亚马逊为AI训练数据销毁珍本书籍

当一名书商对一笔1,000本的大宗购书订单去向产生怀疑时，404 Media 将一个 Apple AirTag 悄悄放入了这批货中，让它引路^[1]。信号从加利福尼亚出发，经过威斯康星州基诺沙附近的一个分拨中心，在科罗拉多州大章克申过夜停留，最终在拉斯维加斯一个名为 LAS8 的亚马逊仓库群北端消失^[2]。内部被称为 VGT3 的单位——员工用一只暴龙撕咬书籍的标志代表它——接收成批购入的书籍，切掉书脊以加速扫描，然后在页面完成数字化后丢弃实体副本^[2][3]。

内部论坛上的员工描述，该作业分为两个部门：一个负责切割装订，另一个负责扫描条形码和页面，所获文本据报用于训练亚马逊的 Nova AI 模型^[3]。面对调查，亚马逊既未确认也未否认其用于AI训练，仅提供了一句标准说辞：“通过商业渠道购买书籍，以帮助开发和改进客户使用的产品与服务”^[2][4]。观察者并未忽略其中的讽刺意味：一家以网上书店起家的公司，如今正运行一条流水线，将实体书在提取文字后变成废料^[4]。

选择销毁书籍而非数字化后转售或捐赠，并非偶然——而是具有法律意义的关键设计。在 Bartz v. Anthropic 案中，威廉·阿尔苏普法官裁定，使用合法购买并破坏性扫描的书籍训练AI模型属于合理使用，而使用盗版副本则不属于^[5]。这一区别实际上奖励了“购买-销毁”模式：若在扫描后保留书籍完整，或进行转售，就会模糊“公司仅从已完全消耗的副本中提取转化性信息”这一合理使用的论点。

Anthropic 自身的历史让这一风险变得具体化。同一案件在确立破坏性扫描属合理使用的同时，也促成了15亿美元的赔偿协议——这是美国历史上金额最高的版权赔偿案，源于 Anthropic 被指控存储了超过七百万本盗版书籍^[6]。其他AI公司似乎从中吸取了一个狭隘却有力的教训：盗用文本是法律雷区，但在公开市场购买实体书并在扫描后粉碎，则处于更安全的法律地带^[5]。

在法律考量之下，是一个更简单的资源问题：开放网络中干净、由人类撰写的文本供应正在枯竭。2022年之前的印刷书籍之所以具有吸引力，正是因为它早于AI生成内容泛滥互联网的时代——一篇报道引用 Ahrefs 的研究指出，截至2025年4月，74.2%的新创建网页已包含AI生成文本^[7]。一本在大语言模型出现前印刷的实体书，按定义就是纯人类撰写且未受AI污染的，这正是AI公司越来越将其视为“结构清洁”的语料库，而非猎奇收购的原因^[7]。

这种稀缺性直接关联到研究人员称之为“模型崩溃”的技术故障模式，即反复使用AI生成内容训练的模型会在代际间明显退化^[8]。从这个角度看，购书行动不再像出版界的奇闻，而更像是在互联网被机器生成文本彻底饱和前，争夺最后一片可靠的人类文本储备的竞赛^[8]。

亚马逊的 VGT3 运作并非孤立实验——它复制了 Anthropic 已建立的模式，后者类似的购书与破坏性扫描流程已在报道中被提及为同类型的内部项目^[5][7]。两家公司都在相同的法律框架下追逐同一稀缺资源：直接买断书籍、扫描后销毁原件，以确保走在法院所认可的合理使用路径上。

并非所有主要AI实验室都公开采取相同做法。xAI 曾与亚马逊和 Anthropic 一同被报道为采购旧书用于训练的公司，但该公司公开声明其不会购买和销毁稀有或古籍类书籍^[9]。这种区别是否能经受住类似 AirTag 式的严密审查——正如揭露亚马逊操作的方式——仍有待验证。

并非所有人都认同这是文化破坏的叙事。报道称，买家主要针对的是通过 ISBN 数据库获取的、价值较低的2022年前出版的老书，而非著名的初版书^[3][7]，这引发了一个合理疑问：被销毁的大多数书籍是否真的适合用“稀有书籍”来描述。即便如此，爱丁堡 McNaughtan's Books 的书商德里克·沃克（Derek Walker）等人警告称，真正稀有且长期存世的书籍有时也会与普通库存一同被卷入销毁流程^[3]。这种张力——被毁的究竟是“稀有”还是只是二手书贸易中常见的损耗，只是被贴上了更吓人的标题——贯穿了公众对该事件的反应，其影响力不亚于调查本身的事实。

无论该操作应被理解为披着AI外衣的焚书行为，还是被视为早已淘汰大量流通书籍的二手书贸易的自然延伸，这场争论本身揭示了人们在文本被复制后，如何以截然不同的方式衡量一本实体书的价值。