AI训练数据荒：为何科技巨头重金收购旧书，以及内容水印军备竞赛的真相

在数字内容泛滥的今天，一个反常的现象正在发生：AI实验室开始批量购买旧印刷书籍。这些由纸张和胶水构成、本该被行业淘汰的实体书，如今却成了AI训练数据的香饽饽。ISBNdb，一家专门为AI实验室采购批量印刷书籍的中间商，直言不讳地推销：“世界上最好的AI训练数据正躺在书架上。”

这一策略之所以奏效，是因为书籍拥有一个任何提示工程都无法伪造的特性——它们印刷于AI生成内容（即所谓的“slop”）泛滥之前。因此，那些制造AI生成机器的公司，正付出真金白银来避免消化自家机器产出的内容。与此同时，整个供应商类别却在向你收取月费，让你尽可能多地生成机器输出内容，再喂给这些公司。这条供应链中，显然有人误判了形势。

测量体系的崩塌：从确定性到混沌

传统搜索的确定性足以支撑起一个行业。排名是一个位置，位置带来展示和点击，点击携带跟踪参数进入分析系统，告诉你什么转化了。你可以花几个小时争论归因窗口，但整个流程足够稳定，可以被测量。

然而，AI答案不会为任何人静止。同一个问题问两次，答案中的品牌可能就会改变。在噪声之下存在某种结构，其分布的稳定性取决于背后的语料库和探测提示词的质量。但关键在于，这种探测是合成式的——你的追踪器向API发送无菌提示词，得到的答案被剥离了真实用户会看到的上下文和个性化信息。即便得到一个完全稳定的读数，也很可能只是对错误对象的稳定读数。

一个更诚实的行业可能会就此止步。但我们的行业选择了构建仪表盘：为没有位置的系统做位置追踪，为不会在任何人会话中重现的答案做声量份额分析，并以2014年排名报告的精确度来汇报这些数据。在生产端，同样的供应商在销售本文真正关心的东西：大规模AI生成内容，针对那些系统所有者正在构建识别工具的检索系统进行优化。

水印基础设施：从演示到管道

2026年5月19日（在I/O大会上），Google宣布其隐形水印系统SynthID已标记超过1000亿张AI生成的图像和视频，以及约6万年的音频内容，验证功能将立即在搜索中推出，并在数周后覆盖Chrome。同日，OpenAI承诺在ChatGPT、Codex和API生成的每张图像中嵌入SynthID。Kakao和ElevenLabs在合作伙伴名单上；NVIDIA早些时候通过其Cosmos模型加入。

这就是溯源从研究演示变成基础设施的样子。

我能听到反对意见：那是图像和音频，而内容农场销售的是文本。没错。OpenAI的承诺仅覆盖图像，Google已发布的文本水印方案也存在已被记录的弱点。DeepMind表示，当文本被彻底改写或翻译时，检测置信度会急剧下降，而且该方法在处理简短的事实性输出时较为吃力。

很多人恰恰读到这一步，就得出结论：大规模AI文本是安全的。这很令人安慰……但也过于懒惰。而且，截至8月，这一结论已经过时。

Anthropic已签署欧盟AI法案的透明度实践准则，并公布了其计划：从2026年8月2日起发布的Claude模型，将在模型层面嵌入生成文本的水印，全球适用，覆盖API、消费者应用和云平台。法律触发点是欧洲的，但水印内置于模型中，因此布鲁塞尔的指令成为全球默认标准。Anthropic表示将帮助第三方检测水印，具体机制描述在“即将发布的技术文档”中——这句话值得细品。

他们自己的页面也指出，该标记并不认证作者身份：仅经过Claude处理、校对、翻译或整理的文本也可能携带水印。而公布的局限性是那些熟悉的老问题：重度编辑、翻译、超短段落——这始终只是已选择公开内容的局限。

开源SynthID文本仓库附有DeepMind的说明：该代码是研究论文的参考实现，“并非为生产使用而设计”，且哈希函数不提供密码学安全保证。请再读一遍，慢慢读。你能检查的版本，按Google自己的描述，并非实际运行的版本。所有自信引用已公布局限的人，引用的只是一个演示版的局限。

猫鼠游戏：检测与规避的军备竞赛

我在Google搜索质量和网页垃圾团队工作了近六年，让我省去你的悬念：Google从未公布过垃圾检测的运作方式。从未。公布机制等于交出了规避手册，而搜索史上每一个严肃的检测系统都建立在这种沉默之上。认为同一家公司现在会诚实地记录其AI文本检测方法，方便那些被检测对象，这种想法确实天真。

如果存在或将会出现能够抵御改写的文本水印或检测方法，你永远不会最先听说它或其运作原理。

规避方当然准时出现了。Anthropic宣布后几天内，一个水印移除器就出现在GitHub上，覆盖Claude、Gemini和OpenAI。其README比大多数GEO行业人士都诚实：对于统计文本水印，其方法是通过另一个模型进行重度改写，标注为“尽力而为”，并承认在供应商发布公开检测器之前，“没有任何工具能诚实地证明”水印已被移除。它甚至建议通过不同模型清洗Claude文本，以防冲洗过程重新盖章。

这就是游戏的老鼠方全貌：擦除不可见字符并希望那就是水印，针对无人能查询的检测器进行释义，以及……（原文截断）

国内视角：中国AI水印与溯源技术进展

在这场全球AI内容溯源竞赛中，中国科技公司也在积极布局。百度文心一言、阿里通义千问、腾讯混元等大模型平台，都在探索各自的AI内容标识方案。中国《生成式人工智能服务管理暂行办法》已明确要求，AI生成内容应当进行显著标识。

国内的技术路线与海外有所不同，更侧重于平台层面的标识与审核机制。例如，部分国内AI平台会在生成文本中嵌入不可见的元数据标记，或在用户界面中直接标注“AI生成”字样。同时，国内学术界和产业界也在研究更为鲁棒的文本水印技术，以应对释义、翻译等规避手段。

值得注意的是，国内AI企业更倾向于通过平台生态来管理内容溯源，而非单纯依赖模型层水印。这一差异反映了中美在AI治理思路上的不同侧重：美国更依赖技术标准与行业自律，中国则更强调法规约束与平台责任。

常见问题

AI公司为什么购买旧书作为训练数据？

因为旧书印刷于AI生成内容泛滥之前，包含高质量、纯净的人类创作文本。这些书籍数据能帮助AI模型学习更自然、更准确的表达方式，避免被AI生成的低质量内容污染。

SynthID文本水印技术有哪些限制？

根据DeepMind的公开说明，SynthID文本水印在文本被彻底改写或翻译时，检测置信度会大幅下降，且对简短的事实性输出效果不佳。此外，开源版本的代码仅作为研究参考，并非生产级实现。

AI内容水印能被移除吗？

目前存在一些规避工具，通过模型改写、释义等方式尝试移除水印，但效果并不稳定。随着检测技术的演进和更多公开检测器的发布，水印的鲁棒性有望提升。

欧盟AI法案对AI水印有何要求？

欧盟AI法案的透明度准则要求AI公司采取措施标识AI生成内容。Anthropic等公司已签署该准则，并承诺在模型层面嵌入水印，这些措施将全球适用，不仅限于欧盟市场。

国内对AI生成内容标识有什么规定？

中国《生成式人工智能服务管理暂行办法》要求AI生成内容进行显著标识。国内AI平台通常通过界面标注、元数据标记等方式履行这一义务，并积极探索更先进的内容溯源技术。

关于 Bingdada

Bingdada 是一个专注 SEO、GEO（生成式引擎优化）与 AEO（答案引擎优化）的内容平台，由资深内容编辑、SEO 技术工程师与 AI 研究专家组成的团队持续运营。我们追踪搜索引擎与生成式 AI 的最新动态，为读者提供准确、实用、可落地的方法论与行业洞察。

编辑团队：内容策划 · 技术编辑 · AI 研究组
网站：bingdada.com

© 2026 Bingdada. 保留所有权利。