DC娱乐网

大模型终于露出了最原始的獠牙：它们开始吃纸了！你敢信吗？现在硅谷的AI巨头，已经不满足抓取互联网上的文字了，转头跑到全世界各地扫荡二手旧书。日本著名古书店街，大批神秘买家大批量扫货，不管是老地方志、旧判例集，还是几十年前的行业小册子，只要上面有字就全部买走，一年就有足足50吨旧书，打包运往美国，差不多是10万册纸质读物。这些买家根本不是藏书爱好者，这些书也不会被摆上书架阅读，它们的最终归宿，是被切掉书脊、拆开装订，完成高速扫描工序后实体书籍直接被销毁，提取出的文字内容作为大模型的训练素材，该事件被公开后不少人都觉得十分不可思议。不少人都感到很费解，线上的各类信息资源如此充足，AI为什么偏要耗费大量成本专门收购纸质旧书呢？最核心的缘由一共就两点：互联网上的高质量人类原创文字几乎快被搜刮殆尽，当下全网各处都遍布AI生成的低质内容。早些年大模型的快速发展，完全依托爬虫爬取全网资源，百科、论坛帖子、新闻、网友评论所有内容都被拿来做训练素材。但互联网当中现存的全部高质量人类创作文本，整体存量是存在明确上限的。据科研机构EpochAI的估算，以当前的消耗节奏来看，公开网络中的优质人类文本很快就会被耗尽，业内将这一困境称作“数据墙”。比数据短缺更让人忧虑的状况，是数据已经遭到了“污染”。如今互联网上存在大量营销文案、灌水内容，不少这类文章本身就是由AI生成的。曾有研究在《Nature》刊发相关结论，将AI产出内容用来继续训练AI，数轮迭代后，模型输出就会逻辑失序、内容离谱。业内叫“模型塌陷”，通俗讲就像复印件反复复印，越到后面画面越模糊，属于AI界的近亲繁殖，越训越笨。互联网上可获取的完全出自人类原创的纯净内容越来越少，行业巨头便将目光投向了尚未完成数字化的纸质老书籍。这些数十年前印刷的书籍，全都是人类思考沉淀下来的内容，完全没有AI相关内容污染，是品质极高的训练素材。这当中来自日本的旧书籍尤其受到大众欢迎。一方面近代日本印刷工艺水平出色，页面字迹清楚，机器识别文字的准确率非常高；可推进数字化的整个过程，其粗放的程度实在令人感慨。知名AI厂商Anthropic曾有代号为“巴拿马计划”的项目被披露，在采购了数百万册图书之后，并没有采用讲究的无损扫描方式。他们直接操作工业切纸机一刀切下书脊，整本书散开为独立单页，高速扫描仪快速完成扫描，OCR工具提取文字生成电子文档，完成扫描的实体书直接被回收销毁。由作者花费多年精力创作完成的书籍，仅用短短几十秒就失去了原有物理形态，留存下来的只有对应的数字文本内容。这其中也暗藏版权相关的考量，根据美国的部分司法判例，企业合法购买纸质图书，完成扫描后销毁原物，仅保留唯一的数字备份，往往会被判定为构成“合理使用”，躲开了直接下载盗版电子书籍的相关法律风险，可该操作在科技领域和藏书界都引发了极大争议。整件事后续还出现了一个颇具戏剧性的反转走向。很长一段时间里，大家都普遍认为，采用数字化手段搭配云端存储，就是留存知识的最优方案。人们将书籍扫描生成PDF文件，把各类笔记上传至云端，都认为硬盘存储要比实体纸张更可靠。可现实却来了一次轮回：在数字世界充斥AI垃圾内容的今天，那些落满灰尘、安放在书架上的纸质书，反而成了没有被AI触碰过的知识净土。高科技企业拼技术、拼算力，现在还要比拼谁能拿到更多没有被污染的旧书。日后当我们和AI对话交流时，它输出的某一段知识内容，很有可能就来自某本被切碎销毁的昭和年代旧书。大家完全无需过度焦虑，这种情况并不意味着纸质书马上就会被抢购一空。批量采购的大多是流通量大的二手旧书，珍贵孤本、善本并不会大规模流入这个流水线。只是这件事值得我们思考：当大量人类知识被AI拿走消化，实体书本不复存在之后，人类对这些内容的解释权，会不会悄悄发生变化。现在我们家里书架上那些旧书，只要书本还完好地摆在那里，这份知识的解释权，就还牢牢握在我们人类手里。

这路线有点意思[doge]有没有车企对自己车型有自信的，可以给到我们，我们去跑​​​