【AI答问】问：目前对AI大模型的图书投喂已经到了什么地步？百分之多少的图书已经被投喂？

答：这是一个非常核心的数字秘密。要回答“投喂到了什么地步”，我们需要明确一个事实：全球没有任何一家 AI 巨头会公布其最新模型吞噬图书的精确绝对数量，因为这直接关系到商业机密和决定生死存亡的法律诉讼。

但是，通过技术专家的估算、已经泄露的诉讼材料、以及 2025/2026 年各大机构（如哈佛大学、斯坦福大学）披露的开源数据集，我们可以推算出目前大模型对图书的投喂进度。

如果把整个人类历史至今出版的所有纸质图书看作一个整体，目前被大模型投喂的比例大约在 5% 到 10% 之间。

这个数字看似不高，但背后的结构非常惊人，可以划分为三个不同的“知识矿层”：

1. 第一矿层：公共领域（Public Domain）古籍文献 —— 投喂率：接近 90%这是大模型最安全、吞噬最彻底的资产。

现状： 所有出版超过 70-95 年（视各国法律而定）、版权保护期已过的图书、古籍和历史文献，基本已被各大巨头“全盘端走”。

最新标志性事件： 哈佛大学法学院创新实验室在 2025 年联合微软与 OpenAI，正式推出了 “哈佛大学图书馆公共领域语料库”（Harvard Library Public Domain Corpus）。该项目一口气释放了近 100 万册 珍贵绝版图书（包含 2420 亿个 Token 词元，跨越 250 多种语言，最早可追溯至 15 世纪）。

地步： 西方启蒙运动时期的著作、中国二十四史及历代文集等人类共同的文化遗产，早已被大模型彻底消化，构成了 AI 底层的基本逻辑和世界观。

2. 第二矿层：数字化版权图书（1970年至今的当代出版物） —— 投喂率：估算约 30% ~ 50%这是目前版权诉讼最惨烈的战场，也是大模型“智商”的最核心来源。

早期的“影子图书馆”狂欢（2022-2024年）：在法律监管尚未完善的早期，硅谷巨头和开源社区几乎是“野蛮掠夺”。业内著名的 Books3 数据集 包含了约 18.3 万册 当代出版的图书；而泄露的法庭文件显示，Meta 在训练 Llama 系列时，曾利用 BT 种子下载了超过 80 TB 的盗版/电子书资源。

如今的“合规买断”割据（2025-2026年）：随着版权诉讼海啸的到来，OpenAI、谷歌、微软被迫走向正版化。如前文所述，他们正在用数亿美元的巨资，与约翰威立（Wiley）、泰勒-弗朗西斯（Taylor & Francis）、哈珀柯林斯（HarperCollins）等大众与学术出版巨头签署排他或非排他协议。

地步： 全球近几十年出版的、拥有电子版（E-book）或已被数字化的精英图书、畅销书和核心学术期刊，大约有三分之一到一半，已经被大模型巨头通过“灰色抓取”或“高价购买”的方式实质性吸收。

3. 第三矿层：未数字化的纯纸质绝版图书与私有档案 —— 投喂率：低于 1%这是人类文明至今未被 AI 染指的“处女地”，也是为什么总投喂率只有 5%~10% 的原因。

庞大的基数： 根据 Google Books 团队多年前的系统性统计，人类自活字印刷术发明以来，大约出版了 1.3 亿到 1.5 亿部 独特的图书（不计发行量，仅计书名种类）。而目前全球被完全数字化的图书总数，估算也仅在 3000 万到 4000 万册左右。

AI 的鸿沟： 还有超过 1 亿部的图书，静静地躺在全球各大国家图书馆、地方档案馆、高校私人特藏室里。它们只有唯一的物理实体（纸质、竹简、羊皮纸），没有变成任何数字信号。大模型再聪明，也无法隔空去读一堆物理纸张。

地步： 这一块目前的投喂进度几乎为零。

总结：AI 吞噬图书的三个阶段目前，大模型对图书的投喂正在从“第一阶段”跨向“第二阶段”：

阶段 1（已完成）： 浮在表面的互联网公开文本和无版权古籍已被吃光。

阶段 2（激战中 - 2026年现状）： 巨头们正在用资本（签合同）和算法（强化学习），疯狂争夺和精炼那几千万册已数字化的当代版权图书和学术期刊。

阶段 3（未来十年）： 随着数据红利的耗尽，谁能发动国家力量或超级资本，将物理世界里那上亿册尚未数字化的绝版纸质图书、档案、地方志进行大规模的 OCR 扫描和算法清洗，谁就能为 AGI 的下一次智力跃迁提供源源不断的“燃料”。