生成式 AI 公司正面臨一個自己製造的問題：互聯網上充斥大量 AI 垃圾（俗稱「AI slop」），若繼續用這些合成文字訓練新模型，可能導致「模型崩潰」（model collapse），即模型表現一代不如一代。為解決這困境，部分 AI 實驗室開始大量購買 2022 年前印刷的實體舊書，作為「最後的乾淨訓練數據」，但這卻引發大量紙本書籍被銷毀的疑慮，原因來自 Anthropic 15 億美元版權和解案中法官的裁決。
為甚麼是 2022 年前的舊書？
數據經紀商 ISBNdb 在其網站上直言：「世界上最好的 AI 訓練數據，正放在書架上。」他們強調書籍是「密集、經過編輯、具權威性」的人類知識，結構遠勝於網路爬蟲抓取的內容。
關鍵在於出版年份。2022 年之前印刷的書籍，早於大型語言模型普及，理論上不可能包含 AI 生成文字。這正好避開兩大風險：
- 模型崩潰：模型反覆訓練自己或同類 AI 的輸出，會令數據品質逐漸劣化。
- 數據投毒：作者使用 Nightshade 等工具，可在文字中植入難以察覺的後門。Anthropic 的研究顯示，僅需 250 至 500 份被動過手腳的文件，就可能影響數萬億 token 的訓練集。而 2022 年前的書籍可完全避開這些問題。
ISBNdb 因此提供批量採購服務，並強調購買實體書能建立完整的「合法擁有證明」與保管鏈，方便法務團隊應對版權爭議。
訓練過程導致大量舊書被銷毀？
令人關注的是後舊書獲取數據的方法極具破壞性：為了方便高速掃描，批量採購回來的紙本書通常會用液壓裁切機切去書脊，再以高速掃描機處理，最後將紙張送去回收。ISBNdb 坦言，這種做法存在嚴重的「光學問題」（optics problem）。但一旦新聞中出現「AI 公司摧毀兩百萬本書」這類負面標題，肯定會引發關公公關災難，因此 ISBNdb 每一筆交易都簽訂嚴格保密協議（NDA），絕不披露顧客是誰。
其實這並非全新做法。Anthropic 早前的「Project Panama」計劃，就曾以類似方式處理約 200 萬本實體書。美國法院在相關訴訟中裁定，只要公司合法購買掃描內容用於訓練屬於合理使用（fair use），法官的判決理據之一是「複製行為會毀損每一份印刷原版，因此一份合法複製品不過是取代它罷了」。這正是 Anthropic 支付 15 億美元達成史上最大版權和解案後，法院確立的重要先例。
美國最大圖書分銷商 Ingram 已向出版商發出警告，並提供批量銷售的「退出選項」，顯示業界對這波採購潮的關注正在升溫。
解決訓練數據稀缺卻可能摧毀稀缺版本書籍
這股搶購潮反映 AI 訓練數據已進入「稀缺」階段。公開網路文本的可用量雖然龐大，但品質正快速下降。實體舊書成為少數仍能保證「純人類創作」的來源，尤其是已進入公有領域或版權風險較低的作品。
對二手書市場而言，影響已開始顯現。部分書商反映，從 2026 年 4 月起訂單量突然暴增，買家對價格極不敏感，且採購清單往往涵蓋冷門、專業性強的非小說類書籍，與一般收藏或轉售行為明顯不同。歐洲部分古書店甚至出現深夜大量訂單，引發對稀有版本被摧毀的擔憂。
從法律層面看，這條「購買—損毀—掃描」路徑，已被法院認可為可行方案，但長期而言仍可能引發文化與倫理爭議：AI 公司為追求乾淨數據，正在有系統地將紙本知識轉化為數碼資源後銷毀。
AI 產業正為自己造成的數據污染問題付出代價。當「一句從未被機器觸碰過的句子」變得稀缺時，書架上的舊書意外成為最有價值的資產。這波搶購潮也提醒業界：乾淨、可驗證的人類知識，正在快速變成稀缺資源。
