大模型终于露出了最原本的獠牙：它们开始吃纸了。

近期日本古书界爆出一个让人脊背发凉的诡异现象： 大批神秘买家正在日本各地扫荡式购买二手书。

从历史哲学、医学法律，到偏远地区的地方志甚至数十年前的政治小册子，只要是带字的，几乎来者不拒。

一开始当地人还以为是遇到了收古董的，后来才慢慢知道，这些书最终都流向了和人工智能相关的公司。

收走的所有实体书，最终都会被批量扫描识别成电子文本，作为训练数据喂给大模型，简单来说就是之前互联网上的公开数据被挖得差不多了，大模型开始把手伸到线下的实体书里找新的训练素材。

最近这两年大模型迭代速度越来越快，各家企业拼算力、拼参数规模，拼到最后才发现，高质量的文字数据才是真正的短板。

早些年训练大模型，用的都是网上公开的网页、博客、电子书还有社交媒体内容，这些数据量大、获取成本低，足够支撑早期的模型训练。

但经过这几年几轮大模型的消耗，主流语种的公开网络数据已经被挖掘得非常充分，再想靠新增同类数据提升模型能力，效果越来越差。

这种情况下，那些还没有被数字化的实体书籍，尤其是小众领域的专业书、地方史料、老旧出版物，就成了各家公司争抢的稀缺资源。

这类内容之前因为受众少、商业化价值低，从来没人做过数字化整理，对大模型来说就是全新的信息增量，能实实在在提升模型在冷门领域的回答能力。

有行业机构测算过，按照现在大模型的训练消耗速度，全球通用的高质量公开文本数据，可能在未来三到五年内就会面临供给不足。

这个预测比之前行业普遍预期的时间提前了不少，也倒逼各家AI公司提前布局，到处找新的数据来源，日本的旧书扫荡只是其中一个比较显眼的缩影。

这种情况不是日本独有，国内的旧书市场也已经出现了类似的苗头。

不少线上旧书平台的商家都反映，最近一年来批量采购的订单明显变多，很多买家不指定具体书名，只要是某个品类的正规出版物，直接按数量打包收购，价格比零售低一些，但胜在走量大。

线下的旧书市场里，收书的报价也比前几年高了一截，以前论斤卖的旧杂志、老课本，现在很多都按本计价，背后就有AI数据采集的需求在拉动。

普通人家里压箱底的旧书，之前只能当废品处理，现在说不定还能多卖几个钱，只是很少有人知道，这些旧书最终会变成大模型训练数据的一部分。

这种批量收购旧书用来训练AI的做法，从一开始就绕不开版权争议。

按照大多数国家的著作权相关规定，将受版权保护的作品扫描后用于商业用途，需要取得版权方的授权。

但现实情况是，很多老旧书籍的版权归属很难确认，有的作者已经去世多年，有的出版社早已解散，还有很多地方出版物根本找不到明确的版权方。

AI公司大多是先通过二手渠道收购实体书，扫描之后直接用于训练，真的遇到版权主张再协商赔偿，这种先使用后沟通的做法，也让整个行业的版权边界一直处于模糊状态。

日本的AI产业协会此前发布过相关的行业指引，建议企业优先采购已经获得授权的数字化内容，针对版权归属不明确的作品，可以先行做数字化留存，同时留存好采购凭证，后续有版权主张时积极配合处理。

当地几家头部AI企业也对外回应过收购旧书的传闻，称公司确实在扩充训练数据集的多样性，所有旧书都通过正规二手渠道采购，扫描后的内容仅用于内部模型训练，不会对外传播书籍的完整内容，也不会用于其他商业用途。

这场由大模型引发的扫书潮，最先影响的就是旧书市场的价格。

随着越来越多的资金进场扫货，很多原本不值钱的老旧书籍价格都在往上涨，一些偏门的地方志、行业刊物，价格比两年前翻了一倍还多。

普通淘书人想找本想看的旧书，要花的钱比以前多了不少。

更值得关注的是，当实体书这个存量池也被挖得差不多的时候，大模型还会向哪里找新的数据，目前整个行业都没有明确的答案。

会不会进一步延伸到个人的手写内容、私人信件，或者其他非公开的文字资料，现在还没法下定论。

对普通人来说，这件事看起来离自己很远，其实和每个人都有关系。

咱们平时在网上发的评论、写的动态，早就是大模型的训练素材，现在连线下的实体书都开始被吸纳，本质上就是AI在逐步消化人类有史以来积累的所有文字成果。

这个过程会让AI的能力越来越强，能回答的问题越来越偏门，但同时也带来了数据权益、版权归属之类的问题。

这些问题不会立刻影响到日常的生活，但会一点点改变整个内容行业的规则，也会改变每个人创造的文字内容的价值。