最先進的 AI 公司，為什麼開始回頭買舊書？｜當「免費資料」不再理所當然，知識開始被重新估價

w這幾年談到人工智慧的競爭，最常出現的是幾個數字：模型有多少參數、需要多少 GPU、資料中心消耗多少電力，以及科技公司又準備投入多少資本，包括Google、Microsoft、Meta、OpenAI、Anthropic 都在這場競賽裡：算力愈來愈貴、能源需求愈來愈大，能訓練大型模型的工程人才也成為科技公司爭奪的對象。你可以說，AI 需要大量資源，已不再是新聞。

但 2024 年，Anthropic 做了一件看起來有點不合時宜的事：買書，而且是大量購買紙本書。

這些書不是拿來收藏，也不是擺進公司圖書館，它們被送進倉庫後拆掉裝訂、裁開書背，再一頁一頁掃描，轉成可以放進資料庫的數位檔案；為了建立這套流程，Anthropic 還找來曾參與 Google Books 計畫的 Tom Turvey。

對一家開發 Claude、站在生成式 AI 最前線的公司來說，這個做法多少有點反直覺。

確實，今天取得文字的方法太多了。電子書、數位資料庫、網路文章都比紙本方便，而買書、搬書、拆書、掃描不但速度慢，也要額外負擔物流、人力與儲存成本，偏偏 Anthropic 願意這樣做。

事情在著作權訴訟中被攤開來看，便知曉一二。法院文件顯示，Anthropic 早期曾從 LibGen、PiLiMi 等影子圖書館取得大量電子書，後來才逐步建立合法購買紙本、再自行數位化的資料庫；法院在審理相關案件時，也把不同來源分開處理：合法買來的書，以及從盜版來源取得的電子檔，牽涉的法律問題並不相同。

這場官司當然首先是著作權問題，但它也意外讓外界看見，大型語言模型背後其實還有一條很具體的「內容供應鏈」。AI 公司除了買 GPU、租算力、蓋資料中心，也要想辦法取得書、新聞、論文、照片，以及各種已經被人類整理過的知識。

ChatGPT 問世後，網路上開始出現大量生成式內容。文章、商品說明、SEO 文字、社群貼文，甚至某些新聞摘要，都可能經過 AI 產生，學界也因此開始討論 synthetic data 累積後可能造成的問題，包括所謂 Model Collapse：模型如果長期吃進其他模型生產的資料，資料品質與分布可能慢慢改變。

這個研究問題當然不能直接用來解釋 Anthropic 為什麼買書的背後原因，但它提供了一個重要前提：當網路上的文字愈來愈難單純從表面判斷來源，生成式 AI 大量普及以前留下的人類文本，就多了一層價值。一本二十年前出版的專業書，內容不會因為年代久遠就自動比較好；但它至少有明確的出版時間、作者、出版社與編輯流程，對訓練模型的人來說，這些資訊很重要，因為它們讓資料可以被追溯。

於是，「舊」在 AI 時代有了一個以前沒有那麼重要的含義：它有可能代表一段相對清楚的人類知識來源與可追溯的路徑。

Data 這個詞，把太多東西放在一起

《紐約時報》發行人 A.G. Sulzberger 曾把 AI 產業依賴的資源拆成幾個部分：人才、算力、能源與資料。

前三項很好被「估價」：工程師有薪資、GPU 有價格，資料中心每一天都在消耗電力，但到了 Data，事情卻變得更為抽象。從電腦的角度看，一本小說、一篇新聞、一份研究報告、一張攝影作品，最後都可以變成可處理的資料，但它們被生產出來的方式完全不同。

一篇調查報導可能花數月採訪，一本書可能寫上好幾年；一篇研究論文背後有研究經費、實驗設備、研究助理與同行審查。新聞機構能每天持續提供更新，也靠的是編輯部、記者網路、資料庫與組織成本。但進入模型後，它們都叫 Data。

這個字很方便，卻也把內容在生成之前付出的成本一起「壓平」了。Anthropic 願意花錢買書，只是其中一個很具體的例子，當 AI 公司開始在意資料是否能被合法取得、來源是否可以追溯、內容是否足夠可靠，原本藏在「Data」後面的差異就會一項一項跑出來。

同一件事，也發生在新聞產業。2023 年底，《紐約時報》控告 OpenAI 與 Microsoft，指控兩家公司未經授權使用大量新聞內容；另一方面，OpenAI 則陸續與《Financial Times》、News Corp、Vox Media 等媒體集團談內容合作。有趣的是，一邊進法院，爭論什麼可以用、什麼不能用；另一邊則走進會議室，談授權、來源標示、連結與商業條件。

這說明事情已不只是「AI 有沒有讀過這篇文章」就結束了，當內容會進入模型、摘要、搜尋與回答介面，接下來自然會問：怎麼取得？怎麼使用？來源要不要留下？流量會不會回去？內容提供者能得到什麼？

這些問題以前多半散落在著作權、搜尋與平台政策裡，但到了生成式 AI 時代，慢慢被放到同一一個天平上，重新進行評價。

更棘手的問題，是讀者可能不再回來

如果 AI 只是多了一種取得內容的方法，出版業還不至於這麼緊張，更大的改變發生在讀者端。

Google 主導搜尋的年代，網站與搜尋引擎之間形成了一種維持很久的交換關係：搜尋引擎讀取網頁、建立索引，再把使用者帶回原始網站；網站拿到流量，再把流量變成廣告、訂閱、會員或品牌價值。這樣的流程，其實在某些程度上支撐了過去二十多年的網路內容經濟。

但ChatGPT、Claude、Perplexity，以及 Google AI Overview，讓這條路徑多了一種新的走向：讀者問一個問題，AI 看過多個來源後直接整理答案。對使用者來說，這很方便，但對內容提供者而言，麻煩就在於，讀者拿到答案之後，可能就停在那裡了。

Reuters Institute 2026 年《Digital News Report》顯示，全球每週透過 AI chatbot 取得新聞的比例，已經從前一年的 7% 增加到 10%；35 歲以下族群，則是更高。這些數字離「AI 取代搜尋」還很遠，但已經足以證明，新的資訊入口正在形成。

而出版商更在意的是，這個入口最後把多少人送回來源。Cloudflare 曾比較不同爬蟲的抓取與 referral 情況，Google 搜尋帶回網站的流量，仍遠高於 OpenAI、Anthropic 等 AI crawler；這些比例受到 App、爬蟲用途和referral header 等因素影響，不能簡單拿來做收益換算，但方向很清楚：AI 讀取的內容很多，真正回到網站的人相對少。

Cloudflare 推出 Pay per Crawl，就是在這樣的背景下出現。以前網站願意讓搜尋引擎抓取，因為「被看見」通常意味著有機會換回讀者，但當 AI 可以大量讀取內容，再把答案留在自己的介面裡，網站就會開始重新計算：如果流量沒有回來，那麼內容被讀取這件事本身，要不要有價格？

這其實是整個問題裡最關鍵的一步，因為知識的價值，過去常常藏在流量後面。現在流量和內容開始脫鉤，那個價格就得找另外的方式進行計價。

知識的價格，開始從不同地方浮現

這樣看 Anthropic 買書的目的，就會發現那批舊書並不是個孤立的故事。買書、掃描、著作權訴訟、媒體授權、AI 搜尋、Pay per Crawl，看起來分屬不同產業，背後碰到的其實是同一件事：當 AI 不只使用知識，也開始成為人們取得知識的入口，原本那套內容如何流通、誰得到流量、誰得到報酬的安排，就得重新談。

這裡重新被計算的，也不是每一個字值多少錢。一段來源不明的生成文字，和一份經過同行審查的論文，都可以被系統視為資料；一篇匿名摘要，和一家長期派駐記者、建立採訪網路所生產的新聞，也都能進入模型。

可是一旦 AI 要面對準確度、即時性、法律風險與來源可信度，這些內容就不可能完全等價。有些內容的價值來自獨家採訪，有些來自研究方法，有些來自長期編輯累積，有些則只是因為來源清楚，可以確認誰寫、何時寫、能不能使用。

這些差異過去一直存在，只是 Data 這個詞把它們的「價值」消彌。

AI 產業發展到今天，這層包裝正在被拆開。Anthropic 花錢買書，媒體和 AI 公司談授權，Cloudflare 替 crawler 設定付費機制，法院也一件一件處理合理使用與盜版來源的界線。知識的價格沒有集中出現在某一張價目表上，而是從採購、授權、訴訟、流量與存取費裡，一點一點浮出來。

所以，從那批被拆開掃描的舊書來看，AI 帶來的一個變化其實很有趣，因為我們重新看到，一段可以拿來訓練模型的文字，在成為 Data 以前，往往先是一個人寫的書、一名記者做的採訪、一個研究團隊完成的實驗，這些「成果」一直都有成本，只是到了「搜尋」逐漸變成「答案」的今天，這筆帳又被翻了出來，而「知識重新被定價」，大概就是從這裡開始。

系列報導：

1% Knowledge》什麼是「代理式 AI 」？為什麼黃仁勳認為它將引發下一場工業革命？

1% Guide》教宗為什麼花4萬字寫AI？｜讀懂《Magnifica Humanitas》如何看待人工智慧、人性與未來文明（推薦閱讀：與米其林主理人的一席話｜AI、智慧廚房會取代主廚嗎？ HAILI 主廚康仁維：真正改變的，是另一件事）

跨界實驗室｜關於科技》 從 App 到 Intent｜Apple、Samsung如何用 AI 重新定義智慧型手機的下一個入口