Anthropic 公司花几千万美元买旧书，切开、扫描，然后打成纸浆。这两天，这件事又闹上了热搜，咱们今天就把它好好拆一下。
代号、收书与工业化流水线
这件事叫“巴拿马计划”。Anthropic 内部也知道，这种事情一旦起了代号，多半就有不能公开说的部分。他们从 2024 年开始，花几千万美元从二手书商那里成批买旧书，再外包给 Datamation 扫描服务公司。流程是先用液压切纸机把书脊切掉，让整本书变成散页，然后送进高速扫描仪做双面扫描，每分钟可以处理 80 到 120 页。扫完以后，回收公司把纸拉走，打成纸浆。六个月能处理 50 万到 200 万本，这已经完全是一条工业化流水线。
这件事最初是怎么被翻出来的？Anthropic 一直在跟作者协会、图书出版商打官司，前面刚花 15 亿美元解决了其中一部分争议。诉讼过程中，一些内部文件被保密；官司告一段落后，材料陆续解封。2026 年 1 月 27 日，《华盛顿邮报》拿到 4000 多页解封法律文件，把“巴拿马计划”翻了出来。当时虽然报道了，却没有引起特别大的反响。
第二波就是这几天。2026 年 7 月 25 日，科技媒体 404 Media 报道说，批量买书、扫描、销毁已经不只是 Anthropic 一家公司在做。有一家叫 ISBNdb 的公司，本来维护图书 ISBN 编码数据库，现在也在处理图书收购、扫描和销毁。它在网站上打出的广告词是：“世界上最好的 AI 训练数据，正躺在书架上。”
更精彩的是，ISBNdb 还写清楚，客户向它下单、让它去买旧书扫描，每一单都会签非常严格的保密协议。一边招揽生意，说“来，我帮你扫书、处理书”；另一边又说“咱们保密，我保证不告诉别人”。这说明它知道这件事说出去会让人不舒服。Anthropic 也知道，所以这件事只能干，不能说。这就是整件事最魔幻的地方。
我为什么熟悉切书扫描
这件事跟我还有一点关系，因为我原来卖过高速扫描仪。我卖过贝灵巧和柯达的高速扫描仪：每分钟 80 页大致是贝灵巧的速度，每分钟 120 页，柯达的机器可以做到。我还当过台湾宏光高速扫描仪北京办事处的经理，那种机器大约每分钟扫 30 页，速度慢一些。我也参与过国家图书馆的图书扫描和数字化项目。
传统图书数字化的处理方式其实差不多：一刀切掉书脊，变成单页，再送进高速扫描仪做双面扫描。为什么这么干？因为最快。只要不切书脊，速度就会变得非常慢，还会带来其他连带损伤，成本极高，所以切书脊一直是最简单的方式。
但我们当时做完以后，并不会把书送去打纸浆。扫描结束后，那些散页会重新胶粘起来，书仍然可以使用。重新装订后，书大概只比原来窄一两毫米，基本看不出来。原来的硬壳可能保不住，需要重新做一个封面，但内容和阅读并不受影响。过去的数字化项目是切开、扫描、再装回去；这次不一样，扫完以后原书直接变成纸浆。
不切书扫描的现实代价
除了国家图书馆，我们所知道规模最大的一次图书扫描项目就是谷歌。谷歌花了大量资金去谈合作，大约扫描了 4000 万册图书。谷歌当时也考虑过能不能不切书，直接把完整的书扫进去，因此做了很多测试。马斯克现在嘲讽 Anthropic，声称自己不切书、不毁书，还要专门建一个图书馆，把扫描后的书都保存下来。但这件事没有听起来那么现实，甚至可能出现一种反直觉的结果：把书毁掉可能合法，把书保存下来反而可能涉及法律问题。
谷歌测试过直接把书放在平台扫描仪上。我在宏光工作时，我们也造过一种特殊扫描仪：一面平，另一面以 120 度钝角斜下去，正好可以把一本展开的书压在上面，开着盖扫描。机器确实造出来了，却没卖掉几台。第一个原因就是慢。书切开以后，一摞纸放进机器，转眼就扫完了；完整的书却要不断拿起、翻页、重新压上去。
慢工出细活，多花钱或许还能接受，第二个问题却是损伤视力。扫描时有一根很亮的灯管在里面移动，操作员一直盯着它，对视力伤害非常大。后来有人把这类工作转到人工成本低的印度，让操作员在灯管移动时扭头看旁边。眼睛可能保住了，脖子又出了问题，员工的颈椎开始受不了。
再往后出现了更昂贵的新型扫描仪。它像吸尘器一样，扫描头下去时从一侧把书页吸起来，让纸张平顺地贴住扫描头，然后自动翻到前面，再扫下一页。这种设备能够不切书，但速度仍然不快，而且非常昂贵。面对 4000 万册这样的规模，保存原书意味着巨大的时间、人力和设备成本。
真正的核心是训练版权
有人会问：既然谷歌已经扫了 4000 万册，Anthropic 直接找谷歌拿来用不就完了吗，为什么还要自己费劲买书、切书？这里才到了今天要讨论的核心。问题表面上是毁书，实质上却是纸质图书的出版法律已经跟不上 AI 时代。
谷歌扫描的 4000 万册书，使用方式受到严格限制。没有版权的公版书可以直接使用；仍在版权期内的书，可以用于搜索并展示小段落，但不能把整本书提供出来。谷歌必须帮助出版商卖书，不能以其他方式侵害出版商的销售权。如果让用户看完全本，最终导致出版社少卖一本书，这就越过了原来的授权边界。
Anthropic 前面那 15 亿美元为什么要付？争议的一部分不是它买了二手纸书，而是它从盗版来源直接拿了电子版。这部分要付钱，按当时的算法，每一本涉事图书大约得到 3000 美元。大家记住这个数字，后面理解出版社的定价逻辑还要用到。与之相对，买来一本纸书，切开、扫描，扫完再打成纸浆，这部分被认定为合法。同一个案子里，一部分需要赔钱，另一部分却合法。
谷歌把书扫描完以后，自己也未必能拿去训练模型。现在仍有出版商起诉谷歌，指控它把这 4000 万本书用于训练 Gemini。案子尚未有结果，谷歌需要证明：这些内容即使存在自己的数据库和硬盘上，也没有被违规拿去训练。能保存一份数字文件，不等于拥有训练模型的授权。
那 Anthropic 和谷歌为什么不干脆跟出版商好好谈，直接买电子版的训练权？新书肯定有电子文件，看起来这应该是最省事的办法。问题是，出版商自己也没想明白，训练权究竟应该按多少钱卖。传统出版的账很好算：卖了多少本书，就按销量跟作者分钱。可 AI 公司拿一本到模型里训练，究竟算买了一本、1000 本，还是替代了未来许多本书的销量？
假设谷歌对出版商说：“我拿你的书去扫描、去训练。”出版商会问：“训练以后，算你买了多少本？我怎么跟作者分钱？”谷歌当然希望只算一本，但出版商会认为，过去扫描图书是为了帮助它卖书，训练模型却可能导致读者跟模型聊完之后不再买原书。于是，价格不能只按一本纸书计算，还要把潜在损失算进去。
这也是每本约 3000 美元这个数字如此刺眼的原因。一本普通美国图书当然不值 3000 美元，但这笔钱显然不只代表一本书的零售价，而是包含了对复制、传播和潜在销售损失的估算。出版社拿到钱后还要再跟作者分账。
销毁原件为何可能合法
AI 公司同样不愿意把交易模式锁死。如果形成惯例，训练一本书就按买 1000 册来付钱，那么大规模训练的成本会迅速失控。于是它们宁肯钻现有规则的空子：花钱买一本实体书，扫描后把原件毁掉。
法官的逻辑叫“转换性使用”。AI 公司确实拿到了一本书，而且这本书是花钱买的，这一步没有问题。随后把它扫描、识别、拿去训练，再把原书毁掉，从数量上看并没有把一本书复制成两本。对版权方来说，违法的核心是未经许可复制和传播；如果数字化后把原件毁掉，世界上仍只剩一份，法律上就可能被视为一种转换，而不是新增副本。
ISBNdb 看明白了这套逻辑。它掌握 ISBN 编码和出版信息，就对 AI 公司说：最好的训练数据都在书架上，你需要什么，我帮你去买。关键有两条：一定要花钱买，买完以后一定要销毁。现成电子版不能直接拿来用，因为出版社会说你没有为这份副本付钱，那就可能成为盗版；纸书只要合法买下，买家拿回去看、借给别人、放进图书馆、垫桌角，甚至撕掉糊墙，出版社都管不着。它只管你不能继续复制和传播。
旧书为何成了干净训练数据
为什么 ISBNdb 说最好的训练数据正在书架上？还有第二层原因：2022 年这个时间点。按照它的说法，在这之前出版的书里没有 AI 生成内容，在这之后出版的书则可能混入 AI 内容。对于训练数据来说，2022 年以前的纸书带着一种物理时间戳，能够证明内容来自生成式 AI 普及之前。
这很像二战前沉船里的低背景钢。二战前沉到海里的船，其钢材没有经历后来核爆粉尘造成的环境污染，辐射本底很低。要制造某些敏感的放射性侦测仪表，就要寻找这种旧钢。二战以后生产的钢材，环境背景已经改变，再拿去做极其敏感的侦测设备，可能影响精度。
AI 训练也是类似的道理。如果用大量 AI 生成内容再去训练 AI，模型可能出现“模型崩塌”。AI 含量越来越高，模型训练来训练去，最后说出来的话人类反而看不懂。这又像两个隔河的村子，各自说话越说越岔，最后彼此无法理解。大量机器文本循环进入训练集，也可能让模型的语言逐渐偏离人类。
因此 ISBNdb 会说：它可以帮客户寻找 2022 年以前出版、带 ISBN、经过正规出版社登记的书。它知道书什么时候出版，也更容易判断这批材料是否来自生成式 AI 大规模进入互联网之前。这样一来，“为什么偏要买旧书”这件事就解释通了：旧书不仅在法律上容易完成首次购买，还被视为更干净的训练数据。
从更大的范围看，Anthropic 也在做一种蒸馏。它使用过去出版的图书，尤其是 2022 年以前的图书训练模型，本质上是在蒸馏全人类积累下来的知识。版权规则却经历了三种完全不同的形态。
从纸书到电子书再到大模型
第一种是纸质图书。出版社的核心要求是：你要买书，不要复制，不要传播，不要破坏它继续卖书的权利。至于书买回去以后怎么使用，传统规则相对简单粗暴，买家拥有很大的处置空间。
第二种是电子书，比如 Kindle。用户买到的并不是书本身，而是一项阅读权利，甚至可能被平台收回。纸质书买回去可以垫桌角，别人管不着；电子书却有可能从设备里消失。电子书能不能借给别人，也受到严格限制：有的书只能借一次，只能借 14 天，而且借出去期间，原来的购买者自己不能看。这套逻辑仍然模仿纸书，假设你手里只有一个副本；如果借阅者 14 天没看完，就希望他再买一本。
网文的控制还可以更细。我以前在盛大做起点中文时，会在每一页内容里打数字水印。如果有人把购买的内容复制、分发出去，平台可以通过暗记识别是谁传出去的。电子书比纸书的控制更先进，但核心仍然是管理“拷贝”：谁买了，谁能看，谁复制，谁传播。
第三种到了 AI 模型。模型公司自己也做蒸馏，所以对这件事门儿清。它们会在用户规则里写明：不允许使用我的模型去训练其他模型，不允许蒸馏。问题在于，调用模型的人会说，我用了多少 token 都已经付过钱，既然买了服务，为什么不能决定怎么用？
Anthropic 的回答是：普通聊天可以，但如果有人系统化注册大量账号，向模型提出几千万个问题，这显然不是普通使用，很可能是在训练竞争对手。新的模型一旦训练成功，例如训练出 Kimi 这样的产品，Anthropic 的用户量可能下降，收入会变少。这套逻辑跟出版社担心 AI 训练后少卖书，本质上非常相似：大家保护的都是自己的市场和未来收入。
从纸书到电子书，再到大模型，版权与蒸馏限制一直在演化。现在大模型公司找到的空子，就是购买便宜的旧书，尤其是 2022 年以前出版的书，切开扫描，训练完成后销毁原件。至少在传统纸质出版规则的框架里，它只买了一份、扫描了一份、使用了一份，又没有把整本内容重新吐给用户，于是更容易被视为合法。
Anthropic 的模型规则里还会强调：当用户询问一本书的内容时，不能输出整本书。它这么做，就是为了避免再次越过复制和传播的边界。如果模型把完整书稿原样吐出来，就可能重新构成复制和传播。
合法能干但是不能说
至于毁书这件事，肯定会让人不舒服，因为人会给书赋予人格和感情。书本身当然没有人格，但我们在阅读中寄托了感情。听到一本书被打成纸浆、被彻底销毁，尤其想到其中可能有孤本或稀有书，人很难没有情绪反应。
所以这件事呈现出一个极其拧巴的结局：在现有规则下，它可能合法，甚至能够大规模工业化执行，但它不能被公开讲得太响亮。公司知道公众会不舒服，于是需要代号、保密协议和匿名中间商。合法能干，但是不能说，大概就是这样的情况。
背景图片
