404 Media追蹤約1,000本書直達亞馬遜掃描中心：AI訓練數據背後的「買、掃、毀」流程

這個分別相當重要。現有報道提供的是作業層面的證據，而不是一份完整的公開聲明，證明所有經處理的書籍都會成為某個有名AI模型的訓練數據。

較保守、亦較符合現有證據的結論是：404 Media發現了一項亞馬遜書籍數碼化作業，而且流程似乎適合收集AI數據。這項發現亦出現在亞馬遜正加大前沿模型研發及數據服務投入的背景下。路透社另外報道，亞馬遜正重新調整AI策略，將資源集中到新的前沿模型計劃。

為何書商覺得這可能是按目錄規模收集數據

多名書商向404 Media表示，一些大批量訂單相當古怪：書目種類五花八門，而且買家似乎不太在意書本的轉售價值、品相、題材或價格。

如果買家目的是轉售，通常要考慮市場需求、進貨成本及利潤；但如果目的是建立訓練數據集，重點可能是盡量取得不同書名及ISBN，擴闊內容範圍。

因此，部分書商懷疑，AI公司或數據中介可能不是有選擇地購買暢銷書，而是試圖沿着全球出版書籍目錄大範圍收集內容。404 Media早前報道，書籍數據庫公司ISBNdb曾經宣傳為AI公司大量取得印刷書籍；報道曝光後，相關內容被移除，公司其後表示該網頁只是測試市場反應。

這些資料並不能證明每一張看似隨機的訂單都與亞馬遜或AI有關，但可以解釋為何書商難以判斷市場動向：一張對零售生意毫無道理的訂單，對於追求內容廣度的數據收集者，卻可能十分合理。

舊書為何對AI開發者有吸引力

較早出版的書籍，提供大量在人類作者主導時期寫成的語言材料。舊版、絕版或難以在網上找到的書，亦可能包含地方史、專門知識、歷史資料及其他未曾廣泛數碼化的內容。

對AI開發者而言，這些書既有內容廣度，亦較不容易充斥生成式AI近年製造的合成文字。404 Media報道ISBNdb時，就以「沒有AI垃圾內容」來形容舊書的價值，反映業界對未來數據集可能混入愈來愈多AI生成文字的憂慮。

研究人員及開發者也經常討論「模型崩潰」（model collapse）：如果模型反覆以AI生成內容訓練，後來的模型可能出現質素或多樣性下降。這種風險可以解釋業界為何重視較早期、由人類創作的材料，但並不代表亞馬遜的模型已經出現模型崩潰，亦不能證明拉斯維加斯的書籍就是因為這個理由而被收集。

與Anthropic「Project Panama」有何相似之處？

報道所描述的亞馬遜流程，與Anthropic的「Project Panama」相當相似。Anthropic曾經購入實體書，拆走書脊，逐頁掃描，然後丟棄紙張，以取得可供AI使用的數碼材料。

在2025年6月23日的 Bartz v. Anthropic 案裁決中，美國地方法院法官William Alsup認為，按當時法院審視的事實，使用相關書籍訓練Claude及其前身屬於「極具轉化性」的合理使用（fair use）。法官亦認為，將合法購入的印刷書數碼化，在特定情況下可屬合理使用，因為Anthropic只是以較省空間、方便搜尋的數碼副本，取代自己購入的實體書。

但這並不是「只要銷毀書本，AI訓練就一定合法」的通行證。書籍如何取得、用途是甚麼、有沒有保留或再分發副本，以及其他周邊事實，都會影響法律分析。同一宗訴訟亦將Anthropic從盜版來源建立永久書庫的做法，與合法購書及掃描分開處理。

這條法律界線正是亞馬遜事件的核心：即使亞馬遜是合法購買書籍，收集規模、掃描內容的實際用途、與作者或出版社的合約，以及稀有實體書是否應被保存，仍然是另一組問題，不能單靠 Bartz 案中有限的合理使用分析回答。

爭議不止於版權：實體書的價值誰來衡量？

書商的反對聲音，並不只是擔心銷售損失或版權補償。稀有及絕版書本身可能具有歷史、學術、文化及私人情感價值。當一本稀有書被切開再回收，文字或許仍然存在於掃描檔案，但那件實體文物已經消失。

因此，版權法上的合理使用判斷，未必能完全處理保存問題。一個流程可以在某一組事實下被法院視為合法，同時仍然令藏書家、書商、圖書館及讀者感到不安，因為對他們而言，書本並不只是文字的容器。

事件亦揭示了數據市場中的資訊落差。AI公司可能早已看出冷門書籍的數據價值，但個別賣家未必知道，一張看似古怪的大批訂單，其實可能屬於更大規模的收集策略。亞馬遜只說買書是為了改善產品，卻沒有回答書業最關心的實際問題：到底買了多少、掃描了甚麼，以及掃描後的檔案會流向哪裏。

放在亞馬遜AI策略下看

這項疑似書籍數據收集作業，正值亞馬遜努力追趕先進AI的時期。路透社在2026年7月報道，亞馬遜正逐步停止多個自家AI模型，把更多資源集中到新的前沿模型計劃。

AWS同時推廣Nova Forge，讓客戶以早期模型檢查點開始開發，並把自家專有數據與亞馬遜整理的訓練數據混合使用，以建立自訂前沿模型。

這些背景說明亞馬遜有理由重視高質素文字數據，但仍然不能獨立證明404 Media追蹤到的書籍曾經訓練某一個特定模型。現階段最直接的證據，仍然是那批貨物的追蹤結果、拉斯維加斯設施的作業資料及員工訪問。

更大的問題是：實體書市場會否逐漸變成AI產業看不見的供應鏈？404 Media的調查至少顯示，在一宗有文件及追蹤線索支持的個案中，書籍由書商流向亞馬遜的處理設施，並在那裏被掃描及銷毀。至於整個計劃有多大，以及數碼內容最後如何使用，仍然未有公開答案。