在互联网新发布的内容里，AI创造的已超过半数，优质人类文本日益成为珍稀资源。
为了获取2022年前这些「机器未接触过」的训练素材，多家从事AI的企业开始通过数据商人疯狂采购二手书，随后进行切割、扫描、销毁。Anthropic公司的隐秘「巴拿马计划」被曝光，其随之产生的和解协议刷新美国版权诉讼纪录——达到15亿美元。
这个现象背后隐藏的，不止是数据的争夺，更是AI产业无法回避的根本悖论：成功越多，反而越需要依赖的人类文本资源就越难寻觅。
百万旧书何处去
调查机构404 Media在今年七月曝光了一项活动：借由ISBNdb等数据中介，众多AI企业启动了大规模二手书采购。这类图书经历着固定流程——移除书脊、使用高速扫描设备转换、最后销毁处理。单笔订单可能涉及千本，也可能达到百万级。从事书籍买卖的商户发现交易频率在几个月内激增，销售量翻了五倍。Anthropic企业的内部资料揭示了一个名为「巴拿马计划」的项目：该项目耗费超数千万美元，用于购置百万级数量的纸质图书，其后全部经历拆解、扫描、销毁的过程。
为何AI企业肯投入巨资去做「购书、切割、销毁」这套流程？答案在于一个自身造成的困局：互联网已被AI生成物质严重污染。
斯坦福大学发布的2026年AI指数报告呈现了一组触目的数据：从2025年开始，新上线的互联网内容中，AI生成部分的占比已冲过50%大关（51.72%）。而在ChatGPT推出的2022年之前，这个数字基本等于零。Cloudflare统计的另一组数据也印证这一态势——它所运维网站接收的访问请求中，大约57.4%源自AI与自动化工具，仅42.6%来自真实用户。需要说明的是，这一统计针对的是HTTP请求数量而非用户实际的阅读行为，AI Agent一次可以浏览成千上万个页面，而真人可能只需几次点击。
当AI模型继续利用AI生成的内容进行训练时，就会产生「模型塌缩」现象（Model Collapse）。2024年七月，牛津与剑桥等学府的研究人员在Nature期刊上发表了联合研究。他们以Meta的OPT-125m模型作为实验对象，输入关于14世纪教堂塔楼的维基百科段落，观察到了什么？第一代输出仍在论述建筑；到第五代时，内容偏向语言翻译；等到第九代，模型开始热情地讲述各种真实不存在的兔子物种。从教堂到虚拟兔子，只需九个循环。
递归训练下模型输出质量的退化趋势（基于Nature 2024封面论文实验数据）
该论文确认了促进质量恶化的三类误差的叠加作用：由于采样有限而遗失尾部数据的统计近似误差、神经网络无法完全贴合分布的函数表达误差、优化算法自身携带的结构偏差所产生的函数近似误差。只要这三类误差里有任意一个存在，坍缩就必然发生。这不过是数学规律使然。
Epoch AI的计算给予了明确时间指向——到2026年至2032年间，语言模型将耗尽人类公开可得的高质量文本。合成数据似乎能解这个难题，微软Phi-4、谷歌Gemma等已混合使用合成数据，但已有研究表明，仅需训练数据中0.01%的虚假文本就会让模型有害输出增加11.2%，这是指数级的放大。
理解了「模型塌缩」这个逻辑起始点，就能明白为什么AI企业愿意付出数千万美元购买「2022年之前印刷的纸质图书」。ISBNdb在其公开博客中明确指出了关键所在：「2022年之前的纸质书，在结构上确保没有遭遇这种污染。单单这一点，价值就不可估量。」
互联网新发布内容中AI生成内容占比变化（数据来源：斯坦福2026 AI指数报告）
形势更加严峻的是，作者与出版商已经展开反击。芝加哥大学研发的Nightshade工具能够在图像中嵌入人眼无法感知但足以让模型「中毒」的像素级变更。其文本领域的对应产品也正在开发中。
自2024年问世以来，Nightshade已获得广泛下载。Anthropic联手英国AI安全研究所的研究证实，仅仅250份经过精心设计的有毒文档，就足以在数千亿token规模的语料库中为模型埋下后门。这表明从互联网爬取的数据无法确保「安全无污染」，唯有纸质书从时间轴上就天然具备免疫能力。
困难之处在于：纸质书虽然清洁，其获取方式却激发了新的冲突。
纸质书的争夺
ISBNdb原本只是一家数据库运营商，为图书馆、书店及出版企业提供服务，库中存储超1.11亿本图书的目录信息。如今，它把业务方向转向了AI产业。
其网站表述道：「书籍代表精心策划、经历同行评议、特定领域专家撰写的人类知识，其结构形式是任何网络爬虫都无法模拟的。」该公司提供从千本到百万本级别的批量供应，并承诺严格保密，每笔协议都附带NDA条款，采购者身份永不公开。
根据404 Media的报道，采购单据呈现出几个异常特点：购置品类基本都含有国际标准书号（ISBN），便于数据消重与来源追踪；完全忽视主题、类别与作者倾向，小说、教科书、专业著作不区分对待；购买方对价格毫不计较，即便某些图书远超市价，照样直接采购。
一位书商跟404 Media透露，前一周只能卖出约二十本书，而最近几个月每周销量猛增到数百本，足足是往日的五倍。他坦承：「对我来说这是把双刃剑，经济效益明显改善，但看着这些少见的书就这样被粉碎，我心里不好受。」
被大量收购的书大多是「小众、冷僻、几乎无商业价值」的品类，如地域史志、小城镇年鉴、已成历史的学科旧作、少数民族语言或原住民文献、个人自费出版的战争回忆、印数极少的学术文集。这些绝版书籍也更容易沦为批量收购与销毁的对象。
AnthropicPublishes的巴拿马计划提供了一个完整范例。该企业在2024年初启动了这一严格保密的项目。内部文件记载道：「巴拿马计划代表我们对世界各地所有书籍进行破坏性扫描的努力。我们不希望外界知道我们在进行这项活动。」
随后的十二个月里，该企业投入数千万美元，购置了百万级规模的纸质图书。统筹该项目的汤姆·特维（Tom Turvey）是一位曾参与Google Books项目的硅谷资深人士。
今年一月的报道进一步说明，Anthropic的联合创始人本·曼恩早在2021年就手动从违法网站LibGen下载了至少五百万本盗版图书，2022年又从另一网站下载至少二百万本（部分法庭文件记载为五百万本，具体数字在诉讼过程中有分歧），并给同事分享了链接，附言：「真的是天赐良机！！！」
CEO达里奥·阿莫代伊知悉此事，在内部信件中将获取正版授权的理由归纳为「法律上/实践中/商业上的繁冗程序」。
具体运作方式如下：作业人员用液压设备切开书脊，将书页导入工业级扫描系统，转换为高质量PDF，然后将纸质残余直接送进废物处理厂。据法庭资料记载，供应商方案中标注的扫描工作量在五十万到两百万之间，完工周期约为半年。ISBNdb的使用条款中也说明了这一点：「大规模扫描作业通常会导致图书损毁。工人移除书脊，使书页通过机器，这比谨慎保存的替代方案更迅速、更经济。」
ISBNdb的商业推广文案坦白承认：「AI企业销毁两百万本图书，显然不是个能赢得好感的新闻标题。」该公司建议客户将此举重新标签为「数字化保护」。然而，图书馆的数字化目标是保存与分享，AI企业的数字化目标是消耗与训练，扫描后的素材进入密闭的数据库，社会公众无从获取。
旧书被采购、被切割、被转换为数码文件，再被物理销毁。这一系列步骤在法律上处于什么立场呢？Anthropic那15亿美元的和解案给出了答案。
购书合理，盗书违法
在2025年六月，联邦法官威廉·阿尔苏普（William Alsup）做出了一份双重裁决。其一，他认为Anthropic的破坏性扫描属于「合理利用」（fair use），理由是训练属于「具有转变性的」行为。
他用教师指导学生写作的例子作比，声称「作者无权禁止他人以学习或培训的目的使用其著作」。其二，同位法官判定该公司在启动巴拿马计划前，曾下载过一个含七百万本盗版图书的数据库（LibGen），这构成了著作权侵犯。
到了2025年九月，阿尔苏普初步同意了Anthropic的15亿美元（折合约101.62亿元人民币）和解方案。2026年七月，法官阿拉塞莉·马丁内斯-奥尔金批准了最终和解。这创造了美国版权诉讼有历以来最高的和解额度，超九成的作者与出版社已领取赔偿。
这组裁定传递了一个明确的讯号：购书、切割、扫描、销毁，只要图书是合法取得的，法院可能不会干涉；但如果你从盗版源头下载，代价会极其惊人，每件侵权作品最高处罚可达15万美元。
由此形成了一种荒诞的激励机制：如果你保留原件或对外公开扫描件，法律地位反而更不稳固，因为可能产生新的版权副本并流向市场。
AnthropicPublishes的法务团队采用了两层防护：其一基于「首次销售原则」，一旦合法获得一本书的所有权，持有人有权对该副本进行任意操纵；其二加上「合理利用」，扫描件仅供内部AI训练应用，不对外散发。销毁原件反倒「阻断了非法复制」的指责链条。
七月十四日，哈切特出版集团、圣智学习集团、爱思唯尔以及畅销作者斯科特·图罗联合在纽约联邦法院对谷歌发起诉讼，控告其未经授权利用数百万本受保护图书来训练Gemini AI产品。
与Anthropic的案件有所不同，谷歌案的关键在于「授权但范围外」：出版单位曾赋予谷歌通过Google Books等特定路径使用作品的权限，但从未许可用于商业AI产品的开发。Meta同样遭遇相似诉讼，出版商协会指责其从LibGen、Anna’s Archive、Sci-Hub等多个非法网站获取超过267TB的受版权保护资料。
AnthropicPublishes的案例揭示了一套奇异的产业运作模式：从盗版服务器免费获取七百万本电子版，最终被要求赔付15亿美元；而巴拿马计划虽然开支巨大，却被法院判定为合法。这种「合法但成本高」的途径正在改造AI训练数据的整个供应链。ISBNdb正是这一模式的实现载体：它不创造数据，仅充当图书的流通商，但流通的是法律上清白的数据。
法律空隙滋生了新的商业生态，也带来了更深层的担忧。
人类知识陷入密室
这次对旧书的争夺揭示了一个巨大的悖论：AI产业一边说要「让人类知识随处可及」，一边在买断、摧毁人类知识最坚固的载体。
扫描完成后的数码内容被存入AI企业的私密数据库，只用于驱动自家模型，一般用户无法触及。群众或许会获得更聪明的AI助理，但付出的代价是大量知识财富从开放领域消亡。
这与图书馆进行的数字化使命在本质上完全不同：图书馆数字化是为了保护与流传，用户可以接触到数码版资源；AI公司的数字化是为了吸收与练习，内容一旦进入私人数据库就不再公开。
前者是知识的「放大镜」，后者是知识的「黑洞」。
在大规模购买过程中，AI企业是否会区别普通书籍和稀有或绝版书籍？若珍稀书籍被拆毁，它们可能永久从流通中消失。那些被大批采购的小众书籍——地方文献、土著言语书籍、稀有外文著作等等，很多可能已经找不到其他存世本。当购买规模达到百万级并且完全不公开时，外界机构无法确保稀有书籍不混在其中。
对小型和独立作者，伤害同样是实在的。Packt Publishing协作关系副总裁（同时是ExpertEdge CEO）Oli Huggins指出，AI企业当前给出的授权费用「经济上毫无吸引力」，一份永久的AI训练许可证报价仅为每本书十美元左右。全球各地的自由撰稿者无法负担顶级法律事务所的代理费用，当他们的著作被切成数码比特时，只能眼睁睁地看着。
几组关键数据对比
对华语AI研发者来说，形势更为严峻。业内评估显示，高质量中文数据在全球大型语言模型的训练库中所占份额极小。数据短缺迫使本土开发者更加倚赖机器翻译和人工生成文本，进一步恶化了数据质量。DeepSeek-V3需投入14.8万亿个优质文本片段才能完成训练，这个量级的中文高质量内容，现阶段根本不存在。这使得「获取洁净的中文纸本数据」对国内AI企业成了一个紧迫但极其困难的课题。
这类隐患都指向一个更根本的疑问：旧书数量有限，互联网上的AI生成物却无穷无尽。旧书资源穷尽后，AI还有何处可去？
当旧书不复存在
就算AI企业今天收购了所有旧书，下一代模型进行训练时还能找到无污染的数据吗？每一轮AI生成的素材都在污染互联网，而更新一代的模型需从这片被污染的海域中搜集资料。购买旧书只是延后了模型坍缩的进度，无法解决根本问题。
学术圈在积极寻求多种出路。
已有研究表明，只要培训流程里不断存在真实数据（采取「叠加」而非「替代」的方法），模型表现不会骤然恶化。独立研究人员设计的「反尾部污染」试验显示，品质筛选机制不但能减缓退化，甚至可能逆转这一过程。今年五月发表在《物理评论快报》的研究也证实了，仅需在训练中混入一条来自闭合循环以外的真实数据，就能有效阻止模型坍缩。
但这些解决思路都存在弱点：它们换来的只是时间，不是长久之计。模型坍缩的根本问题在于，AI越是进步，就越在摧毁使其进步的数据，这个矛盾不会因为技术改良而消失。
我们所需的，不只是更高效率的数据获取策略，更需要一套新的游戏规则，让技术演进与知识保留、商业目标与社会利益、AI发展与人的尊严能够和谐共生。
一旦AI将人类笔下的最后一句话也吞进去，互联网残存的就只有AI自己的声音了。人类历经数个世纪积累的文明，正在被AI企业用数年时间一口吞下。这已经不是技术层面的问题，而是人类文明与人工智能怎样共存的根本课题。
