首页科技快讯大模型终于露出了最原始的獠牙：它们开始吃纸了！

大模型终于露出了最原始的獠牙：它们开始吃纸了！

来源：晰数塔互联网快讯时间：2026年09月30日 00:48

东京神田神保町，这条街摆了上百年的旧书摊。店主们近来发现一件怪事：进店的人不挑作者，不看品相，封面磨破、书脊泛黄、扉页有涂鸦，统统照单全收。

一天扫走上百本，结账时不问版本，只问还能再凑多少箱。包裹汇向同一个跨境物流集散点，再装柜发往太平洋对岸。

据日媒调查，去年以来已有超过50吨日本二手书籍被批量出口到美国。外媒更早一步曝出，Anthropic启动过一个代号“巴拿马计划”的项目，成批购入数百万册旧书，在工厂里工业切脊、高速扫描、OCR提取文字，然后把原书送进销毁线。

曾经以为扫成PDF，智慧就能在云端永生。结果当互联网被AI生成的垃圾灌满，最干净的语料反而成了落灰的旧纸——数字越繁荣，纸竟成了最后一块净土。

一、不挑品相的大客户

大模型圈有个早已公开的秘密：互联网上能公开抓到的高质量文本，被这几轮大模型吃得七七八八了。

训练下一代模型，胃口是万亿级token起步。维基百科、新闻站点、博客、论坛、公开图书数据库，凡是能爬的干净文本，过去几年被几大实验室反复刮过。剩下那点，要么是重复的，要么是AI自己生成又回灌回去的，要么是锁在付费墙和数据库后面的。

公开互联网这口锅，已经见底。

于是买家把目光从屏幕挪到了纸面上。据网易、钛媒体跟进报道，这批日本二手书成批运往北美，在跨境物流集散换柜之后，被送进专门的处理流水线：切脊、高速扫描、OCR识别成可编辑文本，原书物理销毁。按每本500克粗算，这批书的体量大约在10万册上下。

行业里管这种操作叫“数据清扫”。逻辑并不复杂：网上那点文本已经被嚼过太多遍，再拿来喂模型，喂进去的是“二手货”；而印在纸上、从未上过网的旧书，是干净的、未经互联网污染的“原浆”。

为什么是日本？这里头有一层现实的算计。日本出版业的排版规范、印刷质量、字体统一度，在全球范围内都数得上。一本印于上世纪七八十年代的地方志、判例集、学术专著，纸面清晰、栏距整齐，对OCR来说识别率极高。更关键的是，这类小众资料当年根本没有数字化的商业价值，从来没人把它们扫成电子版，也就从来没进过任何训练语料库。

对模型而言，这就是一座从未被开采过的高纯度逻辑矿。

打个比方，互联网文本像一条被几万人反复淘过的河，河沙里的金子早被筛干净，剩下的多是碎渣和淤泥；而旧书仓库像封存在地下室里、从未开封的原矿，每一册都自带完整的论证结构、术语体系和上下文。OCR把纸变成可计算的token，工业切脊把整本变成可批量处理的散页，两道工序合在一起，等于把物理世界的库存一键搬进了训练集。

从神保町的旧书摊到北美的扫描工厂，这条链一旦被媒体摆上台面，被压了很久的版权问题再次浮出水面。

二、互联网蹭秃之后回头切书脊

AI公司宁可漂洋过海去买旧书、切书脊，是因为它面前横着一堵墙。

这堵墙叫“数据墙”。简单说，能用来训练大模型的人类高质量书面文本，是有限的。Epoch AI做过测算，这类高纯度文本大概会在2026年前后被消耗殆尽。这不是预言某一天突然断粮，而是说越往后，找到没被用过的干净文本越难、越贵。

更麻烦的是第二层，业内叫“模型塌陷”。模型生成的内容被发到网上，下一批模型再从网上抓回来训练，等于拿自己的生成物喂自己。几代下来，文本多样性会越来越窄、噪声越来越大，模型像是在反复咀嚼同一团唾沫，越学越僵。

这就是为什么旧书突然香了。它同时解决两个问题：一是总量足够大，全球印刷品的存量以百亿册计；二是干净，这些文字由人在几十年前写下、排版、印刷，没有经过AI回灌，逻辑链条完整。日本旧书里那些地方志、判例集、学术论丛，恰好是从未上网的长尾——写作者当年认认真真论证，印刷厂认认真真排字，OCR现在认认真真识别，出来的就是一段段结构严密、术语准确的高纯度语料。

但切书脊这件事，从曝光第一天起就裂成了对立的两派。

一派认为这根本不构成问题。据中国经济网报道，已有美联邦法官在类似案件中认定，扫描合法购入的纸质书用于文本挖掘，属于“合理使用”。何况纸质书本来就该被数字化保存，否则虫蛀、水浸、散佚，几百年后什么都留不下。旧书在店主手里多半也是积灰，被扫成电子版反而是延长寿命。

另一派的立场针锋相对。孤本被切脊、被送进销毁线，物理意义上就永久消失了；出版社和作者既没有授权，也没有拿到任何补偿。这不是保存，是把文化样本当工业原料吃掉。书页被送进销毁线的那一刻，这本书作为一个物理存在的唯一性，就从世界上被抹掉了。

两派都没有说错。合理使用的边界在哪里，孤本与绝版书是否该被区别对待，目前的法律和伦理都还没给出清晰答案。可以确认的只有一件事：数字世界曾经许诺“一切皆可永存”，到头来却转头朝物理世界伸手夺粮。扫成PDF的智慧，最终成了模型盘子里的口粮——这本身就是对“数字化即终极保存”那句口号最辛辣的反讽。

三、切纸机铡刀落下之后

把镜头拉远一点，画面会显得格外荒诞。

一家估值逼近万亿美元的科技公司，它下一代模型的竞争力，核心壁垒之一，竟然是能不能从地球另一端的旧书摊，按吨收走那些论斤卖的废纸。算力可以买，芯片可以抢，人才可以挖，但没被污染过的人类书面语料，是有数的。

这是一场发生在21世纪的微妙轮回。过去三十年，人类拼命把纸面上的东西搬进屏幕，以为搬完就万事大吉。结果屏幕那一头被AI自己造出来的内容迅速塞满、迅速贬值，最干净的语言反倒留在了纸面上。

这个逻辑并不会只停留在日本。中文世界同样有海量从未数字化的印刷品：近代以来的地方志、老教材、民国期刊、地方出版社的学术专著，其中大量既没有电子版，也没有被任何合法语料库收录。国内的旧书市场、孔网库房、按吨论斤的纸品集散点，是否也在经历一场神保町式的静默扫货，目前公开报道还很少，但这条产业链一旦跑通，中文语料上的复制几乎是必然的。灰色的版权链、未被授权的作者、被切脊的孤本，这些问题不会因为换了一种语言就自动消失。

真正值得记下的，不是某一家公司买了多少吨书，而是这件事背后那个安静的转向：人类花了半个世纪，试图把文明从纸面搬进硅片；当硅片那一头终于被自己的产物填满，它又回过头来，把纸面当作最后一座矿。

切纸机的铡刀落下，一本昭和年间的地方志书脊断裂，散页被送进每分钟吞吐数百页的高速扫描仪。从这一刻起，这本书不再存在于东京某个旧书店的书架上，不再存在于某间大学图书馆的特藏库里，它只以参数的形式，栖居在某个大模型的权重矩阵里。

发布于：天津