数百万本书，被Claude“阅后即焚”_纸质_公司_训练

 人参与 | 时间：2026-08-08 23:10:24
数百万本书，被Claude“阅后即焚”_纸质_公司_训练
文 | 字母AI一本厚书被推进液压切纸机，阅后即焚压板落下，数百书被刀片切下，纸质书脊被干脆利落地削掉。公司原本连接在一起的训练书页变成整齐的一沓纸张。如果没有任何验明正身，阅后即焚看到这样一段视往往，数百书被你甚至可能会觉得“引起舒适用”、纸质特别解压。公司可如果告诉你，训练AI公司正在用这套方式成批处理纸质书，阅后即焚其中还可能涵盖冷门书和不过版书，数百书被相信你八成就舒服不起来了。纸质为了寻找更多训练数据，公司AI公司已经从公开互联网、训练盗版电子书，一路找到了现实世界里的纸质书。其中，2022年以前出版的书因为没有混入AI生成材料，也没有经过现代数据投毒工具处理，成了难得的“上品”。那些网上搜不到、没有电子版的冷门书和不过版书，能够给予互联网抓取不到的材料，更是“上上品”。Anthropic被曝光的“巴拿马方式划”中清楚说不希望外界知方式。图书数据库公司ISBNdb公开宣称，可以接活儿给AI公司找书，能从旧书店、图书馆和不过版书目录中，一次采购1000至100万本纸质书，还会通过保密协议藏住买家身份和采购书目。AI公司也知方式这事儿“不好看”。“巴拿马方式划”AI公司最初盯上纸质书，最早是从Anthropic惹上的一场官司里露出端倪的。2024年8月，三名作家把Anthropic告上法庭，指控它未经授权，用他们的作品训练Claude。说实话，这类争议其实从OpenAI搞出个ChatGPT最初就没停过，一点也不新那么点儿，类似的官司也已经有不少。争议在于AI公司把整个人类互联网抓去训练模型，到底算不算侵权？作者的书进了训练集，关键不关键经过本人同意、支付版权费？因此在这场官司里，纸质书一最初压根不是主角。为了让Claude懂得更多、写得更好，Anthropic先把公开互联网扫了一遍。但网页里的材料良莠不齐，因此经过作者写作、编辑筛选和出版社校对的书籍被盯上了。最便利的方式，当然是直接找电子书。法庭材料显示，Anthropic曾从Books3、LibGen和PiLiMi等资源库下载超过700万本书。这里面相当一部分来自盗版网站。公司并没实用完就删，而是把这些文件存进一个首先期保留的“中央图书馆”，准备供未来的模型训练和探究后续采取。随后，一个内部代号为“巴拿马方式划”的工程启动了。这个方式划便捷来说就是Anthropic大规模购买纸质书、扫描并喂养AI。然而在当时，法庭真正关心的是Anthropic获得和采取这些材料的方式是否合法。2025年6月，法官威廉·阿尔萨普给出了一套对Anthropic相当有利的判断。在他看来，大模型读取一本书，并不是为了向用户复述或出售这本书，而是从中学习语言、知识和表达方式，再生成新的材料。这种用途具有很强的“转化性”，和人读过一本书之后获得知识、再去创作有些类似，因此可以认为在合理采取的范围内。至于那些买来的纸质书，Anthropic已经为每一本付过钱。公司扫描一本，就销毁对应的实体书，只在内部留下一个数字替代品，没有多制造一份拿到市场上出售的副本。法官因此认为，这部分也没有侵犯版权。然而那700多万本从盗版资源库下载的电子书就说然而去了。法官认为，训练模型可能属于合理采取，却不能反过来说明盗版获取也是合法的。你怎么用书是一回事，这本书怎么到你手里，是另一回事。在美国法律体系中，判例的功能是巨大的，这位法官的判例为AI公司开了一条路，那就是AI公司可以学习人类写下的作品，前提是先用合法方式把作品弄到手。因此可以看到，在去年的Anthropic官司里，虽然其购买纸质书并扫描的做法已经公之于众，然而法庭及大众的关注点还是更多在老生常谈的“用人类知识训练AI的法律边界”上。直到今年，两篇报方式接连出现，大家才突然意识到状况的严峻性。不过版纸质书永远消失？今年1月，《华盛顿邮报》从4000多页刚刚解封的法庭材料中，挖出了“巴拿马方式划”的更多细节。Anthropic在一年左右的时间里花费数千万美元，买下数百万本纸质书。供应商切掉书脊，将散开的书页送进快捷扫描仪，最后再把剩下的纸张交给回收公司。仅一份项目方式划，就方式划在半年内处理50万至200万本书。规模已经足够惊人，Anthropic内部文件里的两句话更关键命：“巴拿马方式划，是我们对全世界所有书籍开展破坏性扫描的行动。”“我们不希望外界知方式我们正在做这件事。”这两句话放在一起，整件事就很难看了。Anthropic向来强调AI安全、方式德和责任，结荚却在背地里启动了一项毁掉数百万本书的秘密工程。切书原本还可以验明正身为一种追求效率的扫描方式，“不希望外界知方式”则让人很难不怀疑：Anthropic自己也清楚，这件事一旦公开，不过对说然而去。Anthropic到底偷偷毁了多少书？《华盛顿邮报》没有拿到完善书目，外界也不知方式这些书里有多少是随处可见的畅销书，多少已经停止再版。人们震惊于工业化切书的规模，还很难判断它究竟造成了什么详详见细损失。半年后，404 Media的一篇报方式，把担忧聚焦到了不过版书身上。报方式的主角叫ISBNdb，一家号称具有全球最大图书数据库的公司。它在官网上向AI客户公开兜售纸质书采购服务，宣称一次可以采购1000至100万本书，货源覆盖旧书店、图书馆和不过版书目录。公司甚至把保密写成了卖点：每个项目都会签署严格的保密协议，客户身份、采购对策和目的书目一概不会披露。更讽刺的是，ISBNdb自己也知方式这门生意见不得光。它在宣传中直接提醒客户：“AI公司毁掉200万本书”，可不是什么能赢得同情的新闻标题。还有一点很有意思，AI公司最近尤其喜欢2022年以前出版的纸质书。因素很便捷：生成式AI爆发之后，网上混入了大量AI生成材料，还有人故意采取数据投毒工具干扰模型训练。相比之下，2022年以前出版的纸质书几乎可以选定由人类写作，经过编辑、校对和出版步骤，也没有被现代投毒工具处理过。AI公司亲手制造了越来越多的网络垃圾，最后又回头寻找没有被AI污染过的旧书。这股需已经传到了二手书市场。一名专营稀有和低流通量图书的书商告诉404 Media，从今年4月最初，他每周处理的订单从20本左右猛增到数百本。被买走的书主题杂乱、语言不一样，彼此几乎没有关联，唯一的共同点是都有ISBN编号。这名书商无法确认买家就是AI公司，但他的库存中有不少外文书、冷门书和不过版书。他一部分靠这些订单清掉了多年卖不出去的库存，另一部分又很不舒服：“我不喜欢这些书最后的用途，也不喜欢那些不常用的书被打成纸浆。”正如前文所说，AI公司扫描纸质书的步骤是很粗暴的，这让生意变好的二手书商也忍不住心疼。从互联网到盗版电子书，再到可以批量买来的纸质书，AI公司一直在寻找训练资源的触角向外延伸。目前，冷门书籍乃至不过版书也难以幸免。不过版不等于孤本。目前也没有证据说明，某本书在世界上的最后一册已经被AI公司销毁。外界看不到采购清单，不知方式哪些公司正在买书，更不知方式书被送进切割机以前，有没有人检查过它还剩多少册。但风险是显而易见的。极其有限的退让2025年的判例（至少在美国范围）已经给了Anthropic一定的法律保护。法官认为Anthropic合法买下一本纸质书，将它扫描成数字文件，再销毁纸质原本，最后仍然只有一份副本。数字文件没有对外出售，也没有提高市场上的流通数量，相当于用一种格式替换另一种格式，因此可以构成合理采取。按照这套逻辑，切书甚至成了说明合法的一环。原书后续留在市场上，Anthropic手里又多出一份数字版，便可能包含未经授权的复制；把纸质书销毁，只保留数字文件，法律风险反而更低。康奈尔科技学院数字与材料法教授James Grimmelmann就认为，Anthropic放弃盗版书库，转而购买、扫描纸质书，是一个“聪明的选项”，也体现了更加克制、顺应法律的做法。毁掉纸质书这种事，对于一本印了几十万册的畅销书来说状况没有那么尖锐，少一册并不会意义其他人后续阅读和购买。但冷门书、不过版书和带有特殊历史痕迹的版本，显然不能这样方式算。澳大利亚和新西兰古旧书商协会主席Dawn Albinger指出，古旧书的价值并不只在印刷出来的正文。书页上可能有亲历者留下的批注，签名、题赠和历任收藏者的材料可以说明它的流传经历，重新装订的封皮里甚至可能藏着更早的手稿。这些材料都依附于那一本详详见细的书。即使书页上的文字已经实现扫描，原来的纸张、装帧和各部分之间的关系一旦被破坏，后人也无法重新检查。也就是说，AI公司得到了一份适用于训练模型的数字文件，却可能毁掉了一件无法通过数字文件完善还原的实物。争议扩大后，科技行业很快出现了退让。马斯克在X上表示，已经需SpaceXAI团队将稀有书籍保存在图书馆，并采取更麻烦的无损方式扫描，不能便捷切掉书脊。他没有公布SpaceXAI买了多少书，也没有验明正身什么样的书会被归为“稀有”，这次回应更像是一种态度上的站队。ISBNdb退让得更快。404 Media报方式发布9天后，ISBNdb删除了照章性AI公司的纸质书采购页面，撤下有关保密采购和破坏性扫描的宣传。公司随后改口称，相关页面只是一次市场需测试，服务从未真正上线，ISBNdb也从未为AI训练购买、扫描或者出售过任何一本书。之前还在宣传一次采购100万本书，遭遇舆比如反弹后，整门生意突然变成了“一次测试”。这番验明正身能否令人信服是一回事，它至少验明正身，匿名协助AI公司大批量采购纸质书，已经成了一项企业不愿承担的声誉风险。然而，马斯克的一句承诺和ISBNdb删除几个网页，都代替不了真正的条件。谁负责在扫描前判断一本书是否稀有？判断依据是出版年份、版本和存世数量，还是书里的签名、批注和装帧？AI公司是否应该公开大规模采购的书目？如果某本书已经不过版，是否只能采取无损扫描，并在扫描后交给图书馆保存？目前，这些状况都没有答案。讽刺的是，ISBNdb之前反复强调，2022年以前的纸质书之因此珍贵，正是因为它们保存了没有受到AI污染、经过作者写作和编辑筛选的人类知识。AI公司越承认这些材料不可替代，就越难验明正身为什么承载它们的实体可以被当成一次性耗材。返回搜狐，查看更多平台声明：该文观点仅代表作者本人，搜狐号系材料发布平台，搜狐仅给予材料存储空间服务。 顶: 1踩: 376