约1000本书被运往亚马逊扫描点：404 Media调查揭开AI训练数据供应链

亚马逊说了什么，还有哪些问题没有答案

亚马逊称购买书籍是为了“改进我们的产品”。但该公司据报道拒绝透露以下信息：它购买了多少本书、多少处设施参与扫描、扫描所得材料被哪些产品使用，以及拉斯维加斯的流程是否专门用于训练AI模型。

这个区别非常重要。现有调查证据包括一批被追踪的货物、亚马逊设施内的具体目的地、图书处理作业，以及工人关于扫描和销毁的说法；但这还不是一份完整的公开声明，不能据此断言所有被处理的书都成为某个亚马逊模型的训练数据。

较为稳妥的结论是：404 Media发现了一个疑似亚马逊运营的图书数字化流程，该流程与AI数据收集相容；与此同时，亚马逊正在加大对前沿模型研发和数据服务的投入。路透社另行报道称，亚马逊正把AI战略重新集中到一项新的前沿模型计划上。

为什么书商认为这可能是“按目录扫货”

书商向404 Media表示，一些批量订单显得十分反常：订单内容混杂，买家似乎并不在意书籍的转售价值、品相、主题或价格。

如果买家是为了转售，通常需要根据市场需求和利润空间挑选书籍；如果买家是为了训练数据，那么更重要的可能是尽可能广泛地收集不同书名和ISBN——也就是国际标准书号，而不是某一本书能卖多少钱。

因此，一些书商怀疑，AI公司或数据经纪商可能试图系统性地覆盖已出版书籍目录，而不是只购买具有商业价值的热门书。404 Media此前报道，图书数据库公司ISBNdb曾宣传为AI公司大量采购纸质书；报道引发关注后，相关页面被删除，公司随后称那只是一次测试市场兴趣的尝试。

这并不能证明每一笔异常订单都与亚马逊或AI有关，但它解释了为什么书商越来越难判断市场信号：一笔看似随机的订单，作为零售交易可能毫无逻辑，却可能很适合用来扩大数据集的覆盖范围。

为什么旧书对AI训练有吸引力

在生成式AI文本大量出现之前出版的书籍，包含了相对明确的人类创作语言。年代较久或已经绝版的作品，还可能记录地方史、专业知识、历史信息和其他从未被完整上网、或很难在线找到的内容。

这使实体书成为一种潜在的文本来源：内容范围广，而且不太可能主要由合成文本构成。404 Media在关于ISBNdb的报道中提到，旧书的价值之一在于它们不含所谓的“AI垃圾内容”，反映出业界对未来训练数据中AI生成文本比例不断上升的担忧。

研究人员和开发者还讨论过“模型坍塌”（model collapse）：如果模型反复使用AI生成的输出进行训练，后续模型的质量或多样性可能下降。这个担忧有助于解释为什么人类创作的旧材料受到重视，但它并不证明亚马逊的模型已经发生模型坍塌，也不证明拉斯维加斯的书籍就是因此被收集。

与Anthropic“Project Panama”的相似之处

据报道，亚马逊的流程与Anthropic的Project Panama十分相似。Anthropic曾购买实体书，拆除装订，扫描页面，然后丢弃纸张，以获得用于AI工作的数字材料。

在2025年6月23日的 Bartz v. Anthropic 案裁定中，美国地区法官威廉·奥尔萨普认为，在该案所审查的事实下，使用这些书训练Claude及其前身模型具有“极强的转换性”，属于美国版权法中的合理使用。对于合法购买的纸质书，法院还认为，将其数字化并用相应的、可搜索的数字版本替代实体馆藏，也属于合理使用。

但这并不意味着“只要销毁原书，AI训练就自动合法”。书籍是否通过合法方式取得、使用目的是什么、数字副本是否被保留或再分发，以及其他具体事实，都可能影响法律判断。该诉讼还对Anthropic以盗版书籍建立永久性图书馆的做法作出了不同处理。

这条法律边界正是亚马逊事件的核心。即使亚马逊是合法购买书籍，业务规模、扫描内容的具体用途、与作者或出版商之间的合同，以及稀有实体书是否应当被保存，仍然是独立的问题，不能由 Bartz 案中较为狭窄的合理使用分析一并解决。

争议不只是版权问题

书商的反对并不局限于销量损失或版权补偿。稀有和绝版书籍还具有历史、学术、文化和情感价值。一本稀缺的实体书被切开并回收后，文字或许仍以扫描件的形式存在，但作为物件的原书已经消失。

这带来了版权裁决无法完全回答的保存问题：某种处理方式在特定事实下可能具有法律上的抗辩空间，但仍可能让收藏者、书商、图书馆和读者感到不安，因为对他们而言，书并不只是承载文字的容器。

事件还暴露出明显的信息不对称。AI公司可能早已知道冷门书籍对数据集的价值，而个人卖家却未必能意识到，一笔看起来古怪的批量订单可能属于更大规模的收购策略。亚马逊关于“改进产品”的公开说法，仍留下书商最关心的实际问题：到底买了多少、扫描了什么，以及扫描文件最终去了哪里。

亚马逊的前沿AI战略背景

这项疑似图书收集行动，与亚马逊扩大前沿AI竞争力的努力存在战略上的关联。路透社报道称，亚马逊正在逐步停止多项自研旗舰模型，并把资源集中到新的前沿模型计划上。

与此同时，AWS推出了Nova Forge服务，允许客户从早期模型检查点开始研发，将自有数据与亚马逊整理的训练数据结合起来，并在AWS上托管定制模型。

这些信息说明，高质量文本数据对亚马逊具有潜在战略价值，但不能单独证明404 Media追踪到的这些书训练了某个特定模型。关于这批书的最直接证据，仍来自对运输路线、拉斯维加斯设施和工人说法的调查报道。

真正值得追问的问题是：实体书市场是否正在成为AI产业一条不透明的“隐形供应链”？404 Media记录的这个案例显示，至少有一批书从书商手中流向了亚马逊的处理设施，并在那里被扫描、拆解和销毁。至于这种做法的完整规模，以及扫描文件最终如何被使用，目前仍未公开。