2026 年，一家头部 AI 公司启动了代号「巴拿马计划」的行动：一年内花费数千万美元，批量收购 2022 年之前的纸质书，逐页扫描，然后把纸质原件物理销毁——只为了得到一批「从未被机器碰过」的干净语料。同一年，Anthropic 为历史上从盗版站下载的 700 万部电子书支付 15 亿美元和解金；欧盟的 AI 法案开始强制模型公司披露训练数据来源。当爬虫免费的时代结束，语料从「免费输入」变成「有价输入」——这是大模型投资地图 L2 粮草层的收官篇：数据枯竭到底是真是假、版权战把内容定价到了多少、合成数据是救赎还是坍缩，本篇逐层拆开。
2026 年 AI 圈最荒诞又最真实的一幕：Anthropic 启动了代号「巴拿马计划」的行动——一年之内花费数千万美元，在市场上批量收购 2022 年之前的纸质书（这个年份线意味深长：2022 年 11 月 ChatGPT 发布，此后互联网内容被 AI 生成物大面积污染，而纸质书天然免疫），逐页扫描成数字语料，随后把纸质原件物理销毁。销毁不是行为艺术，是成本与合规的双重理性：存储一屋子纸比存储扫描件贵，而销毁能杜绝「手上还有未授权副本」的法律敞口。
这个计划的每一个细节都值得琢磨，因为它把本篇的三条主线一次占齐了。为什么买纸？因为公开网页的语料正在枯竭且被污染（第二章）。为什么是纸而不是爬虫？因为授权链路干净——买纸质书等于一次性买断内容使用权，没有爬虫的版权灰色地带（第三章）。为什么花数千万美元？因为在 2026 年的价格体系下，干净的「原生语料」就是这个价（第四章）。
把视线拉远，2026 年的语料市场是三股力量同时收紧的结果：公开高质量文本逼近枯竭（Epoch AI 预测人类公开文本将在 2026-2032 年间被前沿训练耗尽）；版权合规骤然收窄（15 亿美元和解、91 起以上公开许可交易、欧盟强制披露训练来源）；AI 生成内容污染加速（斯坦福 2026 AI Index：互联网新发布内容中 AI 生成比例已超 51.72%）。三者叠加，2026 年成为训练数据从免费输入变成有价输入的分水岭——本篇称之为「最后狂欢」：爬虫时代结束前的最后一次大采购，与内容方第一次真正拿到定价权的时刻，发生在同一年。
「数据枯竭」是 2026 年最流行的 AI 叙事之一，但它的准确表述比口号精细得多：耗尽的不是「数据」，而是「干净的、人类原创的、公开可爬的文本」。三个证据链：
第一，供给端测算。Epoch AI 的独立研究给出区间：语言模型训练将在 2026-2032 年间耗尽人类公开的高质量文本；高质量文本资产最快在 2026-2030 年被采空。英伟达在 2024 年就公开表示，文本训练数据可能在两三年内「耗尽」——当时被认为是危言耸听，如今正在变成日程表。
第二，污染端。斯坦福大学 2026 AI Index 报告：自 2025 年初以来，互联网新发布内容中 AI 生成的比例已超过 51.72%——网页的「新增内容」过半不是人写的。用 AI 生成的数据训练下一代模型，会偏离真实分布，这就是被《自然》封面论文实证过的「模型坍缩」：像用复印件去复印复印件，每一代都在丢失信息。
第三，语言结构失衡。全球主要模型的训练语料中，中文内容占比仅约 1.3%——不是中文世界没有内容（恰恰相反），而是公开可爬的中文语料占比远低于英文世界。这个缺口既压制中文模型的中文能力，也是中国语料基建的特殊战略命题。
2026 年 7 月 20 日，加州北区联邦法院最终批准 Anthropic 与作家群体的 15 亿美元集体诉讼和解——美国历史上最大的一笔版权和解，也是大众出版业迄今从 AI 产业拿到的最大单笔收入。逐项拆解这份和解，等于读懂整个 AI 版权战的规则书。
| 条款 | 内容 | 为什么重要 |
|---|---|---|
| 金额与分配 | $15 亿分四期不可退还；覆盖 482,460 部作品，每部约 $3,000 | 「一部书作为训练数据值多少钱」的第一个法院背书定价锚 |
| 认领率 92.77% | 59.5 万潜在权利人被告知，44 万部作品完成认领；仅 350 人退出 | 集体诉讼平均认领率约 10%，本案近 93%——说明权利人「看得见回报」 |
| 律师费 $1.01 亿 | 原求 20%，法官按工时法砍到 6.8%（3.75 倍乘数） | 创版权诉讼史纪录，但被司法压价近半 |
| 盗版数据集销毁 | 30 天内销毁 LibGen/PiLiMi 下载的全部文件及衍生副本（下载约 700 万部） | 「获取归获取」——下载并建「中央图书馆」本身侵权 |
| 免责边界 | 只了结 2025.8.25 前的「输入端」既有索赔；不构成未来训练许可；不涉及输出侵权索赔 | 和解不是判例，也不豁免未来——输出侵权的战线保留 |
这份和解背后的判决逻辑才是行业真正的分水岭。2025 年 6 月，Alsup 法官的简易判决把案子一劈两半：用合法获得的图书训练大模型，属于「典型的转换性使用」，构成合理使用——这是美国法院首次明确认可 AI 训练的转换性；但从盗版站下载并建立永久「中央图书馆」，与训练目的可切割评价，这一获取和储存行为本身构成侵权。「训练归训练、获取归获取」的二分法由此成为主流框架，原告律师据此发展出「影子图书馆策略」：绕开胜负难料的合理使用主战场，直击数据来源这个软肋——Kadrey 诉 Meta 案中，Meta 训练 Llama 同样被判合理使用，但种子下载（torrenting）的指控被保留至今。
但合理使用的根本问题并未终结：Bartz 和解不设先例，Thomson Reuters v. Ross 正在第三巡回法院上诉（2026 年 6 月 11 日开庭，第一个上诉审测试），NYT 诉 OpenAI 在纽约南区取证（简易判决动议 2026 年 9 月启动，Stein 法官可能 2026 底至 2027 初裁决，司法部已提交「训练属非凡转换性」的利益声明）。Chhabria 法官在 Kadrey 案中的一段话被反复征引，它精确地预言了本篇第四章的主题：「如果训练不受合理使用保护，AI 公司不会停止训练，只需要去取得许可——如果图书对训练真像 Meta 说的那么好，几乎可以确定开发者愿意为许可付费。」反过来同样成立：一旦许可市场真实存在，不付费使用可合法许可的材料，将更难通过合理使用第四因素（市场损害）的检验。诉讼在创造市场，市场又在改变诉讼。
2026 年，AI 内容许可市场的轮廓第一次清晰可读：91 起以上的公开许可交易，价格高到可以写进财报电话会。头部价格表如下：
15 亿美元的和解与这些交易合起来，完成了对内容资产的三重价格发现。第一重，来源合法性有了可量化的成本：过去出版业把盗版视为销售端损失，Bartz 案之后，用盗版语料训练被标出了价签——15 亿美元既是 AI 公司「不买账可能赔多少」的下限参照，也是内容方「打官司能拿回多少」的现实上限。第二重，许可市场本身成型：新闻集团与 OpenAI 签约后又与 Meta 签下每年最高 5000 万美元的多年期协议，音乐行业的 Suno 与 Udio 在 2025 年底把唱片公司的诉讼转化为付费许可——诉讼与许可开始互相转化。第三重，出版商的利润表被真实改写：布卢姆斯伯里登记在册 14087 种书，预计获得约 1900 万美元赔偿；新闻集团 CEO 汤姆森在 2026 年 2 月的财报会上直言期待「拿到应得的份额」。对照 HarperCollins 2026 财年上半年 16.8 亿美元销售额、EBITDA 同比下滑 14% 的背景，这笔横财的含金量一目了然。
面对枯竭与版权，行业的第一个本能反应是合成数据——让模型自己生产训练数据。2026 年的现实是：估计近期前沿模型训练 run 中，30% 到 60% 的 token 已经是合成生成的而非爬取的；Gartner 预测到 2026 年底合成数据将占 AI 开发全部数据的 75%（2021 年约 1%）。这条曲线的斜率比任何单一模型的发布都陡。
但合成数据有一个被反复警告的失败模式：模型坍缩。用早期模型生成的数据训练下一代模型、且缺少真实分布的锚定，输出多样性会逐代收窄、误差逐代复合——如同用复印件复印复印件。这是《自然》封面论文实证过的机制，也是 51.72% 的 AI 内容污染比例对全行业的意义：如果下一代模型无差别地把互联网新增内容当语料，坍缩不是风险而是默认结局。
工程界的防坍缩纪律已经收敛成一套可落地的清单，值得所有 AI 团队抄走：第一，永不全合成——常见配比是 30-50% 合成数据加其余真实策展数据，真实种子集再小也要保留；第二，教师模型决定上限——合成数据的质量天花板由生成它的模型决定，用最强的可用教师模型产出显著更好的训练信号；第三，分布校验——生成前先定义真实输入的目标分布，生成后对照真实参考分布做校验，作为流水线的强制环节；第四，激进去重——LLM 生成数据倾向近重复（措辞不同的同义反复）；第五，评测集必须真实——纯合成的 holdout 集会系统性高估模型表现，无论多小的真实评测集都要保留。
| 判定 | 信息 | 理由 |
|---|---|---|
| 信号 | Bartz 案 $15 亿和解终批（92.77% 认领率）+ 91+ 公开许可交易 + News Corp/Meta $50M/年 | 真金白银的定价与付款，且来自法院背书的清算——内容是第一次被市场明码标价 |
| 信号 | Anthropic「巴拿马计划」数千万美元采购原生语料 | 头部公司用最直白的方式为「干净数据」投票——采购行为比任何宣言都可信 |
| 信号 | EU AI Act 第 53 条训练数据摘要义务生效（2025.8.2）+ 强制公开模板 | 监管把「来源披露」从道德要求变成法律义务——合规成本倒逼语料采购 |
| 信号 | Epoch 枯竭预测 + 斯坦福 AI Index 51.72% AI 内容占比 + 中国 50ZB 存而不用 | 三方独立口径共同指向「公开干净文本稀缺」，同时指出「总量」并非耗尽——结构性稀缺而非绝对稀缺 |
| 噪音 | 「AI 要没数据了」的末日叙事 | 把「公开网页语料枯竭」偷换成「数据总量耗尽」——中国 50ZB 存量、行业数据、授权市场都是反例 |
| 噪音 | 合成数据占比 75% 的预测 | Gartner 口径含全部 AI 开发数据（含评测、原型），不等于前沿模型训练 token 的实际合成占比 |
| 噪音 | 「一次性 15 亿美元=出版业复兴」 | 和解金是一次性损益，且和解不构成未来许可——持续现金流才是重估依据 |
投资映射有三个方向。其一，版权内容资产方（出版、网文、图片版权、音乐版权）：许可续约与 live access 型合作把一次性横财转向持续性现金流，资产重估的逻辑真实存在——但要盯的是续约价格与数量，不是诉讼和解。Bloomberg 口径下 Bloomsbury 的 1900 万美元是一次性的，而「每年最高 5000 万美元」的 News Corp/Meta 协议是资产性的。其二，中国语料基建（数据交易所、可信数据空间、高质量数据集平台、行业数据标注）：国家数据局口径 12 万+高质量数据集、7 个国家级标注基地——「激活存而不用」的流通基建是国家意志，政策确定性高，且 DR.007 的数据标注、DR.008 的 Infra 都在这条链上。其三，教师模型与验证层：合成数据飞轮的受益者是前沿模型厂商与验证器经济玩家（DR.007）——语料竞争终局回到链主。反向指标两个：Thomson Reuters v. Ross 上诉判决（若 Ross 败诉，「获取即侵权」被上诉法院认可，合规语料进一步升值；若改判，合理使用空间扩张）；以及巴拿马计划类采购的规模变化（头部公司为原生语料付多少钱，就是行业对枯竭真实性的实时报价）。
预训练数据的「最后狂欢」，狂欢的不是爬虫，而是三件事的同时发生：内容方第一次拿到定价权（15 亿美元、每部 3000 美元、每年数千万美元级的续约），头部公司第一次为「干净」支付巨额溢价（巴拿马计划），以及监管第一次把语料来源变成法律义务（EU AI Act 第 53 条）。爬虫免费的时代结束了，但数据的故事没有结束——它换成了三个新的战场：版权许可的现金流、合成数据的飞轮、以及中国 50ZB 存量的流通激活。
把本篇放回大模型投资地图：L2 粮草层至此铺完——DR.007 验证器经济（训练侧的判定权）是粮草，本篇（预训练数据的枯竭与定价）也是粮草，且两者共同指向同一个结论：语料层的竞争终局是链主的游戏。判定对错的能力、生成合成数据的能力、为原生语料支付溢价的能力，全部集中在模型厂商手里；而内容方、数据标注公司、语料平台分到的是这条价值链上真实但有限的三段——现金流、政策基建、与工程服务。看清哪一段有持续性现金流、哪一段只是一次性横财，是这一层给投资者的最后一道筛子。
| 交易 / 案件 | 金额 | 时间 | 性质与口径 |
|---|---|---|---|
| Bartz v. Anthropic 和解 | $15 亿 | 2026.7 终批 | 美国史上最大版权和解；482,460 部作品每部约 $3,000；认领率 92.77%；销毁 LibGen/PiLiMi 约 700 万部盗版副本；不构成未来许可 |
| News Corp / OpenAI | $250M / 5 年 | 2024 起 | 内容许可；报道口径 |
| News Corp / Meta | 最高 $50M / 年 | 多年期 | 二次变现：同一资产与两家 AI 公司分别签约 |
| Reddit / OpenAI | $60M / 年 | 2024 起 | 数据许可；Reddit 累计披露数据许可价值约 $203M |
| Reddit / Google | $60M / 年 | 2024 起 | 同上口径 |
| AP / FT / Condé Nast / Time 等 | 多年期（未披露） | 2023-2026 | 91+ 公开交易的一部分 |
| UMG / Concord / ABKCO v. Anthropic | 索赔 $30 亿+ | 2026.1 起 | 歌词输出侵权；2 万+ 首歌；BMG 另诉 493 首 |
| Suno / Udio | 未披露 | 2025 底 | 诉讼转化为付费许可——「和解换授权」模式的音乐版 |
| Bloomberg / Bloomsbury 收益 | 约 $19M | 2026 | 登记 14,087 种书，预计单家出版社和解收益 |
合规与监管基准：EU AI Act 第 53 条训练数据摘要义务（2025.8.2 生效，强制公开模板）；美国田纳西 ELVIS Act 生效；联邦 NO FAKES Act 参议院司法委 2026.6.18 通过；伊利诺伊 BIPA 声纹诉讼直指语音模型训练。
本文为行业研究，不构成投资建议。和解与交易金额多为报道口径。数据截至 2026-10-13。