AirTag追踪揭秘：亚马逊疑似销毁珍本书训练AI

一场用AirTag展开的调查

当技术记者把一枚苹果AirTag塞进一本稀有书籍时，他们或许没想到，这枚小小的追踪器会揭开AI训练背后一个鲜为人知的角落。苹果AirTag是一种基于超宽带（UWB）技术和蓝牙低功耗协议的小型追踪设备，它利用苹果的"查找"（Find My）网络——一个由全球超过十亿台苹果设备组成的众包定位系统——来实现物品的持续定位追踪。任何附近的苹果设备都会在后台匿名中继AirTag的加密位置信号至云端，这使得即使追踪器本身没有GPS或蜂窝网络连接，也能在全球范围内被精确定位。

据科技新闻媒体404 Media的调查，记者与一位书商达成协议，在一本将作为批量订单发货的稀有书籍中放置了AirTag。404 Media是2023年由四位前Vice旗下Motherboard科技频道的资深记者创立的独立科技新闻机构，以深度调查报道著称，专注于技术对社会的影响，其采用读者订阅制的商业模式，不依赖广告收入，在一定程度上保障了编辑独立性。追踪数据显示，这本书最终抵达了位于内华达州拉斯维加斯的亚马逊AI训练设施。

这一发现之所以引发广泛关注，是因为它触及了当下AI行业最敏感的话题之一：训练数据从何而来，又以何种代价获取。如果调查属实，那么一批具有收藏价值的实体书籍，可能正在被拆解、扫描，然后销毁——仅仅为了满足大型语言模型对文本数据的巨大胃口。

为什么AI公司需要书籍数据

高质量文本资源日益稀缺

要理解这一事件的背景，首先要理解书籍对AI训练的独特价值。大型语言模型的能力很大程度上取决于训练数据的质量。当前主流大型语言模型的训练数据规模已达到万亿级token——以GPT-4为例，据业界估计其训练数据可能超过13万亿token。然而，互联网上可用的高质量英文文本总量是有限的。研究机构Epoch AI在2022年的研究中曾警告，到2026年前后，高质量语言数据可能会被"耗尽"。这种被称为"数据墙"（data wall）的现象正在迫使AI公司寻找新的数据来源，包括合成数据生成、多模态数据转化，以及将实体世界的文本资源数字化。

相比互联网上充斥的碎片化、低质量内容，书籍代表了人类知识中经过编辑、结构完整、逻辑严密的高质量文本。无论是文学作品、学术专著还是专业参考书，书籍中的长篇连贯叙事和深度论证，恰恰是模型学习复杂推理和语言表达所需要的素材。研究表明，在高质量书籍语料上训练的模型，在逻辑推理、长文本生成和事实准确性方面明显优于仅在网页数据上训练的模型。这也是为什么众多AI公司都在想方设法获取图书数据——从公开的图书数据集（如Books3，包含约19.6万本书籍），到与出版商谈判授权，再到如今疑似出现的实体书扫描销毁。

从实体到数字：破坏性扫描的代价

将实体书转化为训练数据，最高效的方式往往是"破坏性扫描"（destructive scanning）。具体流程通常包括：首先使用工业切纸机将书脊切除，使书页完全分离为散页；然后将散页送入高速文档扫描仪，这类工业级设备每分钟可扫描100-200页，远超人工翻页扫描的效率；扫描后的图像再通过光学字符识别（OCR）技术转换为可编辑的文本数据。相比之下，非破坏性扫描需要操作者逐页翻阅、对齐，通常每分钟仅能处理数页，效率差距可达数十倍。Google Books项目早期也曾大量采用破坏性扫描方法，但其通常处理的是图书馆中有多份副本的普通馆藏，而非孤本或稀有版本。

对于普通书籍，这或许无可厚非，但当被处理的对象是稀有书籍甚至珍本时，问题的性质就截然不同——这意味着不可再生的文化载体在数字化过程中被彻底摧毁。

这一做法引发了哪些争议

版权与数据来源的法律灰色地带

这起事件再次将AI训练数据的合法性问题推上风口浪尖。围绕AI训练数据的法律争议已在全球多个司法管辖区展开。在美国，核心争议焦点在于"合理使用"（Fair Use）原则的适用范围——美国版权法第107条允许在评论、教育、研究等场景下未经授权使用受版权保护的作品，但商业性AI训练是否属于"变革性使用"（transformative use）仍存在巨大争议。近年来，从《纽约时报》起诉OpenAI（指控ChatGPT能几乎逐字复述其付费文章），到大量作家、艺术家发起的集体诉讼，围绕"AI公司是否有权使用受版权保护的作品进行训练"的争论从未停歇。在欧盟，《人工智能法案》和《数字单一市场版权指令》则为权利人提供了"选择退出"（opt-out）机制；日本则采取了相对宽松的立场，其2018年修订的版权法明确允许为机器学习目的使用受版权保护的材料。

即便一本书是合法购买而来，将其内容用于商业AI模型训练是否构成侵权，在法律上仍是尚未厘清的模糊地带。根据美国版权法中的"首次销售原则"（First Sale Doctrine），购买者有权转售或处置其购买的实体副本，但这一权利并不延伸至对内容的复制和商业再利用。购买一本书的所有权，并不等同于获得了将其内容用于任何商业用途的授权，尤其是当这种用途可能与原作者的商业利益产生直接冲突时。

文化遗产面临不可逆损失

如果说版权问题还有讨论空间，那么销毁稀有书籍所带来的文化损失则更令人痛心。在古籍收藏和图书馆学领域，"稀有书籍"的价值评估基于多个维度：版本稀缺性（现存副本数量）、历史意义（首版、作者签名本、重要批注本）、物理状态（装帧工艺、纸张材质、印刷技术的历史见证），以及出处（provenance，即所有权流转历史）。一本19世纪的首版书籍，其价值可能远超其文字内容本身——它是特定时代印刷技术、设计美学和文化传播方式的实物证据。

稀有书籍之所以珍贵，不仅在于其文字内容，更在于其作为实体存在的历史价值、版本价值和收藏价值。美国古书商协会（ABAA）对稀有书籍有严格的鉴定标准，许多稀有书籍是不可替代的文化遗产。一旦被裁切销毁，这些价值将永久消失，再无恢复可能。

用一件不可再生的文化文物，去换取一段可以被无限复制的数字数据，这笔交易在很多人看来是本末倒置的。它折射出当前AI竞赛中一种令人担忧的倾向：为了追求数据规模和模型性能，一些参与者可能正在忽视更长远的文化与伦理代价。

这起事件带来的深层启示

数据饥渴时代的伦理边界在哪里

这次调查的意义，超越了单一公司的行为本身。它揭示了一个正在快速逼近的现实：随着高质量训练数据日益稀缺，AI公司获取数据的手段可能会越来越激进。当公开数据被"榨干"，实体世界的资源便可能成为下一个目标。业界已经观察到多种应对"数据墙"的策略：有的公司投资合成数据生成技术，用AI自身产出训练数据；有的与Reddit、新闻机构等内容平台签订高价授权协议；还有的探索将视频、音频等多模态数据转化为文本。而直接将实体书籍数字化，可能是其中最粗暴也最具争议的一种方式。

记者用AirTag这种消费级追踪设备来揭露AI供应链背后的做法，本身就颇具象征意义——普通人手中的技术工具，正在成为监督科技巨头的利器。这一调查手法让人联想到环保组织追踪非法捕捞船队、或记者追踪电子垃圾出口流向的经典调查案例。这也提醒我们，AI行业的透明度问题亟需更多来自外部的持续监督。

行业规范和监管框架亟待建立

这起事件呼唤更明确的行业规范和监管框架。至少应当在以下几个层面建立共识：

• 训练数据的来源应当可追溯、可披露
• 具有文化价值的实体资料在数字化时应优先采用非破坏性方式
• 对稀有、绝版书籍应建立特殊的保护机制

目前，部分国家和地区已开始在这一方向上迈出步伐。欧盟《人工智能法案》要求高风险AI系统披露训练数据摘要；美国国会也在讨论多项涉及AI训练数据透明度的法案。但在文化遗产保护与AI训练数据获取之间如何平衡，全球尚未形成成熟的规范体系。

有意思的是，目前这一调查主要来自404 Media单一媒体的报道，相关公司尚未对此做出全面回应，具体的规模和是否为系统性行为仍有待进一步验证。但无论是个案还是普遍现象，它所引发的讨论都值得整个行业认真对待。

结语

从一枚小小的AirTag，到一座AI训练设施，再到一本被销毁的稀有书籍——这条追踪链条串联起的，是AI时代数据获取的伦理困境。技术进步固然重要，但当它以不可逆的文化损失为代价时，我们有必要停下来追问：这样的代价，是否真的值得？在追求更强大AI的道路上，如何守住文化遗产保护和版权伦理的底线，将是所有从业者无法回避的课题。