偷书要赔15亿美元，AI巨头烧几百万本书反而合法了

文 | 蓝字计划，作者｜Chester

一场现代版的“焚书”，正在美国发生。

最近几年，美国二手书市场出现了一个奇怪现象：不少神秘买家，一次性采购成百上千本书，不挑书、不问价，甚至连冷门旧书都照买不误。

随着电子阅读的普及，现在还有多少人看实体书？更别说这种成百上千的扫货始买书。书商们自然也开始好奇：究竟是谁在买走这批书？

最近，美国科技媒体404 Media联系到一名二手书商。对方刚刚通过书籍交易平台Biblio，接到了一笔大约1000本旧书的订单，其中还包括不少稀有、绝版和具有收藏价值的书。

为了找出背后的买家，404 Media把一枚AirTag塞进其中一本书里，然后一路追踪。

最终，这本书被送进了亚马逊位于拉斯维加斯的一家仓库。

据404 Media调查，这些书到了亚马逊仓库后，命运却只有三步：切掉书脊、批量扫描、然后扔进碎纸机。

负责这项工作的VGT3团队，甚至还给自己设计了一个颇为应景的Logo：一只露着牙齿、手里抓着书的霸王龙。

自己也卖书的亚马逊却干起了销毁实体书的活已经够惊奇了，但更惊奇的是同样这样干的，不只有亚马逊。

在更早之前，Anthropic就被曝光过一个代号为“巴拿马计划”的秘密项目。他们的目标，是把全世界的书都“破坏性扫描”一遍。

在大约一年时间里，Anthropic为此花费数千万美元，买下数百万本实体书，然后切掉书脊、扫描内容，再把剩下的纸张送去回收。

美国的AI大公司，怎么就和旧书干上了？

互联网内容，不够AI用了

AI公司疯狂买二手书，其实是想买下书里的内容和数据。

过去，互联网是大模型最方便的数据来源。新闻、论坛、百科、博客，抓下来就能拿去训练，成本低，数量还大。

但经过这么多年的反复抓取，网上那些容易找到、质量较高的内容，早就被各家AI公司吃得差不多了。更麻烦的是，互联网里开始混入越来越多由AI生成的文章。

2024年，《Nature》发表的一项研究就发现，如果下一代模型不断使用上一代模型生成的内容进行训练，可能出现所谓的“模型坍缩”：

模型会逐渐丢失原始数据中的信息，尤其是那些不常见、但真实存在的内容。最后，它生成的东西越来越单一，甚至开始胡言乱语。

因此，真正由人类生产的数据，也开始变得越来越珍贵。

而那些出版于几十年前的旧书，不仅完全不存在使用AI生成的内容，其中还有大量冷门专业书和小众著作，至今没有被完整数字化。

此外，相比互联网上随手抓来的帖子和营销文章，正式出版的书籍至少经过了一套完整的写作与编辑流程，经过了作者、编辑、出版社等多层审核，内容质量有保证多了。

后来公开的Anthropic内部文件就显示，早在2023年，公司内部就有人提出，书籍可以教AI“怎样把文章写好”，免得模型只会模仿那些低质量的网络表达。

于是，过去在二手书市场里无人问津的冷门旧书，突然成了AI公司眼中的优质数据。对模型来说，只要里面的文字还没有被收进训练数据库，就值得买回来扫描。

但如果事情就停在这里，还能算上一个“AI需要人类知识结晶”的好故事；但问题就在于，这些被AI公司买回去，扫了之后又被销毁的书，可不全是烂大街的通贩货。

404 Media追踪的那批旧书里，还包括一些稀有、绝版和具有收藏价值的书。然而在扫描设备面前，一本普通旧书和一本稀有藏书，最后可能都是等待被拆开的几百页纸，最终等待着他们的，无一例外是被销毁、粉碎、融掉的命运。

那些珍贵的藏书一旦被销毁，就有可能世间再无此书了。

这就构成了不少人对亚马逊、Anthropic愤慨的理由。书买了就买了，为什么非得切掉书脊，甚至扫描完就直接销毁？

非拆书不可？

Anthropic最早盯上书籍时，走的其实是另一条更省事的路：盗版。

2021年，Anthropic联合创始人Ben Mann曾连续11天，从盗版书库LibGen下载大量书籍。

一年后，另一个名叫Pirate Library Mirror的盗版书库上线，甚至公开承认自己“故意违反大多数国家的版权法”。Ben Mann看到后，立刻把链接发给了同事，还兴奋地附上一句：“来得正是时候！！！”

不用联系作者，也不用和出版社谈授权，点几下鼠标，就能把几百万本电子书搬回公司。

不过，这条捷径后来让Anthropic付出了不小的代价。

2024年，包括作家Andrea Bartz在内的几名作者，把Anthropic告上了法庭，指控该公司未经授权，下载并使用了他们的作品。

这场官司最后甚至催生了一个影响整个AI行业的判决。

2025年6月，美国联邦法官William Alsup认定，使用书籍训练大模型，属于具有高度转化性的合理使用。

简单来说，在法官看来，AI学习这些书，和学生通过阅读学习写作差不多，都是法律允许的学习行为。

但书是怎么来到Anthropic手里的这件事，就得另说了。

法院认为，Anthropic从盗版网站下载数百万本书，再把它们长期保存在自己的中央数字图书馆里，这种行为已经涉嫌违反了相关法律。

实际上，Anthropic后来确实为此达成了15亿美元的和解，涉及接近50万部作品，平均每部作品大约3000美元。

但很快，Anthropic就发现上帝给你关了一扇门的时候，又留了一扇窗，就是前面提到的花钱买来实体书，再扫描成电子文件的“巴拿马计划”，却得到了法院认可。

因为在法官看来，Anthropic合法买下了一本纸质书，扫描之后又把原件销毁，相当于用一份数字文件替代了一本实体书。

“一本变一本”，没有额外增加副本数量。

这也让整件事出现了一个颇为荒唐的结果：从盗版网站下载电子书，可能要付出15亿美元；花钱买下实体书，再把它切碎扫描，反而成了更加合规的办法。

当然，法律并没有规定AI公司买书之后必须销毁。只是把书拆掉，对这些AI公司来说是最符合经济效益的做法罢了。

首先是扫描的便利程度。

书脊还在的时候，想要把书放到扫描设备里还得把书翻开，也不算翻页；书脊切掉以后，几百页纸就可以像普通文件一样，连续送入高速扫描设备。

对于一次处理几千本、几万本，甚至数百万本书的项目来说，这个差别非常大。

其次是成本。扫描完成之后，原来的纸书既占仓库空间，又需要运输、整理和保存。继续留下它们，还得专门花钱把它们运走，再花钱租个仓库放着它们。

但是像Anthropic的“巴拿马计划”，要在六个月内处理50万至200万本书，这样干要额外付出的成本可太高了。既然都用液压切割机切掉了书脊，切了之后的书也不太可能还原成书了，还不如把剩下的纸直接销毁更省事。

｜用于“巴拿马计划”的仓库

对AI公司来说，这样做合法、快速，还能省钱。

也就是说，对于“买旧书来训练AI”这件事，事实上就是效率和法律都站在碎纸机一边。只是，谁来替那些稀有藏书踩下刹车？

马斯克也看不下去了

“巴拿马计划”在X上引发争议后，一直看不惯Anthropic的马斯克，率先贴脸开大了。

美国时间7月27日，马斯克表示，他已经要求xAI团队，如果在收购的书里发现稀有书籍，就应该把原件保存在图书馆里。扫描的时候宁可采用更困难的方式，也不要直接切掉书脊。

也就是说，普通书可以追求效率，但遇到稀有书，还是得给它留下一条活路。

从技术上看，这并不是做不到。

Google Books过去就长期使用非破坏性的方式扫描图书。把书固定在专门的设备上，不需要切掉书脊，也能一页一页完成拍摄和数字化。

只是正如前面所说，在几十万本、几百万本书的规模下，这种方式肯定更低效，也更费钱。

但就算AI公司真的听了马斯克的话，一本稀有藏书都没有拆，事情也没有完全解决。

因为这些书被数字化之后，最终并没有进入一座所有人都能访问的公共图书馆。

一本旧书摆在书店里，至少还有机会被普通读者买走，也可能被大学、图书馆或者收藏机构收入馆藏。可当它被AI公司买走、扫描，里面的文字就会进入企业内部的数据库，最后变成商业模型的一部分。

书里的内容或许没有消失，公众接触它的渠道却可能变少了。

尤其是那些没有电子版、没有进入公共数字档案的绝版书。数字化原本应该让知识更容易保存和传播。到了AI公司这里，却可能让一份原本公开流通的知识，变成封闭的训练资产。

而前面的法院判决，又让这件事变得更加微妙。

按照“一本变一本”的判断，Anthropic销毁纸质书并变成电子书，在美国的法律里是合法的；如果留下了原件，那就等于同时保留了原件和电子书两本书，反而是不合法的了。

那就意味着，企业留下原书，要承担更多成本和法律风险；直接把书送进碎纸机，反而更合法。

这就相当于法律没有要求AI公司焚书，却在无意中给“焚书”提供了奖励。

这恐怕才是整件事最细思极恐的地方。

如今，世界各国对AI训练应该怎样使用版权内容，至今没有统一答案。美国法院这次却先给出了一次示范：合法买下纸质书，销毁原件，再把电子版留在公司内部，就有机会被认定为合理使用。

至少从结果来看，亚马逊的“焚书”，就很像一次有样学样。

如果未来这种做法被更多AI公司采用，“销毁原件”就会从一种节省成本的办法，逐渐变成规避版权风险的标准操作。

甚至连现在义正辞严批评Anthropic的马斯克，也很难说会不会在未来的某一天发现：既有效率，又有法院背书的“销毁旧书”，或许才是训练AI的“正道”。

只要能训练出更好的大模型，究竟要销毁多少本实体书，甚至在实体书之外还会消耗多少前AI时代的“资产”，也许就再也没人关心了。