据 The Decoder 于 8 月 17 日援引 404 Media 的深度调查报道,记者 Emanuel Maiberg 将一枚 Apple AirTag 藏入一件待发货的珍本书籍中进行追踪,发现工人通过“切除书脊”的破坏性方式进行快速扫描,完成条码和文本数字化后,原书便被销毁,扫描得到的文本数据则被投入 Nova AI 的训练池。
Apple AirTag 的追踪路径
《404 Media》调查的核心,是一枚藏在珍本书籍中的 Apple AirTag。追踪记录显示,包裹从加州出发,途经威斯康星州和科罗拉多州,最终抵达内华达州拉斯维加斯的亚马逊 LAS8 仓库;位于 LAS8 仓库北侧的 VGT3 设施,则是此次追踪的终点。亚马逊员工在内部论坛上将 VGT3 描述为书籍扫描设施。该设施的内部标志是一只手持书本或正在撕书的暴龙图案,为这一说法提供了间接佐证。
此次调查源于书商近期发现的异常采购模式:多位书商表示,他们收到过数量高达 1,000 本的大额订单,买家对书籍价格似乎毫不敏感,选书方式也看起来相当随机。这引发了业界对 AI 公司是否在系统性大规模采购书籍的担忧,并成为《404 Media》启动追踪调查的直接动机。
2022 年前珍本对 AI 训练的独特价值
亚马逊及其他 AI 开发商大规模采购实体旧书,背后有三项具体的数据质量原因:
不受 AI 生成内容污染:多数出版于 2022 年以前的纸质书籍,可确保不含任何 AI 生成文本,能够有效避免模型训练过程中出现“模型崩溃(Model Collapse)”或训练数据遭受污染的问题。
从未被数字化的全新数据:许多珍本的内容从未上传至互联网。对 AI 公司而言,这些书籍属于尚未被自身爬虫或第三方提取的独特原始语料。
基于 ISBN 的系统性采购:订单通常锁定带有 ISBN 的书籍,这表明采购行为并非随机,而是依据出版物索引系统,对人类出版物进行系统性数字化收录。
上述特性使珍本书籍在当前 AI 训练数据竞争中具备不可替代的稀缺性,但也因此引发了书商、图书馆员、学者及文化遗产保护倡议者的严重质疑。
Anthropic 的 Project Panama 及版权诉讼结果
亚马逊并不是唯一采取此类做法的企业。Anthropic 此前曾实施名为“Project Panama”的类似项目,同样通过购买书籍、切除书脊后进行扫描。针对这一做法,曾有作者提起版权诉讼,但法官最终裁定其属于“合理使用(Fair Use)”。判决理由是,原书在扫描后被销毁,并未被复制再销售,因此不会对出版商的业务构成直接冲击。
然而,“合理使用”的法律裁决并未平息相关做法在道德层面的争议。许多珍本由于发行量极少、语言特殊或具有重大历史意义,拥有难以估量的经济、历史、知识和情感价值;但对 AI 开发商而言,他们关注的只是书中的纯文本内容。将这些无可替代的珍本从公共书架上永久移除,并转化为单一企业封闭式 AI 模型中的私有训练数据,已经成为科技公司追求数据采集效率与文化历史保存之间冲突的具体案例。
常见问题
《404 Media》是如何揭露亚马逊 VGT3 设施扫描书籍的做法的?
调查记者 Emanuel Maiberg 在获得书商同意后,将一枚 Apple AirTag 藏入一件待发货的珍本书籍包裹中。AirTag 的追踪记录显示,包裹从加州出发,途经威斯康星州和科罗拉多州,最终抵达拉斯维加斯亚马逊 LAS8 仓库的 VGT3 设施。亚马逊员工论坛将 VGT3 描述为书籍扫描设施,该设施通过切除书脊的破坏性方式完成扫描,随后销毁原书。
亚马逊为何专门针对 2022 年以前出版的珍本书籍?
2022 年以前出版的实体书籍可确保不含 AI 生成文本,能够有效避免模型训练过程中的数据污染和“模型崩溃”问题;许多珍本的内容从未上传至互联网,属于 AI 公司尚未获取的独特原始语料,数据价值很高。订单锁定带有 ISBN 的书籍,也进一步表明采购行为具有系统性,而非随机进行。
Anthropic 的 Project Panama 为何被法院裁定为合理使用?
法官裁定 Anthropic 的 Project Panama 属于“合理使用(Fair Use)”,理由是书籍扫描完成后,原书即被销毁,并非被复制再销售,因此不会与原出版商的商业市场形成直接竞争或替代。这一裁决在法律层面为相关做法提供了支持,但并未减少文化遗产保护领域的批评。