AI 大模型的训练离不开海量高质量文本数据，而书籍作为结构化的深度内容载体，正是这类数据的核心来源之一 —— 但版权问题始终是行业绕不开的痛点。最近，美国 AI 公司 Anthropic在法庭文件中披露了一项名为 “巴拿马项目” 的计划：通过第三方渠道购入海量实体书籍，经高精度扫描提取完整文本内容后，不仅会统一销毁全部实体书籍载体，还会对存储原始扫描副本的设备执行专业的硬盘数据文件销毁，全程仅留存经标准化处理的训练用文本片段，这套试图 “去痕迹化” 的特殊操作随即引发行业广泛争议。Anthropic 成立于 2021 年，由前 OpenAI员工达里奥・阿莫迪等人创办，2023 年估值约 150 亿美元，核心产品是 Claude系列大模型。为开发软件，AI公司销毁了数百万册实体书籍巴拿马项目的核心流程形成了 “采购 — 数字化提取 — 载体数据销毁” 的完整链路：通过第三方供应商从书店、批发商处购入数百万本实体书，覆盖小说、学术著作、专业教材等多个类别；之后用光学字符识别（OCR）技术进行高精度扫描 —— 准确率超过 99.5%，提取的结构化文本全部用于 Claude 模型训练；数字化工作完成后，所有采购的实体书籍便被统一进行数据销毁，全程未留存原始实体副本。这些细节是 2024 年上半年通过版权诉讼的法庭文件曝光的，文件显示该项目至少从 2022 年启动，一直持续到 2023 年底，主要在美国境内开展，扫描工作由合作技术服务商负责，书籍采购则覆盖了多个州的渠道。Anthropic 的内部文件指出，公开网络上的文本数据质量良莠不齐，且版权风险较高；相比之下，书籍内容的权威性和结构化程度更高，能有效提升模型的推理能力和知识准确性。但直接获取版权授权不仅成本高昂，流程也十分复杂，因此他们才选择了这种 “先复制内容、再销毁载体” 的曲线方案，试图通过实体书的数据销毁弱化复制行为的版权属性，打合规擦边球。不过，这种做法大概率涉嫌违反美国《版权法》—— 版权保护的核心是作品的复制权与传播权，即便完成了实体载体的数据销毁，未经授权制作受版权保护作品的数字化副本这一行为本身，已然构成侵权事实。麦肯锡2024 年发布的《AI 数据伦理报告》显示，68% 的 AI 企业存在数据来源不透明的问题，32% 则涉及潜在的版权风险。合规销毁数据硬盘文件
发布于 上海
分享
评论
赞
未登录
友善发言
评论
加载中
