问题 围绕生成式AI训练数据的合规与伦理问题持续升温；美媒披露的解封文件显示，一家美国科技公司研发新模型时，为获取大规模高质量文本数据，采取了集中购买实体书、拆解扫描并数字化的方式，涉及数百万册。涉及的材料还显示——该行动被内部代号处理——并强调"尽量不引人注意"。在作者群体对训练数据使用权、补偿机制和透明度持续关切的背景下，这类做法被视为对传统版权秩序和出版生态的直接冲击。 原因 其一，技术竞争加剧推高了企业对高质量语料的需求。相比网络文本，出版物在编辑校对、叙事结构与语言规范上更成熟，能提升模型写作、推理与表达层面的表现。公司管理层将书籍视为提升输出质量的重要来源，目的是避免模型过度学习网络碎片化和低质内容。 其二，成本与效率的驱动形成了强大的激励结构。通过从图书馆、二手书市场和书店批量采购，再用工业化设备快速扫描，可在相对可控的成本下形成规模化数据池，避免逐本谈判授权的时间与费用。对高速迭代的研发项目而言，时间窗口直接影响市场地位。 其三，法律边界的不确定性为"擦边操作"留出了空间。既有判例对"变革性使用"的认定仍有模糊地带，企业可能借此主张训练用途不同于传统复制发行，从而降低侵权风险。购买图书后可处置实物的财产权逻辑，也被部分从业者用来论证拆解扫描的可行性。在规则尚未清晰之前，企业更容易以"可辩护"替代"可接受"。 影响 首先，作者权益与创作激励面临挑战。若大量作品在未获明确授权、未建立补偿的情况下被用于训练，内容创造者难以分享技术增值收益，长期将削弱原创生态的可持续性，影响出版业与内容产业的投入意愿。 其次，行业信任与公众观感受损。实体书在文化象征层面承载公共价值，大规模拆解销毁即便伴随回收流程，也易引发社会抵触。内部文件中对"避免外界知情"的表述，深入放大了外界对企业透明度与责任意识的质疑。 再次，合规风险与监管压力上升。除涉事公司外，行业内其他企业也被指使用过"影子图书馆"等来源的文本数据。若数据来源问题持续暴露，企业将面临诉讼成本、商业合作受限及跨境合规不确定性，甚至影响与监管部门的沟通基础。 最后，公共知识获取与数字化治理议题被重新提起。图书馆、二手书市场、扫描与数据处理企业等环节被卷入产业链条，如何在促进技术创新与保护公共文化资源之间取得平衡，成为各上临的现实课题。 对策 一是推动训练数据"可追溯、可核验"。建立覆盖采购、扫描、存储、使用的链路记录，形成可审计机制；对外披露训练数据的来源类型与合规策略，不泄露商业机密的前提下提高透明度，重建信任。 二是完善授权与补偿机制。可探索集体管理、行业许可、按使用规模或商业化程度分级付费等路径；对特定类型作品设立更明确的授权选项与退出机制，为权利人提供可操作的选择。 三是加快明确"变革性使用"与训练用途的法律适用边界。根据训练数据复制、临时存储、模型参数化吸收等环节进一步细化规则，减少企业依赖模糊空间进行"风险套利"。同时强化对明显盗版来源的责任追究，形成清晰红线。 四是倡导技术与文化价值并重。企业在追求数据规模的同时，应将文化资源保护纳入社会责任体系，减少对实体书的破坏性处理，更多采用与出版社、作者、图书馆协作的数字化方案，在合规框架内实现数据供给。 前景 从全球趋势看，围绕训练数据的争议将长期存在，但走向可能更趋"制度化解决"。一上，技术迭代会持续推高对高质量内容需求，推动版权方与科技企业形成更成熟的合作模式；另一方面，监管与司法对数据合规的标准也将逐步清晰，企业的竞争优势将更多体现在合规能力、数据治理与长期合作网络，而非单纯的"获取规模"。可以预期，未来市场会对"透明、可信、可持续"的数据体系给出更高溢价。
当液压切割机的轰鸣遇上键盘敲击的数字浪潮，这场实体书籍与数据算法的碰撞警示我们：技术进步不能以牺牲文化根基为代价；在知识生产与价值分配的重新定义过程中，需要建立更具前瞻性的制度设计，既保障创新活力，又守护创作尊严。这场价值15亿美元的和解或许只是一个开始，如何在数字文明时代构建公平可持续的知识生态系统，值得所有利益对应的方持续探索。