破壞性掃描的邊際成本與資料淨化：拆解生成式 AI 收購百萬實體書的訓練資本支出

一紙法院判決與幾筆無視價格的圖書大宗採購，勾勒出生成式人工智慧巨頭在語料獲取上的最新成本曲線。近期調查媒體披露，多家 AI 公司正透過中間商大量收購二手實體書，將其數位化後銷毀，用以獲取未受 AI 生成內容污染的純淨訓練資料。這種看似極端的實體介面採集模式，實則精準反映了大型語言模型（LLM）在當前技術瓶頸下的資本支出轉向。

當模型參數量突破千億級，單純依靠網路爬蟲獲取免費資料的邊際收益正在急遽遞減。高品質、具備邏輯連貫性且保證由人類撰寫的長文本，成為提升模型推理能力的核心要素。將實體書籍轉化為訓練資料庫的物理過程，涉及收購、物流、掃描與銷毀，每一個環節都對應著明確的硬體投資與營運開銷。

實體書作為訓練資料的成本拆解與稀缺性溢價

生成式 AI 發展初期，開源網路數據集（如 Common Crawl）是模型訓練的主要燃料。隨著合成數據大量充斥網路，模型崩潰的風險逐漸升高。研究機構的測試顯示，若模型持續在上一代模型生成的「AI 垃圾內容」上進行訓練，其性能將在幾個世代後出現不可逆的衰退。

為了解決高品質語料的匱乏，AI 巨頭轉向了 2022 年以前出版的紙本書籍。從成本結構來看，實體書數位化是一個典型的高固定成本、低變動成本的資本密集流程。AI 公司大量採購帶有國際標準書號（ISBN）的圖書，且完全沒有主題與類型偏好，其核心邏輯在於最大化單次採購的邊際產出。

專業文件掃描廠商提供兩種主要的數位化路徑。第一種是非破壞性掃描，利用 V 型掃描設備或俯拍儀器，保留書籍完整性。第二種則是破壞性掃描，直接裁切書脊，將單頁送入高速工業掃描儀。

選擇破壞性掃描的商業決策非常清晰：速度與單位邊際成本。非破壞性掃描受限於翻頁的物理間隔，處理一本三百頁書籍可能需要十分鐘；破壞性掃描透過自動進紙，同樣的書籍能在三十秒內完成數位轉換。當採購規模達到百萬本級別時，破壞性掃描能將單本書的數位化勞動成本壓低至數美分。在資本支出的絕對效率面前，實體書的銷毀成為一種不得不為的副產物。

合理使用判決與侵權損害賠償的估值邊界

實體書的大量採購與銷毀，也對應著 AI 公司在版權訴訟壓力下的合規避險行為。此前，Anthropic 投入數百萬美元透過 Better World Books 採購正版圖書進行 Claude 模型訓練，並執行了掃描後銷毀的流程。該公司的技術主管在訴訟過程中證實了這項名為「巴拿馬計畫」的數位化項目。

美國法院在此案的審理中，認定將正版圖書用於 AI 模型訓練屬於版權法中的合理使用。這項判決確立了實體授權在 AI 訓練領域的法律邊界。然而，同一案件中也暴露出資料獲取的合規紅線。Anthropic 因長期儲存一個包含 700 萬本盜版圖書的數據庫，被判定侵犯版權，面臨高達 15 億美元（約合新臺幣 485 億元或人民幣 101 億元）的巨額賠償。

這組對比數據揭示了當前 AI 模型訓練的資本配置邏輯。相較於面臨動輒十億美元起的侵權賠償風險，投入數百萬美元直接購買正版實體書並承擔物流與掃描成本，是一筆風險調整後收益率極高的資本支出。這與我們先前分析的生成式 AI 的資料取得成本與區域監管套利邊界有著相似的底層邏輯，企業正試圖透過實體資產的合法轉移，來規避數位原生資料的版權高牆。

近期擁有超過 1.11 億本圖書目錄的資料庫 ISBNdb，已將業務重心轉向專門服務 AI 企業的大規模圖書採購。買方對價格的極度不敏感，證明了高品質語料在當前模型訓練週期中的邊際價值遠超過二手書本身的零售定價。

資料私有化對知識傳播結構的影響推演

當百萬級別的實體書被轉化為數位資料並從市場消失，實體與數位資源的重分配將產生深遠的結構性影響。二手書交易平臺 Alibris 與 Biblio 上的大宗採購行為，正在改變傳統圖書流通市場的供需平衡。

從產業影響鏈來看，上遊的二手書經銷商與圖書館是這波趨勢的直接受惠者。滯銷庫存與絕版書籍瞬間轉化為高價值的算力原料，清空了傳統書商的倉儲成本。中遊提供破壞性掃描設備與光學字元辨識（OCR）技術的文件處理公司，迎來了產能利用率的高峯。

然而，這股實體書銷毀潮也帶來了知識資產私有化的副作用。這些被掃描的內容最終全數進入 AI 公司的私有數據庫。這與過去網際網路數位圖書館的開放共享精神背道而馳。人類社會累積的部分實體知識資產，在完成數位轉換後，其實體載體被物理消滅，而數位化身則被鎖定於科技巨頭的伺服器內，僅用於提取商業化的模型推理能力。

批評者擔憂的絕版書與稀有書籍滅絕風險，本質上是外部性成本的轉嫁。AI 企業在計算破壞性掃描的資本支出時，並未將文化資產折舊與歷史傳承中斷的社會成本納入考量。這種資源掠奪式的資料獲取模式，正如版權分潤機制與粉絲經濟消費分層中探討的無形資產邊界問題，當商業利益與公共知識財產產生衝突時，缺乏定價機制的文化資本往往成為被犧牲的一方。

資本支出邊際與語料獲取的下一步

回看過去幾個景氣循環，生成式 AI 的競爭核心已從單純的算力軍備競賽，延燒至底層資料的掌握。破壞性掃描實體書的風潮，預示著未來 AI 模型的競爭力將高度取決於其私有資料庫的純淨度與獨佔性。

隨著法院對合理使用原則的進一步釐清，付費購買實體介質以獲取內容使用權，將成為中型與大型 AI 實驗室的標準作業流程。這種將知識物理載體轉化為專屬訓練數據集的做法，短期內推高了二手書市場的邊際利潤，長期則可能促使出版業重新評估庫存書籍的 B2B 授權價值。實體出版業的商業模式，在此刻意外獲得了一筆來自科技巨頭的巨額資本補貼。