实战

日本二手书 5 倍爆单:AI 训练数据饥渴,正在掏空一家家书店

50 吨书一次性运往美国,扫货方疑似 AI 公司。训练数据荒,催生一条灰色供应链。

字号

来源:Tom's Hardware, 2026-08-24

50 吨书,一夜发往美国

Tom's Hardware 昨天发了一篇报道,标题直接写了「5x sales surge」——日本二手书店销量突然涨了 5 倍。

事情有点反常识。二手书这个行当,按理说是夕阳产业。年轻人不读书、Kindle 普及、图书馆还免费,谁还买二手书?

但从今年上半年开始,日本的几家主要二手书商(像 Bookoff 那种连锁)开始接到一些奇怪的大单:不是几本几本买,是论吨。

报道里点名了一笔订单:一次性 50 吨,直接发货到美国。

50 吨是什么概念?按一本平装书 300 克算,大约是 16 万本。一辆 11 米长的货车刚好能装下。

这类订单一次性把书店库存抽走一半,逼得店员连夜补货。

谁在扫货?买家画像

报道没有点名具体公司,但给出了买家画像,基本上就是「AI 训练数据采购」的模板:

  • 不挑品相:从绝版小说到过期年鉴都要
  • 不问来源:只要量大就付款
  • 付款爽快:不打价、不拖延
  • 收货地址模糊:很多走的是第三方转运,最终流向不公开

这不就是经典的语料采购模式吗?和 Anthropic、OpenAI 公开的「数据采购 RFP」逻辑一模一样——先圈品类,再圈语种,最后比价格。

报道里用的词是「multitude of suspicious bulk buys」,多家二手书店都遇到了。

中间商这一步很重要。原始买家一般不会直接找二手书店,会通过一两家贸易公司下单,签 NDA、付定金、走海运。链条一旦断在贸易公司这层,谁也查不下去。

数据荒是真的:高质量语料被消耗殆尽

为什么盯上日本?三个原因。

第一,日语高质量文本。日语资料里,虚构类(小说、轻小说)和非虚构类(学术、技术)的语料质量,在非英语语种里算顶级。日语语法复杂,标注成本高,但一旦训练出来,对模型的多语言能力提升明显。

第二,绝版书的版权灰区。日本 1990 年代之前出版的很多书,在国际上根本找不到电子版。Common Crawl 抓不到,Google Books 没收录,只有实体书还躺在二手店里。这种「孤儿作品」(orphan works)是 LLM 训练最想要的增量。

第三,物理形态的便利。AI 公司不需要这本书,他们需要的是这本书里的字。扫描完、OCR 完、把文字抽出来训练,这本物理书就可以销毁。整个流程合法上不存在「复制权侵权」(日本版权法对文本 OCR 有特殊豁免讨论,后面讲)。

这不是猜测。Anthropic 2025 年在法庭文件里承认,「high-quality data is the limiting factor in AI training」;OpenAI 的 Ilya Sutskever 早在 2023 年就说过类似的话。整个行业从 2024 年开始就在喊「we are running out of data」。

Common Crawl 这种公开抓取的数据,质量上限已经被锁死。下一个增量只能去挖那些「不在网上、但物理存在」的内容——书、报纸、内部文档。

日本二手书店,就成了最显眼的矿。

版权灰色地带:绝版书 = 法外之地?

日本版权法有一个挺尴尬的地方。

一本书如果还在版权期内(日本是作者死后 70 年),但出版社已经绝版、停止销售,法律上对「谁有权授权复制」没有明确规定。

这就是版权法里的「orphan works」问题。理论上权利还在,但实际找不到人来授权。

二手书店买这本书,买的是「物理书所有权」,不是「复制权」。所以当你买走一本绝版小说,你有权读它、卖它、烧了它,但你没权扫描它、OCR 它、把它变成训练数据。

但问题是:

  1. 谁来监督?扫描发生在美国,数据所有人不在日本
  2. 物理书买走之后,日本这边根本无法追溯
  3. 即使追溯到了,跨国执法成本远高于收益

这正是这条灰色供应链存在的根基。

买家通过贸易公司下单,书到手后法律上是「个人财产」,扫描行为发生在第三国,权利人根本不知道自己被侵权了。整个链条里没有一个明确的法律漏洞,而是链内漏洞——三个单独合法的行为,拼在一起就绕过了版权保护。

供应链另一端:扫描即销毁

报道里用了一个词「AI scan and shred facilities」。

意思是,书到了美国(或第三国)之后,会进入专门的设施:流水线传送带,高速扫描仪,OCR 识别,文本抽取。扫完一本扔进碎纸机。

这种设施的存在不算新闻。美国得州、新墨西哥州都有过类似传闻,2024 年有报道说一家公司专门做「book-to-training-corpus」业务,每年处理几百吨。

物理销毁这一步很关键,因为:扫描完留下的痕迹是「一本被销毁的书」,不是「一份被复制的数据」。

这个区别在法律上很重要。

如果是数字抓取,留下的是服务器日志,可以追溯;如果是物理销毁,留下的是废纸,无可追溯。从取证角度,这条路径比纯数字抓取隐蔽得多。

报道里提到,这种扫描设施往往伪装成「document destruction services」(文件销毁服务商),业务范围和 Shred-it 那种公司看起来一模一样。但内部会有专门的工业扫描仪,一台机器一天能扫上万页。

废纸卖给回收站,文本入库进训练集。物理痕迹归零。

编辑思考

这事和以前的数据抓取有什么不同?三点。

第一,从「抓网上的」变成「搬家里的」。过去十年,AI 训练数据的来源主要是 Common Crawl、Wikipedia、Reddit、arXiv——这些都是「已经在网上」的内容。现在开始挖「不在网上」的实体书、绝版刊、内部档案。这是质的变化。

第二,从「数字复制」变成「物理销毁」。把书扫完烧掉,这一行为本身把「数据复制」的取证难题升级到了「物证消失」。这是过去版权诉讼里没见过的打法。

第三,从「个人维权」变成「跨国产业链」。一本书的版权人分散在几十个国家,日本作者、美国 AI 公司、第三国中间商、东南亚转运,这条链上的法律管辖权根本不闭合。

我的判断:这件事不会很快结束。

训练数据荒是结构性问题,不是某个模型训完就能缓解的。只要基础模型的训练规模还在涨,对增量语料的需求就不会停。日本不会是最后一个被盯上的国家——欧洲的旧书市场、印度的教材二手链、拉美的图书馆清仓,都会成为下一个目标。

这件事的可持续性,我比较怀疑。从法律角度看,这种「个人财产+跨境+销毁」的链条还能维持几年没问题。但从行业角度看,一旦有一起标志性诉讼(类似 2023 年 NYT 起诉 OpenAI 那种),整条链就可能崩盘。

不确定的地方:报道没点名具体 AI 公司,这条信息源链条是否完全可靠,二手书店的「5 倍销量」是绝对值还是相对值,这些都还有待交叉验证。

但不管怎样,这件事的走向值得关注——它不只是日本二手书店的问题,是 AI 训练数据从「数字抓取」转向「实体掠夺」的标志性事件。

来源: https://www.tomshardware.com/tech-industry/artificial-intelligence/japanese-used-bookstores-see-5x-sales-surge-as-books-are-being-bought-by-the-ton-one-50-ton-order-sent-to-the-us-for-ai-scanning-and-destruction-multitude-of-suspicious-bulk-buys-thought-to-end-up-in-foreign-ai-scan-and-shred-facilities