共计 1098 个字符，预计需要花费 3 分钟才能阅读完成。
AI 需要更干净、更稀缺的训练数据,纸质书却因此被推到争议中心 。 围绕 Anthropic 与 Claude 训练材料的讨论, 已经从“模型能否学习人类作品”延伸到一个更具体的问题: 为了把书变成数据, 是否可以成批切开、扫描并销毁实体书?
📌 争议起点: 从盗版电子书到纸质书
相关争议最早出现在 Anthropic 面临的作家诉讼中。法庭材料显示,Anthropic 曾从多个电子书资源库下载超过 700 万本书, 其中不少被指来自盗版渠道, 并被存入长期保留的内部资料库。
相比之下,纸质书路线在法律上显得更“可辩护”: 公司购买实体书后扫描, 再销毁原书, 只保留内部数字替代品。美国一名法官此前认为, 模型训练具有一定“转化性”, 而合法购买后的格式转换在特定条件下可能构成合理使用。但这并不意味着所有数据获取方式都合法, 尤其是盗版来源仍被区分看待。
🔍“破坏性扫描”为何引发反感
被曝光的内部项目中,Anthropic 曾大规模购买纸质书, 通过切掉书脊、拆散书页、高速扫描的方式处理。据报道, 相关计划在较短时间内涉及数百万本书, 部分文件还使用了“破坏性扫描”之类表述, 并提到不希望外界知晓。
对大量常见畅销书而言,少一册实体书未必构成明显损失。但如果采购范围覆盖冷门书、低流通量书籍甚至绝版书, 争议就会迅速放大。外界目前并不知道完整书目, 也没有证据显示某本全球最后存世的书已被销毁, 但风险并不能因此被忽视。
💡 AI 为何偏爱 2022 年前的纸质书
生成式 AI 普及后,互联网上出现了越来越多 AI 生成内容, 也存在数据投毒等干扰模型训练的行为。相较之下,2022 年前出版的纸质书通常更可能由人类写作, 并经过编辑、校对和出版流程, 因此被认为是质量更高的语料。
这也解释了为什么旧书、冷门书和绝版目录会进入 AI 公司的视野。相关图书数据服务商曾公开宣传可为 AI 客户批量采购纸质书, 覆盖旧书店、图书馆及绝版书目录, 并强调保密安排。报道引发关注后, 该公司删除相关页面, 并称服务并未真正上线。
📊 真正的难题: 文字之外还有什么
- 版权层面:训练是否合理使用, 与获取材料是否合法并不是同一问题。
- 文化层面:绝版书不一定是孤本, 但低存量图书被批量消耗仍有隐患。
- 治理层面:企业是否应披露采购书目、扫描方式和保存规则, 目前缺乏明确答案。
- 行业层面:AI 公司越强调高质量人类文本稀缺, 越需要解释为何承载文本的实体可被一次性处理。
🚀 总结: 合法边界之外, 还需要保存边界
围绕“数百万本书, 被 Claude“阅后即焚””，这一部分可从背景、现状与影响三个角度理解其关键信息。结合已公开内容来看，核心结论是趋势已较为明确，但细节仍需结合后续进展持续观察。
