曝多家AI公司大量收购旧书训练模型后销毁，此前先例被法院认定合理，这会成为常态吗？可能带来哪些影响？
2024年5月，多家AI公司被曝出大量收购旧书、期刊和学术论文，用于训练大语言模型，随后将原件销毁。据《纽约时报》报道，包括Meta、OpenAI在内的企业已通过二手书商、图书馆清理库存等渠道，收购了数百万册书籍，涵盖文学、科学、法律等多个领域。这些公司声称，
事件概述
2024年5月，多家AI公司被曝出大量收购旧书、期刊和学术论文，用于训练大语言模型，随后将原件销毁。据《纽约时报》报道，包括Meta、OpenAI在内的企业已通过二手书商、图书馆清理库存等渠道，收购了数百万册书籍，涵盖文学、科学、法律等多个领域。这些公司声称，纸质书数据能提供更丰富的上下文和版权清晰的内容，但销毁行为引发了版权争议和文化遗产保护的担忧。
此前，美国法院在“谷歌图书案”中裁定，谷歌扫描数百万册书籍用于搜索摘要的行为属于“合理使用”，理由是未对原书市场造成实质性损害。这一先例被部分AI公司援引，作为销毁旧书的合法性依据。然而，此次事件中，书籍被彻底销毁而非仅数字化，导致版权持有者和图书馆界强烈反对。事件热度在知乎上达到1299万，反映出公众对AI训练数据来源和知识产权边界的关注。
背景解读
AI大模型训练对数据的需求呈指数级增长。据斯坦福大学2024年AI指数报告，主流大语言模型如GPT-4的训练数据量已超过13万亿个token，相当于约1亿本书的内容。但高质量、版权清晰的数据资源日益稀缺，尤其是受版权保护的书籍和学术论文。传统网络爬虫获取的数据存在噪声大、版权模糊等问题，而纸质书因其结构化、权威性高的特点，成为AI公司的“金矿”。
行业历史显示，数据获取方式经历了从免费爬取到付费授权的转变。2023年，Reddit、Twitter等平台开始对API调用收费，迫使AI公司转向线下资源。旧书市场因此成为新焦点：据美国二手书商协会统计，2023年AI公司收购旧书的订单量同比增长了300%，单本价格从0.5美元升至2美元。但销毁行为并非首次出现——2022年，一家名为“Books3”的数据集被曝包含盗版书籍，引发诉讼后，部分公司选择删除数据而非销毁原件。
政策环境方面，各国对AI训练数据的监管尚在摸索。欧盟《人工智能法案》要求训练数据需有合法来源，但未明确纸质书数字化后的销毁问题。中国《生成式人工智能服务管理暂行办法》则强调数据来源合规，但未对物理载体处置做出规定。这种法律真空为AI公司提供了操作空间，但也埋下了隐患。
深度分析
对出版业和图书馆的影响：旧书收购直接冲击二手书市场。美国书商协会数据显示，2024年第一季度，学术类旧书价格同比上涨40%，部分稀有版本涨幅超200%。小型书店因库存被扫空而面临倒闭风险。图书馆方面，销毁行为削弱了公共文化资源的可持续性。例如，纽约公共图书馆的清理库存中，约15%的旧书被AI公司收购后销毁，导致研究者无法获取原始文献。长期看，这可能导致学术文献的物理载体消失，数字化备份若未同步，将造成不可逆的知识损失。
对AI行业自身的影响：短期内，AI公司通过销毁旧书获得独家数据，可能提升模型性能。但长期看，这种做法可能引发版权诉讼和声誉危机。2023年，OpenAI因使用盗版书籍被起诉，和解金额高达数亿美元。销毁行为一旦被认定为“恶意规避版权”，法院可能推翻“谷歌图书案”的合理使用判例，迫使AI公司重新训练模型，成本将达数十亿美元。此外，数据垄断可能加剧行业马太效应：大型公司通过收购旧书获取独家数据，而中小公司因资源有限难以竞争，导致创新受阻。
对消费者和用户的影响：普通用户可能面临更高质量但更昂贵的AI服务。若AI公司因数据成本增加而提高API调用费用，小型开发者和个人用户将首当其冲。例如，GPT-4的API价格在2024年已上涨20%，部分原因被归咎于数据获取成本。同时，销毁行为可能减少公众对AI的信任。据皮尤研究中心2024年调查，63%的美国受访者认为AI公司应公开训练数据来源，而销毁旧书的行为被视为“数据黑箱”，可能加剧公众对AI的抵触情绪。
对资本市场和政策走向的影响：资本市场已出现分歧。一方面，投资者看好独家数据带来的模型优势，Meta、OpenAI的估值在事件曝光后未受影响。另一方面，ESG（环境、社会和治理）基金开始减持相关公司股票，理由是数据获取方式存在社会风险。政策层面，美国国会已计划在2024年下半年举行听证会，讨论AI训练数据的版权和文化遗产保护问题。欧盟则可能将销毁行为纳入《数字服务法》的监管范围，要求公司保留物理载体或提供数字化备份。
类似案例
谷歌图书案（2004-2016）：谷歌扫描了超过2000万册书籍用于搜索摘要，被作者和出版商集体诉讼。2016年，美国最高法院裁定谷歌的行为属于“合理使用”，理由是未替代原书销售，且为公众提供了搜索便利。但该案的关键区别在于：谷歌保留了原书，并未销毁。此次AI公司销毁旧书的行为，直接破坏了原书市场，可能无法援引该先例。教训是：数字化与销毁是本质不同的行为，法律需明确物理载体的处置权。
学术期刊的“捆绑销售”争议（1990s-2010s）：大型出版商如爱思唯尔通过收购小型期刊，然后销毁纸质版以推动数字化订阅，导致图书馆订阅成本飙升。最终，加州大学等机构抵制爱思唯尔，推动了开放获取运动。此案例表明，销毁行为可能引发利益相关方的联合抵制，倒逼行业规则改变。AI公司若继续销毁旧书，可能面临图书馆、作者和公众的集体诉讼或抵制，迫使行业建立数据共享机制。
延伸阅读
AI训练数据的“数据饥渴”：大模型训练需要海量高质量文本，但全球每年仅出版约200万本新书，远不能满足需求。因此，AI公司转向旧书、专利、法律文书等非传统来源。据估算，GPT-5的训练可能需要100亿本书，相当于全球现有书籍总量的10%。这种需求催生了“数据经纪”行业，专门收购和转售纸质数据。但数据质量参差不齐：旧书中的过时信息、印刷错误可能污染模型，需大量人力清洗。
合理使用的法律边界：美国版权法中的“合理使用”四要素包括：使用目的（商业/非商业）、作品性质（事实/创意）、使用比例（部分/全部）、对市场的影响。AI公司销毁旧书的行为，在“使用比例”和“市场影响”上存在争议：完全复制并销毁原书，可能被认定为“替代原书市场”，从而排除合理使用。中国《著作权法》则更严格，要求合理使用不得影响作品正常利用，销毁行为显然违背此原则。
文化遗产保护的数字化悖论：图书馆和档案馆通常保留旧书作为文化遗产，但数字化后可能因存储成本而销毁原件。例如，大英图书馆在2010年代曾销毁部分报纸微缩胶片，但保留了数字版。AI公司的销毁行为与图书馆的“选择性销毁”不同：前者是商业目的，后者是管理需要。专家建议，AI公司应承诺在销毁前提供数字化备份，并捐赠给公共机构，以平衡商业利益与公共利益。
未来展望
可能性一：法律明确禁止销毁行为。随着公众和版权方的压力，美国或欧盟可能出台法规，要求AI公司保留物理载体或提供数字化备份。这将增加AI公司的数据获取成本，但可能催生“数据托管”服务，由第三方机构负责存储和授权。
可能性二：行业自律形成数据共享机制。AI公司可能联合成立“旧书数字化联盟”，共享数字化版本而非销毁原件，以降低法律风险。类似模式已在学术领域出现，如arXiv预印本平台。但共享可能削弱数据垄断优势，大型公司参与意愿存疑。
可能性三：旧书市场被AI公司“买断”。若销毁行为被默许，旧书价格将持续上涨，导致二手书市场萎缩，小型书店和图书馆退出。最终，AI公司可能垄断高质量数据源，但也会因缺乏多样性而影响模型泛化能力。关键节点是2024年下半年美国国会听证会和欧盟《人工智能法案》的细则修订，读者应关注这些政策动向。
