6 月 26 日消息，據(jù)外媒 Ars Technica 今日報道，當(dāng)?shù)貢r間周一公開的法庭文件披露，人工智能公司 Anthropic 曾斥資數(shù)百萬美元，將實體圖書拆解并掃描成數(shù)字文件，用于訓(xùn)練類似 ChatGPT 的 AI 助手 Claude。為了獲取訓(xùn)練數(shù)據(jù)，公司將大量圖書拆除裝訂、掃描進(jìn)系統(tǒng)，隨后直接丟棄原件。

判決書長達(dá) 32 頁，披露了 Anthropic 在 2024 年 2 月雇傭 Tom Turvey 的經(jīng)過。Turvey 曾負(fù)責(zé) Google Books 項目的合作事務(wù)，公司委托他“獲取全世界的圖書”。這一戰(zhàn)略性人事安排，顯然是希望復(fù)制谷歌曾被法院認(rèn)定為合理使用的圖書數(shù)字化模式。

最終，法官 William Alsup 裁定，該掃描方式構(gòu)成合理使用，理由是圖書已由 Anthropic 合法購買、掃描后即刻銷毀，且數(shù)字文件僅限內(nèi)部使用，未向外傳播。他認(rèn)為這類轉(zhuǎn)換相當(dāng)于“節(jié)省空間”的數(shù)字化轉(zhuǎn)化，具有合理使用中的“轉(zhuǎn)化性”特征。如果公司一開始就遵守這一路徑，或許已樹立 AI 合理使用的首個判例，但早期的盜版行為削弱了其合法性。

核心原因其實很簡單：AI 訓(xùn)練需要海量優(yōu)質(zhì)文本。為了構(gòu)建大語言模型，研究人員需將億萬詞語輸入神經(jīng)網(wǎng)絡(luò)，反復(fù)訓(xùn)練模型，建立詞語與概念之間的關(guān)系。

訓(xùn)練數(shù)據(jù)的質(zhì)量直接影響模型輸出的準(zhǔn)確性。相比網(wǎng)絡(luò)評論等雜亂信息，編輯過的書籍和文章能顯著提升 AI 的語言能力。

AI 公司急需出版內(nèi)容，但通常不愿耗費時間談授權(quán)。美國的“首次銷售原則”提供了法律空間：買下實體書之后，使用者可以自行處理。這就讓購買圖書成為一種合法的“繞道方案”。

和許多同行一樣，Anthropic 最初選擇了繞過版權(quán)的捷徑。IT之家從法庭材料獲悉，為了繞開冗長復(fù)雜的授權(quán)流程，CEO 阿莫代伊曾主張使用盜版電子書。但到了 2024 年，出于法律考慮，公司開始尋求更安全的替代方案。

收購二手書成為理想選擇：不必談授權(quán)，又能獲得質(zhì)量上乘的訓(xùn)練文本。為了加快數(shù)字化進(jìn)程，Anthropic 采用“破壞式掃描”，大量購入圖書，拆封、裁剪、整批掃描為機器可讀的 PDF 文件，完成后紙本全部廢棄。整個流程耗資數(shù)百萬美元。

該公司的購買對象大多是零售渠道的普通舊書。但事實上，非破壞性掃描技術(shù)早已成熟。比如 Internet Archive 就開發(fā)出可保留原書的數(shù)字化手段。本月早些時候，OpenAI 和微軟也宣布與哈佛大學(xué)圖書館合作，計劃使用近百萬本公版書籍訓(xùn)練 AI，這些書籍在被數(shù)字化的同時依舊妥善保存。