AI 訓練與稀有書籍的破壞性掃描

AI 公司正在破壞性掃描稀有書籍以獲取訓練資料

報告指出，AI 公司正在大量購買稀有書籍，使用高速機器掃描並切除書脊，隨後將原始實體複製粉碎。此過程據稱被用來取得高品質、2022 年以前的文字——這被視為高級資料，因其不含 AI 生成的內容——以訓練大型語言模型（LLMs）。

根據 404 Media 的報告和社交媒體討論，一項名為 ISBNdb 的服務促成這些訂單，有時涉及多達一百萬本書，同時保持買家匿名。該過程對客戶被描述為「數位保存」，儘管該服務據稱提供 NDA 以確保書籍的銷毀保持低調。

法律依據與 "Project Panama"

據報導，聯邦法官裁定此構成合理使用。提供的法律依據是：通過消除原始實體複製，同一時間只存在一份作品的版本（數位掃描），這據稱減輕了著作權侵權的主張。

進一步的細節顯示存在 "Project Panama"，一項涉及數千萬美元預算的高預算計畫，旨在對全球每一本書進行破壞性掃描。Anthropic 被特別點名為主要違規者，據稱僱用了前 Google Books 合作夥伴負責人來領導取得全球書籍收藏的工作。

對歷史記錄和主要來源的風險

批評者指出，實體書籍的銷毀是主要來源不可逆轉的損失。與可以重新上傳的網站刮取，或重印暢銷書不同，最後剩餘的 18 世紀植物學文獻或獨手稿的複製被銷毀無法復原。

實體遺物的損失

實體書籍攜帶數位掃描所遺漏的資料，包括：

• Marginalia： 邊註的手寫筆記，提供歷史背景。
• 印刷與裝訂： 作為其時代 artefactual 的書籍實體特徵。
• 驗證： 一旦原始本被銷毀，就沒有實體主要來源可用來對照數位複製的正確性。

歷史修正主義的潛在風險

人們擔心銷毀原始來源將允許電子重寫歷史。沒有實體原本，數位副本可以被修改以適應特定敘事或政治正確性，而無任何驗證手段，這種過程被一些人與喬治·歐威爾的《1984》主題相比較。

社群觀點與反論

技術與檔案社群的討論顯示對此做法的看法存在分歧：

反對此做法的論點

• 文化抹除： 許多人將此視為亞歷山大圖書館燒毀的現代版本，形容為 "The Great Forgetting"。
• 倫理關切： 批評者主張，為了訓練用於行銷郵件的聊天機器人而粉碎書籍，對於人類遺產的損失而言是無法正當化的交換。

反論與細節

• 著作權漏洞： 一些人認為這是過度限制的美國著作權法的直接結果。他們建議，如果訓練 AI 在法律上被允許而無需破壞性掃描，公司將不會訴諸此類方法。
• 針對非稀有書籍： 一些懷疑者指出，AI 公司主要針對仍在版權保護期內但已絕版的書籍，而非真正無法替換的古手稿，因為後者在大量採購時成本過高或過於罕見。
• "類比漏洞"： 一些觀察者指出，對 AI 公司而言，購買實體書籍並進行掃描，相較於向曾因影子圖書館數據而起訴 AI 公司的出版商支付高昂授權費用，要便宜得多。

"我們粉碎稀有書並提供 NDA，以免有人發現，這是 2026 年的一種合法商業模式。"

與現有檔案實務的比較

一些檔案專業人士指出，「破壞性掃描」（切除裝訂）並非新事物，但此處的關鍵差異在於之後將頁面粉碎。傳統檔案通常會將切開的頁面無限期地存放在密封塑膠袋中，以允許重新掃描或保存，而 AI 流程據稱則出於成本效益考慮將其銷毀。