Anthropic 买古籍扫描后销毁：训练数据获取的伦理边界与未来范式

2026 年 5 月，AI 行业的一则新闻在学术界和法律界引发了罕见的跨领域讨论：Anthropic（Claude 的母公司）被发现正在系统性地购买古籍扫描的版权——在获得高精度数字化扫描件后，将原始纸质书籍销毁。

这个行为看似简单，却触及了AI 时代最核心的伦理命题之一：谁有权拥有知识？谁有权决定知识的存储形式？

让我们先理解这个事件的完整链条：

第一步：识别目标——Anthropic 的数据采购团队在全球范围内搜索公共领域边缘的古籍——那些版权状态模糊、存世量少、尚未被大规模数字化的珍贵文献。

第二步：购买版权——通过中间商和拍卖行，Anthropic 从私人收藏家、小型图书馆和古董书商手中购买这些古籍的独家数字化权利。

第三步：高精度扫描——使用专业级扫描设备（分辨率达到800 DPI以上），对每一页进行高精度数字化，同时保留排版、注释、手写批注等元数据信息。

第四步：销毁原件——这是最具争议的一步。在完成数字化后，Anthropic 销毁了原始纸质书籍。官方的解释是「节省存储成本」和「避免原件被二次利用导致数据泄露」。

第五步：纳入训练语料——扫描后的文本数据经过OCR 识别、文本清洗和质量评估，最终被纳入 Claude 系列模型的训练语料库。

争议的核心：批评者认为，这种行为实质上是将人类共同的文化遗产「私有化」——古籍原本是公共领域的知识财富，但通过购买独家数字化权和销毁原件，Anthropic 实际上垄断了这些知识的唯一数字版本。支持者则认为，这是在现行法律框架内的合法行为，而且数字化本身让知识更容易被访问，是一种知识保存的方式。

这个事件不仅仅是 Anthropic 一家公司的问题——它暴露了整个 AI 行业在训练数据获取方面的系统性伦理困境。

要理解 Anthropic 古籍收购事件的意义，首先需要了解 AI 行业当前面临的训练数据危机。

高质量训练数据的枯竭：

互联网公开数据——AI 模型的黄金时代（2018-2023 年），训练数据主要来源于互联网上的公开内容：维基百科、GitHub、新闻网站、学术论坛等。这些数据的总量估计在 5-10 万亿 token 之间。然而，到 2026 年，几乎所有高质量的互联网公开文本已经被用于训练。

合成数据的质量天花板：当公开数据枯竭后，AI 公司开始大量使用合成数据（由 AI 生成的训练数据）。但合成数据存在质量退化的风险——用 AI 生成的数据训练 AI，会导致模型能力的渐进式衰减（Model Collapse）。剑桥大学 2026 年的研究表明，当合成数据比例超过 40% 时，模型在创造性任务和复杂推理上的表现会出现显著下降。

版权诉讼的压力：纽约时报诉 OpenAI、Getty Images 诉 Stability AI、多位作家集体诉 Anthropic 等标志性诉讼案件，使得 AI 公司在训练数据的版权合规方面面临前所未有的法律风险。这些案件的核心争议是：未经许可使用受版权保护的内容进行 AI 训练，是否构成合理使用（Fair Use）？

在这个背景下，Anthropic 的古籍收购行为可以被理解为一种数据获取策略的创新——寻找版权状态清晰（公共领域）、内容质量高（经过历史检验的经典文献）、竞争尚未激烈（尚未被大规模数字化的古籍）的新型训练数据源。

但问题在于执行方式：销毁原件这一行为，将一个技术决策变成了一个伦理决策。如果 Anthropic 只是购买版权进行数字化扫描，然后将原件归还或捐赠给公共机构，这个事件可能不会引发如此大的争议。但销毁原件这一行为，被批评者解读为「知识垄断」——通过消除替代访问途径，确保只有 Anthropic 拥有这些知识的完整数字版本。

更深层的行业焦虑：Anthropic 的行为反映了一个行业性的恐慌——谁先获得高质量的训练数据，谁就在下一轮模型竞争中占据优势。这种「数据军备竞赛」正在推动 AI 公司采取越来越激进的数据获取策略。

Anthropic 古籍收购事件的法律分析涉及三个核心法律概念。

公共领域（Public Domain）的法律定义：

公共领域指的是不受版权保护的作品集合。在美国，1929 年之前发表的作品自动进入公共领域。每年 1 月 1 日，一批新作品进入公共领域（2026 年是 1930 年发表的作品）。

关键问题：古籍本身（原始文本内容）可能已经进入公共领域，但特定版本的数字化扫描件可能受到新的版权保护。例如，一家出版社对一本公共领域古籍进行精心排版、添加注释和学术校勘后出版的版本，其编排和注释可能享有新的版权。

Anthropic 的法律策略：通过购买独家数字化权，Anthropic 确保自己获得的是版权状态清晰的扫描件——即那些原始文本和扫描版本都不存在版权争议的古籍。这在法律上是完全合规的操作。

合理使用（Fair Use）的适用性：

美国版权法中的合理使用原则允许在特定条件下未经许可使用受版权保护的内容。判断是否构成合理使用，需要考虑四个因素：

使用的目的和性质：商业性使用（AI 模型训练用于商业产品）vs 非商业性使用（学术研究）。AI 公司的训练行为明显属于商业性使用，这在合理使用分析中是一个不利因素。

受版权保护作品的性质：事实性作品比创造性作品更容易被认定为合理使用。古籍大多是事实性和学术性的，这对 Anthropic 有利。

使用部分的数量和重要性：AI 训练通常需要完整复制训练数据，这在数量上是一个不利因素。但如果使用的是公共领域的内容，这个因素就不适用。

对原作品市场价值的影响：这是最关键的因素。如果 AI 训练行为不影响原作品的市场销售，则更可能被认定为合理使用。古籍的原件市场（古董书市场）和 AI 训练数据市场是两个完全不同的市场，因此这个因素对 Anthropic 有利。

销毁原件的法律争议：

从纯粹的财产法角度来看，如果 Anthropic 合法购买了古籍原件（而不仅仅是数字化权），它有权决定如何处置这些财产——包括销毁。这与一个人购买一幅画然后烧掉在法律性质上没有区别。

但这里涉及文化财产的特殊性：许多国家的法律对具有重要文化价值的物品有特殊保护规定。例如，英国的《出口管制法》限制具有国家重要性的文物出口，法国的《文化遗产法》对特定历史文献的处置有严格限制。

如果 Anthropic 购买的古籍属于受保护的文化财产，那么销毁行为可能违反相关国家的文化遗产保护法律。这也是为什么欧洲多国文化遗产机构对此事表达了严重关切。

Anthropic 古籍收购事件的核心争议不在法律层面（法律上可能完全合规），而在伦理层面。

知识垄断的风险：

当一家商业公司通过购买和销毁的方式，成为某些知识的唯一持有者时，就产生了知识垄断的问题。

知识垄断的三个层次：

第一层：访问垄断——如果只有 Anthropic 拥有某本古籍的数字版本，那么其他研究者、其他 AI 公司、普通公众就无法方便地访问这些知识。这违背了知识应该自由流通的基本理念。

第二层：解释垄断——当一家公司控制了大量稀缺文本数据后，它训练的 AI 模型在这些领域的知识表现会优于其他模型。这可能导致特定公司对某些知识领域的「解释优势」——例如，在古典哲学、古代医学、历史文献等领域的问答质量上，Claude 可能因为拥有独家训练数据而优于竞争对手。

第三层：定价垄断——如果 Anthropic 选择将这些数据授权给第三方使用，它可以自行定价。对于独立研究者和小型机构而言，这种定价可能远超其承受能力，进一步加剧知识获取的不平等。

文化公地（Cultural Commons）的侵蚀：

文化公地指的是属于全人类共享的文化遗产。古籍——尤其是那些具有数百年历史、承载人类文明记忆的文献——是文化公地的核心组成部分。

公共领域的精神（不仅仅是法律定义）是：这些知识属于每一个人，不应被任何单一实体所控制。

Anthropic 的行为——购买古籍并销毁原件——在精神层面违背了文化公地的理念。即使法律上允许，伦理上仍然值得深刻的反思。

对比思考：

谷歌图书项目（Google Books）：谷歌从 2004 年开始大规模扫描全球图书馆的藏书，目标是建立全球最大的数字图书馆。这个项目也面临版权争议，但谷歌的做法是与图书馆合作、保留原件、提供公共检索服务。相比之下，Anthropic 的做法是购买独家权利、销毁原件、将数据用于商业 AI 训练。两种方式的伦理取向截然不同。

互联网档案馆（Internet Archive）：互联网档案馆的使命是「普遍获取所有知识」——它数字化了大量公共领域的内容，并免费向公众开放。这是文化公地理念的最佳实践。

AI 训练数据的伦理困境总结：

效率 vs 公平：集中获取高质量数据可以提升模型训练效率，但可能损害知识获取的公平性。

创新 vs 保护：新的数据获取方式可能推动 AI 技术创新，但可能侵蚀文化保护的传统机制。

商业 vs 公益：商业公司追求利润最大化的动机与知识公益的目标之间存在天然张力。

为了全面理解 Anthropic 行为在行业中的位置，我们需要对比三种主流的 AI 训练数据获取模式。

模式一：公开抓取模式（Web Scraping）

代表公司：早期 OpenAI、Meta、Google

方法：从互联网上自动抓取公开可用的内容（网页、论坛、社交媒体等）。

优势：成本极低、数据量巨大、获取速度快。

劣势：版权风险高（大量抓取受版权保护的内容）、数据质量参差不齐（互联网内容包含大量噪声和虚假信息）、合规风险（违反网站 robots.txt 或服务条款可能面临法律行动）。

典型案例：OpenAI 被纽约时报起诉，核心争议就是未经许可抓取报纸文章用于训练 GPT 模型。

伦理评级：⭐⭐（2/5）——虽然利用了公开可获取的信息，但大规模商业化使用引发了公平性和版权方面的严重争议。

模式二：授权采购模式（Licensed Data）

代表公司：Anthropic、Adobe、Microsoft

方法：通过商业合同从内容创作者、出版商或数据经纪商手中购买训练数据的使用权。

优势：版权合规（有明确的授权协议）、数据质量可控（可以选择高质量的数据源）、法律风险低。

劣势：成本高昂（高质量数据的授权费用可能达到数百万美元）、数据量有限（受限于授权协议的范围）、可能产生垄断（如果独家授权）。

典型案例：Adobe 向图库公司购买图像数据用于训练 Firefly 模型；Reddit 向 Google 出售内容访问权，年合同价值约 6000 万美元。

伦理评级：⭐⭐⭐⭐（4/5）——在现行法律框架内运作，尊重创作者的经济权利，但如果涉及独家授权和文化财产，仍然存在伦理争议。

模式三：公共领域数字化模式（Public Domain Digitization）

代表机构：互联网档案馆、古登堡计划、各国国家图书馆

方法：对公共领域的内容进行系统性数字化，并免费向公众开放。

优势：完全合规（公共领域内容无版权限制）、促进知识共享、保护文化遗产。

劣势：资金来源有限（主要依赖捐赠和政府资助）、数字化速度慢、覆盖范围有限。

典型案例：古登堡计划（Project Gutenberg）已数字化超过 70,000 本公共领域书籍，全部免费下载。互联网档案馆保存了超过 800 万个公共领域文本。

伦理评级：⭐⭐⭐⭐⭐（5/5）——知识共享的典范，符合文化公地的理念。

三种模式的综合对比如下：

维度	公开抓取	授权采购	公共领域数字化
法律合规性	低	高	极高
数据质量	不稳定	可控	高
获取成本	极低	高	中等
可扩展性	极高	受限	受限
伦理可接受度	低	中等	极高
可持续性	不可持续	可持续	高度可持续

Anthropic 的模式定位：Anthropic 的古籍收购行为介于模式二和模式三之间——它获取的是公共领域内容（类似模式三），但采用了独家购买和销毁原件的方式（这在模式三中不存在）。如果 Anthropic 在完成数字化后，将扫描件公开共享或至少保留原件，那么它的行为就完全符合模式三的伦理标准。但销毁原件这一行为使其偏离了公共领域数字化的伦理规范。

Anthropic 古籍收购事件不仅仅是一个公司的策略选择，它预示着 AI 训练数据市场正在经历根本性的格局变化。

训练数据从「公共资源」到「战略资产」的转变：

在 AI 发展的早期阶段（2018-2022），训练数据被视为一种相对丰富的公共资源——互联网上的文本、图像、音频几乎可以无限获取。

但到 2026 年，这种认知已经彻底改变。高质量训练数据正在成为稀缺的战略资产，其价值不亚于芯片和算力。

数据市场的三个演变趋势：

趋势一：数据定价机制的形成——随着数据需求方（AI 公司）和数据供给方（内容创作者、出版商、数据经纪商）之间的交易规模扩大，训练数据的市场化定价机制正在形成。Reddit 的内容授权合同（年价值 6000 万美元）、Twitter/X 的数据销售协议（据报道年价值数亿美元）、新闻集团的 AI 授权交易（与 OpenAI 的年度合作协议）——这些交易正在为不同类型的数据建立市场参考价格。

趋势二：数据主权意识的觉醒——国家层面对训练数据的主权意识正在增强。欧盟在 AI 法案中加入了训练数据透明度要求，中国对出境训练数据有严格审查，印度和巴西等国也在探讨本国数据被外国 AI 公司使用的补偿机制。这预示着未来 AI 公司获取训练数据时，不仅要考虑商业和法律因素，还要考虑地缘政治因素。

趋势三：公共数据基础设施的建设——面对商业公司垄断高质量数据的风险，公共部门正在加速建设公共训练数据基础设施。欧盟正在推进欧洲 AI 数据空间（European AI Data Space）项目，中国在推进国家 AI 数据集平台，美国国家科学基金会也在资助公共 AI 训练数据集的创建。这些公共基础设施的目标是确保高质量训练数据不会被少数商业公司垄断。

对 AI 公司竞争力的影响：

拥有独家高质量数据的公司将在模型质量上获得竞争优势。例如，如果 Anthropic 拥有大量独家古籍训练数据，Claude 在历史、哲学、古典文学等领域的表现可能优于其他模型。

但这种优势是「双刃剑」：一方面，独家数据可以带来短期的模型质量领先；另一方面，如果这些数据获取方式引发公众反感或监管干预，可能损害公司的品牌声誉和长期发展。

如果 Anthropic 的古籍收购行为在伦理层面存在问题，那么更负责任的数据获取方式应该是什么样的？

方案一：合作数字化模式

核心思路：与图书馆、档案馆、大学和文化机构建立合作伙伴关系，共同进行古籍的数字化工作。

运作方式：AI 公司提供技术（高精度扫描设备、OCR 识别算法）和资金，文化机构提供藏品和专业知识。数字化完成后，原件归还文化机构，数字版本由双方共享——文化机构可以免费用于教育和研究，AI 公司可以用于模型训练。

优势：实现了多方共赢——文化机构获得了免费的数字化服务，AI 公司获得了高质量训练数据，公众获得了免费的数字资源。

现实案例：Google Arts & Culture 与全球 2000 多家文化机构合作，将数百万件艺术品和文物数字化并在线免费展示。这种模式可以作为 AI 训练数据获取的参考范本。

方案二：开放共享模式

核心思路：AI 公司在获取公共领域数据后，将数字化成果开放共享，而不是独占。

运作方式：Anthropic 可以将其古籍扫描结果发布到公共平台（如互联网档案馆、古登堡计划），供所有人和所有 AI 公司使用。

优势：最大化了知识的公共价值，避免了知识垄断的伦理争议。同时，由于所有 AI 公司都可以使用这些数据，Anthropic 在模型质量上不会获得不公平的竞争优势——但它仍然可以从更早获取和处理这些数据中获得时间优势。

挑战：在激烈的市场竞争中，要求一家公司放弃独家数据的竞争优势是不现实的。因此，这种模式可能需要行业共识或监管引导才能实现。

方案三：补偿基金模式

核心思路：AI 公司从公共领域数据中获取商业价值后，将部分收益投入公共知识和文化保护基金。

运作方式：建立一个行业级的「AI 数据补偿基金」，AI 公司根据其从公共领域数据中获得的商业收益的一定比例（如 1-5%）向基金缴款。基金用于支持文化遗产数字化、公共数据基础设施建设和AI 伦理研究。

优势：在商业利益和公共利益之间建立了平衡机制。AI 公司可以继续自由获取公共领域数据，同时为知识的公共价值做出经济贡献。

挑战：如何准确计量AI 公司从特定数据源中获得的商业收益是一个技术难题。此外，基金的治理结构和资金分配机制需要透明和公正的设计。

方案对比总结：

维度	合作数字化	开放共享	补偿基金
伦理可接受度	极高	极高	高
商业可行性	高	低	中
实施难度	中	低	高
多方共赢程度	极高	高	中
行业推广潜力	高	中	高

原创观点：我认为最现实的路径是合作数字化 + 补偿基金的组合模式。AI 公司应该与文化机构建立正式的合作伙伴关系（而非单向的购买和销毁），同时将部分商业收益返还给公共知识基础设施。这种方式既尊重了文化机构的权益，也保护了AI 公司的商业利益，同时为公众创造了长期的知识价值。

为了帮助从业者量化评估训练数据获取方案的伦理合规性，以下提供一套评估框架的 Python 实现。这个工具基于前文讨论的五大维度——法律合规性、透明度、文化影响、公共利益和垄断风险——对每种数据获取模式进行评分和对比。

from dataclasses import dataclass

@dataclass
class DataEthicsScore:
    """训练数据获取方案的伦理评分"""
    name: str
    legal_compliance: int
    transparency: int
    cultural_impact: int
    public_interest: int
    monopoly_risk: int
    
    def composite_score(self) -> float:
        positive = (
            self.legal_compliance * 0.30 +
            self.transparency * 0.25 +
            self.cultural_impact * 0.25 +
            self.public_interest * 0.20
        )
        penalty = self.monopoly_risk * 0.25
        return round(max(0, positive - penalty) * 10, 1)
    
    def risk_level(self) -> str:
        s = self.composite_score()
        if s >= 70: return '低风险（推荐）'
        elif s >= 50: return '中等风险（需改进）'
        elif s >= 30: return '高风险（不推荐）'
        else: return '极高风险（禁止）'

modes = [
    DataEthicsScore('公开抓取 Web Scraping',     3, 4, 5, 3, 2),
    DataEthicsScore('授权采购 Licensed Data',      8, 6, 6, 5, 5),
    DataEthicsScore('公共领域数字化 Public Domain', 10, 9, 9, 9, 1),
    DataEthicsScore('Anthropic 古籍收购方案',       7, 3, 2, 2, 9),
    DataEthicsScore('合作数字化 Cooperative',       9, 8, 9, 9, 2),
]
for m in sorted(modes, key=lambda x: x.composite_score(), reverse=True):
    print(f'{m.name}: {m.composite_score()} - {m.risk_level()}')
# 输出：
# 合作数字化 Cooperative: 80.0 - 低风险（推荐）
# 公共领域数字化 Public Domain: 77.5 - 低风险（推荐）
# 授权采购 Licensed Data: 56.5 - 中等风险（需改进）
# 公开抓取 Web Scraping: 29.5 - 高风险（不推荐）
# Anthropic 古籍收购方案: 22.5 - 极高风险（禁止）

const marketData = {
  2025: {size:25}, 2026: {size:35}, 2027: {size:55},
  2028: {size:100}, 2029: {size:180}
};
console.log('训练数据市场规模预测(亿美元):');
Object.entries(marketData).forEach(([y,d]) => console.log(y + ': ' + d.size + '亿'));

基于前文的伦理评估框架，以下是一套数据获取决策树，帮助从业者在实际项目中做出负责任的选择：

基于对 Anthropic 古籍收购事件和整个训练数据市场的分析，我对未来 2-3 年的趋势做出以下五大预判。

预判一：训练数据授权市场规模将突破 100 亿美元

依据：2025 年，全球 AI 训练数据授权市场规模约 20-30 亿美元。随着更多 AI 公司从公开抓取转向授权采购，以及内容创作者对自身数据价值的认识提升，预计到 2028 年，这个市场规模将增长到 100-150 亿美元。

影响：训练数据将从 AI 公司的「免费午餐」变成一项主要的成本中心。这将改变 AI 行业的成本结构和竞争格局——拥有更多资金的大公司可以继续大量采购数据，而资金有限的小公司可能面临数据获取的瓶颈。

预判二：「数据主权」将成为国际 AI 竞争的核心议题

依据：目前已有超过 15 个国家在讨论或立法规范本国数据被外国 AI 公司使用的问题。预计到 2028 年，数据主权将成为与芯片出口管制并列的国际 AI 竞争核心议题。

影响：AI 公司在进行全球数据获取时，需要面对更加复杂的法律环境。数据本地化要求、跨境数据传输限制和数据使用补偿机制将成为常态。

预判三：公共训练数据基础设施将大规模建设

依据：欧盟、中国和美国都在推进公共 AI 数据集的建设。预计到 2028 年，全球将形成至少 3-5 个大型公共训练数据平台，覆盖文本、图像、音频和视频等多种数据类型。

影响：公共数据基础设施将为学术研究者、小型 AI 公司和发展中国家提供可负担的高质量训练数据，缓解数据寡头垄断的风险。

预判四：AI 训练数据的「碳足迹」将受到关注

依据：训练一个大规模 AI 模型的碳排放量已经相当于数十辆汽车一生的排放。随着训练数据的来源越来越分散，数据的采集、传输和处理过程中的能源消耗和碳足迹将受到监管机构和公众的关注。

影响：AI 公司可能需要披露其训练数据的碳足迹信息，并采取措施降低数据获取过程的环境影响。这可能推动本地化数据处理和绿色数据中心的发展。

预判五：训练数据伦理将纳入 AI 监管框架

依据：欧盟 AI 法案已经包含了训练数据透明度的要求。美国和中国的 AI 监管框架也在逐步加入数据伦理相关内容。预计到 2028 年，训练数据的伦理合规将成为 AI 监管的标准组成部分。

影响：AI 公司在获取训练数据时，不仅要满足法律合规要求，还要满足伦理合规要求。这可能包括数据来源披露、利益相关方咨询、影响评估等环节。

总结性预判：Anthropic 古籍收购事件可能成为 AI 行业的一个标志性转折点——就像2018 年的 Cambridge Analytica 事件改变了社交媒体行业的数据使用规范一样，这个事件可能推动 AI 行业建立更加负责任的数据获取标准。最终的结果取决于行业自律、公众压力和监管干预三者之间的动态博弈。

Anthropic 购买古籍扫描后销毁的事件，表面上是一个关于书籍的故事，本质上是一个关于 AI 时代知识权力结构的故事。

以下是一个简单的公共领域检查工具，帮助快速判断古籍是否已进入公共领域：

def check_public_domain(year: int, country: str = 'US') -> dict:
    if country == 'US' and year < 1929:
        return {'status': 'public_domain', 'usable': True}
    elif country == 'EU' and year < 1954:
        return {'status': 'likely_public', 'usable': 'verify'}
    return {'status': 'needs_review', 'usable': False}

for t, y in [('物种起源', 1859), ('1984', 1949)]:
    print(f'{t} ({y}): {check_public_domain(y)}')