亞馬遜因資料稀缺開始摧毀書籍用於 AI 訓練

當公開互聯網越來越難以提供足夠稀缺、可靠、未經AI生成內容污染的高質量文本時，舊書正從文化商品轉變為AI時代的數據原料。

文章作者、來源：0x9999in1，ME News



• 這不是一條簡單的「亞馬遜毀書」新聞。更重要的訊號是：當公開互聯網越來越難以提供足夠稀缺、可靠、未經AI生成內容污染的高質量文本時，舊書正從文化商品轉變為AI時代的數據原料。
• 404 Media 追蹤的一筆約 1000 本書訂單最終進入亞馬遜北拉斯維加斯 LAS8 倉庫；員工稱其中 VGT3 團隊會切掉書脊、掃描頁面，紙質原本因此被毀。亞馬遜確認會通過商業渠道購書以改進產品和服務，但沒有公開項目規模、起始時間、具體用途，也沒有回答是否會在銷毀前篩除珍稀或稀缺版本。
• 「先購買實體書、再進行破壞性掃描」還有一層現實背景：在2025年的 Bartz v. Anthropic 案中，美國聯邦地區法院認可了對合法購買的紙本書進行一對一數位化替換的合理使用，但明確區分了合法購買與盜版取得。到2026年7月，Anthropic 涉及盜版來源的集體版權訴訟又以15億美元和解獲得最終批准。數據來源正從技術問題轉變為資產負債表問題。
• Amazon 此時下場並不奇怪。公司預計 2026 年資本開支約 2000 億美元，AI 是重點投入方向；今年第二季度 AWS 銷售額同比增長 37% 至 422 億美元。算力仍在瘋狂擴張，但高質量數據的邊際價值也在上升。
• 真正需要警惕的不是所有「拆書」行為本身，而是一個缺少透明度的採購與銷毀系統：普通二手書可以再印、再買，某些絕版書、帶批註的版本、地方出版物和存世稀少的文本卻可能無法恢復。一旦篩選機制不存在，AI公司獲得的是數據，社會失去的可能是不可逆的實物記錄。

最引人注目的畫面當然非常殘酷：一本書的書脊被切掉，紙頁被送入掃描設備，最終原書不復存在。更具戲劇性的是，進行這項行動的公司恰恰是亞馬遜——那個於1995年從網上賣書起家的亞馬遜。三十多年後，它又開始大量購書，只是這次，書未必會交到讀者手中，而是要轉變為機器可處理的數據。

根據 404 Media 8 月 17 日發布的調查，記者 Emanuel Maiberg 與一名透過 Biblio 接到大單的書商合作，在一批約 1000 本書中的一本放入 AirTag。追蹤器一路抵達亞馬遜位於北拉斯維加斯的 LAS8 倉庫。報導援引在該地點工作的員工稱，一個名為 VGT3 的團隊負責接收大量紙質書，切除裝訂後快速掃描，原書在流程中被破壞。亞馬遜隨後向 Inc. 確認，公司確實「透過商業渠道購買書籍，以幫助開發和改進客戶所使用的产品和服務」，但沒有回答究竟買了多少、項目從何時開始、數據進入哪些產品，以及是否會提前剔除珍稀或稀缺版本。

更值得注意的是，這條線索並非昨天突然出現。Inc.發現，早在2024年9月，亞馬遜賣家論壇裡就有人報告大量書籍訂單被送往LAS8：有人遇到單一買家一次下68單，有人凌晨集中收到48筆訂單，而且全部是大學出版社圖書，還有賣家稱同一帳戶幾乎每天都在買書。亞馬遜論壇代表當時最終確認這些訂單有效，但亞馬遜如今沒有說明那些訂單是否與VGT3有關。

我的判斷是，這件事真正值得關注的，不是「科技巨頭竟然毀書」這種情緒衝擊，而是它暴露了AI產業正在發生的一次資源重估：過去幾年最稀缺的是GPU、機房、電力和資本，現在，高質量、可追溯、盡可能沒有AI生成內容污染的人類文本，也開始被重新定價。

舊書市場突然被捲入 AI 供應鏈，並非懷舊時代的荒誕插曲，而是大模型工業化之後很自然、也很冷酷的一步。

互聯網看起來無窮無盡，但真正適合訓練前沿模型的數據並不是無限的。

Epoch AI 在 2024 年的研究中估計，經過品質與重複調整後，可供訓練使用的公開人類文本有效存量大約為 300 萬億 token；如果當時的數據規模增長趨勢持續，這一存量可能在 2026 年至 2032 年間被充分利用。這個預測不是「數據明天就會枯竭」的倒數計時，因為合成數據、數據效率、後訓練和多模態方法都在持續變化，但它揭示了一個方向：單純依靠繼續擴大網頁爬取，越來越難獲得同等品質的新增資訊。

而舊書有幾個讓AI公司無法忽視的特點。

首先，它們往往經過作者、編輯、出版社多輪篩選，資訊密度和結構通常比隨機網頁更穩定。其次，大量地方史、專業手冊、小眾學術著作、舊版教材、行業資料和非英語出版物從未完整數位化，公開網頁根本抓不到。更微妙的一點是，尤其在生成式AI大規模普及之前出版的內容，更大概率來自純粹的人類寫作環境。

這種價值已經被數據商直接說出來了。今年7月有關圖書採購市場的報導中，圖書資料庫公司 ISBNdb 曾用「世界上最好的 AI 訓練數據正躺在書架上」來測試面向 AI 公司的圖書採購需求，並強調圖書所包含的是經過整理、編輯、專業化的人類知識。ISBNdb 後來表示該頁面只是市場需求測試，並已撤下。

為什麼這句話令人刺眼？因為它道盡了整個行業的焦慮。

生成式AI越強，互聯網中由AI撰寫、AI改寫、AI彙總的文字就越多。如果模型再無差別地吞回這些內容，數據來源將變得越來越複雜。於是在生成式AI浪潮之前已經印在紙上的東西，突然多了一層過去沒有的價值：至少在時間上，它們更接近一個未經大規模生成式AI介入的資訊環境。

因此，亞馬遜購買舊書並不意味著它「退回紙媒時代」，恰恰相反，這是一種極其徹底的數據化思維。對於模型訓練者而言，一本書的封面、裝幀和收藏故事可能沒有直接的訓練價值，真正值錢的是書中那些可以被分詞、索引、去重、標註和訓練的 token。

書從商品變成語料，價格體系也隨之改變。以前幾十年無人問津的一本專業舊書，可能因為網上沒有完整的電子版，突然產生新的機器需求。

這才是最值得注意的地方。

原因首先很樸素：效率。

將成千上萬本書工業化數位化，逐頁拍攝是一件極慢的事。切掉書脊後，紙頁能被平整分離，更適合高速掃描和後續文字識別。破壞性掃描並非AI時代才出現的技術，但AI可能首次將其推向如此直接的數據工業用途。

但還有一層更敏感的背景：法律。

2025年6月，美國加州北區聯邦地區法院在 Bartz v. Anthropic 案中披露，Anthropic 曾購買數百萬本紙質書，拆除裝訂、裁切頁面、掃描成數位副本，並在生成數位版本後丟棄紙質原本。法官 William Alsup 在當時的具體事實下認為，這種「一個紙質副本被一個內部數位副本替換、且數位副本不向外傳播」的格式轉換屬於合理使用；法院也認定案中特定的大模型訓練用途屬於合理使用。

但同一份判決也劃出了一條非常硬的線。

Anthropic 此前從盜版資料庫下載了超過 700 萬本書。法院認為，建立並長期保存這些盜版來源的中央數位圖書館，不能因為其中部分內容後來用於 AI 訓練，就自動獲得合理使用保護。合法購買與盜版取得，被法院明確分開處理。

這條線為何重要？因為它給整個AI行業上了一堂昂貴的採購課：並非「只要為了訓練，什麼數據都能拿」，而是數據從哪裡來、企業是否付錢取得副本、保存與複製方式為何，都可能改變法律風險。

而這堂課後來真的變貴了。

2026年7月20日，美國聯邦法院最終批准Anthropic與作者及出版方達成的15億美元集體版權和解。和解涉及超過48.2萬本書，約91%的相關作品已有人提出賠付申請。必須說清楚，這筆和解針對的是盜版來源相關索賠，並不代表美國司法系統已為所有AI訓練確立了一張統一通行證；其他案件、不同數據來源和不同使用方式，仍可能產生不同結果。

因此，亞馬遜如今透過商業渠道購買實體書，在風險控制邏輯上非常容易理解。

它是否直接照著 Anthropic 案件形成的法律路徑設計流程？目前沒有公開證據，不能這樣下結論。但在 Anthropic 的判決和 15 億美元和解都已經擺上桌面的 2026 年，任何大型 AI 公司都會更加在意一件事：你能不能證明資料是從哪裡來的。

購買一本實體書的價格可能很便宜；但幾年後在法庭上解釋數百萬份訓練資料的來源，可能一點也不便宜。

AI 行業過去習慣把數據視為網絡上取之不盡的空氣，現在，它正在學會為「出處」付錢。

必須將情緒與事實分開。

普通暢銷書、印量巨大的通俗讀物、市場上仍有大量副本的舊書進入回收體系，本身並不等於文化災難。二手書和古舊書行業過去也存在拆書售賣插圖、處理滯銷書等行為。不能因為 AI 出現，就突然假裝每一本舊書都是孤本。

問題在於，亞馬遜至今沒有回答它是否會在破壞掃描之前識別稀有、絕版或特殊版本。

404 Media 跟踪的那本書被報導描述為一本稀有書籍，而 Inc. 專門向亞馬遜追問，公司在銷毀書籍之前是否篩除珍稀或稀缺版本，沒有得到回應。

這就留下了一個不能用「反正已經花錢買下來了」輕易帶過的漏洞：法律意義上的所有權，與文化保存價值根本不是一回事。

一本圖書的正文可以被掃描。然而，特定版本上的簽名、讀者批註、藏書票、特殊裝訂、勘誤資訊、地方印刷痕跡，甚至一本書數十年流轉所留下的物理記錄，未必會被 OCR 捕捉，更未必會進入最終訓練集。

文字留下了，證據卻可能消失。

這種擔憂也不只存在於美國。今年，英國和愛爾蘭多家二手書商向《衛報》表示，近幾個月出現了一批主題毫無關聯、價格敏感度很低的大宗採購：有人一次購買愛沙尼亞語版小說、特定版本的勃朗特作品和1983年的舊雜誌；一名書商稱今年以來已經收到類似買家約6000本書的訂單。澳大利亞此前也有書商報告異常的大批量訂單。

但這裡同樣必須守住事實邊界：這些海外訂單背後是否都是 AI 公司，目前沒有公開證據。《衛報》的報導本身也明確將它們寫成書商的猜測和擔憂，而不是已經確認的 AI 採購。

真正被追蹤設備一路帶到具體AI掃描設施的，是404 Media這次針對亞馬遜的調查。

這恰恰說明了透明度為何重要。

如果企業認為這種採購合法、合理，而且確實能改善產品，那麼幾個最基本的問題並不過分：哪些類型的書會進入破壞性掃描？是否排除孤本、珍本、簽名本以及具有特殊實物價值的版本？掃描後的紙張如何處理？數位副本保留多久？大體會用於哪些產品或模型類別？

企業當然不必公開全部訓練配方。

但「我們花錢買了，所以可以沉默地把一切都切掉」，並不是一個足夠成熟的答案。

因為它正在以前所未有的速度押注 AI。

亞馬遜在今年2月表示，預計2026年全年資本開支約2000億美元，重點機會包括AI、晶片、機器人和低軌衛星。到了第二季度，公司銷售額達到2006億美元，同比增長20%；AWS銷售額達到422億美元，同比增長37%，創18個季度以來最快增速。過去12個月自由現金流已轉為76億美元淨流出，亞馬遜明確表示，物業和設備採購大幅增加，主要反映人工智慧投資。AWS的AI業務和晶片業務也分別突破250億美元年化收入運行率。

更值得注意的是 Amazon 與 Anthropic 的關係。

今年4月，亞馬遜宣布在先前80億美元投資的基礎上，再向Anthropic投資50億美元，並可在達到特定商業里程碑後追加最多200億美元。與此同時，Anthropic承諾未來十年在AWS技術上的支出超過1000億美元，並將獲得最高5GW的現有及未來Trainium算力。

換句話說，亞馬遜現在既是雲基礎設施供應商，也是前沿模型產業的資本參與者，同時還經營 Nova、Alexa、Rufus 以及大量企業 AI 服務。

它所需要的已不僅僅是更多的晶片。

它需要更多高質量知識、更長尾的知識覆蓋、更可靠的數據來源，以及更容易解釋的數據產權鏈條。

以亞馬遜當前的資本開支規模而言，批量採購舊書顯然不會成為決定公司財務狀況的主要成本。真正重要的是這個動作本身釋放出的信號：一家願意一年投入約 2000 億美元擴建技術基礎設施的巨頭，仍然願意把供應鏈觸角伸進分散、低效率、一本一本定價的二手書市場。

為什麼？

因為有些數據，真的沒有快捷方式。

這也是AI競爭正在變化的地方。過去大家比誰能爬更多網頁，後來比誰有更多GPU，現在越來越要比誰擁有更乾淨、更獨特、更合法、更難複製的數據。

數據不再只是訓練開始之前的一堆“原料”。

It is becoming an asset that must be acquired, cleaned, verified, tracked, and audited.

真正的數據護城河，也許不是「誰擁有互聯網的副本」，而是誰擁有別人拿不到、拿不穩，或者拿到了也不敢放心使用的高質量內容。

我不認為結論應該是「禁止 AI 公司掃描實體書」。

數位化本身可以保存知識，也可能讓絕版內容重新進入搜尋、研究和機器理解體系。對於大量普通二手書而言，破壞性掃描也未必比最終進入廢紙回收更糟。把這件事簡單寫成「AI正在焚書」，情緒很足，事實卻不夠。

真正的邊界有兩條。

第一條是權利邊界：買到一本紙質書，不等於買到了這部作品的全部版權，更不等於所有訓練、複製和輸出行為天然合法。Bartz 案只是美國一家聯邦地區法院在特定事實下作出的重要判決，不是全球 AI 公司的永久通行證。

第二條是保存邊界：如果一家企業無法證明自己會識別並避開存世稀少、版本獨特或者具有特殊歷史價值的書，那麼所謂「高效掃描」，就可能把一個數據工程問題變成不可逆的文化損失。

Amazon 最應該回答的，其實不是「你們為什麼需要書」。

這個答案已經越來越清楚：因為人類過去幾百年留下的大量高質量知識，並不全部存在於開放互聯網裡。

真正的問題是：當這些書籍從書架進入AI訓練流水線時，誰來判斷什麼可以被犧牲，什麼不應該被犧牲？誰來確認企業獲得的是內容，而不是順手抹去了內容之外的歷史？

這件事的諷刺感很強。

當年，亞馬遜透過將書送到人們手中，成為互聯網商業最重要的公司之一；今天，它又將書買回，拆開，把文字送入機器。

技術當然可以改變知識的載體，但不能因此假裝載體毫無價值。

AI 需要人類寫過的東西，這一點沒有什麼可羞恥。真正值得警惕的是，當整個行業越來越依賴「人類留下來的高質量文本」，卻仍然把獲取過程藏在供應鏈深處，把版權、來源、稀缺性和保存責任當作事後問題。

模型可以將一本書壓縮成 token，企業可以將 token 轉變為參數，但有些東西一旦被切碎，就再也無法通過下一次訓練還原。

文明可以被數位化，責任不能被「格式轉換」掉。

1. Emanuel Maiberg。「我們追蹤了一批稀有書籍的運輸，最終目的地是亞馬遜的 AI 訓練設施。」404 Media, 2026-08-17.
2. Georgia Fearn. “Amazon 正在購買舊書，掃描後予以銷毀。這些訂單可追溯至 2024 年。” Inc., 2026-08-17.
3. Amazon.com, Inc. “Amazon.com 公布第二季度業績。” 2026-07-30.
4. Amazon。「Amazon 與 Anthropic 擴大戰略合作。」2026-04-20。
5. 美國加利福尼亞州北部地區聯邦地區法院Bartz 訴 Anthropic PBC 案：合理使用與侵權命令, 2025-06-23.
6. 路透社。「美國法官批准 Anthropic 就版權訴訟達成 15 億美元和解。」2026-07-20.
7. Pablo Villalobos 等人。「Will we run out of data? Limits of LLM scaling based on human-generated data.」Epoch AI, 2024-06-06.
8. Dan Milmo. “英國與愛爾蘭的二手書商懷疑AI公司是‘異常’批量訂單的背後黑手。”The Guardian, 2026-08-15.