当AI生成的内容占据互联网半壁江山，一场关于“干净数据”的隐秘争夺战正在上演。高质量的人类文本，尤其是2022年之前未被机器“污染”的文字，正成为比石油更稀缺的资源。为了获取这些训练素材，多家AI公司通过中间商大规模收购二手图书，拆解扫描后物理销毁，只为在模型崩溃前抢到最后的“纯净燃料”。Anthropic公司耗资数千万美元的“巴拿马计划”曝光了这一产业链，而15亿美元的天价和解金，也创下了美国版权案件的纪录。
这不仅仅是一场数据囤积，它揭示了AI产业最核心的悖论：它越成功，赖以生存的人类数据就越稀缺。
调查媒体披露，AI公司正通过数据中间商批量购入二手书，切掉书脊，高速扫描，随后将纸质残骸彻底销毁。订单规模从一千本到一百万本不等，令不少书商的销量在数月内飙升五倍。Anthropic的内部文件显示，他们在一年内斥巨资购买了数百万本纸质书，完成数字化后便将其粉碎。
为何要如此大费周章？答案在于互联网正在被AI“反噬”。斯坦福大学的报告显示，自2025年初以来，超过一半的新发互联网内容由AI生成。而在ChatGPT问世前的2022年，这一比例几乎为零。当AI模型用AI生成的内容进行递归训练时，灾难性的“模型崩塌”便会发生。牛津大学与剑桥大学的研究曾登上《自然》封面：用AI生成的文本反复训练模型，仅仅九代之后，原本关于中世纪教堂的描述就会演变成对虚构兔子的狂热介绍。这是数学上的必然，源于统计近似、函数表达与优化算法的三重误差。一旦陷入这种循环，模型的输出将迅速退化，失去对现实的把握。
Epoch AI的测算更为严峻：人类公开的高质量文本数据，可能在2026年至2032年间被耗尽。试图用合成数据填补空缺同样危险，研究表明，训练数据中仅混入万分之一的虚假文本，就能导致模型的有害输出增加超过百分之十一。这就是为什么AI公司愿意支付高价，去抢夺那些“2022年前印刷的纸质书”。在那个时间节点之前，文字尚未被算法染指，它们在结构上保证了纯净。
然而，这种“净化”手段引发了激烈的冲突。芝加哥大学开发的Nightshade工具，能在图像中嵌入肉眼不可见却能“毒害”模型的像素；类似的文本防御工具也在兴起。研究显示，只需几百份精心构造的恶意文档，就能在千亿级别的语料库中给模型植入后门。相比之下，物理书籍成了唯一在时间线上天然免疫的堡垒。
但这座堡垒正在被拆解。ISBNdb这家原本服务于图书馆和书商的数据库公司，如今已成为AI行业的“军火商”。其官网直言，书籍是经过精心策展和结构化的知识，是爬虫无法复制的宝藏。他们提供从千本到百万本的批量供应，并签署严格的保密协议。异常之处在于，买家毫不在意书籍的主题、类型或价格，甚至对远高于市价的标价照单全收。被大量买走的，往往是地方史志、濒危语种文献、绝版学术专著和小众回忆录。这些承载人类边缘记忆的孤本，正随着扫描仪的嗡鸣声，从物理世界中永久消失。
Anthropic的“巴拿马计划”提供了一个完整的标本。该项目严格保密，内部文件毫不掩饰其目的：对全世界图书进行破坏性扫描。操作工使用液压机切掉书脊，散页经高速扫描转为数字文件后，纸张直接被回收销毁。尽管公司联合创始人曾从盗版网站下载数百万本电子书，并称其为“及时雨”，但法院最终厘清了界限：从盗版网站下载需付出天价赔偿，而合法购书后的破坏性扫描，则可能被认定为“合理使用”。
2025年，美国法院的一项双重裁决为此定调：下载盗版书侵权，但买书、拆书、扫描并销毁，若仅用于内部训练且不传播，则可能合法。这一判例创造了高达15亿美元的和解金，同时也确立了一个荒诞的激励结构——销毁原件反而成了规避法律风险的最佳策略。这直接催生了ISBNdb这样的商业模式：搬运法律上“干净”的数据，哪怕过程是在摧毁知识的物理载体。
这场争夺战留下了一个被锁进黑箱的人类智慧遗产。AI公司宣称要让知识触手可及，却将海量书籍转化为私有数据库中的加密字节，公众无从访问。这与图书馆的数字化使命背道而驰：后者旨在保存与传播，前者意在消耗与训练。当百万级别的采购匿名进行时，无人能确保那些珍稀的地方文献或小语种著作不会被混入其中，随着切割机一同化为纸浆。对于中小作者而言，现实更为残酷，一张永久训练许可的报价可能仅为每本书十美元，面对巨头的碾压，个体维权几乎不可能。
对中国AI从业者而言，挑战更为艰巨。中文高质量数据在全球训练集中的占比本就偏低，数据稀缺迫使开发者更多依赖翻译和合成内容，加剧了污染风险。训练一个先进的大模型需要数以万亿计的高质量文本片段，而现有的中文纯净数据存量，远不足以支撑这场军备竞赛。
旧书终有耗尽之日，而互联网上的AI噪音却在无限膨胀。收购旧书或许能暂缓模型崩溃，却无法根治顽疾。学术界正在探索解决方案，例如确保每一轮训练都注入新鲜的真实数据，或利用高质量过滤器逆转退化趋势。但这些技术优化赢得的只是时间，而非永恒的解药。
我们迫切需要一套新的契约，在技术跃进与知识传承、商业利益与公共权益之间重建平衡。否则，当AI吞下人类写在纸上的最后一句话，互联网上将只剩下AI自己生成的呓语。人类耗费数个世纪积累的智慧，可能会在几年的疯狂吞噬中，沦为一堆无法解读的数字残渣。这不再仅仅是技术的困境，而是关乎人类文明如何与人工智能共存的根本命题。