马斯克称要求 SpaceXAI 非破坏性扫描珍稀图书，AI 训练数据获取方式再受关注

据 IT之家 7 月 29 日消息，围绕 AI 公司获取图书内容用于模型训练的争议仍在发酵。调查媒体 404 Media 此前报道称，一些人工智能公司正在大量收购稀缺图书，并通过切除书脊的高速扫描方式完成数字化，纸质原件随后被粉碎销毁。马斯克近日转发相关报道并表示，已要求 SpaceXAI 团队妥善保存图书馆中的所有珍稀图书，采用非破坏性扫描方式进行数字化，而不是直接切除书脊后扫描。

这一表态将 AI 训练数据背后的“物理成本”再次推到台前。过去，公众对大模型数据争议的关注点多集中在版权、授权和网络内容抓取上，但此次报道揭示的是另一条路径：AI 公司为了获得相对“干净”、结构稳定的文本来源，可能会转向实体图书市场，并以工业化流程将纸质书转成可用于训练的数据。

破坏性扫描为何会成为 AI 数据链条的一环

来源显示，破坏性扫描的流程通常会拆开书籍，切除书脊，再将单页送入高速工业扫描仪。这种方式的优势在于效率更高、成本更低，尤其适合大规模处理纸质资料。对于需要海量文本语料的大模型公司而言，这类流程可以快速将纸质内容转化为机器可处理的数字文本。

但问题也随之出现：一旦书籍被拆解并粉碎，纸质原件便无法恢复。对于普通流通图书而言，这可能更多是商业和版权层面的争议；但如果对象是珍稀图书、馆藏资料或难以再版的旧书，其损失就可能涉及文化保存与公共知识资源保护。

• 非破坏性扫描：通常使用俯拍扫描仪、平板扫描仪或 V 型扫描设备，不拆解书籍即可完成数字化。
• 破坏性扫描：通过切除书脊拆页扫描，速度快、成本较低，但会永久破坏纸质原件。
• AI 公司选择何种方式，反映的不只是技术效率，也涉及版权合规、文化资产保护和企业责任。

Anthropic 案例让版权与实体书处置问题交织

据报道，Anthropic 作为当前卷入版权诉讼的主要 AI 公司之一，曾投入数百万美元购买大量纸质图书，用于提取内容训练 Claude AI 模型，随后再将这些图书销毁。该信息使外界对大模型训练语料来源的讨论进一步扩大：如果企业购买了实体书，是否就拥有将内容用于模型训练的权利？购买后的销毁行为是否合规？这些问题仍有待法律和行业规则给出更清晰边界。

从技术角度看，图书内容对于大模型具有吸引力并不意外。相比开放网页，经过编辑和出版流程的图书通常更系统、更稳定，也较少受到垃圾信息和重复内容污染。因此，实体书可能被视为一种高质量文本来源。但从产业治理角度看，数据质量不能成为绕开版权授权、破坏实体馆藏或损害公共文化资源的理由。

影响解读：大模型竞争正在进入“数据治理”阶段

马斯克关于 SpaceXAI 扫描方式的表态，至少释放出一个信号：在模型能力竞争之外，AI 公司正在被迫面对训练数据获取方式的社会影响。早期大模型竞争强调算力、参数规模和产品速度，如今围绕数据来源、授权方式、资料保存和透明度的审视正在加强。

对中文读者和国内 AI 行业而言，这一事件也有借鉴意义。未来高质量语料的获取不太可能只依赖“能不能抓到”或“能不能买到”，更需要回答“是否获得授权”“是否保留原件”“是否可追溯”“是否尊重文化资产”等问题。尤其是在图书馆、档案馆、古籍和绝版书等场景中，数字化本身是有价值的，但前提应当是保护原件，而不是以训练效率为唯一目标。

总体来看，非破坏性扫描并不能直接解决所有版权争议，但它至少在实体保护层面提供了更负责任的选择。随着 AI 公司对优质语料的需求持续增长，围绕图书数字化、模型训练和知识产权的规则博弈仍将持续，行业也需要在效率与合规、创新与保存之间找到更稳妥的平衡。