悬赏20万美元，谁能搬空Google书库？
2026年7月4日，Anna’s Archive 在其 GitLab 工单系统里贴出了一条 Issue。标题平淡无奇——“Google Books (or similar) all book scans — $200,000 bounty”。内容只有四段英文，不到两百个单词。
但这可能是影子图书馆运动近十年来最大胆的动作。
悬赏标的很明确：Google Books 的全部扫描数据。据估计，这个数据库包含 2500 万到 4000 万册图书的完整扫描图像，总计可能超过 1 PB。Google 从 2004 年开始扫描，二十年间动用了数十家合作图书馆的馆藏，建成了人类历史上最大的书籍数字副本集群。然后，它把门锁上了。
今天你打开 books.google.com，能看到的是搜索结果的片段——通常一页的三行文字，夹在”购买本书”和”查找图书馆”的按钮之间。完整的扫描页躺在某个数据中心的硬盘上，无人翻阅。
谁在悬赏，悬赏什么
Anna’s Archive 是一个开源影子图书馆搜索引擎，2022 年 Z-Library 被执法部门打击后由化名”Anna”的开发者创建。它本身不直接托管文件，而是聚合 Z-Library、Library Genesis、Sci-Hub 等多个来源的索引。截至 2026 年 5 月，收录超过 6400 万册图书和 9500 万篇论文，总数据量约 1.1 PB。
它的运作模式相当透明：代码开源在自建 GitLab 上，数据集通过 BitTorrent 分发，资金来自会员费和捐赠。赏金系统是其志愿者计划的延伸——从 50 美元的小额任务到六位数的重金悬赏，按难度和影响力分级。
这次的 20 万美元是其公开悬赏的最高额。悬赏页面措辞值得细读：
“如果你找到了一种你认为可以规模化运行的方法，请尽早带着原型联系我们。”
“如果你在 Google 工作并能访问这些数据——我们知道 20 万美元对你来说不算什么——但如果你能把数据带出来，你会被尊为传奇档案管理员。”
后一句话把玩味拉满。这是一封写给 Google 内部员工的公开信，不是技术挑战公告。笔者查阅了 Anna’s Archive 的过往赏金记录——此前有 ISBN 可视化（$10,000）、特定稀有馆藏征集（$500-$5,000）等，但从未有过如此直接的”内部人士招募”措辞。
这笔悬赏同时适用于”其他类似规模的馆藏”，特别点名了 AI 公司收集的训练数据集，“尤其是那些显著收录了稀有图书的”。
Google 的书库：一座被锁住的亚历山大图书馆
要理解这个悬赏的分量，需要回溯 Google Books 项目的完整轨迹。
2004 年，Google 在法兰克福书展上宣布 Google Print（后改名 Google Books），野心直白——“扫描世界上所有的书”。当时 Google 估算全球约有 1.3 亿个独特书名。它同时推进两条路径：出版商合作计划让出版社主动提交书目，图书馆计划则与哈佛、斯坦福、牛津、密歇根大学、纽约公共图书馆等机构合作，直接扫描馆藏。
到 2019 年 10 月，Google 官方宣布已扫描超过 4000 万册书，覆盖 500 多种语言。这是人类有史以来规模最大的书籍数字化工程，没有之一。
然后项目几乎停止了。
2005 年，美国作家协会和出版商协会先后起诉 Google，指控其未经许可扫描受版权保护的图书构成侵权。这场诉讼打了整整十年。2015 年 10 月，美国第二巡回上诉法院作出终审判决：Google Books 的扫描和片段展示属于”合理使用”（fair use）。
Google 赢了官司。但它输了项目。
判决允许 Google 继续扫描，但严格限制展示范围为”片段”——通常是搜索结果命中的几行。整个数据库变成了一个只能通过钥匙孔窥视的仓库。投入巨大，商业产出受限，Google 没有动力继续高速扫描。速度从高峰期的每年数百万册骤降至爬行级别。
2011 年一项针对 Google Books OCR 质量的研究发现，文本识别存在大量系统性问题——错误的元数据、混乱的出版日期、被截断的页面。数据量大，不等于数据质量好。但这些瑕疵恰好是 Google 不公开发布完整数据的附加理由：一旦公开，人们会放大这些缺陷，而不是称赞它的规模。
为什么 Google 不公开数据
公平地说，Google 不公开完整数据集有多层正当理由。
第一层是法律风险。2015 年的合理使用判决保护的是 Google 的扫描和片段展示行为，不是对整个数据库的公开分发。如果 Google 把数千万册书的完整扫描件放出来，绝大多数仍受版权保护，它将在全球范围内面临出版商和作者的诉讼——美国的合理使用抗辩在欧盟、日本等司法管辖区未必成立。
第二层是与图书馆合作伙伴的协议。密歇根大学等机构签订了数据回传条款，获得了自己馆藏的副本用于 HathiTrust 数字图书馆。但并非所有合作方都有这类安排。单方面发布将违反合同。
第三层是商业护城河。Google Books 的全文搜索能力是 Google 搜索生态中独特的内容资产。把底层数据开源等于放弃这一优势。更何况 Google Play Books 商店、广告网络都与出版业有利益交织，释放数据等于在这些关系上投炸弹。
第四层更微妙——出版行业的长期博弈。2011 年，一项拟议的和解协议差点让 Google 获得对孤儿作品的特殊授权，但被法院以”过于宽泛”为由驳回。此后十年，出版业对 Google 的信任建立在”你们不会再越界”的默契上。公开数据会摧毁这个默契。
公共知识获取的另一面
但反方的论证同样有力。
Google 扫描的不只是受版权保护的在售新书。数千万册扫描中，大量是绝版书和”孤儿作品”——版权所有者无法找到或确认的作品。这些书没有人在卖，没有人会因它们被阅读而损失收入。它们只是安静地腐烂在图书馆书架上，直到 Google 把它们数字化，然后又锁回了数字地窖。
2023 年，加州大学伯克利分校和东北大学商学院的一项研究发现，Google Books 的数字化反而增加了实体书的销量——这与出版业最初”数字化会摧毁销售”的担忧恰好相反。数据被看到时创造了需求，被隐藏时消灭了需求。
HathiTrust 数字图书馆提供了部分出路。这个由学术图书馆联盟运营的项目获得了部分 Google 扫描副本，允许对公共领域作品全文访问。但它只覆盖了 Google 数据的一小部分，且多数限于参与机构的用户。
在 HN 讨论中（该帖获得 415 分、225 条评论），最受触动的发言来自生活在图书获取受限国家的读者。用户 ahmedfromtunis 写道：“我生活在一个英文书籍选择极其有限的国家。从海外网购有无数的行政障碍和限额。如果没有 Anna’s Archive 和 Z-Library，我永远无法读到塑造我今天的那些书。”
这条评论同时引来了尖锐反驳。用户 zerobees 回应：“有人在违反开源许可证时我们拔草叉，有人盗版书籍时却觉得完全 OK。好书的写作难度远超好软件。影子图书馆的规模让人震惊和沮丧，大部分下载行为与任何严肃的道德立场无关——只是’lol，能免费下载为什么要付钱’。”
两种声音在同一个帖子里共存，各自获得了大量支持。这是这场争议最真实的切面——它不是一个有正确答案的问题。
技术可行性：四条路径，都不好走
从纯工程角度，获取 Google Books 完整数据有几条理论路径，每条都面临硬瓶颈。
路径一：内部泄露。 悬赏页面最直白的暗示。Google 内部有权限访问完整数据的人可能数以百计——工程师、SRE、数据科学家。但 PB 级数据的外传不是”插个 U 盘”的事，需要持续的基础设施和极高的操作安全性。Google 的内部数据访问审计和异常流量检测属于业内最严格之列。
路径二：枚举式抓取。 理论上，可以通过向 Google Books 构造大量精确查询，逐个收集返回的片段页面，拼凑出完整书籍。这套方案的工程挑战在于：Google 有成熟的速率限制和反爬机制；片段视图只展示搜索命中的页面区域，重建一本 300 页的普通书需要海量查询。一些 HN 评论者估算，以每秒一次查询、每本书需要 300 次命中、目标百万册级别——这需要数十年，且大概率中途被封锁。
路径三：通过机构合作伙伴获取。 部分 Google 数据通过 HathiTrust 等渠道对学术机构开放。理论上，一个研究人员可以合法获取大量数据用于研究目的，后续流向不受控。这种做法在法律上的风险不需要多解释。
路径四：AI 公司的数据管道。 悬赏明确提到适用 AI 公司的训练数据集。近年来，Meta、OpenAI 等公司被发现在训练数据中使用了来自影子图书馆的文本。如果 AI 公司已经从 Google Books 或其他渠道获取了数据用于训练，这些训练语料本身可能成为”后门”——一个不需要直接攻击 Google 的替代路径。
笔者的判断：这四条路的成功率都不高。但赏金的象征意义可能大于操作意义。它把一个问题砸到了桌面上：世界上最大的书籍数字档案属于全人类还是一家公司？
对抗的实质
这个悬赏本质上是两套价值体系的碰撞。
Google 的立场代表”合法获取”范式：知识应该通过版权法、商业许可和机构访问协议来流动。创作者获得报酬，平台获得收入，用户获得服务。这个体系对发达国家的研究人员和有能力付费的读者运转良好，但对全球南方的普通读者而言基本关闭。
Anna’s Archive 的立场代表”开放获取”范式：数字时代的知识边际复制成本为零，阻碍流通的是法律壁垒而非技术约束。它不否认创作者应获报酬——赏金系统本身就是一种替代性价值分配——但认为当前版权制度在数字环境下已功能失调。
HN 讨论中有一位用户 harshreality 的评论概括了更激进的视角：“如果知识是自由的，那么任何将修改后的知识锁在企业服务中的商业行为，都应该被解放出来。“这个逻辑把矛头从 Google 转向了所有将公共数据私有化的公司，包括 AI 公司。
另一条评论更为务实：“如果 Google 不打算让任何人读这些书，当初为什么要扫描它们？“话糙理不糙。二十年前 Google 用”民主化知识获取”说服了图书馆界交出馆藏。今天这些数据被锁在服务器上，原始承诺的兑现遥遥无期。这是信任的失落，不只是法理的争议。
更复杂的是悬赏中 AI 公司数据集的条款。当科技巨头用影子图书馆数据训练模型但不开源时，知识不对称出现了新维度：不再是”有没有钱买书”，而是”谁能用人类知识总量训练下一代 AI”。Anna’s Archive 在这个维度上的立场是一贯的——它公开了自己的全部数据集，任何人都可以用 BitTorrent 下载完整的 1.1 PB。
参考链接：
写在最后
本文基于 HN 讨论页（415 分，225 条评论，截至 2026-07-05 06:30 UTC）、Anna’s Archive 官方悬赏页面（Issue #234）、Google Books 公开历史记录及媒体报道撰写。文中涉及的数据估算基于公开信息推断，笔者不保证精确性。
笔者的研究领域是技术基础设施与信息流通的交叉地带。本文不构成对任何行为的鼓励或反对。知识的获取与创造者的权益之间的平衡，是每个数字时代公民都需要自己思考的问题。