当AI生成内容占据互联网新发布内容的一半以上，高质量人类文本已成为稀缺资源。多家AI公司正通过中间商大规模收购二手图书，扫描后将其物理销毁，只为获取2022年之前“未被机器污染”的训练数据。Anthropic的“巴拿马计划”曝光了这一隐秘产业链，其15亿美元的和解金额创下了美国版权案件的历史纪录。这不仅是数据争夺战，更揭示了AI产业的核心悖论：它越成功，赖以训练的人类数据就越稀缺。
一、被拆解的旧书
调查媒体404 Media今年7月披露，多家AI公司正通过数据中间商ISBNdb大规模收购二手图书，切掉书脊、高速扫描、物理销毁。单次订单从1000本到100万本不等，书商销量在数月内飙升了五倍。Anthropic内部文件显示，其“巴拿马计划”在一年内花费数千万美元购买了数百万本纸质书，拆解扫描后全部销毁。
为何AI公司要花大价钱买旧书、拆书、毁书？答案指向一个它们自己制造的问题：互联网已经被AI生成内容污染了。斯坦福大学2026 AI指数报告显示，自2025年初以来，新发布的互联网内容中AI生成的比例已超过一半。2022年ChatGPT发布之前，这个数字接近于零。Cloudflare的数据也印证了这一趋势，其托管网站的网络访问请求中，约57.4%来自人工智能和自动化程序。
当AI模型用AI生成的内容继续训练时，就会发生“模型塌缩”。牛津大学等机构的联合研究证明，经过九次递归训练，模型输出质量会急剧退化，从讨论建筑到热情洋溢地介绍不存在的兔子物种。Epoch AI测算，语言模型将在2026年到2032年间耗尽人类公开的高质量文本数据。虽然合成数据看似是解药，但研究显示，训练数据中仅0.01%的虚假文本就能导致模型有害输出增加11.2%，呈现指数级放大。此外，作者们正在反击，芝加哥大学开发的Nightshade工具能让模型“中毒”。这意味着互联网爬取的数据无法保证“干净”，只有纸质书从时间线上天然免疫。
二、旧书争夺战
ISBNdb原本是一家服务于图书馆、书商和发行商的图书数据库公司，如今业务重心转向AI行业。其官网称书籍代表着经过精心策划、同行评审的人类知识，结构无法被网络爬虫复制。它提供批量采购，并承诺严格保密。据404 Media报道，采购对象几乎全部带有国际标准书号，毫无主题偏好，买家也不在意价格。一位书商表示，过去一周只能卖出约20本书，近几个月销量飙升至平时的五倍。
被大量买走的书多是长尾、冷门的绝版书籍，如地方史、土著语言文献、自费出版的回忆录等。Anthropic的巴拿马计划提供了一个完整标本。2024年初启动，由汤姆·特维负责。内部文件称：“我们不想让人知道我们在做这件事。”公司花费数千万美元购买数百万本书。负责该项目的汤姆·特维曾是Google Books项目的硅谷老兵。联合创始人本·曼恩早在2021年就亲自从盗版网站LibGen下载了至少500万本盗版图书，向同事转发链接附言“真是太及时了!!!”。CEO达里奥·阿莫代伊对此知情，在内部邮件中将寻求正版授权的理由概括为“法律/实践/商业上的繁琐工作”。
具体操作流程是：工人使用液压切割机切掉书脊，将散开的书页送入高速生产级扫描仪，转化为高清PDF文件，然后将纸质残骸直接送往回收公司销毁。ISBNdb的服务条款承认：“大规模扫描通常会毁掉书籍。”它建议客户将这一行为重新包装为“数字化保存”，但扫描后的内容进入私有数据库，公众无法访问。
三、买书合法，偷书不行
2025年6月，联邦法官威廉·阿尔苏普作出了一项双重裁定。一方面，他认定Anthropic的破坏性扫描行为属于“合理使用”，因为训练是“变革性”的。另一方面，他认定该公司曾下载700万本盗版图书侵犯了版权。2025年9月，阿尔苏普初步批准了Anthropic以15亿美元和解。这是美国版权案件中已知最大的和解金额。这组判决传递了清晰信号：买书、拆书、扫描、销毁，只要书是合法购买的，法院可能不拦你；但如果你从盗版网站下载，代价会极其昂贵。
Anthropic的律师团队提出了双重辩护：基于“首次销售原则”，合法购买后有权处理副本；叠加“合理使用”，扫描件仅用于内部训练，不对外分发。销毁原件反而“规避了非法复制”的指控。这种“合法但更贵”的路径正在重塑AI训练数据供应链。ISBNdb作为“法律上干净”的中间商应运而生。与Anthropic案不同，谷歌和Meta面临诉讼，核心在于“授权但超出范围”或从盗版网站获取。
四、被锁进黑箱的人类智慧
这场旧书争夺战揭示了一个悖论：AI公司承诺“让人类知识触手可及”，一边却在买断、拆毁人类知识最坚实的载体。扫描后的数字内容进入AI公司的私有数据库，公众无法访问。这与图书馆数字化为了保存和传播不同，AI公司的数字化是为了消耗和训练。
在批量采购中，AI公司是否会区分普通图书与珍贵绝版图书？如果稀有书籍被拆毁，它们可能永久退出流通。对中小作者而言，打击同样真实。AI公司提供的授权报价“在经济上完全不具吸引力”，一张永久AI训练许可证的报价大约只有每本书10美元。独立作者无法聘请顶级律所追责。几组关键数据对比显示，对中国AI从业者而言挑战严峻。据业内研究估计，中文高质量数据在全球大模型训练数据集中的占比极低。数据稀缺迫使国内开发者更多依赖机器翻译和合成内容，进一步加剧数据污染。DeepSeek-V3需要14.8万亿高质量文本片段来训练，这个量级的中文高质量数据目前根本没有。
五、旧书耗尽之后
即便AI公司今天买光了所有旧书，下一代模型训练时还能找到纯净的数据吗？每一轮AI生成的文本都在污染互联网，新一轮模型又要从这片被污染的海洋中捞取素材。收购旧书只是延缓了模型塌缩的速度，并没有解决根本问题。
学术界正在探索多条出路，如“累积”而非“替换”范式，或加入封闭循环之外的真实数据。但这些技术路径都有局限：它们赢得的是时间，不是永恒。模型塌缩的根本矛盾是，AI的成功正在毁掉它赖以成功的数据。我们需要的不仅是更高效的数据获取方式，更是一套让技术进步与知识传承、商业利益与公共权益、AI能力与人类尊严之间保持平衡的新契约。当AI把人类写在纸上的最后一句话也吞进去之后，互联网上剩下的，就只有AI自己说过的话了。人类花了几个世纪积累的知识，AI公司正在用几年时间消耗殆尽。这不再是一个技术问题，而是一个关于人类文明如何与人工智能共存的根本问题。