图源：视觉中国

随着真假难辨的AI生成内容席卷互联网，人工创作的"干净语料"日益稀缺。纸质书，也由此成为AI公司的争夺之地。

近日，美国AI公司Anthropic因"焚书"事件陷入舆论风波。根据法院判决结果及公开报道，自2024年始，为获取高质量训练语料，Anthropic批量购买2022年前出版的纸质书籍，切除书脊并加以破坏性扫描，涉及书籍数量高达数百万本。该项行动被Anthropic称作"巴拿马计划"，并被美国联邦法院判决为合法。

这一事件引发巨大争议。

AI时代，这场争议将我们引向一个新的问题：一本纸质书历经数字化后，是否就完成了它的全部使命？

01 为何"焚书"

这一事件中，有一个值得关注的细节：Anthropic为购买纸质书所投入的成本并不低，且只购买2022年前出版的书籍。为何AI公司需要这一特定语料来训练模型？

要解答这个问题，首先需要了解大语言模型的训练原理。大语言模型，是一种基于深度学习、通过海量文本数据训练而成的AI模型，其能力很大一部分取决于"喂入"数据的质量。

大语言模型发展初期，尚有大量人类创作语料可作为高质量数据使用，但近几年来，随着生成式AI的快速普及，互联网上已经出现大量由AI参与创作的内容。根据斯坦福大学今年4月发布的《2026年AI指数报告》，自2025年1月以来，新发布的互联网内容中AI生成比例已超过半数。

于是，一个新的悖论出现了：当AI使用AI生成内容来训练新的模型时，模型就将不断学习自己的"复制品"，原创信息越来越少，误差在连续迭代中不断累积，最终可能导致模型不仅性能下降，甚至直接崩溃。

这一现象，被研究人员称为"模型坍塌"（Model Collapse）。

因此，不少AI公司开始重新寻找由人类独立创作、未经AI污染的数据来源，2022年前出版的纸质书籍，恰巧符合这一条件。

要将实体书籍转化为AI语料，数字化步骤必不可少。

浙江图书馆数字资源中心负责人告诉有风君，目前纸质书数字化主要经过择选、图像采集、OCR（光学字符识别，即将图像转化为文字）三个步骤。不同图书机构对于图像采集方法不同，如浙江图书馆使用的即为拍照采集。"并非所有书籍数字化都要经过OCR，数字化有发布服务级、长期保存级等不同级别，呈现内容也有高清图片和纯文字等形式。"

在此基础上，才有可能进入AI语料训练。

她介绍，与商业机构采用高速馈纸扫描不同，古籍数字化通常使用非接触式拍摄设备。工作人员会根据古籍的装帧方式、开合角度和纸张状况，调整拍摄方案，尽可能减少翻动和受力。有些珍贵古籍甚至需要定制专门的书托，将开合角度控制在文献能够承受的范围内，避免因过度展开而造成书脊断裂或纸张损伤。这一过程不仅成本较高，用时也较久。

也正因如此，Anthropic选择了效率更高的"破坏性扫描"方式。切除书脊后，散页可以通过高速馈纸设备快速完成扫描，效率远高于图书馆常用的"无损扫描"。

02 数字化，留不下什么

如果一本书已经被完整扫描，文字也全部转换成数字文件，那实体书籍本身还有必要保留吗？

在浙江图书馆古籍保护研究中心主任童圣江看来，回答这个问题的关键在于如何看待一本实体书。

如果一本书仅仅作为文献资料，按照目前的技术，其数字化后的内容已经能够满足绝大多数阅读与研究需求。

童圣江告诉有风君，以古籍为例，如今的实体书数字化采用高精度拍摄设备，能够保存未经压缩的原始图像，即使是肉眼难以辨认的细小墨点、边缘批注，也能够通过放大清晰呈现。"相当于拿着放大镜去看，书页平面上的信息基本都能保留。"

在此基础上，OCR环节通过识别图片中的文字，并将其转换为可检索、复制、计算机处理的文本，则增加了阅读和研究的便利度，方便读者查阅。"当代印制的大量平装书籍，经数字化后损失的信息几乎可以被忽略。"童圣江说。

然而，数字化保存了书的内容，却无法留存实体书作为"物"的信息。

2024年新修订的《中华人民共和国文物保护法》中，明确将"历史上各时代重要的文献资料、手稿和图书资料等"列入文物。而在文物研究中，除古典文献学等内容上的分析外，形式上的实体也成为极其重要的研究材料。

文物研究常涉及纸张纤维分析、造纸原料鉴定、墨迹成分检测、印泥颜料分析等，这些都必须依赖实体书籍原件完成。

"比如纸张本身，就能够成为古籍版本鉴定的重要依据之一。"童圣江告诉有风君，我国传统造纸一般为就地取材，如南方竹材丰富，多使用竹纸；北方则更多采用树皮或麻料造纸。研究者往往会结合纸张、字体、版式、避讳字等多种细节，对一本没有出版信息的古籍进行断代和版本鉴定。

这些信息，并不会随着内容一起完成数字化，却构成一本实体书作为历史文物不可替代的价值。

03 阅后不焚

拆书、扫描、送入AI语料库，一本书的生命周期似乎在数字化完成的那一刻便宣告结束，然而事实恰恰相反。

"由于每一次翻阅、高温高湿的环境都会造成书籍的磨损，数字化恰恰是为了在保障公共阅读的同时，更好地保存这些珍贵的藏本。"童圣江强调。

这种"保护优先"的理念，也贯穿于数字资源建设的全过程。

数字资源本身也需要持续维护。完成拍摄后，图像并不会直接提供给公众使用，而是形成不同层级的数据文件。最高精度的原始图像作为长期保存文件永久留存；经过压缩处理后的版本，则用于数据库浏览和网络服务；同时配套建立完整的元数据，记录文献来源、版本信息、数字化时间、设备参数等内容，为后续管理和长期保存提供依据。

截至目前，浙江图书馆已完成古籍数字化图像采集3.3万余册，这些数字化后的古籍集中汇入"浙江省历史文献数字资源总库"，上线以来累计访问量达87万余人次。

为了更好地推进数字化成果的共享，近年来，浙江也在不断推进古籍数字化标准建设。自2019年试行以来，浙江图书馆制定的《古籍数字化加工工作流程》等一系列技术标准已在全省实行，从图像分辨率、文件格式，到元数据规范、数据接口，都逐步形成统一要求，让数字资源真正实现跨机构互联互通。

在"更好保存实体书籍"之外，我们或许还应当思考建立一种新的公共保存机制。

在Anthropic的案例中，有一个值得注意的细节：该公司受到起诉，一方面因为从盗版网站免费下载大量电子书，被认为侵犯创作者权益；另一方面，才是让人震惊的"巴拿马计划"。

然而，对Anthropic的判决揭示了一个奇怪的逻辑：前者被判罚款15亿美元，后者却被认定为合法。它释放出一个信号：只要书是合法购买的，拆除、扫描、销毁等任何行为均为合法，但若从盗版网站下载，代价则会极其昂贵。因此，如果扫描后还存留原书或公开分享扫描电子件，很可能因产生新的版权副本并流入市场，从而处于法律弱势地位。

数字化资源也是一种文化资源。受访者在采访中表达了自己的担忧，如果扫描后的内容完全掌握在企业手中，公众可能获得更智能的AI产品，可一旦技术更新、平台关闭或商业模式改变，大量知识资源就可能从公共领域消失。而这与图书馆等公共文化机构承担的职责有着本质区别，而图书馆的使命是尽可能完整地保存社会的文化记忆。

或许，这正是文化保护的一道重要边界：在几乎一切都可以成为训练数据的AI时代，我们仍有要守护的文明。