《AI 公司抢购旧书，只因它们没有“AI 污染”》

当互联网文本越来越混入 AI 生成内容，出版于大模型时代之前的纸质书反而成了稀缺的“干净数据”。本文追踪一家图书数据库、匿名批量买家和旧书商的异常订单，揭示 AI 公司如何把旧书变成训练材料，以及这一过程对版权、稀有藏书和实体书保存造成的争议。

正文翻译

AI 公司为了寻找更多训练数据来改进模型，一家公司开始把旧纸书包装成理想来源：这些书可以保证不含 AI 公司自己制造的 AI 垃圾内容。

ISBNdb 自称拥有“全球最大的图书数据库”，并向 AI 公司提供大批量图书采购服务。它在网站上写道：“世界上最好的 AI 训练数据就放在书架上。”书籍包含经过策展、同行评审、按专业领域组织的人类知识，其结构是任何网络抓取都无法复制的；它们信息密集、经过编辑，也更具权威性。

ISBNdb 在一篇说明文章中称，2022 年以前出版的纸质书特别适合做 AI 训练数据，因为其中没有 AI 生成文本。如今从互联网上抓取的数据很可能已经混入生成内容，进而造成“模型坍塌”：模型用 AI 生成的数据继续训练后，质量变差，也更容易出错。它还指出，反对作品被抓取训练的作者，现在可以故意创作会操纵或破坏模型的文本来“投毒”。

它的推销语是：“大模型时代以前的纸质书，从结构上保证不受这种污染。”以及：“在这个日期以前，也就是 2022 年以前出版的实体书，从结构上不含现代投毒工具。”

ISBN 是国际标准书号，也就是大多数书籍背面的数字商业标识和条形码。多年来，ISBNdb 帮助书商、图书馆和发行商管理库存、寻找与销售图书；生成式 AI 的兴起使它对 AI 公司变得格外有价值。除出售图书元数据外，它现在还帮助 AI 实验室一次采购 1,000 到 100 万本纸质书。它的数据让 AI 公司能够有计划地采购、扫描并把纸书转成训练数据，同时避免买到重复书目。

今年 1 月，作家起诉 Anthropic 的版权诉讼披露了内部文件，详细说明该公司获取和扫描数百万本纸质书、并在过程中销毁它们的计划。AI 公司吞噬纸书作为训练数据的做法由此受到广泛关注。《华盛顿邮报》的报道发现，Anthropic 从 Better World Books 采购图书；这是图书馆、零售商和个人出售旧书的多个平台之一。图书出版商最近也起诉 Google，指控它用受版权保护的书籍训练 Gemini。

ISBNdb 还宣传自己能够对 AI 买家的身份保密。其网站承诺：“每一项合作都签署严格的保密协议。每个项目都以具有法律约束力的保密协议开始。您的身份、策略和采购目标绝不会被披露。”

它也明白，AI 公司不会愿意被公众看到在扫描时毁掉纸书。网站直言：“形象问题确实存在。‘AI 公司销毁 200 万本书’绝不是一个能赢得同情的标题。”

一位在这些平台上专营外文书的职业书商告诉作者，从 4 月开始，他和其他书商发现销量出现历史性飙升。他要求匿名，以便继续在平台上做生意。

这位书商怀疑自己已经向 AI 公司卖出数百本用于训练的书。他说自己对此感情复杂：一方面，这给他带来收入，也帮他清理了原本很难卖掉的旧库存；他的海外书和外文书库存尤其适合这类采购。另一方面，他不喜欢这些书的最终用途，也不愿看到不常见的书被打成纸浆。

他的库存中有很多稀有、外文和小印量书籍。如果它们在变成训练数据的过程中被销毁，将来只会更加难以获得。

正常情况下，他一周行情好时大约卖出 20 本书；自 4 月以来，他经常每周卖出数百本。他没有明确证据证明买家是 AI 公司，但订单特征令人生疑。他销售的是专业书，通常买家是学校和图书馆，而这些机构因为经费削减，采购量一直下降。通常，批量购买会围绕某个特定主题；最近的大订单却包含彼此毫无关联的书，唯一共同点是都有 ISBN。他也销售没有 ISBN 的稀有书，但那些书一本都没有进入批量订单。作者没有发现证据证明这些销售由 ISBNdb 促成，也无法确认客户就是 Anthropic 或其他 AI 公司。

书商说：“奇怪的不只是数量，还有订单本身。我以前接过图书馆订单，通常都集中于一个主题，最多扩展到稍宽的主题范围。但世界上几乎每家图书馆都失去了预算。美国大学图书馆现在买不了多少书，澳大利亚图书馆也一样。这批书看不出任何逻辑，而且买家完全不在乎价格。有些书定价高得离谱，照样通过这种方式卖掉了。这有点像 AI 买家的特征，因为它们的钱实在太多。”

今年 2 月，另一家图书交易平台 Alibris 的论坛上，有书商问：“是只有我感觉到，还是从去年年底开始，自动购买订单明显增加了？”自动购买功能允许客户标记想买的书，一旦上架就自动下单。他还追问：究竟发生了什么，是否有 AI 要读遍每一本书，选书依据是什么，为什么品相、装帧、价格都差异巨大。

Alibris 客户服务总监迈克·费尔德曼（Mike Feldman）回复说：“我们有几个新的大宗买家正在扫购大众图书，所以很多卖家都收到了大量订单。”

另一位书商说，在 Biblio 平台上也出现了类似的大订单。客户可以向 Biblio 提交一张包含所需 ISBN 的电子表格，之后由平台完成采购。今年 6 月，荷兰一家媒体也采访了几位稀有书商，他们观察到相同的大批采购，并猜测买家来自 AI 公司。

要断言这些书确实被 AI 公司买去训练、甚至被销毁并不容易，因为 ISBNdb、Biblio 和 Alibris 等平台都隐藏买家身份。大宗采购的书会先被送往配送中心，例如 Alibris 会检查书籍质量，再把它们交给客户。

版权诉讼披露的 Anthropic 内部文件，也没有解释公司为什么要在扫描过程中销毁数百万本书。Anthropic 聘请汤姆·哈维（Tom Harvey）领导该项目；他此前参与创建 Google Books。哈维的证词显示，Anthropic 的承包扫描商之一 Datamation 同时提供“大批量破坏性和非破坏性图书扫描”。破坏性扫描会切掉书脊，让散页进入扫描机，速度更快、成本也更低。

无论 Anthropic 最初意图如何，审理作家诉 Anthropic 版权案的联邦法官威廉·阿尔萨普（William Alsup）认定，公司制作图书数字副本的行为合法，而理由恰恰与纸书被销毁有关。

阿尔萨普在裁决中写道：每一本购得的纸质书都被复制，目的是节省存储空间并让数字副本可供检索；纸质原件随后被销毁，一份替代另一份。没有证据显示新的数字副本在公司外部被展示、分享或出售。

他认为这种行为“明显具有转换性”，因此符合美国《版权法》第 107 条的合理使用规定。

ISBNdb 也拿这套法律论证向 AI 公司推销服务。它称，从二手市场大规模购买纸书，不会让任何创作者失去原本应得的收入，因为这些书早已完成了对创作者的全部经济义务。

在解释为什么销毁后的书必须回收时，ISBNdb 甚至写道：“负责任地采购实体书不是焚书，而是完成一本书的生命周期：从树木到知识，再回到树木。”

ISBNdb 与 Anthropic 均未回应置评请求。旧书由此同时成为干净训练数据、匿名采购商品和可能被一次性消耗的文化载体；AI 公司得到的是语料，社会失去的可能是无法复原的实体藏本。

思想框架

文章从“2022 年前纸书没有 AI 污染”的商业卖点切入，解释 ISBN 元数据如何支撑一次 1,000 至 100 万本的采购；随后用匿名书商从每周约 20 本跃升至数百本的异常订单，补足市场侧证据，同时明确买家身份仍无法证实。最后，文章沿 Anthropic 的破坏性扫描、合理使用裁决和 ISBNdb 的回收话术，把数据训练的需求推进到版权与文化保存的冲突上。