人工智能行业面临一个悖论:模型在合成数据上训练得越多,系统本身的质量退化得就越快。为了寻找“纯净”的材料——完全由人类创作的文本——实验室愿意采取非常规措施。这已不仅仅是抓取互联网,而是大规模收购印刷书籍并随后将其销毁。

模型崩溃:当AI吞噬自身

“模型崩溃”一词描述的是神经网络在另一神经网络生成的数据上训练时发生的退化过程。每经过一个循环,输出就变得更加平庸,与现实脱节。2023年5月,伊利亚·舒迈洛夫领导的研究团队首次将这一现象形式化。他们的论文《递归的诅咒》从数学上证明:定期掺入合成数据会导致稀有事件丢失和错误累积。

问题的规模有数据佐证。Ahrefs在2025年4月进行的分析显示,Google新索引的90万页面中,超过74%具有自动生成的特征。而独立机构Epoch AI预测,互联网上所有适合训练的文字将在2026至2032年间耗尽。2022年之前出版的书籍正成为战略资源——这是少数几个保证不含“合成垃圾”和蓄意“陷阱”的来源之一。

地下搜猎古籍

这一模式已经过实践检验。2024年8月,三位美国作家对Anthropic提起集体诉讼,指控该公司侵犯版权。案件材料中提到了“Panama”项目:该公司匿名收购印刷书籍的整批印量,裁掉书脊并进行大规模扫描。2025年6月,法官威廉·阿尔苏普作出标志性裁决:为训练AI而对合法购买的书籍进行数字化,属于合理使用原则的范畴。现在只需保留收据——数据的来源就有了文件证明。

这种做法正在迅速商业化。拥有1.13亿种出版物元数据的ISBNdb服务,曾向AI公司提供批发经纪服务:批量收购1000至100万册图书,保证“纯净”无AI垃圾,并通过保密协议提供法律保护。其宣传页面直言不讳:“认知问题真实存在。‘AI公司销毁了两百万本书’——这不是一个能赢得公众同情的标题。”在媒体曝光后,ISBNdb匆忙删除了该页面,声称这只是一次“市场需求测试”。然而,受访的旧书商证实,自2026年4月以来采购量出现异常增长:一位商人的销量从每周20本跃升至数百本。买家不关心价值或类型——只关心是否有ISBN。

面孔租赁:外貌的新经济

“有机”材料的短缺不仅限于文字。在中国,AI迷你短剧市场正在快速增长:2026年第一季度发行的12.8万部此类影片中,超过95%由AI生成。这催生了对鲜活、可辨识面孔的需求。ActID和New Claw等平台向人们支付15至700美元,以获取其肖像的授权。用户上传照片,制片人按“邻家女孩”或“硬汉”等类别挑选形象。

形式上,这看起来是迈向规范化市场的一步。然而,律师伊莱·邓警告说:授权条款模糊不清,无法确定谁最终会以何种方式使用这些外貌。已有先例:英国模特将肖像权出售给初创公司Synthesia后,发现自己的数字克隆出现在支持委内瑞拉和布基纳法索独裁者的宣传视频中。

别忘了收据

同样的逻辑也适用于声音和动作。SAG-AFTRA工会已批准关于防止合成声音克隆的协议。特斯拉为穿着动作捕捉服的人员支付高达每小时48美元的报酬,而MIT估计2025年人形机器人领域的投资达60亿美元。

模式处处相同:过去数据是未经许可获取的,现在则要付费。但交易的本质没有改变——资产不可逆转地脱离了所有者的控制。只不过现在多了一张收据。

我的看法:这种情况就像一场反向的“淘金热”——我们看到的不是开采资源,而是对其的彻底摧毁。通过合理使用原则获得的法律保护,只是将野蛮做法合法化。行业需要可持续的授权机制,否则一代人之后,我们将得到在自身基础上训练的模型——那将是不可逆转的崩溃。