AI 公司正一車車地掃描書籍——有時是稀有書籍——且常在過程中將其銷毀,用以訓練自家模型。一項新的調查,首次公開呈現了有哪些公司參與其中,以及這項作業如何運作。

獨立科技媒體 404 Media 在一批稀有書籍中放入追蹤裝置,並追蹤它一路運抵亞馬遜位於拉斯維加斯的一處設施,該公司在當地掃描並銷毀印刷書籍以訓練 AI。這項於週一發布的調查,首次公開查明與 AI 訓練相關的大量購書最終流向何處。

這批貨件的最終站是亞馬遜的 VGT3 團隊。員工向該媒體表示,他們的工作內容就是接收成批的印刷書籍貨件,然後裁切掉書籍裝訂,讓書頁能更快送入掃描器。書籍本身便在過程中遭到銷毀。該團隊的標誌——一隻以利爪抓著書本的恐龍——顯得格外貼切。

為何印刷書籍突然搶手

2022 年之前印刷的書籍,其文字大多無法在網路上輕易取得,而且至關重要的是,並非由機器撰寫。以模型自身產出的內容訓練模型,有引發「模型崩潰」的風險——研究人員已在 2024 年發表於《自然》期刊的一篇論文中,展示了這種品質持續劣化的循環。因此,2022 年前的紙本內容成了 AI 訓練的乾淨燃料。

亞馬遜並非唯一。一個專門向 AI 實驗室供應實體書籍的小型產業已然成形,這些書籍會被拆解、掃描、然後丟棄——《華氏 451 度》中文字遭銷毀以餵養機器的場景正在現實上演。Anthropic 內部的「巴拿馬計畫」早已大規模執行過同類作業,透過破壞性掃描將數百萬本書數位化。此一做法與上一波大規模數位化時代明顯有別:Google 圖書在 2000 年代與 2010 年代掃描了數百萬冊圖書館藏書,卻未消耗掉原書——借閱的副本回歸書架——且美國一家上訴法院於 2015 年裁定該計畫的掃描屬於合理使用。

這場對乾淨文字的爭奪已經鬧上法庭。美國聯邦地區法官威廉·阿爾蘇普裁定,以合法購買的書籍訓練 AI 可構成合理使用,這是 Anthropic 的部分勝利,Meta 與 OpenAI 也宣稱獲得類似成果。盜版副本則是另一回事:Anthropic 同意就掃描盜版書籍支付 15 億美元達成和解,而 Salesforce 目前則面臨一場集體訴訟,案情涉及書籍盜版指控。權利人也以其他方式反擊:全球最大大眾出版商企鵝蘭登書屋於 2024 年底在其書籍版權頁加入條款,禁止將書籍用於訓練 AI 系統。

亞馬遜這項作業之所以一直不為人知,有其結構性原因。書商在過去一年注意到大宗訂單激增,並懷疑背後是 AI 公司——買家對價格不敏感,選書似乎全憑隨機。他們的疑慮最終由一枚藏在一筆大型書籍訂單裡的蘋果 AirTag 獲得證實,這枚 AirTag 揭露了目的地:亞馬遜位於拉斯維加斯的 VGT3 倉庫。

亞馬遜證實,這項作業先前從未被報導,並表示該公司「透過商業渠道購買書籍,以協助開發並改善客戶使用的產品與服務」。該公司也在打造自家的 AI 產品:亞馬遜於 2024 年 12 月推出 Nova 系列基礎模型,並透過 AWS 銷售 AI 服務,這些業務都仰賴大規模的訓練資料。