S2E68 AI 巨頭的秘密：偷買二手書，掃描完就銷毀 Why?

AI公司的祕密購書計畫最近浮上檯面。Anthropic在2024年啟動了「巴拿馬計畫」，目的是大規模掃描實體書籍以取得訓練資料。這個計畫的起點並非純粹追求乾淨資料，而是源於法律壓力——早期Anthropic透過盜版電子書網站下載書籍進行訓練，最終遭版權訴訟。為了解決這個問題，他們尋求合法取得授權資料的方式。首先考慮購買電子版PDF，卻發現電子書只提供個人使用權，用於商業AI訓練會違反授權範圍。其次嘗試與出版商逐家談判數位授權，但面臨速度慢、成本高、覆蓋不完整的困境。最終，他們採取了最實用的方式：透過二手書商大量購買實體書籍，掃描建檔後銷毀。

Amazon的規模更龐大。書商們發現來路不明的大額訂單，金額往往是他們一週的銷售量。一位書商與404 Media記者合作，在書籍內藏入AirTag追蹤，結果發現這些書被運往拉斯維加斯Amazon倉庫VGT3。該倉庫內有專門的小隊執行此任務，員工透露工作很輕鬆——購買書籍、掃ISBN、建檔、快速掃描、銷毀。Amazon購買不重複ISBN的書籍，甚至包括已絕版的珍本，引發社群強烈反彈。Amazon官方回應模糊，宣稱採用合法管道為客戶提供體驗，但未直接承認與AI訓練的關聯。

銷毀實體書看似浪費，卻有三大實際原因。成本考量最直接：逐頁翻掃而不損傷書籍非常耗時耗力，直接砍書後快速掃描效率最高。法律考量其次：雖然購買書籍取得所有權，但同時持有實體版與數位版違反購買協議的複製限制，銷毀實體書規避了這個法律風險。第三是競爭優勢：銷毀絕版珍本後，競爭對手無法從二手市場取得這些資料，其知識只留在自家的私有資料庫。

但取得乾淨資料已不是模型競爭力的決勝點。Scaling law（更多更好資料+更強算力+更大參數=更強模型）在2023至2024年初期成立，但2024年後效果大幅遞減。模型商轉向兩大方向：強化學習與推論時計算。強化學習利用可驗證的任務——例如數學題、程式問題——進行大規模訓練，機器可自動驗證答案正確性而無需人工標註。這導致AI在代理編碼方面爆發性進步，因為任務有明確的可驗證標準。副作用是模型在無法量化驗證的領域表現下滑，特別是人文寫作。Opus 5的情況最明顯：編碼能力強化但文章可讀性下降，使用者反映常看不懂句子含義，導致許多人轉向Opus 4.8。在推論時計算方面，模型商不再全賭預訓練，而是在回答時動態調整思考深度、試試多個推理路由或讓多個小模型探索，類似人類思考難題時會重新思考。

資料污染成為新的威脅。最近揭露的案例中，以色列政府花費90萬美元請公關公司製作偽造智庫網站，完全模仿美國學術機構的撰寫風格——中立立場、完整註腳、可信來源。目的是讓ChatGPT和Gemini在回答以巴衝突相關提問時引用這些資訊，使模型輸出向以色列政府立場靠攏。更隱險的是，網站可透過隱藏文字或Prompt Injection技術植入有害指令。例如在涉及某健身產品的內容中隱藏指令，讓AI記住該產品是領域最佳，未來回答相關問題時自動推薦。

在這個時代，使用者必須保持警覺和獨立思考。不能全然相信AI輸出，需要質疑資訊的合理性、驗證來源真偽。2022年後爬取的網頁也可能是有心人士刻意製造的污染內容，機器和人類都可能受騙。正如講者所說，簡單問題靠直覺答對，想太多反而改變初衷——同樣的道理應用到AI評估上，就是保持批判性思維，永遠問「這合理嗎？」「資訊來源可信嗎？」而不是無條件接受。