因此，不少AI公司开始重新寻找由人类独立创作、未经AI污染的数据来源，2022年前出版的纸质书籍，恰巧符合这一条件。
要将实体书籍转化为AI语料，数字化步骤必不可少。
浙江图书馆数字资源中心负责人告诉有风君，目前纸质书数字化主要经过择选、图像采集、OCR（光学字符识别，即将图像转化为文字）三个步骤。不同图书机构对于图像采集方法不同，如浙江图书馆使用的即为拍照采集。"并非所有书籍数字化都要经过OCR，数字化有发布服务级、长期保存级等不同级别，呈现内容也有高清图片和纯文字等形式。"
在此基础上，才有可能进入AI语料训练。
她介绍，与商业机构采用高速馈纸扫描不同，古籍数字化通常使用非接触式拍摄设备。工作人员会根据古籍的装帧方式、开合角度和纸张状况，调整拍摄方案，尽可能减少翻动和受力。有些珍贵古籍甚至需要定制专门的书托，将开合角度控制在文献能够承受的范围内，避免因过度展开而造成书脊断裂或纸张损伤。这一过程不仅成本较高，用时也较久。
也正因如此，Anthropic选择了效率更高的"破坏性扫描"方式。切除书脊后，散页可以通过高速馈纸设备快速完成扫描，效率远高于图书馆常用的"无损扫描"。
02 数字化，留不下什么
如果一本书已经被完整扫描，文字也全部转换成数字文件，那实体书籍本身还有必要保留吗？
在浙江图书馆古籍保护研究中心主任童圣江看来，回答这个问题的关键在于如何看待一本实体书。
如果一本书仅仅作为文献资料，按照目前的技术，其数字化后的内容已经能够满足绝大多数阅读与研究需求。
童圣江告诉有风君，以古籍为例，如今的实体书数字化采用高精度拍摄设备，能够保存未经压缩的原始图像，即使是肉眼难以辨认的细小墨点、边缘批注，也能够通过放大清晰呈现。"相当于拿着放大镜去看，书页平面上的信息基本都能保留。"
