AI公司疯狂收购旧书，背后竟是为防“模型崩塌”？

AI公司（如Anthropic）近期被曝通过中间商大规模扫购2022年前出版的旧书，用破坏性方式切脊扫描后直接销毁实体书，核心原因在于互联网已被AI生成的“垃圾语料”污染，而旧书是仅剩的、未受污染的高质量人类原创数据，能避免大模型越学越“傻”的“模型崩塌”风险。

一、互联网数据被AI污染，传统语料失效

AI生成内容泛滥：2022年ChatGPT爆火后，互联网上新增的文字内容大量由AI生成，这些内容同质化、低质量，被业内称为“AI slop”。

模型自噬风险：用AI生成的数据继续训练大模型，会导致模型逻辑混乱、创造力退化，陷入“自己抄自己”的死循环，即“模型崩塌”。因此，AI公司急需寻找未被AI污染过的“纯净”语料。

二、旧书成为稀缺的“干净数据金矿”

2022年之前出版的纸质书：这些书籍完全由人类创作、经过专业编辑校对，几乎没有AI生成内容的掺杂，逻辑严谨、信息密度高，是当前最优质的训练素材。

数据质量取代数量：当互联网公开数据被AI污染后，数据质量成为下一阶段AI竞争的分水岭，旧书中的原创知识资产护城河加深。

三、法律与商业双重驱动的“焚书”操作

法律上的“合理使用”认定：美国法院在相关案例中裁定，企业合法购买正版实体书后，通过破坏性扫描生成单一数字副本并销毁原件，属于版权法中的“合理使用”，不构成侵权。

规避版权谈判成本：直接购买旧书并销毁，绕开了与出版社和作者逐一谈判授权的高昂成本与复杂流程，成为部分AI公司规避版权诉讼的“捷径”。

建立数据壁垒：扫描后的数据进入企业私有数据库，其他竞争对手无法获取，形成独家训练数据护城河，强化模型优势。