以卖书起家的电商巨头亚马逊，如今为了训练人工智能，正在对珍贵的实体书籍进行物理拆解。

亚马逊目前正在对部分珍本书籍进行破坏性处理，目的是提取其中的文本内容，用于训练其大语言模型（LLM）。这揭开了当前大模型行业面临的一个现实：高质量的训练数据正在枯竭，科技公司开始把目光投向线下实体书。

卖书起家，如今“拆书”喂AI

在图书数字化过程中，为了获取清晰的扫描图像，有时需要对书籍进行物理拆解。对于普通书籍，这只是常规操作；但对于具有收藏和历史价值的珍本书籍，这种操作意味着不可逆的物理损毁。

亚马逊之所以对珍本书籍采取这种极端手段，是因为这些书里藏着大模型急需的“稀缺营养”。大模型的能力靠海量文本喂出来，而珍本书籍中包含了大量逻辑严密、专业度高且从未在互联网上公开过的深度内容。通过拆解并数字化这些罕见文献，亚马逊能够为其AI模型提供独家的高质量语料。

公开数据见底，大模型患上“数据饥渴症”

过去几年，各大科技公司训练AI的主要方式是爬取互联网上的公开网页、论坛、论文和电子书。

然而，互联网上高质量的公开文本是有限的。目前，主流大模型几乎已经把网上能找到的优质内容吸收得差不多了。当模型吃透了容易获取的公开数据后，单纯增加数据数量很难带来能力的显著提升。如果强行用低质量数据或AI生成的合成数据去训练，反而会导致模型能力退化。因此，行业陷入了真正的“数据荒”。

在这样的背景下，未数字化的线下实体书、私人档案和珍本古籍，成了大模型提升能力的最后一片数据蓝海。珍本书籍极少被数字化，其文本内容对模型来说是完全新鲜的，能够有效提升其在复杂推理和专业领域的表现。

从“网上爬”到“线下找”，竞争逻辑生变

亚马逊的这一动作，给国内的大模型厂商和AI创业者释放了一个明确的信号：大模型的竞争逻辑正在发生转变。

在行业早期，大家拼的是算力规模和参数大小，数据主要靠互联网公开资源。但现在，拼参数已经触及瓶颈，真正的护城河变成了独家高质量数据。如果继续在公开互联网数据里内卷，很难拉开与竞争对手的差距。

这意味着，国内的AI公司需要把目光转向线下。比如，与出版社、高校图书馆、专业研究机构合作，获取垂直领域的专业书籍、未公开论文和行业报告；或者通过合法授权，获取医疗、法律、金融等垂直行业的私有数据。这些线下数据不仅质量高，而且具有极强的专业壁垒。掌握别人拿不到的稀缺数据，才能在下一阶段的AI竞争中训练出更聪明的模型，从而在商业化落地时提供更具针对性的行业解决方案。

获取稀缺数据，版权与伦理争议难避

尽管获取稀缺数据是提升AI能力的有效途径，但毁坏实体书训练AI的做法，也暴露出行业面临的现实阻力。

一方面是伦理与文化保护争议。珍本书籍不仅是信息的载体，更是具有文物价值的实体。为了提取数据而销毁实体书，必然会遭到图书管理员和文化保护人士的反对。如何在数字化利用与物理保护之间找到平衡，是科技公司必须面对的问题。

另一方面是复杂的版权风险。许多珍本书籍的版权状态并不清晰，有的属于孤儿作品，有的涉及版权继承问题。大模型在未经授权的情况下使用这些内容进行商业化训练，极易引发版权诉讼。目前全球范围内关于AI训练数据版权的法律界定仍在博弈中，这给依赖线下稀缺数据训练模型的公司带来了合规压力。

大模型的发展已经进入深水区。从互联网上轻松获取数据的时代已经结束，未来AI的进化，将越来越依赖于对现实世界中那些未被数字化的隐秘知识的挖掘。亚马逊拆解珍本书籍只是一个缩影，预示着AI行业为了获取优质口粮，正在向更深、更传统的物理世界进军。