AI公司正在扫描大量书籍，有时甚至是稀有书籍，并在过程中将其销毁以训练模型——如今，我们终于知道了哪些公司以及它们如何操作。独立科技媒体404 Media将追踪设备放入一批稀有书籍中，目睹其运往亚马逊位于拉斯维加斯的设施，在那里，公司扫描并销毁实体书籍以训练AI。
这项调查于周一发布，首次公开了与AI训练相关的批量书籍采购的最终去向。终点是亚马逊的VGT3团队。员工向媒体透露，他们只负责接收大量实体书籍，然后切掉书脊，以便更快地通过扫描仪。书籍在这个过程中被销毁。该团队极其贴切的标志是一只恐龙爪子抓着书。
图片：404 Media
为什么实体书籍突然需求大增
2022年之前出版的书籍包含的文本大多不易于在线获取，而且关键的是，并非机器撰写。让模型在自身类型的输出上训练存在“模型崩溃”的风险，即每次递归循环后质量都会下降。因此，2022年之前的纸质书籍是AI训练的清洁燃料。
亚马逊并非唯一一家。一个为AI实验室提供实体书籍的次生行业已经形成，这些书籍被拆解、扫描并丢弃——这就像《华氏451度》中为喂饱机器而销毁文字的场景。Anthropic内部的“巴拿马项目”已经大规模运行，通过破坏性扫描数字化了数百万本书籍。
这种对清洁文本的争夺已经诉诸法庭。一名联邦法官裁定，在合法购买的书籍上训练AI可视为合理使用，这对Anthropic、Meta和OpenAI来说是一次部分胜利。盗版副本则另当别论：Anthropic就扫描盗版书籍达成15亿美元和解，Salesforce目前因涉嫌书籍盗版面临集体诉讼。
亚马逊的运营因结构性问题而保持低调。书商们注意到过去一年中批量订单激增，怀疑背后是AI公司——买家对价格不敏感，且似乎随机选择书名。他们的担忧最终通过一个AirTag揭示了目的地而得到证实。亚马逊表示，它“通过商业渠道购买书籍，以帮助开发和改善客户使用的产品和服务”。