前言

最近的報導 提出疑慮，指稱一家大型科技公司正在收購珍貴的印刷書籍、對其進行改動，並掃描其內容以建立大型語言模型的訓練資料。本文彙整這些主張，說明為何絕版與難以取得的文本對 AI 開發者具有價值，並探討當實體書籍被撤出流通時所衍生的保存與倫理議題。目標是列出迄今報導的事實並提供背景，說明為何這些做法對圖書館員、學者與公眾而言重要。

懶惰行李袋

報導指出 一家科技公司購買了珍貴書籍，移除其書脊，並在配送設施掃描——這些行為會毀壞原始裝訂，以建立機器可讀的文本供 AI 訓練。這些文本受到重視，因為它們不易在網路上取得，因此可提供高品質、人類撰寫的素材以供模型訓練。

正篇

數位時代改變了大型語言模型（LLM）的訓練方式：它們需要大量來自多元來源的文本。公開的網路內容、已數位化的檔案和授權資料集推動了進展，但開發者仍持續尋求額外的高品質素材。近期調查報導聲稱，一家大型電商與雲端服務公司透過商業通路購買稀有與絕版書籍，對書籍進行實體改造（移除書脊），並掃描頁面以建立乾淨的機器可讀文本。

根據報導，其中一本書被祕密追蹤，最終在一個以特徵標誌識別的設施中被找到。該公司據稱告訴該出版物，他們透過普通商業通路取得書籍以增進產品與服務。如果屬實，這種做法凸顯了技術發展與文化保存之間的緊張關係：將實體書轉換為數位訓練語料常常需要破壞性的準備，這可能永遠改變或損害獨特的藏本。

稀有與絕版書籍對 AI 訓練特別有吸引力，原因有數。首先，它們常包含高品質、人類撰寫的散文、學術分析與歷史內容，這些內容在網路上不易廣泛複製。其次，出版於近期 AI 生成寫作潮流之前的素材較不可能包含機器產出的文本，能降低在反覆以 AI 生成內容進行訓練時放大或降低模型輸出品質的風險。這一點很重要，因為包含大量 AI 生成文本的資料集訓練出來的 LLM 可能會品質下降，這種現象有時被稱為模型崩壞。

模型崩壞指的是當 LLM 反覆在其他模型產出的文本上訓練時，可能導致模型性能退化。隨著時間推移，模型可能開始複製出人工痕跡、錯誤或風格上的扁平化，這些問題會被傳播並累積。因此，人類撰寫的稀有文本被視為維持語言真實性與專門內容的有價值基石，有助於維持訓練語料的多樣性與品質。

儘管如此，收購與實體改造稀有書籍也引發倫理與實務問題。圖書館、收藏家與愛書人保存稀有書籍，不僅為了其文本內容，也為了其物質性——裝訂、邊註、藏書來源記號與物理狀況都對歷史與學術價值有貢獻。為了便於快速且高品質掃描而移除書脊或拆冊的破壞性數位化技術，可能會摧毀那些情境性資訊。

已有許多圖書館與檔案館採用既有的非破壞性數位化方法，透過高解析度攝影與小心操作，在保存藏品的同時產出可用的文本。選擇使用破壞性或非破壞性技術通常在成本、速度與預期用途間取得平衡。重視大規模文本擷取的高通量商業掃描作業，可能會選擇拆冊以獲得更乾淨的掃描與更快的處理速度。然而，若涉事書籍為稀有或獨一無二，多數利害關係人主張保存應該優先。

法律與合約考量也同樣重要。若書籍透過合法商業通路購買，購買者通常有權在著作權法與其他法規範圍內修改或數位化該複本。著作權狀態因書目與司法管轄區而異；某些較舊作品已進入公有領域，許多則仍受著作權保護。即便如此，批評者強調合法性並不等於具有倫理責任，尤其當涉及文化遺產項目時。

透明度是另一項核心關切。相關報導倚賴被追蹤的複本與調查手法來記錄監管鏈。對於管理文化遺產的機構而言，知道一本書的去向以及將如何被處理至關重要。當私營公司在未向賣方或公眾明確揭露的情況下收購並改動珍貴材料時，可能侵蝕信任並使未來的保存工作變得複雜。

對於這些被報導的做法，回應各有不同。主張數位可及性者指出，高品質的數位化能使原本只有少數讀者能接觸的文本更為民主化。打算改進搜尋、無障礙或使用者功能的公司可能主張，將文本轉換為機器可讀形式符合廣泛的公共利益。反對者則認為對獨特實體物品造成不可逆損害以及不透明的收購做法，是遠大於潛在利得的重要傷害。

未來的平衡作法可包括更強的來源透明度、在物品稀有或獨特時提供賣方的選擇加入協議、商業機構與重視非破壞性數位化的公共機構之間的夥伴關係，以及對數位化文本如何用於模型訓練的明確政策。關於文化遺產與 AI 訓練需求交會點的公共討論與法規釐清，能有助於使技術進步與保存倫理相一致。

總而言之，據報導購買並拆冊稀有書籍以建立 AI 訓練資料的做法，揭示了快速技術發展與文化文物長期管理之間的緊張關係。雖然稀有文本提供能幫助維持模型品質的高價值訓練素材，但破壞性數位化帶來的倫理、學術與保存問題值得審視與討論。

關鍵見解表