實戰

日本二手書被掃空:AI 訓練資料荒正在掏空一家家書店

日本二手書店近期出現五倍銷量暴增,50 噸書整批運往美國,掃貨方疑似 AI 公司。高品質語料即將見底,一條灰色供應鏈應運而生。

字級

來源:Tom's Hardware, 2026-08-24

50 噸書,一夜之間運往美國

Tom's Hardware 昨天發了一篇報導,標題直接寫了「5x sales surge」——日本二手書店銷量突然暴增五倍。

這件事有點違反直覺。二手書這個行業,照理說是夕陽產業。年輕人不看書、Kindle 普及、圖書館又免費,誰還會買二手書?

但從今年上半年開始,日本幾家主要二手書商(包括 Bookoff 之類的連鎖)開始接到一些奇怪的大單:不是一本一本買,而是論噸下單。

報導裡點名了一筆訂單:一次性 50 噸,直接出貨到美國。

50 噸是什麼概念?以一本平裝書 300 克計算,大約是 16 萬本。一輛 11 米長的貨車剛好能裝完。

這類訂單一次就把書店庫存抽走一半,逼得店員連夜補貨。

誰在掃貨?買家輪廓

報導沒有點名具體公司,但給出了買家輪廓,基本上就是「AI 訓練資料採購」的標準模板:

  • 不挑品相:從絕版小說到過期年鑑通包
  • 不問來源:只要量大就付錢
  • 付款爽快:不殺價、不拖延
  • 收貨地址模糊:大多透過第三方轉運,最終流向不公開

這不就是經典的語料採購模式嗎?和 Anthropic、OpenAI 公開的「資料採購 RFP」邏輯一模一樣——先框定品類,再框定語種,最後比價。

報導裡用的詞是「multitude of suspicious bulk buys」,多家二手書店都遇到了類似情況。

中間商這一層很關鍵。原始買家通常不會直接找二手書店,會透過一兩家貿易公司下單,簽 NDA、付訂金、走海運。鏈條一旦斷在貿易公司這層,誰也查不下去。

資料荒是真的:高品質語料被消耗殆盡

為什麼盯上日本?三個原因。

第一,日語高品質文本。日語資料中,虛構類(小說、輕小說)和非虛構類(學術、技術)的語料品質,在非英語語種中屬於頂級。日語語法複雜,標註成本高,但一旦訓練完成,對模型的多語言能力提升非常明顯。

第二,絕版書的版權灰色地帶。日本 1990 年代以前出版的許多書,在國際上根本找不到電子版。Common Crawl 抓不到,Google Books 也沒收錄,只有實體書還躺在二手店裡。這種「孤兒作品」(orphan works)是 LLM 訓練最想要的增量。

第三,物理形態的便利。AI 公司不需要這本書,他們需要的是書中的文字。掃描完、OCR 完、把文字抽出來訓練,這本實體書就可以銷毀。整個流程在法律上不存在「複製權侵權」(日本著作權法對文本 OCR 有特殊豁免的討論,後面會提到)。

這不是猜測。Anthropic 2025 年在法庭文件中承認,「high-quality data is the limiting factor in AI training」;OpenAI 的 Ilya Sutskever 早在 2023 年就說過類似的話。整個行業從 2024 年開始就在喊「we are running out of data」。

Common Crawl 這類公開抓取的資料,品質上限已經被鎖死。下一個增量只能去挖掘那些「不在網上、但實體存在」的內容——書、報紙、內部文件。

日本二手書店,就成了最顯眼的礦。

版權灰色地帶:絕版書 = 法外之地?

日本著作權法有一個很尷尬的地方。

一本書如果還在著作權期限內(日本是作者死後 70 年),但出版社已經絕版、停止銷售,法律上對「誰有權授權複製」沒有明確規定。

這就是著作權法裡的「orphan works」問題。理論上權利還在,但實際上找不到人來授權。

二手書店買這本書,買的是「實體書所有權」,不是「複製權」。所以當你買走一本絕版小說,你有權讀它、賣它、燒了它,但你沒權掃描它、OCR 它、把它變成訓練資料。

但問題在於:

  1. 誰來監督?掃描發生在美國,資料所有人不在日本
  2. 實體書買走之後,日本這邊根本無法追溯
  3. 即使追溯到了,跨國執法成本遠高於收益

這正是這條灰色供應鏈存在的根基。

買家透過貿易公司下單,書到手後法律上是「個人財產」,掃描行為發生在第三國,權利人根本不知道自己被侵權了。整條鏈裡沒有一個明確的法律漏洞,而是鏈內漏洞——三個單獨合法的行為,拼在一起就繞過了著作權保護。

供應鏈另一端:掃完即銷毀

報導裡用了一個詞「AI scan and shred facilities」。

意思是,書到了美國(或第三國)之後,會進入專門的設施:流水線輸送帶、高速掃描儀、OCR 識別、文本抽取。掃完一本就扔進碎紙機。

這種設施的存在不算新聞。德州、新墨西哥州都有過類似傳聞,2024 年有報導指出一家公司專門做「book-to-training-corpus」業務,每年處理數百噸。

實體銷毀這一步很關鍵,因為:掃描完留下的痕跡是「一本被銷毀的書」,不是「一份被複製的資料」。

這個區別在法律上很重要。

如果是數位抓取,留下的是伺服器日誌,可以追溯;如果是實體銷毀,留下的是廢紙,無從追溯。從取證角度,這條路徑比純數位抓取隱蔽得多。

報導裡提到,這種掃描設施往往偽裝成「document destruction services」(文件銷毀服務商),業務範圍和 Shred-it 那類公司看起來一模一樣。但內部會有專門的工業掃描儀,一台機器一天能掃上萬頁。

廢紙賣給回收站,文本入庫進訓練集。實體痕跡歸零。

編輯思考

這件事和過去的資料抓取有什麼不同?三點。

第一,從「抓網上的」變成「搬家裡的」。過去十年,AI 訓練資料的來源主要是 Common Crawl、Wikipedia、Reddit、arXiv——這些都是「已經在網上」的內容。現在開始挖「不在網上」的實體書、絕版刊物、內部檔案。這是質的變化。

第二,從「數位複製」變成「實體銷毀」。把書掃完燒掉,這個行為本身把「資料複製」的取證難度升級到了「物證消失」。這是過去著作權訴訟中沒見過的打法。

第三,從「個人維權」變成「跨國產業鏈」。一本書的著作權人分散在幾十個國家,日本作者、美國 AI 公司、第三國中間商、東南亞轉運,這條鏈上的法律管轄權根本不閉合。

我的判斷:這件事不會很快結束。

訓練資料荒是結構性問題,不是某個模型訓完就能緩解的。只要基礎模型的訓練規模還在漲,對增量語料的需求就不會停。日本不會是最後一個被盯上的國家——歐洲的舊書市場、印度的教材二手鏈、拉美的圖書館清倉,都會成為下一個目標。

這件事的永續性,我比較懷疑。從法律角度看,這種「個人財產+跨境+銷毀」的鏈條再撐幾年沒問題。但從行業角度看,一旦有一場指標性訴訟(類似 2023 年 NYT 起诉 OpenAI 那種),整條鏈就可能崩盤。

不確定的地方:報導沒點名具體 AI 公司,這條消息來源鏈是否完全可靠,二手書店的「五倍銷量」是絕對值還是相對值,這些都還有待交叉驗證。

但不管怎樣,這件事的走向值得關注——它不只是日本二手書店的問題,是 AI 訓練資料從「數位抓取」轉向「實體掠奪」的標誌性事件。

來源: 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