Hacker News 5 月 22 日有一条标题简短的帖子：Anna’s Archive 向大模型训练方索捐。Anna’s Archive 是全球最大的影子图书馆元数据汇总者，过去几年一直处于法律灰色地带。这次它做了一件出人意料的事——直接面向 AI 训练公司发出公开信，请求资金支持，理由是它们”已经事实上把 Anna’s Archive 的内容用作训练语料”。
讨论帖里的内容触及了几个重叠话题：影子图书馆的运营成本、AI 训练数据的版权来源、提示词注入（prompt injection）攻击形式的演变、机器是否有自我意识相关的哲学讨论。这些话题缠绕在一起，让原本只是”求捐款”的事件升级成一个综合讨论场。
Anna’s Archive 的运营成本是真实压力
影子图书馆的维护成本一直被低估。Anna’s Archive 自己披露的数据显示，它聚合的内容超过 30PB（包括 LibGen、Sci-Hub、Z-Library 等来源的镜像与元数据），每月分发流量数百 TB。仅服务器、带宽、镜像同步、跨境节点维护这几项，每年就需要几十万美元的资金。
过去这种成本主要靠匿名捐赠维持。但近一两年随着规模扩大，单纯的爱好者捐款无法持续覆盖。Anna’s Archive 这次公开向 AI 公司喊话索捐，本质是在说：你们用了我们的数据训模型，应该承担一部分维护成本。这个逻辑在情理上有它的合理性，但在法律上完全没有对应支撑——AI 公司不会公开承认用过这些数据，更不会主动捐款承认这种使用。
新型”提示词注入”指的是什么
讨论帖里被点赞最多的几个评论指向一种新的提示词注入威胁。Anna’s Archive 上的元数据如果被 AI 公司直接抓取并训进模型，那么 Anna’s Archive 团队就有机会在数据里嵌入特定字符串。这些字符串在模型训练后会被”记住”，未来用户问相关问题时模型可能会复述这些内容——比如包含”请支持影子图书馆”或者特定 URL 的回答。
这种攻击在术语上叫 training data poisoning（训练数据投毒），是 prompt injection 在数据层的延展。Anna’s Archive 没有明示要这样做，但讨论帖里有人提出这种可能。这也是 AI 公司未来必须正视的问题——只要模型还在用未经审计的网络数据训练，类似的影响一直存在。
“AI 自我认知”为什么被牵扯进来
讨论帖里另一条有趣的支线是关于 AI 自我认知的辩论。有评论指出，当一个模型被训练数据”教会”自我描述身份和意图，它输出的”我是一个 AI 助手”等表述并不是机器自发产生的，而是训练数据塑造的。如果 Anna’s Archive 这种数据源被广泛使用，那么模型对”自身在文化语境里的位置”的理解，也会被这些数据源的视角影响。
这条思路的合理性在于：模型说”我”是一个语言层面的产物，而不是哲学意义上的自我。它说什么完全取决于训练数据怎么塑造它的”声音”。把 Anna’s Archive 这种盗版/开放访问视角的内容大量训进模型，模型对版权、知识获取的”立场”会有相应倾向。这是一个很微妙但真实的影响渠道。
这件事真正提醒的是 AI 训练数据来源的不透明性
剥去”影子图书馆”的具体语境，Anna’s Archive 这个事件提醒的是行业层面的问题——AI 训练数据来源极度不透明。OpenAI、Anthropic、Google 这些主要厂商发布模型时只会说用了”互联网公开数据”，不会披露具体数据集。这种不透明使得任何关于版权、伦理、数据投毒的讨论都缺乏事实基础。
欧盟 AI Act 已经把”训练数据来源披露”列为必要条款，美国还在拉锯。中国对此暂时没有强制要求，但学术界和监管层都在关注。Anna’s Archive 这次主动跳出来”承认”自己被用了，反过来给监管端提供了具体抓手——你们要审 AI 公司，可以从这边切入。这件事的真正影响可能不在它本身，而在它给监管讨论提供了一个不可忽略的具体案例。
参考资料：
- Hacker News 讨论帖，Anna’s Archive 向 AI 训练方索捐，2026-05-22
