2026 Text Acquisition: AI Giants Erasing Physical Books for Pure Training Data

Q: AI 公司為什麼要花大錢買實體書來訓練模型？

因為網路上的文本已被 AI 生成物大量污染，模型若拿「AI 生 AI」的資料繼續訓練會陷入模型崩潰。實體書是少數純淨、未被 AI 污染的高品質語料，掃描後銷毀還能確保數據獨佔。

Q: AI 公司掃描並銷毀書籍，作者能拿到賠償嗎？

可以。Bartz v. Anthropic 案法院最終批准 15 億美元和解，每部作品約賠償 3,000 美元，涵蓋逾 48 萬部作品，作者需查詢官方 Works List 並完成權益登記。

Q: 2027 年之後，AI 訓練數據還夠用嗎？

真實純淨文本會持續稀缺，產業將轉向高品質小樣本加上合成數據擴增模式，全球 AI 訓練數據市場預計從 2026 年約 39 億美元成長到 2033 年 163 億美元，版權合規與數據溯源成為新焦點。

2026 text acquisition是這篇文章討論的核心

AI 大廠狂掃實體書再碎掉？2026「純淨文本荒」爆發：從 Project Panama 到 15 億美元和解的產業鏈真相

圖／都柏林老圖書館的書架。2026 年，這些書架上的書正在以驚人速度被搬進 AI 公司的掃描流水線。圖片來源：Pexels／Ruben Boekeloo

💡 核心結論：2026 年 AI 訓練數據正式進入「存量掠奪」時代。網路上的高品質文本已被 AI 生成物污染，大廠被迫回頭搶收未被污染的實體書，掃描後直接銷毀以獨佔數據，這不是陰謀論，而是法院文件裡白紙黑字寫下的商業策略。

📊 關鍵數據（2027 年以後量級）：全球 AI 訓練數據市場 2026 年估值約 39 億美元，2033 年將衝上 163 億美元（CAGR 22.6%）；Anthropic 以每本約 3,000 美元、總額 15 億美元的天價和解版權訴訟；單一案件涉及逾 48 萬部書籍作品。

🛠️ 行動指南：出版社與獨立書商應建立「AI 授權窗口」；創作者務必確認作品是否落入和解清單並登記權益；企業導入 AI 前須要求供應商揭露訓練資料來源與版權履歷。

⚠️ 風險預警：稀有絕版書可能被掃完即焚、永久消失；實體書二手市場價格被 AI 買家扭曲；後續恐引爆更多集體訴訟與各國資料來源揭露法規。

七月的舊金山，我盯著某二手書商倉庫的庫存清單，整排整排的「已售出」標記——買家不是收藏家，而是 AI 公司。這幾個月，從美東的庫存拍賣會到歐陸的絕版書展，實體書正以一種近乎荒謬的姿態回流：一卡車一卡車被運走，拆掉書封、切開書脊、高速掃描成影像檔，然後直接送進碎紙機。別急著罵暴殄天物，這背後藏著 2026 年 AI 產業最尖銳的集體焦慮——乾淨的數據，真的快被榨乾了。

早在今年初，法院陸續解封的文件就揭開了 Anthropic 代號「Project Panama」的計畫：大規模收購、掃描並銷毀數百萬本書籍，只為了餵養 Claude 系列模型。到了七月，這股風潮已經從檯面下蔓延成全行業的標準作業流程，連專門賣書目資料的 ISBNdb 都被踢爆曾公開向 AI 公司兜售實體書，隨後火速轉彎切割。今天這篇，我們不聊情懷，只拆解背後的商業邏輯、法律風險，以及 2027 年之後會怎麼演變。

為什麼 AI 公司要回頭搶購實體書？純淨文本稀缺背後的數學題

一句話：AI 吃膩了自己吐出來的東西。過去兩年，網路上流通的文章、貼文、評論，有極高比例已經是 AI 生成或 AI 改寫的二手貨。模型若拿這些「AI 生 AI」的文本繼續訓練，就會陷入所謂的模型崩潰（model collapse）——輸出越來越平庸、越來越像複讀機，最終失去原創性與事實準確度。於是，唯一還沒被污染的大型語料庫，只剩 2022 年之前印出來的實體書。

這是一道殘酷的供需數學：線上可用高品質文本的成長曲線早就撞上天花板，而模型參數量與訓練 token 需求卻還在指數暴衝。數據不夠，就只能去挖存量。一本 1980 年代的絕版小說、一份沒被數位化的學術專著，對模型來說就是「處女地」。掃完就銷毀，不是浪費，而是護城河——確保這批獨家數據不會流進競爭對手的訓練集。

🟦 Pro Tip：判斷一家 AI 公司的數據護城河，別只看算力訂單，要看它的「紙本書倉庫」。訓練資料的版權履歷（data provenance）未來會像食品成分表一樣被要求公開——誰能拿出乾淨的授權鏈，誰就能在合規審查中笑到最後。

掃完就燒合法嗎？從 15 億美元和解案看版權地雷

「買下書就是我的，想怎麼處理都行」——法律上，實體書的所有權確實如此（first-sale doctrine 首次銷售原則），但複製內容進模型訓練集，就是另一碼事了。2025 年 9 月，Anthropic 同意以 15 億美元和解 Bartz v. Anthropic 集體訴訟，賠償標準高達每部作品約 3,000 美元，最終批准聽證落在 2026 年 5 月，法官並在 7 月 20 日敲下最後一槌。這筆帳，等於替整個行業貼上了「未授權書籍訓練＝高價罰單」的標價。

數據會說話：這樁和解涵蓋超過 48 萬部作品，索賠登記率高達 91.3%，幾乎所有符合資格的作者都跳出來主張權益。更耐人尋味的是，Meta 的 Kadrey 案至今仍在纏鬥——法院雖在 2025 年 6 月對「市場損害」理論給了 Meta 一記 summary judgment，但整體戰線並未落幕。換句話說，掃書、焚書的後座力，才剛開始發酵。

🟦 Pro Tip：創作者快去查官方「Works List」——只要作品在和解清單內，記得完成權益登記與申領程序。別以為小出版社沒人管，91.3% 的登記率證明，這筆錢是「有在做事的人」在領。

一本書從二手書店到訓練集的奇幻旅程

這條供應鏈已經產業化了。第一站是「獵書人」：專門掃貨的掮客批量掃蕩二手書店、倉庫清倉與絕版書展，鎖定 2022 年以前出版、未經數位化的紙本書；第二站是掃描廠：書脊被裁刀切開，高速自動翻頁掃描機把每一頁變成影像，再經 OCR 轉成文字；第三站是資料倉庫：文字被清洗、去重、標註後送進預訓練管線；最後一站是碎紙機——書本使命完成，物理銷毀，杜絕外流。

書商其實是最大贏家之一。經濟學人報導過，稀有與絕版書的詢價量暴增，AI 買家願意為「一本絕版書」付出遠超二手行情的價格，部分書商甚至開始公開標榜「供應 AI 訓練用書」。但這也讓獨立書商陷入道德兩難：賣書給 AI 等於贊助書籍滅絕，不賣又扛不住庫存壓力。而圖書館與檔案館更頭痛——它們手上的稀有館藏，正是 AI 公司最想要的獵物。

🟦 Pro Tip：獨立書商別只當「賣書的」，試著轉型成「版權仲介」：與出版社洽談掃描授權、抽取授權金，比一次性賣斷更長久，也更能守住文化資產的底線。

2027 年之後：合成數據、絕版書危機與產業終局

把時間軸拉到 2027 年，這波「實體書軍備競賽」會有三個必然結果。第一，合成數據（synthetic data）將從配角變主角：既然真實乾淨文本有限，模型就會開始用「高品質小樣本 + 合成擴增」的組合拳，市場報告也點名合成數據正快速補位；第二，稀有書危機惡化：被掃完即焚的絕版書可能真的從地球上消失，數位保存與國家圖書館的法定送存制度會被推上修法檯面；第三，合規成為新護城河：AI 訓練數據市場 2033 年將達 163 億美元量級，誰能端出「乾淨授權 + 可追溯來源」的數據，誰就能拿下企業客戶的信任票。

更深層的警訊在這裡：當「人類原創文本」變成戰略資源，AI 公司將不再只是數據使用者，而是數據壟斷者。未來的模型品質差距，可能取決於誰囤積了最多的「史前 AI 時代」文本——這比算力軍備競賽更隱蔽，也更難監管。2026 年的掃書潮，只是這盤大棋的第一步。

🟦 Pro Tip：企業導入 AI 時，把「訓練資料來源揭露」寫進合約條款。2027 年起，歐盟 AI 法案等監管框架只會愈收愈緊，現在就要求供應商白紙黑字承諾版權合規，等於替未來十年的法律風險買保險。