据 404 Media 报道，随着互联网上的 AI 生成内容越来越多，一些 AI 公司开始批量购买 2022 年以前出版的纸质书，将它们拆开、扫描成训练数据，再销毁原书。
为什么是 2022 年以前的书，因为 ChatGPT 在 2022 年底爆发...
原因有点讽刺：AI 制造了大量内容垃圾，现在又需要寻找没有被 AI 污染过的文字，训练下一代 AI。
一家名为 ISBNdb 的图书数据公司，正在为AI客户提供大规模实体书采购服务，一次可以处理1000本到100万本图书。
它们主要看中了旧书的几个特点：
2022年以前出版，基本不含AI生成文本；
内容经过作者、编辑和出版社筛选；
包含大量尚未数字化的专业知识和地方资料；
实体书有明确购买记录，更容易证明数据来源合法。
为了提高扫描效率，工作人员通常会直接切掉书脊，把散开的书页送进高速扫描设备。扫描完成后，剩余纸张会被粉碎或回收，原书永久消失。
有书商表示，自己过去每周只能卖出约 20 本书，今年 4 月以后突然增长到数百本。买家对价格并不敏感，地方史、法律、经济、语言等长期滞销的专业书，也开始被成批买走。
真正让人担忧的是，其中可能包含数量极少的珍稀版本。
畅销书被毁后还能重新购买，但部分绝版著作、地方志和古籍可能只剩下几本。一旦进入扫描流水线，消失的不只是文字副本，还有装帧、纸张、批注和版本本身承载的历史信息。
Anthropic 此前已经实践过这套模式。
为了给 Claude 获取训练材料，Anthropic 花费数百万美元，合法购买了数百万册纸质书，还雇用前 Google Books 合作负责人Tom Turvey 推进项目，目标是获取“世界上所有的书”。
这些书被运到扫描公司后，从装订处直接切开，再由高速设备转成数字文件。扫描结束，纸质原书被丢弃或回收，只留下数字版本进入 Anthropic 的内部资料库。
过去，科技公司将图书数字化，是为了保存和传播知识。
现在，它们把旧书当成一种有限的数据矿产。谁先买走并粉碎，谁就能获得一批竞争对手可能再也无法复制的「纯人类语料」。
AI 先用生成内容污染互联网，再把没有被AI污染的旧书成吨买走。
最后留下来的，可能只有模型和收据。
