AI公司被曝大量收购旧书后销毁，只为获取”纯净”训练素材
为了训练AI，他们把书买来烧了。近日多家AI公司被曝批量收购旧书并在扫描后销毁，目的是获取尚未被互联网”污染”的纯净人类写作素材。这一做法登上微博热搜，引发出版界、版权界与文化界的强烈反弹。
曝光始末
据IT之家和微博多位爆料人披露，部分AI训练数据公司专门瞄准二手书店库存、图书馆淘汰藏书、个人收藏的绝版学术著作。他们以高于市场价的价格批量收购，然后在完成高精度扫描和OCR文字提取后，将实体书统一销毁。
操作流程如下：
批量收购旧书 → 高精度扫描与OCR提取 → 文本清洗处理 → 销毁实体书 → 数据入库训练销毁实体书的动机令人震惊：规避版权追溯。一旦实体书不复存在，版权方难以举证AI训练数据中是否包含该作品。这种做法在业内被称为”数据漂白“，是训练数据黑产中的灰色地带。
“他们不是在买书，是在买训练数据的’免责通行证’。当你手头没有那本书了，你说你没用过它训练AI，谁能证明你用过？” —— 一位不愿具名的出版业人士
技术与产业背景
为什么AI公司如此渴求”旧书”而非互联网文本？原因有三：
纯净度原则：互联网文本充斥着广告、水军评论、机器生成内容和重复信息。相比之下，经过编辑审校的出版物文本质量远高于网络内容，语法规范、逻辑清晰、信息密度高。
长文本稀缺性：大多数互联网内容篇幅短小，而书籍提供了完整的长篇叙事结构，对训练AI的长上下文理解能力有独特价值。
领域覆盖：绝版学术著作涵盖了维基百科和通用语料库中稀缺的专业知识，尤其在医学、法律、工程等垂直领域具有不可替代性。
版权与伦理争议
事件发酵后，争议集中在三个层面：
法律灰色地带：现行中国著作权法规定，为个人学习研究目的的复制属于合理使用，但商业化AI训练是否适用合理使用原则尚无明确判例。美国和欧盟也在激烈争论这一问题。
文化遗产损失：被销毁的绝版书籍中包括大量孤本和稀缺文献，一旦被销毁意味着人类知识的不可逆损失。有图书馆学者痛心表示：”这是在用文明的碎片换取算法的精度。”
商业模式质疑：AI公司通过”漂白”手段绕过版权成本，等于将训练数据的外部成本转嫁给整个社会。出版业人士呼吁建立AI训练数据的版权授权与补偿机制。
数据现状
据统计，全球每年约有35%的AI训练数据来自受版权保护的文本材料，而仅有不到5%的版权方获得过任何形式的补偿。在中国，这一比例可能更低。
监管进展
欧盟《人工智能法案》已率先要求AI公司披露训练数据来源并尊重版权方的”选择退出“权利。美国版权局也在研究AI训练数据的合理使用边界。然而在技术层面，如何有效验证AI公司是否使用了特定版权材料，仍是未解难题。
未来出路
行业专家建议建立面向AI训练的版权授权市场，让版权方能以合理价格授权作品用于AI训练，同时AI公司也能合法合规地获取高质量训练数据。只有法律框架与技术手段双管齐下，才能从根本上杜绝”买书烧书”这类灰色操作。
👇 关注不错过
— END —
LC 智趣厅 · 科技与生活的交点
ihygg.cn
