Anthropic 通过购买实体书、移除封面并在销毁原件之前对每一页进行数字化,扫描了数百万本已使用的书,用于训练其 AI 模型 Claude。2025 年 6 月,在 Bartz v. Anthropic 案中,法官 William Alsup 裁定该做法在“首次销售原则”(first-sale doctrine)下是合法的,并认定在扫描后销毁实体书并不会产生额外副本。该项目在内部名为 Project Panama,并于 1 月在法院文件中出现,最终在 7 月 20 日获批一项 15 亿美元和解,用于其更早的盗版指控:涉及来自 Books3 的 196,640 个书目,以及来自 Library Genesis 和 Pirate Library Mirror 的数百万更多书目。裁决的关键在于 Anthropic 销毁了购买的书:如果保留纸质书,就会构成两个副本;但把纸张粉碎后,只剩下一个数字版本。该案凸显了 AI 训练数据获取的法律边界,因为公司试图在避免来自合成内容的污染导致模型塌陷前,寻找 AI 时代之前的文本。
法官 Alsup 将首次销售原则适用于销毁图书
William Alsup 法官在 2025 年 6 月于 Bartz v. Anthropic 案中的裁定,围绕首次销售原则展开,该原则允许买家转售、借出或处置已购买的书。Alsup 写道,Anthropic “公平合理地购买了其纸质副本”,因此争议在于格式转换而非付款。法官认定,扫描一本书并销毁原件并不会增加额外副本:“在这里,每一本购买的纸质副本都是在为了节省存储空间并使其可作为数字副本被检索而进行复制。纸质原件被销毁。一个替代了另一个。”法律区分取决于销毁:保留纸质书并与数字扫描并存将构成两个副本,但将纸张撕碎后只剩下一个。大规模扫描图书此前也曾上过法庭,先例在正反两方面都有各自的支持。
Anthropic 于 2024 年 2 月雇佣 Tom Turvey 以获取图书
在启动 Project Panama 之前,Anthropic 最初通过盗版获取图书。联合创始人 Ben Mann 于 2021 年初下载了 Books3,其中包含 196,640 个被盗版的书目。2021 年 6 月又从 Library Genesis 获得了再多的 500 万本,随后在 2022 年从 Pirate Library Mirror 获得了 200 万本。Anthropic 的采购起步较晚,直到 2024 年 2 月其雇佣了 Tom Turvey,此人曾在 Google 运营图书交易。他的任务是获取“世界上所有的书”。随后,承包商切开装订、修剪页面,并扫描每一份副本。《华盛顿邮报》报道了两名供应商:二手书卖家 Better World Books 和 World of Books,并描述使用液压切割器移除书脊的过程。根据法院文件,首席执行官 Dario Amodei 起初曾携带被盗版的文件以跳过“法律/实践/商业上的折腾”,并称之如此。
7 月 20 日获批 15 亿美元和解用于盗版索赔
一名法官在 7 月 20 日批准了一笔 15 亿美元的赔付,相当于对这些盗版作品每本大约 3,000 美元。Anthropic 必须在裁决后 30 天内删除被盗版文件。公司仍面临一项另外 7,500 万美元的索赔,以及来自音乐出版商的关于歌词的诉讼。和解成本几乎在其财务规模中“不值一提”:该公司在 5 月融资 650 亿美元,估值为 9,650 亿美元,年收入约为 470 亿美元。该和解金额约等于年度收入的 3%。
规避 ChatGPT 的旧印刷图书,避免 AI 生成文本污染
旧纸质图书之所以变得有价值,是因为它早于 AI 生成文本。将机器撰写的内容喂回 AI 模型会导致退化,一种现象在 2024 年《Nature》研究中被称为模型暴雷。在 ChatGPT 之前印刷的书无法包含机器写作,从而催生对实体副本的需求。经纪人看到了这一空白——ISBNdb 向 AI 公司出售图书来源服务,其标语是“世界上最好的 AI 训练数据正摆在货架上”。SpaceX 和 Tesla 的首席执行官 Elon Musk 表示团队将以不同方式扫描:“我已经要求 SpaceXAI 团队在图书馆里保存任何稀有书,并用更费事的方法扫描,而不是只切断书脊并扫描。”温和扫描已存在数十年,但速度更慢、成本也更高。
常见问题
2025 年 6 月法官 Alsup 对 Anthropic 销毁图书作出了什么裁定?
William Alsup 法官在 2025 年 6 月裁定:Anthropic 扫描已购买图书并销毁原件的做法在首次销售原则下是合法的。法官认定,在数字化后销毁实体书不会产生额外副本——“一个替代了另一个”——因此作者之间的争议在于格式转换,而不是未经授权的复制。
7 月 20 日获批的和解中,Anthropic 支付了多少?
一名法官在 7 月 20 日批准了 15 亿美元的和解,用于 Anthropic 早前的盗版索赔,约等于每本大约 3,000 美元。和解覆盖了来自 Books3 的 196,640 个书目,以及来自 Library Genesis 和 Pirate Library Mirror 的数百万更多书目。Anthropic 必须在裁决后 30 天内删除被盗版文件。
为什么 AI 公司更偏好用旧印刷图书作为训练数据?
ChatGPT 之前印刷的书无法包含 AI 生成文本,使其适合用于训练模型。根据 2024 年《Nature》研究,将机器撰写的内容喂回 AI 系统会导致模型崩溃。来自 AI 时代之前的实体书提供洁净文本,不含合成污染,从而促使像 ISBNdb 这样的经纪商向 AI 公司出售图书来源服务。