最近海外科技媒体404 Media 爆出一件特别有意思的事。一家叫 ISBNdb 的图书数据公司，开始向 AI 公司推销一项服务：帮你按书单从旧书店、图书馆批量找实体书，一次能买1000本到100万本。它的广告语很直白：“世界上最好的 AI 训练数据，正躺在书架上。”而且它们特别看重2022年以前出版的书。

你可能会奇怪，AI 都快把整个互联网读完了，为什么还要回头找纸质旧书？

原因是这样的：2022年底 ChatGPT 发布之后，大量 AI 生成的文章开始回灌互联网，行业里管这叫“AI 泔水”。今天 AI 从网上抓到的一篇文章，很可能是另一个 AI 根据第三个 AI 的总结改写出来的。如果下一代模型不断拿上一代模型的输出来训练自己，就像拿复印件继续复印，细节会越来越模糊，研究者把这种风险叫“模型崩塌”。

虽然经过筛选的 AI 合成数据也能用于训练，但问题是今天的互联网已经很难分辨哪段话是人写的、哪段是 AI 写的。这时候，一本2022年以前印出来的书就变得特别：不管写得好不好，它至少是纯粹由人类写出来的，在 AI 爆发之前就固定在纸上了。AI 公司表面上买的是旧书，真正要买的是一批有出处、有时间戳、确认来自人类的文本。

更魔幻的是 Anthropic（就是做 Claude 的那家公司）的操作。它早年从盗版网站下载过数百万本电子书，后来版权风险越来越大，从2024年开始花数百万美元批量购买实体书，把书脊切掉，书页送进高速扫描仪变成数字文件，纸书随后销毁。这个项目叫“巴拿马项目”，目标听起来像电影台词：破坏性扫描全世界所有的书。当然了，这种破坏书的行为也引起了众怒。

2025年，一名美国联邦法官做了一个很微妙的判断：合法买来的书转成内部数字副本、原件销毁，属于合理使用；但从盗版网站直接下载几百万本书，不属于合理使用。Anthropic 后来拿出15亿美元和解了盗版书库带来的集体诉讼，2026年7月法院批准了这项和解。

这等于给整个行业画了一条路线：盗版风险太大，那就去市场上合法买实体书。ISBNdb 看到的正是这门生意。虽然被报道后它撤下了服务页面，说只是需求探索，但只要 AI 公司还需要大量确认由人类写作、编辑、出版的文本，市场就会继续找下一家中间商。

这件事最值得关注的一点是：AI 时代真正稀缺的，可能是高价值的内容。文字变多，不等于有价值的数据变多。一本旧书值钱的地方在于，有人决定这个题目值得写，有人花几年搜集材料，有编辑判断该保留什么，读者又用购买和讨论做了一轮筛选。这套流程留下了来自真实世界的选择记录。

机器越会生产内容，那些能证明“这确实是人写的”内容就越值钱。这样的数据也不仅限于旧书，企业多年积累的买家秀、生产数据、退货记录，都可能是数据富矿。以后最昂贵的数据，未必是最秘密的，也未必是数量最大的，可能是那些能说清楚从哪里来、由谁判断过、为什么值得相信的数据。

#科技先锋官# #How I AI#