AI 公司掃清 2022 年前舊書：拆脊背後係訓練數據供應鏈重整

舊書突然變成 AI 原材料

Tom’s Hardware 引述 404 Media 調查，指專做書目數據嘅 ISBNdb 正向 AI 客戶提供大量實體書採購服務，單一訂單據報由 1,000 本去到 100 萬本都有。部分二手書商話，今年 4 月起訂單突然急升，買家集中收有 ISBN 嘅書，題材同作者就冇明顯規律，連定價偏高嘅貨都照買。不過現有資料未能證明每張訂單背後係邊間科技公司，實際數量同最後用喺咩模型都未公開，所謂「AI 公司掃書」暫時仍主要建基於採購模式同業內消息。

圖片：Wikimedia Commons — Brateevsky（CC BY-SA 4.0）

點解偏偏要 2022 年前出版

生成式 AI 公司要嘅唔止係大量文字，仲要控制數據入面有幾多垃圾、重複內容同模型自己生成嘅句子。ChatGPT 喺 2022 年底爆紅後，網上迅速多咗大量 AI 文章；再用呢批內容訓練下一代模型，好容易令錯誤、罐頭語氣同虛構資料不斷循環。2022 年前嘅實體書等於一個粗略時間濾網：內容通常經作者、編輯同出版社處理，亦較少混入生成式 AI 文字。

呢個年份分界只係降低污染風險，唔代表每本舊書都可靠。過時教科書、錯誤資料同偏見一樣可以印成書；書本有編輯把關，亦唔等於內容必然適合訓練。真正值錢嘅係來源可以追查、版本有 ISBN、出版年份清楚，AI 公司較容易整理數據血統。模型愈大，要記錄同審查數據來源亦愈花錢，成本唔再只係 GPU 同儲存空間。

拆脊掃描點解咁有效率

大量書本數碼化通常有兩條路：保留原書，用頂置、V 形或平板掃描器逐頁影；又或者直接切走書脊，將散開嘅書頁送入高速文件掃描器，再用 OCR 變成可搜尋文字。後者快好多，人工同器材成本亦低，代價係本書掃完多數冇得還原。Anthropic 案件嘅法庭紀錄顯示，公司曾買入大量實體書，交畀掃描承辦商製成 PDF，原有紙本就唔再保留。

外界最易聚焦「AI 燒書」呢幅畫面，但供應鏈問題更實際。二手書賣出後，錢通常去書商同物流商，作者及出版社未必再有收入；珍本或絕版書如果冇先篩走，亦可能永久退出流通市場。暫時冇公開證據顯示採購商刻意收珍本，亦冇資料交代點樣篩選，所以唔應該直接推論大量文化資產已經消失。不過當訂單可以去到工業規模，採購規則同銷毀政策自然要交代得清楚。

美國法院其實分開判三件事

Bartz v. Anthropic 最關鍵嘅地方，係法院冇將所有「用書訓練 AI」一概處理。法官認為，把作品複製入模型訓練流程屬轉化性用途，可以構成美國版權法下嘅 fair use；將合法購入嘅紙本一對一掃成數碼版本，方便搜尋同節省空間，亦獲判為 fair use。呢個結論同每掃一本就銷毀相應紙本有關，唔係一張任意複製書庫嘅通行證。

Anthropic 另一批由 Books3、LibGen 等盜版書庫下載、再長期保存嘅數百萬本書，法院就冇接受同一套理由。公司其後同作者及出版社達成 15 億美元和解，法院喺 2026 年 7 月 20 日正式批准，合資格作品預計每本分得約 3,000 美元。呢筆錢係民事和解款，唔係政府罰款；報道若將佢寫成「AI 訓練違法後交罰款」，就混淆咗訓練用途、格式轉換同盜版來源三項判斷。

買到本書，唔等於買埋複製同訓練權利

實體採購熱潮某程度係科技公司補做數據來源管理：保留發票、ISBN、版本同掃描紀錄，日後上庭至少講得出每份資料點樣入庫。不過合法買到一本紙書，只代表嗰份實體副本來源清楚，唔會自動取得無限複製或其他商業授權。Anthropic 得到嘅 fair use 判決亦只適用於嗰宗案件同美國法律下嘅具體做法。

出版社對 Google 提出嘅新訴訟正好顯示另一層風險。Hachette、Cengage、Elsevier 同作者 Scott Turow 指控 Google 把原先交畀 Google Books、Google Play Books 等有限用途服務嘅作品，改作 Gemini 訓練材料，亦指公司採用來歷有爭議嘅網上書庫。以上仍然係原告指控，法院未有裁決，但爭議焦點已經由「有冇接觸過本書」推前到「原先授權包唔包括模型訓練」。

數據來源會變成模型競爭力

舊書採購反映，AI 公司而家要額外花錢避開網上大量 AI 生成內容。高質素人類文字有限，公開網頁又愈來愈難分真假，乾淨數據自然變成要經採購、物流、掃描、OCR、去重同法律審查先得到嘅工業原料。大型公司負擔到呢條供應鏈，細公司就可能只買到授權數據、合成數據或者質素較差嘅網上資料，模型差距因而唔再只睇算力。

香港亦唔可以直接套用美國 fair use 結論。政府最新公開文件仍以修例建議形式處理文字及數據開採豁免，方向包括容許版權人保留權利，已有相關授權安排時亦可排除豁免。最終界線要睇正式法例點寫。接落嚟值得追嘅係 ISBNdb 客戶身份、採購書量、珍本篩選規則，同各間模型公司肯公開幾多訓練數據來源。

參考來源

• Tom's Hardware — AI companies are reportedly shredding millions of books after using them to train AI models — tech giants outsource to middlemen to secretly buy up books for training material — original report
• AI Companies Are Buying Tons of Old Books Because They’re Free of AI Slop — 最先披露 ISBNdb AI 書本採購服務同業界銷量異動嘅調查。
• Bartz et al v. Anthropic PBC — Document 437 — 法院文件清楚分開模型訓練、合法購入紙本嘅一對一數碼化，以及盜版書庫下載。
• Judge approves a $1.5B Anthropic settlement over books used to train Claude — 核實 2026 年 7 月法院正式批准 15 億美元民事和解，避免誤寫成罰款。
• Hachette v. Google — Class Action Complaint — 出版社針對 Gemini 訓練數據來源提出嘅正式申訴書；文中只按指控描述，未當成已裁定事實。
• Intellectual Property Protection — Copyright and AI — 香港政府版權與 AI 政策資料入口，交代文字及數據開採豁免仍以修例建議處理。

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。