AI 公司買舊書避開 AI 垃圾：拆書掃描背後嘅資料爭奪

生成式 AI 食過成個公開網上世界之後，而家連舊書市場都變成資料供應鏈。TechNews 科技新報引述 404 Media 等報道，書目資料公司 ISBNdb 正向 AI 客戶推銷大量實體書，訂單規模聲稱可由 1,000 本去到 100 萬本，2022 年前出版嘅書仲特別吃香。原因好直接：呢批文字大致出現喺 ChatGPT 熱潮之前，較少機會混入大量生成內容。

買書潮有跡可尋，買家身份仍然成謎

404 Media 訪問嘅一名書商話，佢每星期原本只賣十幾至二十本書，4 月起突然升到數百本；買家揀書亦冇明顯題材脈絡，似乎有 ISBN 就收。ISBNdb 自己亦以保密協議招徠客戶，承諾唔公開買家身份。不過，異常訂單同中間商嘅銷售文案，只證明市場正出現呢種需求，未足以確認每批書最後去咗邊間 AI 公司、掃描後有冇銷毀。

歐洲方面，加泰隆尼亞舊書商 Marçal Font Espí 同科技從業員 Xavier Vinaixa 記錄過類似訂單，涉及網上少見嘅當地非小說作品。佢哋相信背後用途同 AI 訓練有關，不過調查公開資料仍主要係訂購模式、中間商線索同業界訪問，最終客戶未獲獨立確認。至於「珍本正大規模消失」呢個講法亦要小心：ISBN 係上世紀後期先普及，單靠 ISBN 掃貨通常唔會涵蓋更早期、冇編號嘅古籍同手稿。

破壞式掃描點解咁吸引

工業式做法會用液壓切紙機切走書脊，將散開嘅書頁修齊，再逐疊送入高速掃描器。系統完成 OCR 後，就可以輸出帶全文搜尋功能嘅 PDF 或純文字檔。呢套流程快過逐頁翻書拍攝，人工同設備時間都平好多；代價係書本冇辦法復原，完成後通常只可回收紙張。普通大量印刷本被拆毀，主要係少咗一件實物；但如果本書有批註、藏書印、特殊裝幀，或者只剩少量存世本，連同版本歷史資料亦可能一併消失。

Anthropic 嘅舊個案有硬證據支持。2025 年美國聯邦地方法院文件記錄，公司花費數以百萬美元計購入數以百萬本實體書，當中唔少係二手書，再交由服務商拆釘、裁切、掃描同棄置原書。呢批資料成為公司內部可搜尋書庫，部分再用作訓練 Claude。呢宗已證實個案同今次 ISBNdb、歐洲書商揭露嘅交易未有公開證據連上，唔應該拼成同一項行動。

「2022 年前」只係粗略篩選線

舊書值錢，除咗文字經編輯整理，仲因為模型開發商想保留可追查來源嘅人類語料。Nature 2024 年研究顯示，模型一代接一代吸收前代生成資料時，低頻資料會較早流失，錯誤亦可能逐輪累積，形成所謂 model collapse。不過研究同時顯示，保留原始人類資料可以減輕退化。換句話講，生成內容本身未必一定令模型退化，影響亦要視乎資料來源、混入比例同篩選方法。 出版年份亦只係替代指標，唔保證每段文字都由人寫、冇錯或者適合訓練。

呢點亦解釋咗點解冷門語言同專門題材會吸引買家。公開網上語料通常集中喺英文同熱門內容，舊書就保存咗較少見嘅詞彙、地方知識同長篇論述。模型要改善長尾知識，呢批資料確實有用。不過當實體書變成私人模型公司嘅封閉資料，原本可流通、可畀學者核對嘅文化材料，可能只剩一份唔公開嘅掃描檔；文字進入模型，亦唔等於公眾獲得數碼保存成果。

買咗一本書，唔代表全球法律都開綠燈

Bartz v. Anthropic 嘅 2025 年判決將幾種用途分開處理：法官認為用作品訓練特定模型屬美國版權法下嘅 fair use，而把合法購入嘅紙本轉成內部數碼版本，亦獲判為合理使用；至於由盜版網站下載數以百萬計電子書，再長期保存，判決就冇接受同一抗辯。呢個結論建基於個別案情同美國法律，唔可以直接套落歐盟、英國或香港，更唔代表買入一本紙書就自然取得商業訓練授權。

市場亦有另一條路。Harvard Law School 團隊公開嘅 Institutional Books 1.0，整理咗 983,004 本公共領域館藏，涵蓋逾 250 種語言同約 2,420 億 token，仲保留來源同書目資料。呢類由圖書館管理、權利狀態清楚、研究者可以核對嘅資料集，證明模型公司可以取得大量舊文本，同時保留館藏同公共存取。下一步要睇中間商肯唔肯披露書籍去向，同埋舊書業界會唔會為稀有版本加設篩選同保護機制。

參考來源

• TechNews 科技新報 — AI 公司透過中間商祕密收書，「數位保存」名義下的大規模毀書產業鏈曝光 — original report
• AI Companies Are Buying Tons of Old Books Because They’re Free of AI Slop — 今次事件嘅主要外媒調查，追查 ISBNdb 銷售說法同匿名書商觀察。
• Bartz v. Anthropic PBC — Order on Fair Use — 美國法院文件，確認 Anthropic 購入、拆解、掃描實體書，同法官點樣分開判斷訓練、紙本轉檔及盜版書庫。
• The Silent Plunder — 加泰隆尼亞書商同調查者整理嘅一手觀察，亦顯示最終買家身份仍有未證實部分。
• AI models collapse when trained on recursively generated data — 經同儕審查研究，解釋模型反覆使用生成資料時點解可能流失長尾資訊，亦提供保留人類資料嘅實驗背景。
• Institutional Books 1.0: A 242B token dataset from Harvard Library’s collections — 合法公共領域資料集嘅官方資料，作為保留來源、館藏同書目紀錄嘅對照方案。

本文根據原文及公開資料整理；資料有出入時，以原文及官方資料為準。