人工智能行业面临一个根本性问题:用于训练模型的高质量数据正迅速枯竭。市场已经以出人意料的方式对此作出了反应——从批量采购纸质书籍后将其销毁,到为AI剧集授权人脸使用权。
模型崩溃与“干净”数据
未来几代神经网络面临的关键威胁是所谓的“模型崩溃”。这一术语由伊利亚·舒迈洛夫领导的研究团队于2023年5月正式提出,描述的是基于其他神经网络生成的数据进行训练的AI系统出现的退化现象。每经过一个周期,这类模型就变得更加平庸,与现实脱节,并不断累积错误。
问题的规模有数据为证。2025年4月对谷歌搜索中90万个新页面的分析显示,超过74%的内容具有自动生成的迹象。据Epoch AI估计,互联网上所有适合训练的文字内容可能在2026年至2032年间被耗尽。
正因如此,2022年之前出版的书籍变得格外珍贵——这是少数几个保证不含“合成垃圾”的来源之一。然而,获取这一资源伴随着法律和伦理上的复杂性。一些作者甚至采取“投毒”数据的手段,在文本中嵌入隐藏指令。研究表明,只需250份“被投毒”的文档就能将恶意模式植入大语言模型。
图书生意遭遇扫描
大规模收购书籍用于AI训练的做法已经达到产业规模。ISBNdb服务就是一个典型例子,该平台聚合了1.13亿种出版物的元数据。该公司向AI实验室提供批量经纪服务:以1000至100万册的批量收购图书,并保证“纯净”无AI生成内容,同时通过保密协议提供法律保护。二手书商证实,自2026年4月以来采购量出现异常增长——其中一家的销量从每周20本增长到数百本,而且买家既不关心书籍的价值,也不在意其类型。
在调查报道发布后,ISBNdb匆忙删除了推广页面,并声称这只是一次“市场需求测试”。然而,这种商业模式本身的逻辑很能说明问题:二手市场上的一本书价值2至5美元,而基于数百万册这样的书籍训练出的模型估值可达数十亿美元。值得注意的是,法院已经站在了AI公司一边——2025年6月,法官威廉·阿尔苏普裁定,将合法购买的书籍数字化用于训练语言模型属于合理使用原则的范畴。
人脸与声音的租赁
生物识别数据市场也出现了类似情况。在中国,2026年第一季度发行的12.8万部AI微短剧中,超过95%是使用人工智能制作的,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。制片人按照“邻家女孩”或“硬汉”等类别挑选面孔,而用户则获得被动收入。
然而,这个市场潜藏着严重风险。一些英国公民将自己的数字化身权利出售给初创公司Synthesia后,发现自己的“克隆体”出现在支持委内瑞拉和布基纳法索独裁政权的宣传视频中。正如律师们所指出的,授权条款往往模糊不清,以至于无法控制外貌的最终用途。
我的结论
我们正在目睹一种新型原材料市场的形成,在这个市场中,人类经验——文字、面孔、声音、动作——正变得像石油或稀土金属一样成为资源。模式处处相同:起初数据被未经许可地获取,现在人们为此付费,但资产仍然不可逆转地脱离了所有者的控制。区别只在于,现在你手里多了一张收据。问题只在于,在监管机构意识到需要制定全新游戏规则之前,这种控制的幻觉还能持续多久。