AI đang mua sách rồi đốt: cuộc chia cắt dữ liệu hay quả bom pháp lý của thập kỷ?
Hàng triệu cuốn sách vật lý, từ tiểu thuyết kinh điển đến giáo trình đại học, đã bị cắt bìa, quét qua hệ thống OCR rồi đưa vào lò đốt. Không phải vì ai ghét văn hóa. Mà vì các công ty AI đang điên cuồng săn tìm thức ăn cho chatbot. Bài báo "AI Book Burning?" đã phanh phui một thực tế gai góc: những ông lớn trí tuệ nhân tạo mua sách với giá rẻ, quét sạch thành dữ liệu huấn luyện, sau đó tiêu hủy toàn bộ. Đây không chỉ là câu chuyện về lòng tham. Đây là một phép tính chi phí mà bất kỳ kỹ sư giao thức nào cũng hiểu ngay.
Vì sao lại là sách giấy? Bởi vì web đã trở thành bãi rác so với văn bản in. Sách có cấu trúc hoàn chỉnh, mật độ thông tin cao, và không bị chặn bởi tường phí hay robots.txt. Google Books từng quét 15 triệu cuốn vào năm 2010 và chìm trong kiện tụng suốt một thập kỷ. Meta bị phanh phui khi dùng Books3 – một bộ dữ liệu chứa hàng chục ngàn cuốn sách lậu – để huấn luyện Llama. Vụ kiện của New York Times chống OpenAI vẫn chưa hồi kết. Vậy mà các công ty vẫn chọn mua sách cũ để đốt. Vì sao? Vì rẻ. Nhưng cái giá trị mà họ phải trả có thể gấp trăm lần số tiền tiết kiệm.
Hãy cùng làm phép toán. Một cuốn sách cũ tại cửa hàng đồ cũ có giá từ 1 đến 5 đô la. Nếu một công ty mua 1 triệu cuốn – giả định từ chữ "millions" trong bài – với mức trung bình 2 đô la mỗi cuốn, cộng 1 đô la cho công đoạn scan thủ công, tổng chi phí vào khoảng 3 triệu đô la. Trong khi đó, một mô hình AI lớn có thể tiêu tốn hơn 100 triệu đô la chỉ để huấn luyện. 3 triệu đô la cho dữ liệu chất lượng cao – thứ đắt đỏ nhất trên thị trường nội dung – là một món hời. Nhưng khoản chi này chưa tính đến hậu quả pháp lý. Và đó chính là kẽ hở mà các công ty đang khai thác: họ cược rằng tòa án xử lý chậm hơn tốc độ đào tạo model.
Mùa hè DeFi 2020 dạy tôi: tối ưu là vô hạn. Khi tôi dành hàng tuần phân tích Uniswap V2 để giảm gas, tôi phát hiện ra mọi tối ưu đều có một cái giá ẩn. Trong hợp đồng thông minh, cái giá đó là lỗ hổng logic. Trong kinh doanh dữ liệu, cái giá đó là rủi ro pháp lý. Và còn một rủi ro kỹ thuật mà ít người nhắc: nếu sách quét chất lượng kém, OCR sẽ tạo ra văn bản lỗi. Một mô hình được huấn luyện trên văn bản lỗi sẽ sinh ra những hiểu lầm ngớ ngẩn. Đây là một dạng đầu độc dữ liệu không chủ đích, nhưng hậu quả tinh vi hơn bất kỳ cuộc tấn công nào mà hacker có thể tạo ra.
Có người sẽ nói rằng hủy sách là để tránh bị phát hiện. Tôi không đồng tình. Mua sách rồi đốt không xóa được bằng chứng, vì hóa đơn mua hàng vẫn tồn tại. Lợi ích thực sự nằm ở chi phí logistics: trả lại hoặc tái phân phối hàng triệu cuốn sách còn tốn kém hơn là đốt chúng tại chỗ. Đây không phải tội ác, mà là một quyết định kinh tế lạnh lùng. Google Books không đốt sách. Họ quét rồi trả về kệ. Còn với những công ty AI ngày nay, một quyển sách chỉ có giá trị khi nó trở thành một chuỗi token đầu vào. Vật lý chỉ là chi phí.
Cuối năm 2022, tôi dành hai tháng kiểm toán cơ chế thanh lý của dYdX V4. Tôi tìm ra sáu lỗ hổng có thể khiến 50% tài sản của người dùng biến mất trong một cú sốc giá. Đội ngũ dYdX đã trả tôi 10.000 USDC, nhưng điều tôi học được không phải là tiền. Mọi thứ được tối ưu đều có điểm mù. Điểm mù của chiến lược "mua sách đốt" nằm ở chỗ: nếu một ngày tòa án phán quyết rằng bất kỳ mô hình nào được huấn luyện trên dữ liệu không có giấy phép là bất hợp pháp, toàn bộ trọng số của mô hình đó sẽ vô nghĩa. Bạn không thể gỡ cài đặt một mô hình đã được huấn luyện như xóa một file. Bạn phải đào tạo lại từ đầu. Chi phí lúc đó không còn là 3 triệu đô la, mà là hàng trăm triệu đô la cho GPU. Một quy tắc tôi học được sau mười hai năm đọc mã nguồn: nếu chi phí gian lận thấp hơn chi phí trung thực, hệ thống đã chết từ lâu.
Web3 có bài học gì từ câu chuyện này? Khi tôi kiểm toán metadata của các NFT Art Blocks vào năm 2021, tôi yêu cầu đội ngũ chuyển sang lưu trữ on-chain. Vì một gateway IPFS tập trung sụp đổ có thể xóa sạch giá trị của cả bộ sưu tập. Hồi đó tôi nhận ra: tính phi tập trung không chỉ là khẩu hiệu, nó là cơ chế chống mất mát tập trung. Nhưng nhìn vào ngành AI, ta thấy một nghịch lý: họ hút cạn tri thức nhân loại vào một kho dữ liệu khép kín, không thể xác minh nguồn gốc, và gọi đó là lợi thế cạnh tranh. Trong khi blockchain lại đi theo hướng ngược lại: minh bạch, có thể kiểm toán, không cần tin tưởng. Nếu AI tiếp tục nuôi mình bằng sách đốt, sự thông minh của nó sẽ giống như một hợp đồng thông minh không được audit: chạy tốt cho đến khi sự cố đầu tiên xảy ra.
Câu trả lời cuối cùng không nằm ở việc ai đúng ai sai. Nó nằm ở câu hỏi: ngành AI có sẵn sàng xây dựng một hạ tầng dữ liệu minh bạch, nơi mỗi cuốn sách, mỗi dòng text đều có nguồn gốc và giấy phép rõ ràng? Nếu không, họ đang ngồi trên một quả bom nổ chậm. Khi quả bom đó phát nổ, không chỉ AI thiệt hại mà cả nền văn minh số sẽ gánh chịu. Đốt sách vì AI là một giao dịch. Nhưng trí tuệ không thể xây dựng trên nền móng bị thiêu rụi.