AI 公司被曝大量收购旧书，以获取“纯净”训练素材

　　 IT之家7月28日消息，AI公司在推动内存和存储资源日益紧张之后，如今似乎又将目光投向了人类的文学遗产。调查媒体404Media最新报道称，多家AI公司正通过中间商大规模收购二手图书，以获取高质量训练数据用于训练AI模型，同时避免引发公众舆论反弹。

　　 AI 的发展离不开海量数据（603138），但并非所有数据都有价值，关键在于数据质量。近年来，大量由AI生成的低质量内容(俗称“AI垃圾内容”)充斥互联网，不仅污染了数据环境，也降低了AI继续学习的效果。因此，领先的AI公司开始重新寻找由人类创作的内容，尤其是2022年之前出版的纸质书籍，因为这些内容更有可能是原创作品，尚未受到AI生成内容的污染。

　　事实上，AI公司利用纸质图书训练模型已有先例。作为当前卷入版权诉讼的主要AI公司之一，Anthropic曾投入数百万美元购买大量纸质图书，用于提取内容训练Claude AI模型，随后再将这些图书销毁。据悉，该公司从Better World Books大量采购图书。法院虽然认定，将正版图书用于AI训练属于版权法中的“合理使用”，但Anthropic因长期保存一个包含700万本盗版图书的数据库，侵犯了作者和出版商版权，最终被判赔偿高达15亿美元(IT之家注：现汇率约合101.62亿元人民币)。

　　类似争议也发生在谷歌身上。近期，一个出版商联盟已对谷歌提起诉讼，指控其未经授权使用数百万本受版权保护的图书训练Gemini AI模型。

　　拥有超过1.11亿本图书目录信息的在线数据库ISBNdb，长期以来一直是书商、图书馆和发行商的重要平台。随着AI行业迅速发展，ISBNdb也开始调整业务方向，推出专门面向AI企业的大规模图书采购服务。

　　404Media报道称，相关订单规模从一次采购1000本到一次采购100万本不等。

　　一位不愿透露姓名的职业书商表示，今年4月以来，图书销量出现了前所未有的增长。过去生意好的时候，一周只能卖出约20本书；而近几个月，每周销量已飙升至数百本，是平时销量的约五倍。

　　 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。

　　尽管目前没有确凿证据证明这些采购行为一定来自ISBNdb或某家AI公司，但其中存在不少异常现象。例如，大规模采购的对象几乎全部都是带有国际标准书号(ISBN)的图书，这种由13位数字组成的编码是全球图书唯一识别标识。

　　此外，这些采购行为几乎没有任何主题、类型或作者偏好，无论是小说、教材还是专业书籍都在采购范围内。更令人意外的是，买家似乎完全不在意价格，即使部分图书明显高于市场价，也会直接买下。

　　在 Anthropic的版权诉讼过程中，曾参与Google Books项目、后来负责Anthropic“巴拿马计划(Project Panama)”数字化项目的汤姆.哈维(Tom Harvey)证实，Anthropic曾聘请多家专业文档扫描公司对纸质图书进行数字化处理。

　　其中一家合作公司是Datamation Information Services，该公司提供非破坏性扫描和破坏性扫描两种图书数字化服务。

　　非破坏性扫描通常使用俯拍扫描仪、平板扫描仪或V型扫描设备，在不拆解图书的情况下完成数字化。而破坏性扫描则会直接拆开书籍，将每一页送入高速工业扫描仪进行处理。

　　由于破坏性扫描效率更高、成本更低，因此AI公司普遍选择这一方式，最终导致数百万本纸质图书被拆毁。

　　毫无疑问，纸质图书对于AI来说是一座巨大的知识宝库。然而，这种做法也引发了越来越多的伦理争议。

　　批评者认为，目前尚不清楚AI公司在数字化过程中，是否会区分普通图书与珍贵图书、绝版图书。如果这些稀有书籍被拆毁，它们可能将永久退出流通。

　　另一个更大的问题在于，这些扫描后的内容最终都会进入AI公司的私有数据库，仅用于训练AI，而普通公众无法访问。

　　这意味着，人们或许能够获得更加智能的AI，但代价可能是，人类积累的大量知识资源将不再以公开、可获取的形式留给未来世代。