北京深度求索人工智能基础技术研究：别人拆书抢“干净语料”，DeepSeek 33万亿Token的账怎么算？ 2026年7月底，调查媒体404 Media曝光了一条隐秘产业链：多家AI公司通过图书数据库中间商ISBNdb批量收购旧书——切书脊、高速扫描、再物理销毁，只为拿到2022年之前“未被机器碰过”的文本。主角是Anthropic的“巴拿马计划”，它把整个行业的难题摆上了台面：人类高质量文本正在枯竭。对中国大模型公司北京深度求索人工智能基础技术研究（DeepSeek）来说，这道题更具体——V3训练吃掉约14.8万亿Token，V4-Pro的预训练数据已涨到33万亿，而全球网站内容里，中文只占约1.3%。 关键数字 51.72% 2025年初以来新发布网页中AI生成内容占比（斯坦福2026 AI指数报告） 2026–2032年 Epoch AI测算人类公开高质量文本耗尽窗口 9次迭代 Nature封面研究：模型塌缩，从教堂塔楼到编造不存在的兔子 +11.2% 训练数据中仅0.01%虚假文本导致的有害输出增幅 15亿美元 Anthropic版权案和解金，创美国版权案件纪录 数千万美元／数百万本 “巴拿马计划”一年内的买书投入与采购规模 14.8万亿→33万亿 DeepSeek V3→V4-Pro 预训练Token量级 1.3%／4.8% 中文内容占全球网站内容／Common Crawl语料的比例 一、巴拿马计划：一场被曝光的“阅后即焚” 据 钛媒体（新浪转载） 与 投资界 报道，Anthropic的内部文件写明：“巴拿马计划是我们对全世界所有图书进行破坏性扫描的努力。我们不想让人知道我们在做这件事。”项目从2024年初启动，一年内花费数千万美元购买数百万本纸质书；具体操作是液压切割机切掉书脊、高速扫描仪转成PDF、纸页直接送回收销毁。据法庭文件，供应商提案中的扫描量在50万到200万本之间，完成周期约六个月。 链条上游是图书数据库公司ISBNdb——它拥有超过1.11亿本图书的目录，如今把业务重心转向AI行业，提供1000本到100万本的批量采购，每笔合作签NDA、买家姓名永不披露。据404 Media调查，采购订单“没有主题、类型或作者偏好，买家不在意价格”，二手书商销量数月内飙升约五倍。被大量买走的多是地方史、小语种文献、印量极小的学术论文集——这批书一旦销毁，很可能永久退出流通。 数据荒时间线 2021年 Anthropic联合创始人本·曼恩从盗版网站LibGen下载电子书（至少500万本，具体数量在诉讼中存在争议） 2024年初 “巴拿马计划”启动，一年内买下数百万本纸质书并销毁 2024年7月 牛津、剑桥等机构关于“模型塌缩”的研究登上Nature封面 2025年6月 美国联邦法官阿尔苏普裁定破坏性扫描合法购书属“合理使用” 2025年9月底 国家数据局披露我国日均词元消耗突破40万亿（2024年初约1000亿） 2026年4月24日 DeepSeek V4发布并开源，预训练语料达33万亿/32万亿Token 2026年7月 404 Media曝光“巴拿马计划”与旧书采购链 2026年8月2日 马斯克表态要求旗下SpaceXAI无损扫描、数据保存于图书馆 二、为什么旧书成了“干净燃料”：模型塌缩 逻辑起点是“模型塌缩”。斯坦福2026 AI指数报告显示，2025年初以来新发布互联网内容中AI生成占比已超过一半（51.72%）；Cloudflare数据显示其托管网站的请求中约57.4%来自AI与自动化程序（该口径统计的是HTTP请求而非实际阅读量）。2024年7月，牛津、剑桥等机构的联合研究登上Nature封面：用Meta的OPT-125m模型从一段14世纪教堂塔楼的维基百科文本出发，第五代跑偏到语言翻译，第九代开始“热情洋溢地介绍不存在的兔子物种”。论文称，只要统计近似误差、函数表达误差、函数近似误差中存在任何一类，塌缩就不可避免——这是数学必然。 时间窗更紧： 百度百家号转述Epoch AI测算 ，语言模型将在2026年到2032年间耗尽人类公开的高质量文本； 浙江日报 则援引Epoch预测称高质量语言数据“可能在2026年耗尽”——两个口径并存，但方向一致：倒计时已经开始。合成数据不是现成解药：研究显示训练数据中仅0.01%虚假文本即可让模型有害输出增加11.2%。而互联网爬取数据也谈不上干净——芝加哥大学的Nightshade工具能在图像中嵌入“投毒”像素；Anthropic与英国AI安全研究所的研究显示，250份精心构造的恶意文档就可在数千亿Token量级的语料库中植入后门。 所以旧书成了“上品”。ISBNdb在官方博客中解释：“2022年之前印刷的纸质书，在结构上保证没有受到过这种污染。仅此一点，就是巨大的优势。” 三、买书合法，偷书不行：15亿美元划出的红线 这起事件的戏剧性在于：Anthropic花15亿美元和解的，不是“毁书”，而是盗版。据 报道 ，Anthropic因从盗版网站LibGen下载约700万本电子书用于训练被作者起诉，多数报道称其以15亿美元和解，创美国版权案件纪录；也有报道表述为“法院判决赔偿”（ 今日头条转载央视网文 ），诉讼最终形态以法庭文件为准。而针对“拆书”，2025年6月联邦法官阿尔苏普的裁定是：破坏性扫描合法购买的书籍属“合理使用”，因为训练是“变革性”使用。 这被从业者视为一个法律空子：合法买书—拆书—扫描—销毁，可能不构成侵权；从网上偷，则每部侵权作品最高可罚15万美元。Anthropic律师以“首次销售原则+合理使用”双重辩护，甚至把“销毁原件”用作规避“非法复制”指控的理由。ISBNdb自己的营销文案都承认：“AI公司销毁两百万本书确实不是一个能博取同情的标题。”图书馆数字化是为了让公众能看，AI公司的数字化是训练后封进私有数据库——知识从公共遗产变成私人资产。 8月2日 ，马斯克在舆论压力下表态，要求SpaceXAI以不损坏书籍的方式扫描、数据保存在图书馆，成为目前唯一公开承诺无损扫描的头部玩家。 四、DeepSeek的账：14.8万亿到33万亿 同样的数据荒，DeepSeek以另一种方式被卷进来：它的数据胃口在翻倍。据 清华大学新闻网（孙茂松、孔存良文） ，DeepSeek-V3训练语料约14.8万亿词； 浙江日报 口径为“约15万亿词元，来自互联网、书籍和学术期刊等”。到了2026年4月24日发布的V4，官方口径（ 东方财富转三言科技 ）显示：V4-Pro预训练数据33万亿Token、V4-Flash为32万亿Token，上下文长度由128K扩展至1M——两代之间，语料规模增幅超过一倍。 模型/口径 预训练语料 参数与上下文 来源 DeepSeek-V3 约14.8万亿Token（浙报口径约15万亿） — 清华大学新闻网；浙江日报 DeepSeek-V4-Pro 33万亿Token 总参1.6T，激活49B，上下文1M 东方财富（转三言科技） DeepSeek-V4-Flash 32万亿Token 总参284B，激活13B，上下文1M 东方财富（转三言科技） 中文供给却严重不足。同一篇清华大学文章援引阿里研究院《大模型训练数据白皮书》：全球网站内容中英文占约59.8%，中文仅约1.3%；大模型训练常用的Common Crawl语料中，中文占比约4.8%。文中直言：中文百科全书、科技图书、学术期刊、辞典等高知识密度语料在现有中文语料库中“几乎难觅踪迹”。也因此，业内出现“DeepSeek-V3所需的14.8万亿高质量文本片段目前并无对应供给”的判断——需要说明，这是 行业报道 引述的业内估计，并非DeepSeek官方口径。 中文语料供给口径 数值 全球网站内容中英文占比 约59.8%（阿里研究院白皮书） 全球网站内容中文占比 约1.3%（阿里研究院白皮书） Common Crawl语料中文占比 约4.8% 我国日均词元消耗：2024年初→2025年9月底 约1000亿→突破40万亿（国家数据局） DeepSeek应对这条线的技术储备，在其知识产权里可见一斑。 天眼查知识产权汇总 显示，公司2024年3月28日申请发明专利“一种人工智能模型训练数据集的构建方法”（申请号CN202410365843.5，2024年7月进入实质审查），摘要描述的是：将数据集切分为大小相同的数据序列、以序列为单位建立索引、按比例混合并随机打乱、均匀切分供训练批量读取——全程不增加冗余数据存储，减少存储与通信资源消耗。方向不是“囤数据”，而是“让每一份数据更高效地被用掉”。 公司本身的体量则与数据胃口形成反差： 天眼查工商信息 显示，北京深度求索2023年5月16日成立，注册资本与实缴资本均为1000万元，由杭州深度求索100%持股，法定代表人裴湉； 疑似实际控制人 为梁文锋（穿透比例约89.46%），孵化自量化私募幻方量化。2025年年报（ 2026年6月12日发布 ）显示，北京主体参保人数为67人——一个“67人”口径的研发主体，要供出30万亿级Token语料的模型迭代。 五、三重压力下的下一步 资本。 证券时报网 2026年4月18日报道（援引The Information）：DeepSeek启动成立以来首轮外部股权融资，以超100亿美元（约681.8亿元人民币）估值计划募集不少于3亿美元（约20.5亿元），主要压力来自研发成本激增与核心研究员流失（罗福莉、郭达雅被小米、字节跳动等挖角），资金拟投向算力、新一代模型研发、稳定团队与商业化。报道同时提示“公司尚未正式回应，消息仍在洽谈中”。同一报道还给出行业背景：2026年一季度国内通用大模型融资额同比下滑72%，资金向头部集中——数据战争烧钱，而钱正在变贵。 语料供给。 中文语料正从“企业自建自用”走向公共供给：据 浙江日报 ，2025年我国启动新型国家语料库建设，年底杭州公布语料库建设图景，首批50个高质量数据集“揭榜挂帅”，并定下“年底建成100个高质量数据集、服务10个以上模型训练”的小目标；2026年2月，国家层面又发布重点行业语料库揭榜挂帅项目申报通知。 清华大学文章 确认，“推进新型国家语料库建设和应用”已写入《教育强国建设规划纲要（2024—2035年）》与《教育发展“十五五”规划》。这批供给能否形成可交易的、够“纯”的中文语料，是DeepSeek们要等的变量。 污染循环。 还有一个被讨论较少的点：DeepSeek开源权重（V4已开源），意味着其输出会被其他厂商抓取进语料池。2026年初中文社区曾热议“Anthropic模型在中文语境自称‘我是DeepSeek’”，被视为其训练语料混入DeepSeek生成内容的旁证（该讨论暂无权威来源可链接，此处仅作观察）。也就是说，DeepSeek既是数据荒的承受者，也是中文语料被“机器文本”稀释的贡献者之一——开源越成功，这个循环转得越快。 风险观察 已核验范围内的合规面： 本轮核验的company-index风险模块材料，均为程序性工商变更记录（股东杭州深度求索的主要人员、投资人、注册资本变更，以及北京主体的投资人、注册地址变更），未发现已核验的行政处罚、重大诉讼或经营异常记录。需说明：这只能证明“在当前可见范围内未见相关证据”，不构成对风险状态的排除性结论。 结构性风险（非公司已发生事件，属行业传导）： ① 数据版权诉讼——Anthropic 15亿美元和解已立下“天价”先例，Meta、谷歌、OpenAI等均面临类似诉讼，国内尚无对应判例，但讨论与制度竞争正在推进；② 语料污染→模型塌缩——V4数据量翻倍而纯净供给收紧，若中文语料库建设不及预期，塌缩风险直接落在下一轮迭代上；③ 人才与资本双线承压——首轮融资尚未官宣落地，而训练成本还在随数据规模抬升。 下一步验证什么 DeepSeek是否公开V4的训练数据构成、来源与清洗方法（V3技术报告曾公开部分口径）； 首轮外部融资的最终规模、估值与投资方是否落地官宣； 国家及杭州等地语料库项目能否形成规模化、可交易、合规的中文高质量供给； 国内针对“用版权内容训练大模型”的首个判例或监管规则走向。 分析建议 基于上文已核验证据，DeepSeek最可能的路径不是效仿“买旧书”式的囤积，而是三条线并行：一是把数据工程做成技术壁垒——专利显示其在数据序列索引、混合与切分上降存储开销，配合合成数据与强化学习对冲供给缺口；二是继续开源换生态——权重开源让全行业替它“测试”数据质量，同时其输出也在定义下一代中文语料的面貌；三是等公共语料库——中文供给的解法大概率在制度侧（国家语料库、行业揭榜挂帅）而非市场侧，谁能抢先拿到合规高密度中文语料，谁就拿到下一轮模型的底线优势。需要提醒的是，上述判断依赖的硬证据是V4数据量、专利方向与融资报道，最终走向仍以官方披露为准。 来源 投资界：AI公司，批量抢购旧书（原发） 钛媒体（新浪转载）：AI公司，批量抢购旧书 百度百家号：15亿美元！AI公司疯狂买书拆书毁书 今日头条（转载央视网文）：美国AI公司毁书数百万本，马斯克紧急发声 今日头条：DeepSeek分析：多家AI公司大量收购旧书训练模型后销毁 证券时报网：DeepSeek，大消息！启动首轮外部融资！ 东方财富（转三言科技）：DeepSeek-V4正式发布 极客网：DeepSeek V4正式发布，昇腾超节点系列产品全面支持 浙江日报：杭州语料库：给AI大模型“喂好料” 清华大学新闻网：孙茂松、孔存良：中文语料库建设呼唤新格局 天眼查：北京深度求索工商基础信息 天眼查：疑似实际控制人 天眼查：企业年报（2025） 天眼查：知识产权汇总（专利CN202410365843.5）