2026 年 8 月，一本藏着 AirTag 的書橫跨美國，最後停在拉斯維加斯的一座亞馬遜倉庫裏。

這枚 AirTag 來自科技媒體 404 Media。一名二手書商在 Biblio 平台收到一筆異常的大額訂單後，配合記者把定位器藏進其中一本書。記者跟着它，找到了亞馬遜在拉斯維加斯的 VGT3 設施。

在那裏工作的員工說，倉庫會接收大批紙質書，切掉書脊和裝訂，再快速掃描散開的書頁。等掃描完成，原書也不可能再作為一本完整的書流通。

一家靠「把書搬上互聯網」起家的公司，二十多年後，正在把那些還沒進入互聯網的書，一本本拆掉，變成數據。

圖｜404 Media

AI 喫完互聯網後，開始喫書了

大模型主要從海量文本中學習語言、知識，以及人類描述世界的方式。模型不斷擴張，也就需要更多樣、能提供新信息的訓練語料。

過去很多年，AI 行業默認互聯網是一個近乎無限的數據礦。網頁、論壇、文庫和社交平台積累了幾十億人十多年的表達，文本量大到似乎永遠挖不完。

事實的確如此嗎？

這座礦山還沒有被挖空，容易利用的富礦卻已被許多公司反覆開採。今天任何一家主流模型廠商的語料庫裏，很可能都存着同一個網站在不同時間的抓取版本。

也就是說，互聯網文本看着很多，去掉重複內容，再經過質量和來源篩選，真正能給模型帶來新增信息的優質語料會明顯縮水。

Epoch AI 在 2024 年發布的研究中估算，經過質量和重複調整後，公開的人類文本約有 300 萬億 token。研究還推測，按照當時的趨勢，這些存量會在 2026 至 2032 年間被充分利用。

AI 當然不會馬上陷入無數據可用的境地，但是能夠確定的是，AI 公司想獲得新的優質語料，需要付出的成本越來越高。

與此同時，新的互聯網內容正在被 AI 自己污染。ChatGPT 在 2022 年底面向公衆發布後，越來越多的網頁、博客、評論和產品介紹由模型生成，或者人用模型輔助寫出來的。它們看起來像人話，也比大多數真人寫的更通順，卻很難再被當作純粹的「人類作品」。

人類作品為什麼重要？

並不是因為「人寫的」天然比機器寫的高級。大模型並不直接接觸世界。它主要通過人類留下的文本，學習語言和知識，也學習人怎樣描述和理解這個世界。

AI 內容大量進入互聯網後，會帶來兩個問題。

模型生成內容時，往往會選擇概率較高的表達和結論。來自相近模型的大量文章，也容易共享同一套措辭、知識邊界和錯誤。

這些內容再次進入訓練集，帶回去的往往是上一代模型對舊資料的加工。經過多輪遞歸，高頻模式會被繼續放大，低概率的長尾內容則更容易消失。

網上的文字變多了，能給模型帶來新觀察和新分佈的信息卻沒有同步增加，語料本身也就沒那麼「值錢」了。

另一個更隱匿的原因是，AI 生成內容進入公開網絡後，下一輪網頁抓取面對的不只是更多文字，以及越來越難確認的來源。人寫、還是人機混寫，內容越來越難區分，對於 AI 公司的數據團隊而言，他們需要投入更多成本追蹤來源、過濾重複並覈對質量。

互聯網上的文本總量迅速增加，可用的新數據卻沒有跟着變多。

行業裏管這叫「模型坍縮」。

公共互聯網越來越難處理，科技公司便開始尋找那些還沒有被 AI 生成內容混入的文本——

紙質書。

一本幾十年前出版、從未被數字化過的舊書，有一個今天許多網絡文章已經很難證明的屬性——它可以高度確定是某個人類寫出來的。

設想一本 1987 年出版的地方史。內容可能早已過時，書上卻有作者、出版社、版次、出版時間和 ISBN。只要能確認這個版本沒有以可用形式進入既有訓練集，它就能同時提供新的文本和一條清楚的來歷。

早已絕版的專業手冊、幾十年前的小衆學術著作，也有類似的價值。

再進一步，地方史會記錄小城鎮裏的人名、地名和制度，行業手冊會留下一套已經淡出主流的專業語言。這些內容在訓練數據裏出現得很少，模型很容易忽略它們。隨着常見內容被反覆複製，地方史和專業手冊保存的低頻知識還會進一步被淹沒。

舊書會寫錯，嚴肅出版物也會留下時代的偏見。但在訓練數據裏，一篇被轉載上百次的文章能夠增加的內容，可能還不如一本少見的地方出版物。後者至少記錄了模型沒有見過的知識。

這個時候，一個有趣的反差出現了。

曾經，一本書值錢，是因為它的內容有價值。到了 AI 訓練的語境裏，一本舊書值錢，它還會因為來源可靠、未經生成式 AI 介入而受到重視。

這些舊書最稀缺的地方，未必只是寫得多好，也包括它們來自一個尚未被生成式 AI 覆蓋的年代。

人寫的作品開始被標價

當「人類寫的」本身成為一種可識別的數據標籤，它就會被定價和採購。

過去兩三年，所有人都在談論 AI 的算力軍備競賽。英偉達的顯卡、微軟的核電站、Meta 的數據中心，巨頭們把幾百億美元砸進 GPU 和電力裏。大家都默認，人們很容易產生一種印象，只要算力夠多，模型就能繼續變強。

模型變強同樣離不開數據。芯片可以買，也可以造，電力不夠還可以建電廠。未經 AI 生成內容混入、由人類寫下的優質文本，卻在不斷減少。

「人類作品」正在成為一種稀缺資源。

AI 公司已經在網絡之外尋找這些內容。OpenAI 在 2023 年啓動了數據合作計劃，公開尋找「不容易在公共互聯網上獲得」的大規模資料，其中包括與 Free Law Project 合作取得的法律文書。它還允許機構以私有數據集的方式提供內容，用於基礎模型、微調模型或定製模型。

亞馬遜也不是第一家把目光投向紙質書的公司。

2025 年的 Bartz v. Anthropic 案披露了另一套已經運行的大型掃書計劃。文件顯示，Anthropic 曾花費數百萬美元購買數百萬本新書和二手書。服務商拆掉裝訂，裁開書頁，再把紙本掃成帶有可機讀文字的 PDF。公司給這些文件建立書目數據，再從中挑選不同子集，加入不同模型的訓練數據。

這些動作都指向同一個判斷。

互聯網上乾淨的人類文本快不夠用了，誰能提前鎖住這些存量，誰就握住了下一代模型的命門。

被遺忘，還是被提取

看到亞馬遜切掉書脊、拆散書頁的畫面，人很容易產生一種本能的反感。

一家科技巨頭正在批量毀掉人類留下的文化遺產。

「Rare Books」幾個字又強化了這種感覺。讀者很容易把它理解成珍本、孤本，或者某位重要作家留在世上的少數版本。但在舊書市場裏，「稀有」有時只表示存量少、已經絕版，並不自動等於一本書具有很高的文化或收藏價值。

它可能是一本珍貴的初版書，也可能只是一本出版於 1991 年的軟件操作手冊。

這些書在被掃描之前，就已經在書店角落裏躺了好幾年，等着和成千上萬賣不掉的副本一起，送進化漿池。

這某種程度上能不能算是一種「數字化」呢？

紙本在掃描中被毀掉，文字卻留下了一份可以長期保存、檢索和處理的副本。那些原本可能隨着庫存清理一起消失的內容，也因此有了新的用途。

因此這個事件就進入了一個十分微妙，也十分諷刺的狀態。

這些書在人類的世界裏早就死了——沒人買、沒人讀、連作者都聯繫不上。它們被人類遺忘了幾十年，卻在 AI 時代成了最搶手的數據。

我們大概正在走進一個奇怪的時代：

一台能寫論文、能寫代碼、能寫小說的人工智能，它下一代的訓練資料，正從一本本落滿灰塵的舊書裏，一頁一頁地剝出來。

作者｜方俊鳴

編輯｜肖欽鵬