AI训练数据的来源正变得愈发激进。近日有报道称，部分AI公司为获取高质量文本数据，大量购买绝版书籍后直接销毁，以确保数据独占性。

发生了什么

据Hacker News上的讨论，一些AI公司正在系统性地收购稀有、绝版甚至孤本图书，然后将其物理销毁（如切碎或焚烧）。这些书籍通常来自图书馆淘汰、二手市场或私人收藏，内容涵盖文学、科学、历史等多个领域。公司声称此举是为了将书籍数字化后用于训练大语言模型，同时防止竞争对手获取相同数据。销毁行为本身并非公开宣传，而是通过供应链中的知情人士透露。

为什么重要

这一做法触及多个敏感层面。首先，绝版书往往是文化传承的重要载体，部分书籍可能没有电子版，销毁意味着永久性损失。其次，版权问题：即便书籍已绝版，版权通常仍属作者或继承人，未经许可的数字化和训练使用可能构成侵权。再者，数据垄断：通过销毁物理副本，公司实际上在制造数据稀缺，巩固自身模型优势，这可能加剧AI行业的数据不平等。最后，伦理层面：训练AI是否应不惜牺牲文化遗产？这引发了从业者和公众的强烈质疑。

影响与看点

对行业而言，此举可能促使更多公司效仿，加速数据“军备竞赛”，但也可能引发监管关注。对开发者来说，依赖此类数据训练的开源模型可能面临法律风险。对用户而言，模型能力提升的背后代价是文化资源的不可逆损失。值得关注的是，版权法在AI训练数据上的模糊地带可能因此被推动修订。独立判断：如果AI公司继续以牺牲文化遗产为代价获取数据，行业将面临更严厉的公众和监管反弹，长期来看不利于健康发展。