面对互联网上AI生成内容泛滥导致模型越训练越“笨”的困境，AI公司正通过批量抢购2022年以前出版的纸质旧书来获取“纯净”训练数据，但这一“焚书”式做法引发巨大争议，业界也在探索更多既能获取高质量语料、又能避免模型坍缩的替代方案。
一、模型坍缩的根源与旧书价值凸显
数据污染是核心症结：2022年ChatGPT问世后，互联网上新发布内容中AI生成占比已超一半，这些同质化、逻辑混乱的“垃圾内容”被用于训练新模型，会导致模型在几代迭代内统计误差累积、输出质量断崖式退化，即“模型坍缩”。
纸质书成“纯净语料”：2022年前出版的书籍从物理层面天然免疫AI污染，由人类创作、编辑和专业校对，结构完整、语言精炼，是眼下最稀缺的“高质量人类原创数据集”。
破坏性扫描争议巨大：以Anthropic为代表的企业通过中间商匿名批量采购旧书，切除书脊高速扫描后直接将原件粉碎销毁，累计约200万册实体书被永久拆毁，其中可能包含存世量极少的绝版古籍。
二、除了购买旧书，还有哪些替代路径？
构建高质量人工审核数据集：组织专业团队从海量网络内容中人工筛选、清洗出高质量人类原创文本，建立受控的“干净语料库”，虽成本高但能确保数据纯净。
与创作者和出版机构直接合作：签订授权协议，获得作者手稿、未公开出版内容或出版社独家数字资源，从源头确保文本的人类原创属性，同时规避版权风险。
数据溯源与AI内容甄别技术：开发检测工具，利用水印技术、内容指纹等手段自动识别并剔除AI生成文本，保留人类创作部分，实现“污染数据”的二次净化。
三、AI训练与知识传承的平衡之道
行业已现退让信号：马斯克已要求SpaceX AI团队对稀有书籍采用无损扫描方式，并将原书保存在图书馆而非切脊销毁；图书数据库公司ISBNdb在舆论压力下删除了面向AI公司的采购服务页面。
法律灰色地带待填补：美国法院认定“合法购买纸质书后破坏性扫描”属合理使用，但伦理争议持续——当历史原件被销毁、数字副本锁进私有服务器，公众将永久失去部分原始文献的获取渠道。
探索多赢模式：出版企业内容资产成为大模型训练的重要语料来源，预计2026年文化IP数字化运营有望为出版业带来约700亿元增量空间，但需建立“先授权后使用”的良性生态。