把旧书扫描后直接销毁，这其实是 AI 训练语料的一种高效“挖矿”逻辑

在 AI 圈子里，很多人对“销毁实体书”这件事感到惋惜，甚至觉得这是一种文化破坏。但如果你从数据工程和商业成本的角度来看，这其实是一套极其冷酷且高效的资源转化逻辑。物理书对人类来说是精神食粮，但对大模型公司来说，它仅仅是一个承载高质量语料的“临时容器”。

为什么 AI 公司如此痴迷于扫描旧书？因为在当前的训练数据环境下，网络抓取的文本（Common Crawl 等）太“脏”了，充斥着大量的广告、乱码和低质量的碎片化信息。相比之下，正式出版的旧书具有天然的优势：内容密度极高，且经过了严格的编辑校对，文字错误率极低。最关键的是，印刷版式的规整度让 OCR（光学字符识别）的准确率远高于手写稿或网页快照。在处理海量数据时，1% 的识别错误率提升，就意味着在预训练阶段能节省巨大的清洗成本。

而“扫完即毁”这一步，其实是在做极致的成本优化。实体书在入库后的维护成本极高，需要考虑温湿度控制、防虫防霉以及巨大的仓储空间。对于一家追求算力效率的 AI 公司来说，一旦书籍内容被完整转化为数字 Token，物理形态的纸张就变成了纯粹的负债。将书按斤卖给废品站，不仅能清空仓储成本，还能在财务报表上把一项“资产维护费”直接转变为“一次性处置收益”。

这里涉及到一个非常微妙的版权灰色地带。在法律层面，1928 年之前出版的图书在美国已经进入公有领域（Public Domain），扫描使用没有任何风险。但对于 1928 年之后出版的存量书籍，情况就复杂了。理论上版权依然存在，但实操中很多出版社早已倒闭，作者后人失联，版权继承关系混乱到像迷宫一样。在这种环境下，扫描这些书的诉讼风险趋近于零。AI 公司实际上是在利用这种“版权真空期”进行大规模的语料收割。

回顾历史，谷歌在 2004 年启动的图书数字化工程扫描了约 4000 万本书，结果在随后的十年里陷入了漫长的版权诉讼泥潭，而且在商业变现上并不理想。但现在的 AI 逻辑完全不同：它们不再试图建立一个数字图书馆来售卖访问权限，而是将这些内容直接喂给模型进行权重训练。这本质上是将之前的“考古工程”变成了现在的“挖矿生意”——不再关注单本书的版权，而关注整体语料对模型泛化能力的提升。

从技术路径上看，这种操作让模型在理解复杂长文本和严谨逻辑时有了更好的基座。当你使用某个模型分析几十年前的社会学论述时，它背后可能就包含了某本被送进碎纸机、但被精准 OCR 后的旧书片段。

我并不认为这是一种悲剧。虽然物理形态消失了，但知识以数字 Token 的形式被解构并重新组合，从而被数以亿计的用户通过对话框触达。这些曾经被精心装订、摆在书架上落灰的旧书，最终成为了构建通用人工智能的一块砖。这种从“物质载体”到“数学权重”的跃迁，正是 AI 时代最典型的资源重组方式。