的兔子物种，仅需九次迭代
三类误差复合驱动塌缩：统计近似误差、函数表达误差、函数近似误差——只要任何一类存在，塌缩不可避免（数学必然）
Epoch AI测算：语言模型将在2026年至2032年间耗尽人类公开的高质量文本数据
训练数据中仅0.01%的虚假文本就能导致模型有害输出增加11.2%（指数放大）

ISBNdb官方："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。"

数据投毒风险：芝加哥大学Nightshade工具可在图像中嵌入"中毒"像素级修改，文本领域同类工具也在发展中。250份恶意文档即可在数千亿token语料库中植入后门。

二、旧书争夺战

ISBNdb原为图书馆/书商数据库公司（1.11亿本图书目录），现已转向AI行业
提供1000本到100万本的批量采购，严格保密（NDA），买家姓名永不披露
异常特征：仅采购带ISBN的图书（便于去重溯源）；完全无主题/类型/作者偏好；不在意价格
被大量买走的多为长尾冷门书籍：地方史、小城镇志、已消失学科旧专著、小语种/土著语言文献、自费出版战争回忆录、印量极小的学术论文集
Anthropic巴拿马计划：2024年初启动，内部文件"我们不想让人知道我们在做这件事"；Tom Turvey（前Google Books项目成员）负责
联合创始人本·曼恩2021年从LibGen下载至少500万本盗版图书，CEO达里奥·阿莫代伊知情，描述正版授权为"法律/实践/商业上的繁琐工作"
操作流程：液压切割机切书脊 → 高速扫描仪 → 高清PDF → 纸质残骸销毁
ISBNdb营销文案："AI公司销毁两百万本书确实不是一个能博取同情的标题"，建议重新包装为"数字化保存"

三、买书合法，偷书不行

2025年6月联邦法官双重裁定（William Alsup）：

行为	法律定性	理由
破坏性扫描（合法购买的书）	合理使用（fair use）	训练是"变革性"的，类比教师教学生写作
下载LibGen盗版图书（700万本）	侵犯版权	未经授权的复制

15亿美元和解案（2026年7月最终批准）：

美国版权案件已知最大和解金额
超91%的作者和出版商已领取赔偿份额
每本侵权作品最高可判罚15万美元

荒诞的激励结构：扫描后保留原书或公开分享→法律地位反而更弱；销毁原件→"规避了非法复制"的指控链条。

Anthropic律师双重辩护策略：

首次销售原则：合法购买后有权对该副本进行任何处理
合理使用：扫描件仅用于内部AI训练，不对外分发

后续案件：哈切特、圣智、爱思唯尔+作家Scott Turow诉谷歌（"授权但超出范围"）；Meta面临出版商联盟267TB盗版材料诉讼。

四、被锁进黑箱的人类智慧

核心悖论：AI公司一边承诺"让人类知识触手可及"，一边买断、拆毁人类知识最坚实的载体。

维度	图书馆数字化	AI公司数字化
目的	保存和传播	消耗和训练
公众访问	可访问	私有数据库，公众无法访问
本质	知识"放大器"	知识"黑洞"

批量采购中是否区分普通图书与珍贵/绝版图书？无法保证
冷门书籍（地方史、土著语言文献）可能已无其他存世副本
中小作者：永久AI训练许可证报价约每本书10美元，"在经济上完全不具吸引力"
中国AI从业者的特殊挑战：中文高质量数据在全球大模型训练数据集中占比极低；DeepSeek-V3需要14.8万亿高质量文本片段，这个量级的中文数据目前根本没有

五、旧书耗尽之后

根本矛盾：AI的成功正在毁掉它赖以成功的数据。

学术界探索的出路：

真实数据在训练循环中持续存在（"累积"而非"替换"范式）可避免性能恶化
"反吞尾效应"：质量过滤器可能逆转退化
《物理评论快报》研究（2026年5月）：加入一条来自封闭循环之外的真实数据即可阻止塌缩

但这些只是赢得时间，不是永恒。

合规启示（个人笔记）

训练数据来源合规：Anthropic案确立了"合法购买→合理使用"的路径，但盗版下载代价极高（15亿美元），对中国企业在海外采购训练数据有直接参考意义
PIPL视角：中文高质量数据稀缺问题与PIPL下个人信息收集限制形成双重约束，中国AI公司面临的数据合规挑战比海外更为严峻
数据供应链透明化：中间商模式（如ISBNdb）虽解决"干净数据"需求，但匿名保密机制使稀有文献保护缺乏外部监督
首次销售原则 vs 合理使用：双重辩护策略值得关注，尤其对跨境数据流动场景下的版权合规设计有启发
模型塌缩与数据质量：0.01%的虚假数据即可导致有害输出增加11.2%，数据质量管控在模型训练合同中应作为关键条款

本文首发于钛媒体APP