AI语料枯竭引发“拆书潮”：亚马逊仓库成数据提取前线

【科技纵览】2026年8月，一本内嵌AirTag定位器的书籍横跨美国大陆，最终停驻于拉斯维加斯亚马逊VGT3设施。这一追踪行动由科技媒体404 Media发起，起因是一名二手书商在Biblio平台接到异常大额订单后，配合记者将追踪器植入书中。据该仓库员工透露，此处接收大量纸质书后，会切除书脊与装订，快速扫描散页以提取文本，原书随即失去流通价值。这家曾以“把书搬上互联网”为使命的公司，二十余年后正通过物理拆解的方式，将未数字化的实体书转化为训练数据。

大模型对语言、知识及人类世界观的学习依赖海量文本，随着模型规模扩张，对多样化新信息的需求日益迫切。过去，业界视互联网为近乎无限的数据矿藏，涵盖数十亿人十多年的表达。然而，Epoch AI 2024年的研究指出，经去重和质量筛选后，公开人类文本仅约300万亿token，预计2026至2032年间将被充分消耗。虽然AI不会立即面临无数据可用困境，但获取优质新语料的成本正急剧上升。

与此同时，互联网内容正遭受AI生成内容的“污染”。自ChatGPT发布以来，大量网页、博客及评论由模型生成或辅助撰写。这些内容虽通顺，却缺乏纯粹的人类特质。大模型通过人类文本学习世界描述方式，而AI生成内容往往基于高概率表达，导致措辞同质化及错误共享。当这些内容回流至训练集，形成递归循环，高频模式被放大，长尾低概率内容消失，这种现象被称为“模型坍缩”。此外，人机混写内容使得来源追踪和质量过滤成本激增，尽管文本总量增加，有效新数据并未同步增长。

在此背景下，未经AI介入的纸质书成为稀缺资源。一本几十年前出版且未数字化的旧书，其核心价值在于来源的可确定性。例如1987年的地方史或绝版专业手册，虽内容可能过时，但保留了作者、出版社等元数据，提供了主流网络中罕见的低频知识和特定时代语境。在AI训练视角下，“人类创作”本身成为一种可识别且高价值的数据标签。相较于被反复转载的网络文章，这些罕见出版物能提供模型未曾见过的知识分布。

科技巨头已加速布局线下数据源。OpenAI于2023年启动数据合作计划，寻求公共互联网外的大规模资料，包括与Free Law Project合作的法律文书。2025年Bartz v. Anthropic案披露，Anthropic斥资数百万美元购买数百万本新旧书籍，通过拆装订、裁书页并扫描为PDF的方式构建私有数据集。这些举措表明，谁能提前锁定未被AI污染的存量文本，谁便掌握了下一代模型的关键命门。

面对亚马逊切书脊的行为，公众易产生文化遗产被毁的本能反感。然而，在旧书市场中，“稀有”常指存量少或绝版，未必具备高收藏价值。许多此类书籍早已滞销，面临化浆命运。从某种角度看，这种物理毁灭伴随的是数据的永久保存与检索便利。那些被人类遗忘数十年的文字，在AI时代重新获得生命力。我们正步入一个悖论式的阶段：能撰写论文与代码的人工智能，其进化养分正从落满灰尘的旧书页中逐页剥离。