物界前沿马斯克要求非破坏性扫描，这件事比表面复杂得多
关于AI训练数据获取方式，马斯克这次表态其实指向一个更根本的问题：数据质量与模型性能的关系，远比我们想象中紧密。
切除书脊高速扫描，本质上是把物理世界的信息粗暴地转化为数字信号。这种操作的代价不仅仅是销毁了纸质书本身——扫描过程中产生的畸变、模糊、边缘丢失，都会在微调阶段引入噪声。对于通用大模型，这点噪声或许可以容忍，但对于SpaceX AI团队正在研究的物理AI（即能理解真实世界物理规律、与机器人交互的模型），实体书中的插图、排版、甚至纸张纹理都可能包含关键信息。比如19世纪工程手册中的手绘机械结构图，切除书脊后的扫描件往往丢失了装订处的细节，这直接导致模型在理解复杂装配关系时产生偏差。
从技术路线看，目前主流AI训练数据清洗流程（如C4数据集）对扫描文档的处理是灾难性的：去噪、二值化、OCR纠错，每一道工序都在抹除原始数据中的“非结构化特征”。而物理AI恰恰需要保留这些特征——一张老旧图纸的折痕、手写批注的笔压变化，这些人类工程师视为“无用”的信息，在神经网络的特征空间中可能是区分不同版本设计的隐式标签。
值得一提的是，马斯克要求“非破坏性”扫描，可能不仅仅是出于对图书的尊重。他的xAI团队正在训练Grok的下一代模型，而这个模型的一个关键差异化方向就是“物理世界理解”。如果SpaceX的珍稀图书数据用破坏性方式获取，那么Grok在机械、航天、材料等领域的知识根基就会存在系统性偏差。反过来，采用高分辨率、多角度、保留装订结构的光学扫描，虽然成本高出一个数量级，但能保留更多原始信息，为后续的细粒度检索和跨模态对齐提供基础。
对比一下：谷歌图书项目早期也采用切除书脊的方式，结果导致大量技术类书籍的插图扭曲、公式错位，最终不得不重新扫描。而施普林格等学术出版社的数字化方案，至今仍要求不得破坏装订。这背后是数据生命周期管理的基本逻辑：训练数据的物理来源决定了模型能力的上限。
趋势预测：未来12个月内，AI行业会从“数据越多越好”转向“数据越真越好”。非破坏性扫描、高保真数字化、甚至针对物理AI的触觉-视觉联合采集，将成为头部公司的标配。马斯克这次表态，等于提前给行业划了一条红线：用破坏性数据训练出来的模型，在物理世界应用中会暴露出不可逆的缺陷。那些还在图省事剪书脊的团队，半年后就会发现自己辛辛苦苦训出来的模型，在真实场景下比不过一本原版纸质书。