据 404 Media 报道，亚马逊位于内华达州拉斯维加斯的一处仓库内，一个代号为 VGT3 的团队正从事图书扫描工作，这些扫描数据被用于训练人工智能模型。该团队的一名员工匿名接受了采访，详细披露了内部工作流程。
这名员工介绍，仓库接收了大量图书，包括新书和二手书，甚至出现过代表英女王提交给议会的文件。图书语种涵盖德语、俄语和日语等多种语言。团队首先扫描图书条形码以识别并移除重复书籍，重复的图书会被退还给经销商。随后，工人使用人工操作的机器切开书脊，再通过数十台扫描仪逐页扫描，扫描完成后的书页会被处理销毁。
该员工透露，亚马逊最初告知他们扫描书页是为了扩充 Kindle 电子书库，但这一说法存在明显疑点，因为涉及版权问题。后来员工才得知，这些扫描数据实际是用于构建 AI 训练语料库。这一过程揭示了大模型训练数据来源的隐秘链条，也引发了对版权合规性的进一步关注。
随着生成式 AI 对高质量文本数据的需求激增，科技公司获取训练语料的方式日趋多样和复杂。此次披露的图书扫描操作，反映了 AI 基础设施中数据采集环节的真实样貌，同时也将版权问题重新置于行业讨论的中心。未来，如何在数据获取与知识产权保护之间取得平衡，将成为 AI 企业无法回避的课题。
该文观点仅代表作者本人，企服科学平台仅提供信息存储空间服务。
