"Chặt sách, nuôi AI": Khi dữ liệu huấn luyện trở thành lỗ đen bản quyền và cơ hội cho Web3

Người ta kể rằng, trong một nhà kho ngoại ô, những cuốn sách được chất thành chồng, cắt bỏ gáy, quét từng trang qua máy OCR rồi đẩy thẳng vào máy hủy tài liệu công nghiệp. Không một ai đọc dòng chữ nào trước khi chúng biến thành đống giấy vụn. Công ty đó không muốn bán sách, không muốn tái chế, cũng chẳng muốn tặng thư viện. Họ chỉ muốn thứ thông tin ẩn sau từng trang giấy. Khi bản phân tích về "AI Book Burning" – các công ty đang tiêu hủy hàng triệu cuốn sách để nuôi chatbot – lọt vào tay tôi, tôi không sốc vì hành vi. Tôi sốc vì cái cách câu chuyện bị quy về một bi kịch đạo đức đơn giản: AI xấu, sách là nạn nhân, còn chúng ta – những người ngoài cuộc – chỉ đứng nhìn. Nhưng nếu nhìn bằng con mắt kỹ thuật, câu chuyện này không dừng ở chuyện đốt sách. Đây là câu chuyện về một lỗ đen trong nguồn cung dữ liệu mà không một khung pháp lý hiện tại nào đủ lực hút để kéo nó ra ngoài. Kể từ khi Google Books bắt đầu số hóa 15 triệu đầu sách vào năm 2004, thế giới đã biết rằng sách là một trong những nguồn ngôn ngữ chất lượng nhất cho máy móc học nói. Nhưng phải đến thời đại transformer và LLM, việc chuyển sách thành dữ liệu huấn luyện mới trở thành một ngành công nghiệp. Năm 2023, Bloomberg tiết lộ Meta từng đàm phán mua Simon & Schuster. The Atlantic phanh phui Books3 – một dataset chứa hơn 180.000 cuốn sách, gần một nửa trong số đó là sách lậu – được dùng để huấn luyện nhiều mô hình ngôn ngữ lớn. Ngay sau đó, New York Times kiện OpenAI, Authors Guild kiện Meta. Những vụ kiện này tạo ra một vùng xám pháp lý khổng lồ. Và chính trong vùng xám đó, các công ty AI tìm thấy một cánh cửa dịch chuyển: mua sách cũ, số hóa, rồi tiêu hủy. Tôi muốn phân tích chuyện này theo đúng cách một kỹ sư phân tích: không đứng về phía ai, chỉ nhìn vào dòng tiền, luồng dữ liệu, và mã nguồn vận hành hệ thống. Đầu tiên là kinh tế học. Giả sử một công ty AI cần 10 triệu cuốn sách để xây dựng kho ngữ liệu. Nếu làm đúng quy trình – liên hệ từng nhà xuất bản, đàm phán bản quyền, hai bên ký hợp đồng – chi phí cho mỗi cuốn có thể dao động từ 5 đô la đến hàng nghìn đô la cho các tác phẩm chuyên môn. Chưa kể thời gian pháp lý: một thương vụ cấp phép nội dung từ một nhà xuất bản lớn có thể kéo dài từ 6 đến 12 tháng. Trong khi đó, mua một cuốn sách đã qua sử dụng trên thị trường chỉ tốn 1–5 đô la, một nhân viên có thể quét bằng một chiếc máy tự động với tốc độ 800 trang một giờ. Chi phí một mẻ dữ liệu 10 triệu cuốn rơi vào khoảng 30 đến 150 triệu đô la – một con số không hề nhỏ, nhưng trong bối cảnh một mô hình ngôn ngữ lớn tiêu tốn hàng tỷ đô la để huấn luyện, đó là một khoản đầu tư hợp lý. Thậm chí có thể gọi là một "chiết khấu vi phạm" – một dạng kinh doanh chênh lệch giá dựa trên việc mua rẻ một khoản rủi ro pháp lý sẽ phải trả giá trong tương lai, nếu có. Nhưng chi phí là một chuyện, chất lượng mới là chuyện đáng bàn hơn. Khi bạn mua một cuốn sách cũ về quét, bạn nhận được văn bản đã được biên tập, hiệu đính và sắp xếp có cấu trúc logic. Trong khi đó, dữ liệu bò trên web chứa đầy SEO spam, nửa câu chửi nhau trên diễn đàn, và nội dung viết vội cho máy đọc. Chất lượng ngôn ngữ trong một cuốn sách in cao hơn web một bậc. Nhưng nếu máy quét của bạn kém, hoặc cuốn sách là bản in mờ, OCR sẽ tạo ra văn bản đầy nhiễu. Một dòng "quyền năng" bị đọc thành "quyên năng" trong vài nghìn trang có thể khiến mô hình học sai chính tả một cách có hệ thống. Nếu bạn không dọn dẹp dữ liệu kỹ, bạn không cải thiện mô hình, bạn đang đầu độc nó. Tôi đã từng ghi lại toàn bộ quá trình debug một hợp đồng thông minh từ whitepaper Ethereum, và bài học đầu tiên tôi nhận ra là: dữ liệu sai ở đầu vào sẽ phóng đại ở đầu ra. Một hợp đồng nếu viết sai một biến có thể mất toàn bộ tiền; một mô hình học từ văn bản OCR lỗi sẽ tạo ra một thế hệ nội dung sai lệch – và không ai biết điểm gốc gây lỗi nằm ở trang sách nào, dòng chữ nào. Đã có nhiều bài viết lớn tiếng lên án việc đốt sách. Tôi cũng không ngoại lệ khi nghĩ rằng việc phá hủy vật lý một cuốn sách là một mất mát văn hóa. Nhưng góc nhìn này đang làm lu mờ một vấn đề cốt lõi hơn nhiều: không phải ai đang đốt sách, mà là ai đang sở hữu bản sao kỹ thuật số sau đó. Nếu bạn là một AI lab và bạn chi 100 triệu đô la để số hóa 10 triệu cuốn sách, bạn sẽ không bao giờ công bố toàn bộ kho dữ liệu đó cho công chúng. Không một nhà đầu tư nào cho phép bạn làm vậy. Số dữ liệu này sẽ nằm trong kho huấn luyện của riêng bạn, trở thành một lợi thế cạnh tranh, một lớp hàng rào bảo vệ "moat". Và ở đó, nó giống hệt khái niệm lỗ đen trong vật lý: khối lượng tri thức bị hút vào một điểm có lực hấp dẫn cực lớn, phát ra năng lượng dưới dạng sản phẩm AI, nhưng không một tín hiệu nào về nguồn gốc vật chất lọt ra ngoài. Đây là lúc mà công nghệ blockchain bước vào. Không phải ở dạng một câu chuyện đầu tư, mà ở dạng một tầng hạ tầng xác minh tính toàn vẹn dữ liệu. Trong thực tế, một hệ thống số hóa sách có thể được thiết kế với khả năng tạo dấu vân tay kỹ thuật số (content fingerprint) cho từng trang sách, ghi hash lên một mạng lưu trữ phi tập trung như Arweave hoặc IPFS, đồng thời thiết lập lịch sử quyền sở hữu bằng một smart contract. Khi một cuốn sách được chuyển từ một nhà xuất bản sang một AI lab, giao dịch được ghi lại; khi mô hình được huấn luyện, các đoạn dữ liệu có thể được chứng minh là đã được cấp phép mà không cần phải tiết lộ toàn bộ nội dung – đó chính là khái niệm mà tôi theo đuổi mỗi ngày: bằng chứng không tiết lộ thông tin (zero-knowledge proof). Một zk-proof có thể chứng minh rằng "mô hình này được huấn luyện trên một tập dữ liệu có ký hiệu cam kết từ các nhà xuất bản này" mà không để lộ dữ liệu cho bên thứ ba. Nó không ngăn ai đốt sách, nhưng nó khiến việc đốt sách trở thành một lựa chọn có cơ chế giám sát thay vì một hành vi nằm trong vùng tối. Tôi không nói những điều này vì tôi bán công nghệ. Tôi nói vì tôi đã nhìn thấy những lỗ đen trong bytecode tự tay mình đào ra trong các hợp đồng thông minh. Năm 2021, khi tôi tự dựng một NFT marketplace và phát hiện lỗi reentrancy trong hàm withdraw, tôi nhận ra rằng vấn đề không phải là lỗi đó tồn tại – lỗi nào mà chẳng tồn tại – mà là không có một cơ chế nào tự động phát hiện ra nó nếu tôi không cố tình tìm. Hệ thống tài chính phi tập trung cũng vậy: nếu không có một lớp xác minh, những giao dịch sai có thể chảy qua suốt nhiều năm trong im lặng. Bây giờ hãy đặt câu hỏi ngược: tại sao các công ty AI không chọn con đường hợp pháp để bắt đầu? Bản phân tích đưa ra một phát hiện rất quan trọng: con đường cấp phép bản quyền truyền thống quá đắt, quá chậm, và mơ hồ. Nhưng còn một lý do nữa mà ít người nói tới: các công ty AI đang nắm trong tay một sức mạnh đàm phán chưa từng có. Khi bạn là một công ty có giá trị vốn hóa hàng nghìn tỷ đô la, và các nhà xuất bản chỉ đóng góp một phần nhỏ trong kho dữ liệu huấn luyện của bạn, bạn có thể đợi. Bạn không cần trả tiền ngay. Bạn biết rằng vụ kiện kéo dài nhiều năm, và trong thời gian đó, bạn vẫn có thể phát hành mô hình mới, thu hút người dùng, xây dựng thị phần. Đó là một trận chiến không cân sức về thời gian. DeFi Summer dạy tôi rằng gan là biết khi nào mai phục – nhưng ở trường hợp này, kẻ mai phục không phải là người mới vào, mà chính là các gã khổng lồ công nghệ. Tuy nhiên, từ góc nhìn của một người đã làm việc trong mảng bảo mật, tôi thấy một điểm mù lớn hơn trong câu chuyện này: các công ty AI có thể đang tự đào hố cho chính mình. Một khi bị phát hiện đã quét và tiêu hủy sách, họ có thể bị buộc phải chứng minh nguồn gốc toàn bộ dữ liệu huấn luyện. Nếu không làm được, các cơ quan quản lý có thể ra lệnh gỡ bỏ toàn bộ mô hình, chứ không chỉ phạt tiền. Điều đó có nghĩa là các đối thủ nhỏ hơn – những người sử dụng dữ liệu nguồn mở, có giấy tờ rõ ràng – lại có lợi thế khó tin. Ở đây, một kịch bản phản trực giác xảy ra: hành vi mạo hiểm của một công ty lớn có thể không tạo ra moat, mà tạo ra một vụ nổ làm bốc hơi chính nó, đồng thời thắp sáng một con đường cho những kẻ đi sau. Sàn NFT tự build của tôi từng sập, nhưng nó sập trong trạng thái tự đứng được một mình – bởi vì tôi tự sửa lỗi, không phải chờ thị trường cứu. Các AI lab nên hiểu điều đó. Nhìn về dài hạn, luật bản quyền sẽ không theo kịp các công nghệ số hóa và mô hình sinh học nội dung. Google Books đã khiến luật tụt lại một bước vào đầu những năm 2000. Ngày nay, với tốc độ phát triển của mô hình ngôn ngữ, khoảng cách tụt lại đã quá lớn. Nếu chúng ta không xây dựng một tầng xác minh dữ liệu phi tập trung, nơi mọi bước từ xuất bản, số hóa, đến huấn luyện đều được lưu vết, thì lỗ đen dữ liệu sẽ không dừng lại ở sách. Nó sẽ nuốt cả ảnh, video, giọng nói, và cuối cùng là toàn bộ nền văn hóa viết. Và câu hỏi tôi đặt ra hôm nay không phải là có nên cấm các công ty AI mua sách hay không. Câu hỏi là khi nào chúng ta mới có một bằng chứng zero-knowledge chứng minh một mô hình được huấn luyện trên dữ liệu hợp pháp – để không ai còn cần phải đốt sách để giành lấy tri thức.