核心原因其实很简单：AI 训练需要海量优质文本。为了构建大语言模型，研究人员需将亿万词语输入神经网络，反复训练模型，建立词语与概念之间的关系。
训练数据的质量直接影响模型输出的准确性。相比网络评论等杂乱信息，编辑过的书籍和文章能显著提升 AI 的语言能力。
AI 公司急需出版内容，但通常不愿耗费时间谈授权。美国的“首次销售原则”提供了法律空间：买下实体书之后，使用者可以自行处理。这就让购买图书成为一种合法的“绕道方案”。
和许多同行一样，Anthropic 最初选择了绕过版权的捷径。IT之家从法庭材料获悉，为了绕开冗长复杂的授权流程，CEO 阿莫代伊曾主张使用盗版电子书。但到了 2024 年，出于法律考虑，公司开始寻求更安全的替代方案。
收购二手书成为理想选择：不必谈授权，又能获得质量上乘的训练文本。为了加快数字化进程，Anthropic 采用“破坏式扫描”，大量购入图书，拆封、裁剪、整批扫描为机器可读的 PDF 文件，完成后纸本全部废弃。整个流程耗资数百万美元。
页码:上一页
