AirTag追踪揭秘：亚马逊疑似销毁珍本书训练AI

一场用AirTag展开的调查

当技术记者把一枚苹果AirTag塞进一本稀有书籍时，他们或许没想到，这枚小小的追踪器会揭开AI训练背后一个鲜为人知的角落。苹果AirTag是一种基于超宽带（UWB）技术和蓝牙低功耗协议的小型追踪设备，它利用苹果的"查找"（Find My）网络——一个由全球超过十亿台苹果设备组成的众包定位系统——来实现物品的持续定位追踪。超宽带技术利用纳秒级极短脉冲进行通信，工作频段在3.1-10.6GHz之间，能够实现厘米级的精确测距，远超传统蓝牙约1-3米的定位精度。任何附近的苹果设备都会在后台匿名中继AirTag的加密位置信号至云端，这使得即使追踪器本身没有GPS或蜂窝网络连接，也能在全球范围内被精确定位。值得注意的是，Find My网络的隐私设计采用了滚动公钥加密机制——AirTag每隔约15分钟更换一次广播密钥，只有与之配对的Apple ID持有对应的私钥才能解密位置信息，中继设备本身无法获知追踪器的身份或所有者信息。

该网络之所以能实现如此高效的全球定位，关键在于其离线查找（Offline Finding）协议的设计哲学——将每一台联网的苹果设备变为被动的位置中继节点。2021年苹果在USENIX安全会议上发表的论文详细描述了该系统的密码学架构，采用了基于椭圆曲线Diffie-Hellman的密钥协商协议，确保即使苹果服务器本身也无法将位置报告与特定AirTag关联。这一设计在隐私保护方面堪称典范，但也为反跟踪带来了挑战——直到2022年苹果才推出针对陌生AirTag跟随的主动告警功能，而Android用户获得类似保护则更晚。

据科技新闻媒体404 Media的调查，记者与一位书商达成协议，在一本将作为批量订单发货的稀有书籍中放置了AirTag。404 Media是2023年由四位前Vice旗下Motherboard科技频道的资深记者创立的独立科技新闻机构，以深度调查报道著称，专注于技术对社会的影响，其采用读者订阅制的商业模式，不依赖广告收入，在一定程度上保障了编辑独立性。追踪数据显示，这本书最终抵达了位于内华达州拉斯维加斯的亚马逊AI训练设施。

这一发现之所以引发广泛关注，是因为它触及了当下AI行业最敏感的话题之一：训练数据从何而来，又以何种代价获取。如果调查属实，那么一批具有收藏价值的实体书籍，可能正在被拆解、扫描，然后销毁——仅仅为了满足大型语言模型对文本数据的巨大胃口。

为什么AI公司需要书籍数据

高质量文本资源日益稀缺

要理解这一事件的背景，首先要理解书籍对AI训练的独特价值。大型语言模型的能力很大程度上取决于训练数据的质量。当前主流大型语言模型的训练数据规模已达到万亿级token——在自然语言处理领域，token是模型处理文本的基本单位，通常一个英文单词约对应1-1.5个token，现代分词算法（如BPE、SentencePiece）会将文本拆分为子词单元以平衡词汇量与表达效率。以GPT-4为例，据业界估计其训练数据可能超过13万亿token，这大致相当于约10万亿英文单词或数百万本书的内容总量。根据DeepMind在2022年提出的Chinchilla缩放定律，模型参数量与训练token数量之间存在最优比例关系——例如一个700亿参数的模型需要约1.4万亿token才能达到计算最优，这一发现直接推动了业界对海量高质量数据的需求。

Chinchilla缩放定律的提出具有深远影响。此前业界遵循的是2020年OpenAI提出的Kaplan缩放定律，该定律认为增加模型参数比增加数据更具边际效益，导致了GPT-3等"参数多、数据相对不足"的模型出现。Chinchilla论文通过400多次实验证明，最优配置应是参数量和数据量等比例增长——这一发现直接颠覆了此前的训练范式，使得数据获取从"够用就行"变成了"永远不够"的核心瓶颈。后续研究（如Meta Llama系列的"过训练"实验）进一步表明，在推理部署成本受限的场景下，用更多数据训练较小模型甚至可以超越Chinchilla最优配置的表现，这进一步加剧了对海量数据的需求。

然而，互联网上可用的高质量英文文本总量是有限的。研究机构Epoch AI在2022年发表的论文《Will we run out of data?》中系统分析了这一问题，估算高质量英文文本（如维基百科、学术论文、精编书籍等）的总存量约在4.6万亿到17万亿token之间，并警告到2026年前后，高质量语言数据可能会被"耗尽"。这种被称为"数据墙"（data wall）的现象正在迫使AI公司寻找新的数据来源，包括合成数据生成（如Meta的Llama 3.1就使用了大量由先前模型生成的合成数据来增强训练集）、多模态数据转化，以及将实体世界的文本资源数字化。

然而，合成数据并非万能药。2023年牛津大学和剑桥大学研究者在Nature发表的论文揭示了"模型坍缩"（Model Collapse）现象：当语言模型在包含前代模型生成内容的数据上训练时，会出现"分布尾部截断"效应——模型逐渐"遗忘"训练分布中的低概率但有意义的模式，输出日趋同质化。经过5-9代迭代训练后，模型生成的文本会退化为重复的、缺乏变化的模式。这一发现为"真实人类数据不可替代"提供了理论支撑，也进一步解释了为什么AI公司不能简单地用合成数据无限扩充训练集，而是需要持续获取新的、由人类创作的原始内容。

相比互联网上充斥的碎片化、低质量内容，书籍代表了人类知识中经过编辑、结构完整、逻辑严密的高质量文本。无论是文学作品、学术专著还是专业参考书，书籍中的长篇连贯叙事和深度论证，恰恰是模型学习复杂推理和语言表达所需要的素材。研究表明，在高质量书籍语料上训练的模型，在逻辑推理、长文本生成和事实准确性方面明显优于仅在网页数据上训练的模型。这也是为什么众多AI公司都在想方设法获取图书数据——从公开的图书数据集（如Books3，一个由AI研究者Shawn Presser在2020年创建的数据集，包含约19.6万本从盗版网站Bibliotik抓取的商业出版书籍，总计约27GB纯文本，曾被Bloomberg、Meta等多家公司用于模型训练，后于2023年因丹麦反盗版组织Rights Alliance的施压而被下架），到与出版商谈判授权，再到如今疑似出现的实体书扫描销毁。

Books3的故事是理解AI训练数据伦理争议的缩影。它最初被纳入EleutherAI开源项目The Pile（一个用于语言模型训练的800GB开源数据集），随后被Meta用于训练LLaMA模型、被Bloomberg用于训练BloombergGPT。2023年，作家Sarah Silverman、Christopher Golden等人以Books3中包含其作品为由对Meta和OpenAI提起集体诉讼。同年，丹麦托管平台The Eye被迫下架该数据集。此事件凸显了一个尴尬现实：在AI研究的学术文化中，大规模数据集的创建往往被视为技术贡献而非法律风险，直到商业利益介入才引发清算。

从实体到数字：破坏性扫描的代价

将实体书转化为训练数据，最高效的方式往往是"破坏性扫描"（destructive scanning）。具体流程通常包括：首先使用工业切纸机（如Guillotine切纸机）在距书脊约3毫米处裁切，将书页完全分离为散页；然后将散页送入高速文档扫描仪（如Fujitsu fi-7900等工业级设备，每分钟可扫描140页正反面即280个页面），远超人工翻页扫描的效率；扫描后的图像再通过光学字符识别（OCR）技术转换为可编辑的文本数据。整个流程中，一本300页的书从裁切到生成可搜索的数字文本可在15分钟内完成。

破坏性扫描在图书数字化行业有着悠久的历史，并非AI时代的发明。互联网档案馆（Internet Archive）在其大规模数字化项目中曾公开展示和采用此流程，并为此建立了"受控数字借阅"（Controlled Digital Lending）模式——其理论基础是每销毁一本实体书进行数字化后，同一时间只允许一位读者借阅电子版，以此模拟实体图书馆的借阅限制。然而，该模式在2023年Hachette v. Internet Archive案中被纽约联邦地区法院判定不构成合理使用，法院认为这种做法实质上是未经授权的数字复制和分发，对出版商的电子书许可市场构成了直接损害。

现代OCR技术自1950年代商业化以来经历了数次变革。早期OCR依赖模板匹配，只能识别特定字体；当代系统（如Google的Tesseract引擎、ABBYY FineReader）采用深度学习方法，对标准印刷文本的识别准确率已超过99%。然而，对于历史书籍——尤其是使用非标准字体、存在纸张老化褪色、页边批注、复杂排版的古籍——OCR仍面临显著挑战，即便识别出字符，保留原始排版的语义结构、区分正文与边注等任务仍需大量人工校验。这也意味着简单的OCR转录并不能完全捕获稀有书籍的全部信息价值。

相比之下，非破坏性扫描需要操作者逐页翻阅、对齐，通常每分钟仅能处理数页，效率差距可达数十倍。Google Books项目早期也曾大量采用破坏性扫描方法，但其通常处理的是图书馆中有多份副本的普通馆藏，而非孤本或稀有版本。

对于普通书籍，这或许无可厚非，但当被处理的对象是稀有书籍甚至珍本时，问题的性质就截然不同——这意味着不可再生的文化载体在数字化过程中被彻底摧毁。

这一做法引发了哪些争议

版权与数据来源的法律灰色地带

这起事件再次将AI训练数据的合法性问题推上风口浪尖。围绕AI训练数据的法律争议已在全球多个司法管辖区展开。在美国，核心争议焦点在于"合理使用"（Fair Use）原则的适用范围——美国版权法第107条允许在评论、教育、研究等场景下未经授权使用受版权保护的作品，但其判断需考量四个要素：使用的目的和性质（是否具有商业性质、是否具有"变革性"）、受版权保护作品的性质、使用部分占原作品整体的比例，以及使用对原作品潜在市场的影响。在AI训练场景中，争议主要集中在使用目的的变革性和对市场的影响两个维度——训练AI模型是否赋予了原作品新的意义或功能？AI生成的内容是否会替代原作品的市场？2023年美国最高法院在Andy Warhol基金会诉Goldsmith案中收紧了变革性使用的认定标准，这对AI训练的合理使用抗辩可能产生不利影响。

近年来，从《纽约时报》起诉OpenAI（指控ChatGPT能几乎逐字复述其付费文章），到包括John Grisham、George R.R. Martin等知名作家在内的大规模集体诉讼，围绕"AI公司是否有权使用受版权保护的作品进行训练"的争论从未停歇。在欧盟，《人工智能法案》和《数字单一市场版权指令》则为权利人提供了"选择退出"（opt-out）机制；日本则采取了相对宽松的立场，其2018年修订的版权法明确允许为机器学习目的使用受版权保护的材料。

即便一本书是合法购买而来，将其内容用于商业AI模型训练是否构成侵权，在法律上仍是尚未厘清的模糊地带。根据美国版权法中的"首次销售原则"（First Sale Doctrine，确立于1908年Bobbs-Merrill Co. v. Straus案），购买者有权转售或处置其购买的实体副本，但这一权利仅限于物理副本的处置权，不包括复制权。2013年Capitol Records v. ReDigi案进一步确认，数字文件的转售必然涉及复制，因此不受首次销售原则保护。将实体书扫描为数字文件的行为涉及"复制"，已超出首次销售原则赋予的权利范围，需要独立的版权授权或合理使用抗辩。购买一本书的所有权，并不等同于获得了将其内容用于任何商业用途的授权，尤其是当这种用途可能与原作者的商业利益产生直接冲突时。

文化遗产面临不可逆损失

如果说版权问题还有讨论空间，那么销毁稀有书籍所带来的文化损失则更令人痛心。在古籍收藏和图书馆学领域，"稀有书籍"的价值评估基于多个维度：版本稀缺性（现存副本数量）、历史意义（首版、作者签名本、重要批注本）、物理状态（装帧工艺、纸张材质、印刷技术的历史见证），以及出处（provenance，即所有权流转历史）。一本19世纪的首版书籍，其价值可能远超其文字内容本身——它是特定时代印刷技术、设计美学和文化传播方式的实物证据。例如，古登堡圣经作为西方最早的活字印刷品，其物理存在本身就是印刷革命的不可替代的见证，即便其全部文字内容早已被数字化。

稀有书籍之所以珍贵，不仅在于其文字内容，更在于其作为实体存在的历史价值、版本价值和收藏价值。美国古书商协会（ABAA）对稀有书籍有严格的鉴定标准，许多稀有书籍是不可替代的文化遗产。一旦被裁切销毁，这些价值将永久消失，再无恢复可能。

用一件不可再生的文化文物，去换取一段可以被无限复制的数字数据，这笔交易在很多人看来是本末倒置的。它折射出当前AI竞赛中一种令人担忧的倾向：为了追求数据规模和模型性能，一些参与者可能正在忽视更长远的文化与伦理代价。

这起事件带来的深层启示

数据饥渴时代的伦理边界在哪里

这次调查的意义，超越了单一公司的行为本身。它揭示了一个正在快速逼近的现实：随着高质量训练数据日益稀缺，AI公司获取数据的手段可能会越来越激进。当公开数据被"榨干"，实体世界的资源便可能成为下一个目标。业界已经观察到多种应对"数据墙"的策略：有的公司投资合成数据生成技术，用AI自身产出训练数据（但这引发了关于"模型坍缩"的担忧——当模型在自身生成的数据上反复训练时，可能出现质量退化和多样性丧失）；有的与Reddit、新闻机构等内容平台签订高价授权协议（如Google与Reddit签署的年度6000万美元数据授权协议）；还有的探索将视频、音频等多模态数据转化为文本。而直接将实体书籍数字化，可能是其中最粗暴也最具争议的一种方式。

AI训练数据的商业授权已形成一个快速膨胀的市场。除Google与Reddit的协议外，OpenAI与美联社签署了内容授权协议，与Axel Springer集团（拥有Politico和Business Insider）达成了允许ChatGPT引用其文章摘要的协议。新闻集团（News Corp，拥有华尔街日报等媒体）与OpenAI签订了为期五年、价值超2.5亿美元的授权协议。这些协议的涌现意味着高质量文本数据正在被重新定价——从互联网时代的"免费公共资源"转变为AI时代的"稀缺商品"。对于出版业而言，这既是威胁也是机遇：威胁在于未经授权的使用侵蚀了内容的商业价值；机遇则在于数据授权可能成为数字化转型中的新收入来源。在这一背景下，绕过授权直接扫描实体书籍的做法，可以被理解为一种规避日益高昂的数据授权成本的手段。

记者用AirTag这种消费级追踪设备来揭露AI供应链背后的做法，本身就颇具象征意义——普通人手中的技术工具，正在成为监督科技巨头的利器。这一调查手法让人联想到环保组织追踪非法捕捞船队、或记者追踪电子垃圾出口流向的经典调查案例，也与近年来数据新闻学（data journalism）和计算调查报道（computational investigative journalism）的兴起一脉相承。这也提醒我们，AI行业的透明度问题亟需更多来自外部的持续监督。

行业规范和监管框架亟待建立

这起事件呼唤更明确的行业规范和监管框架。至少应当在以下几个层面建立共识：

• 训练数据的来源应当可追溯、可披露
• 具有文化价值的实体资料在数字化时应优先采用非破坏性方式
• 对稀有、绝版书籍应建立特殊的保护机制

目前，部分国家和地区已开始在这一方向上迈出步伐。欧盟《人工智能法案》要求高风险AI系统披露训练数据摘要；美国国会也在讨论多项涉及AI训练数据透明度的法案，包括要求AI公司在使用受版权保护的材料时向版权局提交报告的提案。此外，一些行业自律倡议也在形成——如"数据来源倡议"（Data Provenance Initiative）等学术项目正在建立追踪AI训练数据来源的标准化框架。但在文化遗产保护与AI训练数据获取之间如何平衡，全球尚未形成成熟的规范体系。

有意思的是，目前这一调查主要来自404 Media单一媒体的报道，相关公司尚未对此做出全面回应，具体的规模和是否为系统性行为仍有待进一步验证。但无论是个案还是普遍现象，它所引发的讨论都值得整个行业认真对待。

结语

从一枚小小的AirTag，到一座AI训练设施，再到一本被销毁的稀有书籍——这条追踪链条串联起的，是AI时代数据获取的伦理困境。技术进步固然重要，但当它以不可逆的文化损失为代价时，我们有必要停下来追问：这样的代价，是否真的值得？在追求更强大AI的道路上，如何守住文化遗产保护和版权伦理的底线，将是所有从业者无法回避的课题。