一本旧书在书店里落灰多年，终于等来了出手阔绰的大买家。
遗憾的是，这位买家并没准备读它，而是直接把它送进了切书机。
冷门书上架时无人问津，到了AI时代，身价却突然取决于能不能被拆成训练数据。
科技媒体404 Media与书商合作，把一枚AirTag藏进一笔约1000册的图书订单。追踪器跟着货物横穿美国，最后进入亚马逊位于拉斯维加斯的仓库。
仓库里的VGT3部门专门处理纸质书。员工扫描ISBN条码，切掉书脊，再把散开的书页送进扫描设备。
亚马逊承认，这些书通过正规商业渠道购买，用于开发和改进客户使用的产品与服务。但公司没有公布书目、处理数量和设施规模。
404 Media把这批书称为rare books。这里的rare主要指流通副本少，包括小印量、外文和绝版图书。例如旧旅行指南、软件操作手册、地方史和专业资料。
这恰恰是AI公司需要它们的原因
一本书在二手市场上的价格，取决于还有多少读者愿意购买。但它对AI公司的价值，则取决于内容是否已经进入训练数据。
畅销书、新闻和百科早已被大量数字化，同一批内容还会在网上反复出现。一本小语种著作或者绝版专业资料，互联网上可能只有书名和ISBN，正文从未进入公开数字世界。
一册摆了20年也没人买的书，在书商眼里是积压库存。到了AI公司的采购清单里，它可能代表一块竞争对手尚未获得的数据。
这和“模型崩溃”直接相关
《自然》杂志2024年发表的一项研究发现，如果新模型不断使用旧模型生成的内容训练，最先消失的往往是数据分布尾部的信息。
所谓分布尾部，就是出现次数很少的知识和表达。热门话题和常见语言容易被保留，小语种内容、地方知识和冷门专业经验会更早被忽略。
研究还发现，保留一部分最初的人类数据，可以明显减轻这种质量下降。互联网里的AI文章越多，来源清楚的人类原始文字也就越值钱。
模型反复使用AI生成的内容训练时，最先丢失的往往是低频信息。稀少旧书保存的恰好是这种低频知识。
2022年以前出版的纸质书，至少避开了这一轮生成式AI普及后产生的机器文本。当然，旧书也可能内容过时或者质量很差，AI公司仍需继续筛选。
亚马逊为什么要购买纸质书，却不用自己庞大的电子书库？
首先，有些绝版书没有电子版。
其次，电子书受到的限制更多。亚马逊最新版Kindle条款明确规定，Kindle内容是许可使用，没有把电子文件的所有权卖给读者。使用范围通常限于个人阅读，购买者也不能绕过数字版权保护。
对普通读者来说，这只会影响文件能否下载和转卖。
但对需要批量提取正文的AI公司来说，它会带来合同和版权风险。
纸质书的来源更容易证明
美国版权法中的“首次销售原则”允许购买者转卖、出租或者销毁手中的合法副本。虽然买书不会自动获得全文复制权，却能提供一张清楚的交易凭证，证明这一册书来自合法渠道。
2025年的Anthropic版权案件，又给AI行业提供了一条参考路径。
Anthropic早期从盗版书库下载了数百万册电子书。为了获得来源更加清楚的数据，公司后来启动“巴拿马项目”，花费数百万美元购买数百万册纸质书，切除装订，扫描书页，再丢弃原书。
美国联邦地区法院随后认定，在该案的具体条件下，把合法购买的纸质书转换成内部数字副本属于合理使用。
原书已经被销毁，扫描文件也没有向外界传播，法官因此把数字文件视为纸质书的一对一替代。Anthropic此前使用盗版书库的行为没有获得免责，后来的15亿美元和解处理的正是盗版来源问题。
这项判决没有规定AI公司必须销毁纸质书，也不能覆盖今后的所有案件。但企业很容易从中读出一条风险较低的路径。
买进一册纸书，留下一个内部数字文件，再销毁原件。公司更容易证明自己只改变了载体，没有增加可以继续传播的完整副本。
成本也在推动企业作出相同选择
保存原书需要逐页翻动，还要处理书页弯曲和阴影。
切掉书脊以后，整本书可以直接进入自动进纸设备。市面上的工业扫描设备每分钟能处理上百页，一本300页的书几分钟就能完成图像采集。
于是，一本冷门旧书从低价库存变成了企业内部的稀缺数据，纸质原件却退出了公共流通。
一本几十年没人看的旧书，终于因为AI获得了新价值。但令人难受的是，价值被留下以后，书却没能留下。
这样看来，2022年以前出版的旧书，如今又多了一层价值，它们大多数是人自己写的。此后出版的书可能仍然会由人创作，但AI起草、改写和润色会越来越常见，人类写作与机器参与的边界也会越来越模糊。
守住你手里的那些个旧书吧！AI公司每采用一次破坏性扫描，市场上就少一册可以继续流通的原书。对已经绝版、存量很少的书，少掉的这一册可能再也补不回来了。
如果一本书已经只剩下很少的流通副本，你认为AI公司买下以后，是否应该拥有直接销毁它的权利？
热门跟贴