很多人不知道，现在AI获取知识的方式，正在分化成两条路线。

先聊一件我觉得很离谱的事情，就是Anthropic这家公司为了训练模型，甚至选择拆书......

他们发起了一个叫「巴拿马计划」的项目，从图书馆、二手书店、像斯特兰德这样的实体书店买书，然后用液压切割机把数百万册书整齐地切开，再用高速扫描仪扫描书页，最后找回收公司处理掉这些被拆解的书。

很多人第一反应是：这也太暴力了吧？

但我看到的问题是，为什么Anthropic要这么大费周章？

结合最近的行业动态，我意识到：大模型竞争已经从参数战，转向了数据战。而OCR，正在成为这场战争里各家必争的入口。

1

Anthropic拆书这件事，其实不是孤例。

在拆实体书之前，Anthropic就因为盗版电子书惹过争议。2021年，他们联合创始人本·曼恩从LibGen下载了数百万册书籍。

而且，Anthropic不是唯一这么干的。

Meta也被曝光从LibGen窃取了数百万册书，内部员工还在通讯里写：“如果媒体报道暗示我们使用盗版数据集，可能会削弱我们在监管机构那边的谈判地位。”

为什么各家都盯上了实体书？

答案很简单：互联网数据快被榨干了。

过去两年，大模型竞争主要集中在参数规模上。

但现在行业共识是，高质量的实体数据，正在成为下一代模型竞争的关键资源。书里的知识密度、结构化程度，远超互联网碎片化内容。

所以Anthropic才会不惜成本地去拆书、扫描、数字化，然后喂给模型。

2

如果说Anthropic拆书还只是个开始，那GPT之父的实验就更能说明问题了。

4月29日，Alec Radford发布了一个叫talkie的模型，总参数130亿，训练数据全部来自1931年之前的旧文献——书籍、报纸、期刊、科学论文、美国专利、判例法，这些数据全靠他手动OCR近百年前的文献。

结果这个只读过19世纪知识的模型，仅通过少样本学习，竟然能写出正确的Python程序。也就是说，模型可以用19世纪的知识做推理，而不只是检索。

这件事最值得注意的，是OCR在这里扮演的角色：它是AI获取知识的第一步。

OCR的价值已经变了，它不再只是一个"识别文字"的工具，而是连接现实世界知识与AI能力的基础设施。

3

现在行业里，AI获取知识的方式正在分化成两条路线。

第一种路线，以Anthropic为代表：买书 → 拆书 → 扫描 → 数字化 → 喂给模型。

本质上，是把现实世界标准化，让机器容易处理。

因为传统OCR对环境要求很高：书页最好是平的，图片最好是标准扫描，页面最好没有阴影，文档最好没有弯折。

机器看不懂真实世界，那就只能改造真实世界。

第二种路线，以文心为代表：让模型直接理解真实世界。

最近百度发布的PaddleOCR-VL-1.6，走的就是这条路。

它在OmniDocBench v1.6权威评测中，准确率达到96.3%，综合性能全球第一，超越Gemini-3-Pro、GPT-5.2、MinerU-2.5-Pro。

在面向真实复杂场景的Real5-OmniDocBench评测中，总指标达到93.19%，较Gemini-3-Pro提升近4个百分点。

更关键的是，它能直接理解真实世界的复杂场景，弯折页面、倾斜文档、手机拍照、光照变化，无需预处理就能识别。

PaddleOCR基于文心大模型训练而来，是文心大模型多模态能力的重要部分。

它不只是一个OCR工具，而是文心大模型获取现实世界知识的数据入口，图书馆里的纸质书、企业文档、档案资料、古籍文献、手机拍摄的文档，都能成为文心训练的养料。

而且PaddleOCR的GitHub Star已经突破79.2K，超越谷歌开源的Tesseract OCR，成为全球最受开发者欢迎的开源OCR项目之一。

4

所以，为什么各家模型厂商都在布局OCR？

原因很简单，随着大模型竞争进入数据争夺阶段，OCR正在成为AI连接现实世界的关键基础设施。

互联网数据只是知识来源的一部分，大量高质量知识其实存在于图书馆里的纸质书、企业内部文档、历史档案资料、古籍文献等等，这些都是大模型未来的重要知识入口。

而PaddleOCR作为文心衍生模型，支持超100种语言识别，用户覆盖170多个国家和地区，站在了这轮大模型竞争的关键位置上。

带来的结果是：文心多模态能力也非常强。

因为PaddleOCR为文心打开了海量真实世界数据的入口。

Anthropic拆书事件最值得讨论的，不是拆了多少书，而是两种AI训练哲学的分化——让世界适应模型，还是让模型理解世界。

Anthropic选择了前者，百度文心+PaddleOCR正在走后者。