抢完互联网数据，AI公司开始抢绝版纸质书

2026年4月，一个专营稀有书和低流通量图书的美国书商，碰上了一件怪事。他店里生意向来不算火爆，一周能卖出二十本，已经算得上丰收。可最近，订单突然像潮水一样涌来，每周能卖出去几百本。最让人费解的是，买家只列出一份用国际标准书号（ISBN）索引的清单，既不问品相，也不砍价。

地球的另一端，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，对方想采购近3000本书。几乎同一时间，德国、瑞士、西班牙的旧书商也纷纷接到了来自加拿大公司Zoom Books的大批量订单。这些书涉及的领域五花八门，根本看不出有什么明确意图。

这世界上，怎么突然冒出来这么多求知若渴的“人”？荷兰当地媒体开始调查，结果发现，这些订单既不像普通藏家所为，也看不出是学校或图书馆的采购。

直到Anthropic的一则秘密扫描项目曝光，所有线索才汇集到一起，真相浮出水面：订单的来源是几家AI公司，它们买到的书会被扫描，然后喂给大模型，落得个尸骨无存的下场。

大模型行业，正在上演现实版的“饥饿游戏”。

在收集实体书日益成为小众爱好的今天，AI厂商为什么忽然盯上了书商们的书架？这还得从2024年延续至今的大模型数据危机说起。

说到底，驱动大模型智能的核心，是海量的高质量文本。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。研究者把这种现象称为“模型坍塌”（model collapse）。

于是，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，语言精炼、结构完整，物理层面上根本不可能包含AI生成内容。正如图书元数据数据库公司ISBNdb所说：“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。书商手里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，就能成为自家模型的独有优势。书架，就这么变成了“兵家必争之地”。

只不过，书跟网页不一样，不能直接抓取。要把它变成训练数据，得用上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4000多页法庭文件，揭开了Anthropic公司内部一个代号“巴拿马计划”（Project Panama）的秘密项目。

项目始于2024年初。在此之前，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。

为了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。”

流程大致是这样的：公司先从大型二手书商处大量采购纸质书；这些书被切掉书脊，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，这个计划的规模是六个月内处理50万到200万本书，整个项目只花了几千万美元，放在模型训练的总开销里，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了实体原件，并向公众开放了搜索和片段浏览；“巴拿马计划”却截然不同——它在提取内容后销毁书籍，全程保密，产出的数字副本也只供内部使用，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。但整件事最荒谬的地方在于，“巴拿马计划”的每一步，在美国现行法律下都是合法的。换句话说，AI公司几乎不会为此付出任何实际代价。

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。

这裁定的逻辑分三步：第一，书是合法购买的，依据首次销售原则，买家有权处置；第二，每本纸质书都在购买后被复制为数字版，因此具备转化性；第三，数字副本没有被再分发、销售或对外展示。三项条件成立，所以属于合理使用。

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，其他联邦法官也作出了类似裁定。

更诡异的是，要想合法扫描并销毁，还得用正版书。

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，规模也足够可观，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，其目录中收录了超过1.11亿本书。随着AI行业爆发，它转型成了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1000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，并把整个行为定义为“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——就算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（Da vid Sacks）则一针见血：“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。”

（来源：X）

此前多起与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，把创造性劳动变成了商业AI产品的原材料。

这一次，Anthropic买下的书籍，作者可能在几十乃至数百年前就已去世，著作权的追讨无从谈起，但其规模之巨，已经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/

注：封面/首图由 AI 辅助生成