從網路書店起家，如今已是全球電商龍頭與雲端服務巨擘的亞馬遜（Amazon），其在AI領域的佈局自然備受矚目。然而，根據TechCrunch的最新報導，亞馬遜為訓練其大型語言模型（LLM），竟傳出銷毀珍貴稀有古籍的消息，這不僅在科技界投下震撼彈，也引發了對AI發展倫理的深刻反思。
這項消息揭示了AI數據飢渴的全新面向，也讓數位化與實體保存之間的衝突浮上檯面。本篇文章將為您深入解析這起事件的來龍去脈，並探討其對台灣乃至全球AI產業的啟示。
亞馬遜的「書」與「AI」：從紙本到資料庫的演進
亞馬遜的故事始於書籍。1994年，傑夫·貝佐斯（Jeff Bezos）創立亞馬遜，最初僅是一家線上書店，憑藉其龐大的書籍目錄和便捷的服務，迅速改變了全球圖書零售業的面貌。從那時起，書籍一直是亞馬遜DNA中不可或缺的一部分，其數位圖書館Kindle更是開創了電子書閱讀的新時代。
然而，隨著科技的快速演進，特別是近年來生成式AI的崛起，亞馬遜的策略重心也逐漸轉向人工智慧。作為雲端服務巨頭AWS的擁有者，亞馬遜擁有豐富的數據和運算資源，使其在AI領域具備得天獨厚的優勢。根據報導，該公司正積極投入開發自家的大型語言模型，以期在AI軍備競賽中佔據一席之地。這種從販售實體書、推廣電子書，到現在將書籍內容轉化為AI訓練數據的演進，反映了科技巨頭對資訊價值的重新定義，也預示著書籍在數位時代的新角色，儘管這個角色可能伴隨著意想不到的代價。
為什麼稀有古籍對AI訓練如此珍貴？LLM的「數據飢渴症」
大型語言模型（LLM）的訓練需要海量的數據，這些數據的品質和多樣性直接影響模型的表現。根據TechCrunch的報導，稀有古籍之所以對AI訓練具有極高價值，主要原因在於它們能提供其他來源難以複製的獨特數據。目前網路上的公開資料，例如維基百科、新聞文章、部落格、社群媒體貼文等，大多已被現有的LLM模型「消化」殆盡。
這導致了一個嚴峻的問題：當所有模型都訓練相同的資料時，它們的創新能力和知識邊界將受到限制。稀有古籍則不然，它們通常包含：
- 獨特的語言風格與詞彙： 這些文本可能呈現出不同時代、不同文化背景下的語言使用方式，有助於AI模型理解更廣泛的語言變體。
- 未被數位化的知識： 許多珍貴的歷史、文化、科學資訊仍只存在於紙本古籍中，尚未被掃描或轉錄到網路上。
- 多樣化的敘事結構與思維模式： 不同於現代的網路文本，古籍能提供更豐富、更多元的知識組織方式，提升模型的推理和生成能力。
因此，這些「未開發」的數據成為了LLM突破瓶頸、提升智慧水平的關鍵，也解釋了為何科技公司願意投入資源獲取它們。
古籍「數位化」背後的倫理與爭議：銷毀的必要性？
報導指出，為了取得這些稀有古籍的數據，亞馬遜採取了「銷毀」實體書籍的方式，這在全球文化保存界和科技倫理領域引發了巨大爭議。傳統上，圖書館和檔案館在進行數位化時，會盡力採用非破壞性的掃描技術，以確保實體文物的完整性。然而，某些先進的數位化技術，特別是為了追求極致的掃描品質或處理脆弱的古籍，可能會涉及切割、拆解甚至破壞書本結構的過程。
此事件的核心爭議在於：為了AI訓練的目的，銷毀不可再生的文化遺產是否具有正當性？支持者可能會認為，將古籍內容轉化為數位數據，是確保知識永續傳承的一種方式，即便實體書籍受損，其內容也得以保存並廣泛利用。但反對者則強調，實體古籍本身不僅是知識的載體，更是承載歷史、工藝與文化價值的文物。它們的觸感、紙張、裝訂，都是無法被數位化完全替代的獨特體驗。一旦銷毀，這種獨特的文化連結將永遠消失。這場爭議凸顯了科技進步與文化保存之間日益緊張的關係，以及如何在數據獲取與文物倫理之間找到平衡點的挑戰。
數據飽和下的新挑戰：AI產業如何應對「數據荒」？
TechCrunch的報導明確指出，現有的大型語言模型已經「訓練過所有網路上可用的東西」。這句話揭示了AI產業目前面臨的一個嚴峻挑戰：數據飽和（Data Saturation）或稱「數據荒」（Data Famine）。隨著模型規模越來越大，對訓練數據的需求也呈指數級增長，但高品質、獨特且未曾被使用過的數據來源卻日益稀缺。
當模型反覆訓練相同的數據時，容易導致「模式崩潰」（Model Collapse），即模型會開始產生重複、缺乏創意的內容，甚至出現幻覺（Hallucination），因為它無法從新的資訊中學習。為了突破這一瓶頸，AI公司正積極尋找新的數據來源，包括：
- 深層網路與暗網數據： 這些數據通常未被索引，可能包含獨特的資訊。
- 私有數據集： 企業或研究機構擁有的獨家數據。
- 多模態數據： 結合文字、圖像、音訊、視訊等不同形式的數據。
- 合成數據： 利用AI本身生成新的訓練數據，但這可能進一步加劇模式崩潰問題。
亞馬遜銷毀古籍的事件，正是AI產業在數據飢渴下，為獲取稀有數據所採取的極端手段之一。這促使我們思考，如何在追求模型性能的同時，避免對人類文化遺產造成不可逆的傷害，並探索更具永續性的數據獲取策略。
台灣AI產業借鏡：數據倫理與文化保存的平衡
亞馬遜的案例對台灣AI產業提供了重要的借鏡。台灣擁有豐富的歷史文獻、原住民文化資料以及獨特的語言文字（如台語、客語、原住民族語等），這些都是訓練具備在地特色LLM的寶貴資產。然而，在追求AI發展的同時，我們也必須正視數據倫理與文化保存的重要性。
幫您整理幾個思考面向：
- 制定明確的數據採集規範： 台灣的AI企業和研究機構在獲取訓練數據時，應建立透明且符合倫理的規範，特別是涉及文化敏感或珍貴實體資料時。
- 推動非破壞性數位化技術： 鼓勵投入資源開發和應用先進的非破壞性掃描技術，確保珍貴文獻在數位化過程中不受損害。
- 建立國家級數據庫： 考量由政府或學術機構主導，建立一個安全、可控且符合倫理規範的國家級數位化文獻數據庫，供AI研究者合法使用，避免個別企業為數據而採取極端手段。
- 公眾參與與意識提升： 讓社會大眾了解AI數據獲取的重要性與潛在倫理風險，促成更廣泛的討論，共同為AI發展畫定道德底線。
這起事件提醒我們，AI的未來不僅是技術的競賽，更是價值的抉擇。台灣在發展AI的路上，應將文化傳承與倫理考量視為核心價值，而非可犧牲的代價。
常見問題
亞馬遜為什麼不直接掃描古籍就好，一定要銷毀嗎？
根據報導，雖然未明確說明銷毀的具體原因，但推測可能與數位化技術的成本、效率或品質有關。某些追求極致清晰度或處理脆弱材質的掃描方式，可能需要將書籍拆解或切割，導致實體書籍結構受損。此外，大規模、非破壞性的高標準數位化成本高昂且耗時，在追求快速獲取大量數據以訓練AI時，可能被視為較「低效率」的選項。
這些被銷毀的古籍有哪些類別？會不會影響特定文化或歷史？
TechCrunch的報導並未詳細說明被銷毀古籍的具體類別或來源。然而，由於其強調「稀有」和「未曾上網」的特性，這些書籍很可能涵蓋了不同語種、不同歷史時期、不同學科領域的珍貴文獻。無論是哪種類別，任何稀有古籍的銷毀，都可能導致特定文化、歷史或知識脈絡的實體證據永久消失，對人類共同遺產造成潛在影響。
除了亞馬遜，還有其他公司也這樣做嗎？AI產業普遍存在「數據飢渴」問題嗎？
報導主要聚焦於亞馬遜，但「數據飢渴」確實是整個AI產業面臨的普遍問題，尤其是在大型語言模型領域。隨著模型對數據量和多樣性的要求不斷提高，許多AI公司都在積極尋找新的、高品質的數據來源。雖然直接銷毀稀有古籍是極具爭議的行為，但獲取獨特數據的壓力，確實是推動許多企業探索各種數據採集策略的動機。這也促使業界和學術界開始探討合成數據、數據共享倫理等替代方案。
亞馬遜銷毀稀有古籍以訓練AI的事件，無疑為我們敲響了警鐘。它迫使我們重新審視科技發展的終極目的，以及在追求進步的同時，如何堅守人類文明的倫理底線與文化價值。
這場關於數據倫理與文化保存的辯論，未來只會更加激烈。希望此事件能促使全球AI產業，包括台灣，在數據獲取上採取更負責任、更具永續性的策略，確保科技的進步不會以犧牲寶貴的人類遺產為代價。
資料來源：TechCrunch