據(jù)外媒 Ars Technica 今日?qǐng)?bào)道，當(dāng)?shù)貢r(shí)間周一公開(kāi)的法庭文件披露，人工智能公司 Anthropic 曾斥資數(shù)百萬(wàn)美元，將實(shí)體圖書(shū)拆解并掃描成數(shù)字文件，用于訓(xùn)練類(lèi)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(shū)拆除裝訂、掃描進(jìn)系統(tǒng)，隨后直接丟棄原件。
判決書(shū)長(zhǎng)達(dá) 32 頁(yè)，披露了 Anthropic 在 2024 年 2 月雇傭 Tom Turvey 的經(jīng)過(guò)。Turvey 曾負(fù)責(zé) Google Books 項(xiàng)目的合作事務(wù)，公司委托他“獲取全世界的圖書(shū)”。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(shū)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(shū)已由 Anthropic 合法購(gòu)買(mǎi)、掃描后即刻銷(xiāo)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(lèi)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(kāi)始就遵守這一路徑，或許已樹(shù)立 AI 合理使用的首個(gè)判例，但早期的盜版行為削弱了其合法性。
核心原因其實(shí)很簡(jiǎn)單：AI 訓(xùn)練需要海量?jī)?yōu)質(zhì)文本。為了構(gòu)建大語(yǔ)言模型，研究人員需將億萬(wàn)詞語(yǔ)輸入神經(jīng)網(wǎng)絡(luò)，反復(fù)訓(xùn)練模型，建立詞語(yǔ)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(píng)論等雜亂信息，編輯過(guò)的書(shū)籍和文章能顯著提升 AI 的語(yǔ)言能力。
AI 公司急需出版內(nèi)容，但通常不愿耗費(fèi)時(shí)間談授權(quán)。美國(guó)的“首次銷(xiāo)售原則”提供了法律空間：買(mǎi)下實(shí)體書(shū)之后，使用者可以自行處理。這就讓購(gòu)買(mǎi)圖書(shū)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(guò)版權(quán)的捷徑。IT之家從法庭材料獲悉，為了繞開(kāi)冗長(zhǎng)復(fù)雜的授權(quán)流程，CEO 阿莫代伊曾主張使用盜版電子書(shū)。但到了 2024 年，出于法律考慮，公司開(kāi)始尋求更安全的替代方案。
收購(gòu)二手書(shū)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(gòu)入圖書(shū)，拆封、裁剪、整批掃描為機(jī)器可讀的 PDF 文件，完成后紙本全部廢棄。整個(gè)流程耗資數(shù)百萬(wàn)美元。
該公司的購(gòu)買(mǎi)對(duì)象大多是零售渠道的普通舊書(shū)。但事實(shí)上，非破壞性掃描技術(shù)早已成熟。比如 Internet Archive 就開(kāi)發(fā)出可保留原書(shū)的數(shù)字化手段。本月早些時(shí)候，OpenAI 和微軟也宣布與哈佛大學(xué)圖書(shū)館合作，計(jì)劃使用近百萬(wàn)本公版書(shū)籍訓(xùn)練 AI，這些書(shū)籍在被數(shù)字化的同時(shí)依舊妥善保存。 
