亚马逊被曝大量收购稀有书籍、切脊扫描用于AI训练

据TechCrunch报道，基于404 Media的调查，亚马逊正在大量购买稀有书籍，切断书脊后扫描成文本，用于训练AI大模型。404 Media在一本稀有书中植入了追踪装置，最终追踪到它抵达位于拉斯维加斯的一处亚马逊设施。

该设施代号VGT3，以一只爪子抓着书的恐龙形象作为标识。亚马逊在给404 Media的声明中表示，公司"通过商业渠道购买书籍，以改进客户使用的产品与服务"。

报道指出，像亚马逊这样的公司需要海量文本来训练大语言模型，而互联网上可获取的内容基本已被模型"吃"完，Anthropic还曾被指非法盗版书籍用于训练。

稀有书籍，尤其是绝版或网上无法找到的书籍，成为新的宝贵训练数据来源。这些文本尤为珍贵，因为2022年之前出版的内容不可能是AI生成的。

若大模型大量使用AI生成文本训练，可能引发"模型坍缩"，输出质量会逐渐退化。稀有书籍因此被视为规避这一风险、补充高质量人类文本的关键来源。

这一做法再次将AI训练数据的版权与获取方式问题推向风口浪尖。此前已有出版商和作者就未经授权使用书籍训练模型发起诉讼，亚马逊的规模化扫描行为可能成为新的争议焦点。

接下来值得关注的是：亚马逊是否会披露更多购买与扫描细节、图书行业与作者群体的反应，以及监管机构是否会介入调查这类大规模扫描实体书籍的行为。