英国和爱尔兰的二手书商最近发现有人在疯狂扫货

二手书店突然接到的海量订单其实是个很典型的信号，说明大模型公司对高质量、非数字化语料的渴求已经到了这种地步。很多英国和爱尔兰的小书店发现，有些买家会一次性扫空特定类别的旧书，这种行为模式根本不像是个收藏家，更像是某种数据采集计划。

这事儿其实揭示了现在大模型训练的一个痛点：互联网上的公开数据快被吃光了。现在的 LLM 厂商为了提升模型的逻辑能力和知识深度，必须得去找那些没被数字化、没在网上被爬过无数遍的高质量文本。二手书店里的旧书、专业学术期刊或者地方志，就是绝佳的“处女地”。

如果 AI 公司真的在通过这种方式通过物理扫描来扩充数据集，那这套工作流大概率是这样的：

一、通过关键词筛选二手书库存，锁定高质量的垂直领域书籍。
二、大批量采购实物书，建立物理仓库。
三、利用高精度的工业级扫描仪进行大规模数字化。
四、通过 OCR（光学字符识别）技术将图像转为文本，再喂给模型。

这种操作成本极高，但对于追求极致性能的顶尖模型来说，这种“纯净”的数据比在垃圾邮件和社交媒体帖子中清洗数据要高效得多。而且，这种方式能有效规避一部分版权争议，因为买断实物书在法律定义上和直接爬取网页数据库是有区别的。

不过这种粗暴的扫货方式也挺让人心疼书商的，原本是给爱好者留的宝贝，现在成了训练权重的养料。虽然对技术进步有好处，但这种物理世界的“资源掠夺”确实有点暴力。