那些有出处且经过判断的真实数据，更值钱。最近，海外科技媒体404 Media爆出了一件特别有这个时代特点的事情，非常魔幻，我来和你聊一聊。

        主角是一家叫ISBNdb的图书数据公司。如果你是纸质书爱好者或者从业者，从这家公司的名字就能猜到它是做什么业务的。

        因为名字里的ISBN，就是图书的国际标准书号，db一般指数据库。

        最近，这家公司开始向AI公司兜售一项新服务。它可以按照书单，从旧书店、图书馆和绝版书目录里批量寻找实体书，一次订单数量可以从1000本到100万本。

        这家公司打出来的广告语就是：世界上最好的AI训练数据，正躺在书架上。

        对，他们就是专门负责把书架上的实体老书，变成AI公司可以使用的优质数据。

        他们尤其看重2022年以前出版的书。听到这里，你可能会觉得有点奇怪。

        AI不是已经读完了大半个互联网吗？它每天还能自己批量生成海量文章，为什么今天反而要花钱去找一批落满灰尘的旧书？

        答案正好藏在「2022年以前」这几个字里。为什么是2022年前的书2022年11月，ChatGPT发布。

        此后，大量AI生成的文章、商品介绍、搜索结果、论文摘要和营销文案开始回灌互联网。

        于是，这两年还出现了一个流行词，叫「AI Slop」。

        翻译过来就非常影响食欲了，叫「AI泔水」。过去，AI从网上抓到一篇文章，大概率是人在说话。

        今天，它抓到的很可能是另一个AI根据第三个AI的总结，改写出来的第四手内容。

        如果下一代模型不断拿上一代模型的输出训练自己，会发生什么情况？

        我和你举个生活化的例子。就像拿一张复印件继续复印，最先丢掉的，往往不是那些最大、最显眼的字，而是那些不常见的细节、少数人的表达和边角上的纹理。

        复印的次数越多，最后留下的东西就越模糊，越没有细节。

        AI研究者把这种风险叫作「模型崩塌」。不过，这里也要说准确一点，AI生成的数据不是天然有毒。

        现在很多模型训练都会主动使用经过筛选的合成数据。只要模型的训练数据中始终保留足够的真实数据，并且有人负责筛选和验证，模型崩塌并不是必然发生的。

        但真正麻烦的是，今天的互联网已经很难告诉你，哪一段是人写的，哪一段是AI写的，哪一段又是AI写完之后被人改过的。

        这时候，一本2022年以前印出来的书，就变成了一种很特别的东西。

        它不一定是好书，也不能保证每句话都正确。但哪怕是一本烂书，这也是一本纯粹由人类写出来的烂书。

        这批文字在生成式AI大规模爆发以前，就已经被固定在纸上了。

        所以，AI公司表面上买的是旧书，但真正要买的是一批有出处、有时间、很难被事后改写的人类文本。

        同一本书，两条不同法律路径这件事还有一个更加反常识的法律案例。

        Anthropic，也就是我们都知道的Claude背后的公司，早年曾经从一些电子书盗版网站下载过数百万本电子书。

        后来，版权风险越来越大，它换了一条完全不同的路。从2024年开始，Anthropic花费数百万美元，大批量购买实体书，再把书脊切掉，把散开的书页送进高速扫描仪，扫描成数字文件。

        扫描完成后，纸书被丢弃销毁，电子文件则留在公司内部数据库。

        这项行动后来被称为「Project Panama」，翻译过来就是「巴拿马项目」。

        至于这个名字怎么来的，现在还没有公开解释。但是它的目标听起来像一句电影台词：破坏性扫描全世界所有的书。

        2025年，一名美国联邦法官在图书版权方Bartz诉Anthropic案里，给出一个非常微妙的判断。

        虽然案件发生在美国，但它讨论的其实是AI时代才会出现的新问题，值得咱们了解一下。

        这名法官把Anthropic做过的事拆成了几个部分：首先，用书中的文字训练模型，在这起案件的具体事实下，被认定属于合理使用。

        然后，合法买来的纸书，被一对一转换成公司内部的数字副本；纸书同时被销毁，数字副本也没有对外传播。

        法官同样认定，这属于合理使用。但是，从盗版网站直接下载几百万本书，再把它们长期放进自己的中央资料库，这不属于合理使用。

        也就是说，同一本书，同样是为了训练AI，从盗版网站下载一份PDF，和先合法买下一本实体书，再把它转换成一个内部数字副本，在这名法官眼里是两件不同的事。

        所以，这条路之所以能走通，不是因为「只要花钱买过书，想怎么训练都行」，而是合法购买、一次转换、原件销毁、内部使用和不对外分发几个条件叠在了一起。

        说实话，我第一次看到这个项目的时候，作为一个爱书的人，我心里对Anthropic这家公司的厌恶又增加了几分。

        但是这两天详细了解了案件背后的这些条件后，我不由得感叹，这家公司太能钻法律的空子了，甚至连钻漏洞的方式都有些精妙。

        不过，必须告诉你的是，这可不是全世界通用的法律规则，连美国不同州的法院也不会照搬。

        这就是一名联邦地区法院法官，在一起具体案件里给出的判断。

        15亿美元的和解Anthropic后来同意拿出15亿美元，解决盗版书库带来的集体诉讼。

        当地时间2026年7月20日，法院最终批准了这项和解。

        注意，这15亿美元是和解，不是法院对「拿书训练AI」开出的一张罚单。

        它主要解决的是Anthropic当年从盗版书库获取作品的问题。

        听起来这个数字很大，但是你想想看，他们可是搞了几百万本盗版书。

        如果没用这种方式，他们得一家出版社一家出版社，或者一个作者一个作者地去聊版权，那要等到猴年马月了。

        基于这样的背景，咱们似乎也能理解，为什么之前很多版本的Claude模型写出来的文字质感，比其他AI多了不少人味儿。

        我猜，这估计就和背后这批真实的人类著作训练数据有关。

        但这场官司，等于给整个行业画出了一条现实路线：如果直接下载盗版书风险太大，那就去市场上买实体书。

        中间商看见了旧书的新生意ISBNdb这家公司看见的正是这门生意。

        它本来就是一个大型图书元数据库，知道一本书的ISBN、版本、出版时间，以及市场上还有哪些库存。

        而且这家公司已经做了很多年了，并不是AI时代才出现的。

        但是现在，它把这种能力重新包装成了AI时代的数据采购服务：需要什么书，它可以帮你找；需要多少本，它可以按工业规模去买；如果客户不想露面，它还可以充当中间人。

        有意思的是，404 Media报道之后，ISBNdb又撤下了这项服务的页面，表示这只是一次需求探索，公司已经决定不再往这个方向走。

        不过在我看来，这可能就是公关辞令，未来很可能会被包装成更加隐蔽的数据服务。

        只要AI公司还需要大量经过人类写作、编辑和出版流程的文本，只要盗版下载的法律风险还在，只要纸书扫描仍然比逐本谈授权更便宜，市场就会继续寻找下一家中间商。

        机器越会写，人类数据越值钱我觉得，这件事最值得关注的，不只是AI公司到底又毁掉了多少本书，更是它暴露了一个特别重要的变化：AI时代真正稀缺的，可能不再是普通的内容，而是高价值的内容。

        过去我们总觉得，数字化解决了知识稀缺的问题，一篇文章可以复制一亿份，一本书可以存进无数台电脑。

        现在，AI把生成成本又压低了一大截，理论上每天都可以造出无穷无尽的新文字。

        可问题是，文字变多，不等于有价值的数据变多。一本旧书真正值钱的地方，不只是里面有几十万个汉字或者英文单词。

        更重要的是，不少书在真正出版以前，有人决定这个题目值得写，有人花几年时间搜集材料，有编辑判断哪些内容应该保留，读者又用购买、引用和讨论继续做了一轮筛选。

        这套过程当然不完美，也会制造垃圾书。但它至少留下了一套来自真实世界的选择记录。

        这也让我想起昨天，我去了纽约大学的图书馆，里面有大量几十年前的藏书。

        我当时随手翻开一本书，发现是一本1952年的大学一年级物理课本。

        整本书从字体到配图，都是手写格式的。那种感觉，就有点像高中老师自己手写了一份测试题，然后再用滚筒一张张印出来，卷子上还散发着油墨香味。

        论效率，肯定比不上现在的AI出题和打印，但是在这个背后，你能看到一个老师的思考。

        我相信，国内外很多大学图书馆里的这类藏书，基本上在互联网上都没有数字痕迹。

        所以，今天AI回头抢购2022年以前的旧书，并不代表纸张打败了互联网。

        它更像是在提醒我们：机器越会生产内容，那些能够证明「这不是机器自己编出来的」内容，就越值钱。

        写在最后当然，这样的数据也不仅仅是旧书。我们的日常工作中，也会产生大量这样的真实数据。

        比如一家服装电商公司，这么多年积累下来的买家秀，可能就是一座数据富矿；再比如一家制造工厂，这么多年积累的生产数据和失败数据，甚至退货数据，都会是有价值的数据。

        以后最昂贵的数据，未必是最秘密的数据，也未必是数量最大的数据，而是那些能够说清楚自己从哪里来、由谁判断过、为什么值得相信的数据。

        推荐阅读老板让我部署免费的K3，我先算了一笔「承担不起」的机房账北京专门为智能体开发布会：十条政策追问「任务谁来交付」WAIC观察笔记：AI落地的纵深处，五个真实行业案例WAIC观察笔记：AI不是先替代人，而是先拆开每一份工作