Anthropic「蒸餾」了人類最大的知識庫

2024 年初，在美國某處的一座倉庫里，工人們正在做一件看起來有些奇怪的事：把書一本本送進機器，切掉書脊，掃描，然后把剩下的紙送去回收。

這些書是剛買來的，有些甚至是新的。沒有人會讀它們，它們存在的唯一目的，就是被銷毀。

下令做這件事的，是一家叫 Anthropic 的 AI 公司。

在他們的內部文件里，這項計劃有個代號：「巴拿馬項目」。一份規劃文件寫得很直白：「這是我們以破壞性方式掃描全球所有書籍的計劃，我們不希望外界知道我們正在做這件事?！?/p>

這件事最終還是被人知道了。

去年，一名聯邦法官解封了一批與版權訴訟相關的文件，總計超過 4000 頁。外界由此看到的，不只是一家公司的秘密，而是整個 AI 行業在數據爭奪戰中的真實面目。

被大模型「吃」掉的實體書

為什么這些處于技術前沿的科技巨頭，會用如此原始甚至粗暴的方式對待紙質書？答案其實藏在 AI 對高質量數據的極度渴求里。

Anthropic 內部很早就意識到，訓練 AI 模型光靠網絡上的內容不夠用。

根據《華盛頓郵報》報道，一位Anthropic 聯合創始人在 2023 年 1 月的文件中寫道，用書籍訓練模型，可以讓 AI 學會「如何寫得更好」，而不是只會模仿質量參差不齊的網絡語言。

書籍經過嚴格編輯和校對，內容結構清晰，是網絡文本難以替代的高質量語料。

這個邏輯本身并不難理解，但問題是，既然承認書籍有價值，為什么不付錢？究其原因，挨個找出版社和作者談授權，費時費力，成本也高。于是 Anthropic 啟動了「巴拿馬項目」。一句「不希望外界知道」，說明它也清楚這件事站不住腳。

甚至「巴拿馬項目」還沒啟動的時候，Anthropic 已經嘗試通過另一種方式獲取書籍。

法院文件顯示，公司聯合創始人 Ben Mann 曾在 2021 年 6 月的 11 天里，從一個叫 LibGen 的網站下載了大量小說和非小說類書籍。LibGen 是個「影子圖書館」，上面的資源大多涉嫌侵權，文件中附帶的瀏覽器截圖顯示，他使用文件共享軟件完成了這些下載。

一年后，另一個網站 Pirate Library Mirror 于 2022 年 7 月上線，該網站公開宣稱「在大多數國家故意違反版權法」。Mann 把這個網站的鏈接發給了其他 Anthropic 員工，并留言寫道：「來得正是時候?。?！」

這句感嘆號背后，是一位公司高管對一個公開承認違法的盜版網站表達的真實態度。

Anthropic 事后表示，公司從未用這些數據訓練過正式發布的商業模型。但這種解釋多少有些勉強，下載了，存著，只是「沒有用在正式模型上」，這條線究竟劃在哪里，恐怕連 Anthropic 自己也說不清楚。

為了「巴拿馬項目」，Anthropic 還專門聘請了 Tom Turvey 來主持這項工作。Turvey 曾參與創建谷歌圖書項目，那個項目同樣因大規模掃描書籍引發了長達多年的版權爭議。Anthropic 選擇這個人來主導這件事，很難說是一種巧合。

最終，Anthropic 主要依賴兩家書商批量供貨：

美國二手書零售商 Better World Books，以及總部位于英國的 World of Books，每次采購動輒數萬冊。內部文件還顯示，員工曾討論接洽紐約公共圖書館，甚至提到可以找某家長期資金不足的新圖書館。

采購完之后，整個掃描過程，就像一條工業流水線。

供應商用液壓切割機把書脊整齊切掉，散開的書頁隨即被送進高速工業掃描儀，掃完之后，剩下的紙張交給回收公司處理。一家參與報價的掃描服務商在提案中寫道，Anthropic 希望在六個月內完成 50 萬到 200 萬冊書的數字化工作。

Anthropic 副總法律顧問 Aparna Sridhar 回應稱，法院已裁定 AI 訓練「本質上具有轉化性」，Anthropic 選擇和解的問題在于「部分材料的獲取方式，而不是我們是否可以使用這些材料」。

這套說辭在法律上也許站得住腳，但它同時也揭示了一件事：這家公司從未認為自己做錯了什么，只是某些手段不夠干凈。

拿你的書訓練，再搶你的飯碗

同樣的事情，也在其他公司身上發生著，而且有些細節更為戲劇性。

針對 Meta 的訴訟文件顯示，有員工在 2023 年直接寫道：「用公司筆記本進行種子下載感覺不太對勁?！顾髞磉€專門向法務團隊反映，稱使用種子網站可能意味著向他人分發盜版作品，「這在法律上可能行不通?！?/p>

但這些顧慮最終沒有改變任何事情。

2023 年 12 月的一封內部郵件顯示，使用 LibGen 已在「上報至 MZ」之后獲批，MZ 指的是 CEO 馬克·扎克伯格。郵件還坦率地寫明了他們自己都清楚的風險：「如果媒體報道暗示我們使用了已知為盜版的數據集，這可能會削弱我們在監管問題上的談判立場?！?/p>

換句話說，他們不是不知道這樣做不對，只是在權衡被抓包的代價。為了降低這個風險，員工們特意租用亞馬遜的服務器來做種子下載，而不是用 Meta 自己的服務器，原因是避免被追蹤到 Meta 公司。

OpenAI 和微軟同樣面臨圖書作者的版權指控。OpenAI 甚至承認曾下載過 LibGen，但稱在 ChatGPT 發布前已刪除相關文件。

而 AI 公司與創作者之間的版權沖突，并非從 Anthropic 才開始。

早在 2000 年代初，Google 就曾大規模掃描圖書館館藏，同樣引發了長達十年的訴訟。最終法院認定Google 的做法屬于「合理使用」，因為它只提供片段摘要，目的是引導讀者找到書，而不是取代書本身。

這個判決在當時看來合情合理，卻在二十年后為整個 AI 行業提供了一塊擋箭牌。

Google 圖書是個索引工具，而生成式 AI 直接消化書籍內容，然后輸出文字，在某些情況下與作者產生直接競爭。性質變了，但援引的法律邏輯還是同一套，這本身就值得思考。

去年 6 月，聯邦法官 William Alsup 裁定，Anthropic 用書籍訓練 AI 屬于合法行為，他將這個過程比作教師「訓練學生寫好文章」。這個比喻聽起來溫和，但現實中的老師不會同時訓練幾百萬個學生，也不會靠這些學生賺幾十億美元。

最終，Anthropic 選擇支付 15 億美元和解金，在 AI 版權訴訟史上創下紀錄，但細看之下，賬算得并不虧。按照美國版權法，每件作品的法定賠償上限可達 15 萬美元，而此次和解折算下來，每本書約賠 3000 美元，僅為上限的 2%。

賠償金由作者和出版商平分，只是，這一安排在創作者群體內部引發了爭議。

不少作者認為，出版商在保護作品不被 AI 濫用這件事上沒有盡力，卻拿走了一半賠償。更關鍵的是，和解協議并不要求 Anthropic 承認任何違法行為，法院對「AI 訓練屬于合理使用」的認定照樣有效。

換句話說，Anthropic 用 15 億美元買到的，不只是和解，還有一份背書：我們可以繼續這么做。有分析人士指出，隨著這個先例確立，版權侵權對 AI 公司來說已經不再是一條紅線，而是一筆可以提前計入成本的「過路費」。

對許多寫書的人來說，這件事意味著的遠不止一張支票。美國作家的年收入中位數約為 2 萬美元，而市值數千億的 AI 公司在未獲授權的情況下大量使用他們的作品，事后折算的賠償標準遠低于法律上限。

更讓人憂慮的是，AI 正在批量生成文字內容，這些低成本的文本涌入市場，讓原本就艱難的寫作謀生變得更難。訓練 AI 用的是人寫的書，而 AI 產出的內容，正在擠壓人繼續寫書的空間，循環往復。

支持者自有另一套邏輯：AI 并不儲存書里的內容，而是從中提取語言規律，這更像是一個人博覽群書之后形成自己的表達。這個類比并非毫無道理，但卻省略了一個關鍵差異：

人讀了一本書，不會同時讀一百萬本；而 AI 在幾個月內消化了人類幾十年的寫作積累，隨后以極低的邊際成本無限復制輸出，規模改變了性質，把兩件事等同起來其實并不合理。

數百萬冊書被切開、掃描、回收，最后換來一份和解協議。那些書，早已不在了。而 AI 還在繼續寫作，且會越來越快。這大概就是這件事最讓人不安的地方：對于書被銷毀，被肆意用來訓練 AI 這件事，沒有人真正付出了代價。

附上參考地址：
https://www.washingtonpost.com/technology/2026/01/27/anthropic-ai-scan-destroy-books/