亚马逊在焚书——当AI训练数据变成一场数字考古掠夺

一只霸王龙，嘴里叼着一本书，露出獠牙。

这不是什么AI生成的搞笑图，这是亚马逊拉斯维加斯仓库VGT3团队的官方logo。一群员工每天的工作就是接收大批量的书籍，用刀片切掉装订，把散落的书页塞进扫描仪，然后把残骸扔进垃圾堆。

他们管这个叫「改善产品和服务」。

这件事被彻底公开确认，是因为404 Media的记者Emanuel Maiberg做了一件非常朋克的事。他们联系到一个二手书商，这个书商在Biblio平台上接到了一笔约1000本的匿名大宗订单，觉得非常可疑，于是同意配合调查。他们在其中一本珍本书的书页之间，悄悄夹了一个Apple AirTag。

然后就是等。看着那个小蓝点在地图上移动。

AirTag从书商的仓库出发，经过一个中间处理站，横跨大半个美国，最终停在了内华达州拉斯维加斯一个巨大的仓库门口。那个仓库就是VGT3。一切谜底揭晓。

亚马逊的员工在一个内部论坛上写道，「我在VGT3工作，我们整天就是扫描书。有人负责切书，有人负责收书和扫条码。以前没有工作量指标，现在有了，但还好不算累。」

注意他的用词。「切书」。不是翻开书小心翼翼地扫描，是把书的脊柱切断，让书页像扑克牌一样散落，这样过扫描仪更快。效率优先。工业流水线式的效率。

扫完之后呢？书就没了。不会退回去，不会捐赠，不会放回任何一个书架上。一本存世可能只剩几十本的珍本，就这样变成了某个大模型训练数据里的一串token，而它的物理载体，那个承载了墨水和纸张气味和前人批注的实体，永远从世界上消失。

「它们只想要内容，以一堆连在一起的词的形式。」

这是那位配合调查的书商说的原话。他卖的是珍本书，每一本都有自己独特的来路。不一定是什么初版莎士比亚，可能是某个1960年代的小众学术著作，全球只剩三四十本，可能是某个地方志，记录了一个早已消失的社区如何生活。有人曾经翻阅过这些书、在页边用铅笔写过潦草的想法、把它从一个城市带到另一个城市传了三代人。

这些在亚马逊眼里全都不重要。他们要的只是字符序列，只是可以被模型吞下去转化成权重的语料。

其实吧，书商们早就有察觉了。过去一年多，全球各地的旧书商都收到过非常可疑的批量订单。几百本、几千本地买，什么类型什么领域都有，唯一的共同点是每本书都有ISBN编号。下单的人永远匿名，通过中间商走平台，你根本查不到最终买家是谁。

欧洲的书商也收到了。有人一开始还以为是钓鱼诈骗，后来才意识到这可能是AI公司在系统化地按ISBN清单「收割」全球图书。一个中间商在接受采访时甚至私下承认了一句大实话，「'AI公司销毁200万本书'这种标题不会给任何人带来好感。」 所以这些操作全部在保密协议和匿名账号背后进行，尽可能远离公众视线。

ISBNdb，一个做图书元数据的公司，去年在自己官网上公开写了一句营销文案，「世界上最好的AI训练数据就放在书架上。」被媒体曝光后他们秒删页面，声称这只是「一次市场兴趣测试」，从未实际执行。

你信吗。

回到一个关键问题，为什么偏偏是实体旧书。

这里面有一个精妙但也残酷的逻辑，理解了它你就理解了整件事的底层驱动力。

互联网上的文字已经被AI生成内容严重污染了。你今天在网上随便打开一篇博客、一篇产品评测、一个问答帖子，可能有三成的概率是某个大模型写的。用这样的数据去训练下一代模型，会导致一个技术圈子叫「模型坍缩」的问题。说直白点就是AI在吃自己的排泄物，越吃越歪，像一面镜子对着另一面镜子，反射到第五六次画面就完全扭曲了。

但2022年之前印刷出版的实体书，情况完全不同。

那个时候ChatGPT还没发布，Stable Diffusion刚出来没多久，市面上压根不存在ChatGPT、Claude这类能批量生成像样文本的东西。所以每一本2022年之前出版的实体书，几乎可以100%保证里面的每一个字都是人类写的、人类编辑的、人类校对的。

这是地球上最后一批「纯人类文本矿藏」。不可再生。

所以AI公司不是在买书。它们是在开采一种用完就没了的资源。书架上那些落灰的旧书，在它们眼里就是未被开发的油田。买下来（获取矿权），切开（钻探），扫描（抽取原油），扔掉残骸（废弃井架）。流程如此工业化，如此高效，如此冷酷。

这个逻辑一旦想通，你就会意识到事情比「版权争议」要深刻得多。

在传统的版权争议框架里，书还在，作者只是没拿到合理报酬，事情还有谈判和补偿的空间。但亚马逊做的不是复印或数字化存档，是「开采后销毁」。物理载体被切碎、被扔掉、从世界上永远消失。一本全球只剩三十本的珍本，被切开扫描后就只剩二十九本了。那第三十本包含的页边批注、历代藏书者的印章、纸张本身的物理状态所承载的信息，全部化为乌有。

这跟十九世纪欧洲探险家做的事有什么区别？

他们去埃及，去希腊，去中美洲，把独一无二的文物「合法购买」或者直接搬走，运回自己的博物馆和私人收藏室，然后对全世界说这叫「保护」「研究」「推动人类知识进步」。埃尔金勋爵从帕特农神庙上撬走大理石雕塑的时候，手里也揣着一份奥斯曼帝国的「合法许可」。

形式变了，逻辑一模一样。合法获取，提取价值，丢弃载体。

我是真的觉得，VGT3那个霸王龙logo暴露了一种深层的集体无意识。你想想，一群人坐在会议室里讨论团队标志的时候，最终选了一只凶猛的恐龙在吞噬一本书。这不可能是随意的。这是一种「我们就是食物链顶端」的自豪宣言，是一种对自身行为的黑色幽默式认领。书是猎物，我们是捕食者，我们吞噬知识然后变得更强大。

有点黑色幽默的是，恐龙最终灭绝了。但那是后话。

顺着这个往法律层面看一眼。Anthropic在去年的Bartz案里已经为类似行为付出了代价。法官裁定他们从盗版网站LibGen和Pirate Library Mirror下载了700万本书来训练Claude，这不构成合理使用。最终赔了15亿美元，大约每本书3000美元。美国版权案历史上单笔最大赔偿。Anthropic的法律团队事后说，「法院已经认定训练AI本身属于合理使用，我们只是为盗版获取渠道付了代价。」

但这个判决里最致命的部分，恰恰是那个看似对AI公司有利的裁定。

2025年6月，主审法官William Alsup在同一案件中同时裁定，如果你通过合法渠道购买了一本实体书，然后把它拆开扫描用于AI训练，那这属于「极其具有变革性」的合理使用，不侵权。

翻译成大白话就四个字，合法买的？随便拆。

你现在回头看亚马逊的整条操作链。通过Biblio匿名下单→中间商转运→VGT3接收→工人切割装订→扫描全部页面→扫描ISBN条码→销毁原件。每一步都是正规的商业交易，每一环都在Alsup法官的判决框架下无懈可击。

整条产业链的设计，就是为了精准地踩在那条15亿美元判例画出的合法线上。

没有监管机构在追踪有多少书被这样处理了。作者拿到的报酬是零，因为这些是二手书交易，版税在第一次出售时就已经结清。作者甚至不会收到任何通知，不知道自己的心血之作正在一个沙漠仓库里被一台机器切碎。

没有人知道自己的书正在被一只霸王龙吞食。

坦率的讲，我自己这两天一直在想这件事，脑子里总闪出一个画面。

公元前48年的亚历山大港。凯撒攻城时一把火烧掉了港口仓库，据说波及了亚历山大图书馆的部分藏书。此后几百年间，这座人类最伟大的知识殿堂在战争、宗教冲突和政治动荡中逐渐消亡，无数古代文本永远失传。我们至今只能从其他文献的引用中拼凑那些失落著作的只言片语。

每一个时代毁掉图书馆的人，都觉得自己有充分的理由。

凯撒在打仗。基督徒在捍卫信仰。哈里发在执行教令。

亚马逊在「改善产品和服务」。

区别在于，古人是因为战争或愚昧而毁掉知识载体。我们这个时代不一样。我们是在用最高效的工业流水线、最精密的法律架构、最无懈可击的商业逻辑，系统化地、安静地、一本接一本地把人类的知识载体切碎、扫描、丢弃。没有火光，没有暴力，只有扫描仪的嗡嗡声和碎纸机的沙沙声。

我们不是在焚书。我们是在用一种更体面的方式，完成同样的事情。

那位书商在采访最后说了这样一段话。

「书有不同类型的价值。有货币价值，这是显而易见的。但也有历史价值、知识价值、情感价值。各种各样的价值。而所有这些，AI公司都不在乎。它们只想要内容，以一堆连在一起的词的形式。」

一堆连在一起的词。

两千五百年来，从竹简到羊皮纸到活字印刷到精装本，人类一代一代想尽办法让思想跨越时间传递下去。每一本书都是这场漫长接力赛中的一棒。有些棒已经传了几百年，从一双手到另一双手，跨越战争、迁徙、遗忘，奇迹般地存活到今天。

现在，有人在系统化地把这些接力棒折断。吸取里面的能量，然后把壳丢掉。

他们唯一付出的代价，是每本几美元的二手书价格。

而那只霸王龙，还在logo里龇着牙笑。

以上，既然看到这里了，如果觉得不错，随手点个赞、在看、转发三连吧，如果想第一时间收到推送，也可以给我个星标⭐～
谢谢你看我的文章，我们，下次再见。