过去两年，讨论 AI 的外部成本时，我们熟悉的是三本账：电力、水资源和芯片。而影子图书馆 Anna's Archive 最近的一篇博客，补上了第四本——纸张。更准确地说，是那些为喂饱大模型而进入扫描流水线、随后被销毁的实体书。
一场发生在书库里的「资源开采」
这篇题为 AI companies destroy physical books – let's scan rare books before it's too late 的文章，8 月 21 日出现在 Hacker News 上。其核心指控可以概括为一条流水线：
- 大模型厂商及其数据供应商需要海量高质量语料，出版书籍是其中信息密度最高的部分之一；
- 高速扫描线要求切掉书脊、逐页过机，吞吐量远高于图书馆式的翻页扫描，代价是实体书无法复原；
- 扫描完成后，纸书大多直接废弃或回收，其中不乏绝版书与稀有书籍；
- 而扫描出的数字副本通常只躺在公司内网里，公众既看不到，也用不上。
文章由此发出一个略显悲壮的呼吁：趁孤本尚未被「开采」殆尽，发动志愿者对稀有书籍做抢救性数字化。在 HN 讨论区，这条帖子收获四十余个赞，评论区里既有附和者，也有人直接追问：证据在哪里？
破坏性扫描：不是新闻，但第一次被这样讲述
「破坏性扫描」（destructive scanning）在数字化行业里并不新鲜。当年 Google Books 扫描数千万册图书时，用的是非破坏性的翻页机器人，速度慢、成本高；而面向 AI 训练的扫描更接近制造业逻辑——把书当作原料，切、扫、弃，追求单位时间的处理量。两种模式背后是两种动机：一个是为了让公众检索，一个是为了让模型消化。
Anna's Archive 描绘的链条则是：图书馆淘汰旧书，旧书批量流入折扣市场，数据供应商整批收购，进扫描线，实体书消失。如果这个描述属实，最讽刺的一点在于：知识以模型权重的形式被永久吸收，而它的物理载体却被系统性抹掉，社会却没有得到任何公共数字副本作为补偿。
当「保存者」本身就是盗版库
这里必须交代背景：Anna's Archive 是长期处于版权灰色地带的影子图书馆，聚合了 Sci-Hub、LibGen 等来源的镜像，在多国遭遇域名查封与访问封锁。由它来喊「抢救孤本」，本身就带着强烈的不协调感。
但这恰恰是过去几年反复上演的剧本。从包含十几万本书的 Books3 语料库，到针对 Meta、Anthropic 的大规模版权诉讼，AI 公司获取图书数据的方式一直争议不断。吊诡之处在于：合法的一方（图书馆、Internet Archive）想做大规模数字化，会被版权法卡住手脚；灰色乃至侵权的一方，反而掌握着最完整的扫描基础设施。这篇文章之所以有传播力，正是因为戳中了这个错位。
难以核实的指控，值得追问的问题
需要指出，文中说法目前难以独立核实：作者匿名，没有披露具体的扫描工厂、供货商或被毁书目清单，HN 评论区也有用户认为其论证依赖供应链传闻。在「AI 公司烧了多少电」都有精确数据的今天，「烧掉了多少本书」反而成了一个黑洞。
但这不妨碍它提出一个值得追问的问题：AI 的物质足迹不止于机房。如果破坏性扫描确实是一种现实商业模式，那么合理的底线要求是——数字副本应当沉淀为公共资源，而不是实体书消失了、数字副本也被锁进私有仓库。图书馆界与档案界长期推动的保存性豁免、面向研究的受限开放，都是比「扫完即弃」体面得多的路径。
点评
无论这篇博客的细节有几分属实，「为训练模型而消耗不可再生的实体文献」这件事本身，都应该在 AI 的成本清单上占一行。数据不是从天上掉下来的，它有时是从书脊上切下来的。真正的问题从来不是谁在扫书，而是扫完之后，谁还能读到。