AI 公司通过大规模扫货二手书来喂养模型，这种数字化掠夺行为是否过于粗暴

英爱地区的二手书市场近期出现了诡异迹象：大量批量订单涌入，独立书商手中，这些买家像自动化脚本般操作，完全忽略书籍的品相，只瞄准特定类别的旧书。起初，人们猜测可能是顶尖收藏家在行动，但真相是 AI 公司通过代理商在悄然行动，试图绕过昂贵的版权墙，直接从物理世界获取语料。

它们的技术路径十分直接：用资金买断这些实体书，然后用高性能 OCR 扫描成文本，喂给模型。随着大模型竞争进入深水区，像 Common Crawl 这种公开网页数据已被爬取殆尽，质量也参差不齐。高质量的结构化文本需求急切，许多经典学术著作、专业书籍或绝版旧书要么藏在数字版权墙后，要么仅有实体版本，因此从物理世界“大扫货”成了最粗暴却有效的选择。

从工程实践来看，这种“土办法”反映了当前语料采集的困境。OCR 识别率虽高，但处理大量扫描件时仍有严重噪声干扰。处理 19 世纪旧版印刷书时，长 s 印刷体会让 OCR 误将字母 'f' 识别为 's'。这意味着在获取数据后，必须建立庞大的后处理清洗管道才能转化为可用语料。高昂的代价下，他们仍选择这条路，因为高质量私域数据是核心竞争力。

这种方式对文化生态破坏显而易见。首先，稀缺资源迅速枯竭。许多原本只需 5-10 英镑的冷门学术书，被 AI 代理商扫货后市场存量骤减，价格无端抬高，让真正的研究者或爱好者难以获取。更深层的是“数据掠夺”：AI 公司用物理手段获取知识，转化为数字算力，而这些知识本属公共文化或小众收藏圈。

这种缺乏透明度的采集显得过于粗暴。如果 AI 公司的目标是高质量语料库，合理选择是公开数字化采购协议，或与图书馆、书店达成正规捐赠协议，而不是像刷单般扰乱二手市场。

这给技术从业者的启示是：互联网公开数据被榨干后，数据竞争将回归物理世界。未来竞争力或取决于能否掌握那些未被数字化、高信息密度的私域资源。若此趋势持续，现实书店可能空空如也，但 AI 却掌握了书中的每一个字。这种将文化资产强行转化为算力的行为，商业上极高效，却在文化传承上是巨大浪费。