Một công ty AI chi hàng triệu USD mua sách giấy, cắt gáy, quét từng trang, rồi vứt bỏ bản gốc. Họ không xây thư viện số – họ xây lò thiêu dữ liệu.
Năm 2025, Anthropic tiết lộ đã chi 'hàng triệu đô la' để mua 'hàng triệu cuốn sách in', thuê dịch vụ phá hủy có thể kiểm chứng, và biến chúng thành training data. Đây không phải chuyện cũ. Đây là bước ngoặt mà ngành AI đang lặp lại sai lầm của DeFi 2017: tin vào giải pháp kỹ thuật để né tránh vấn đề nền tảng.
Reentrancy vẫn là kẻ thù số một trong DeFi. Với AI, kẻ thù số một là training data bẩn – và giải pháp 'đốt sách' cũng bẩn không kém.
Context: Khi luật bản quyền gặp vật lý
Năm 2022, một tòa án Mỹ phán quyết rằng việc chuyển đổi sách giấy thành bản sao số, sau đó tiêu hủy bản gốc, là 'hợp lý' theo luật fair use, với điều kiện số lượng bản sao không tăng. Lập luận 'một-đổi-một' này tạo ra kẽ hở: AI có thể mua sách, scan, và vứt bỏ – biến một tác phẩm văn hóa thành nguyên liệu thô.
Công ty ISBNdb đã xây dựng cả một dịch vụ quanh kẽ hở đó. Họ cung cấp sách theo ISBN, chủ đề, năm xuất bản, kèm hợp đồng bảo mật và quy trình hủy có xác thực. Anthropic là khách hàng đầu tiên được xác nhận. Chiến lược: sách in trước 2022 ít bị nhiễm văn bản do AI sinh ra và các kỹ thuật đầu độc dữ liệu hiện đại, nên 'sạch' hơn dữ liệu web.
Nhưng có một vấn đề: bytecode không bao giờ nói dối, nhưng luật sư thì có. Tòa án chỉ xét 'biểu đạt được bảo vệ', bỏ qua giá trị vật lý của cuốn sách – chữ ký tác giả, ấn bản đầu, ghi chú biên tập. Một cuốn sách quý hiếm bị cắt xén và ném vào thùng rác là mất mát không thể đảo ngược, ngay cả khi nội dung đã được số hóa.
Core: Phân tích kỹ thuật của 'khai thác dữ liệu kiểu phá hủy'
Là một Core Protocol Developer, tôi đã quen với việc kiểm tra từng dòng code để tìm lỗ hổng. Ở đây, lỗ hổng không nằm trong smart contract, mà nằm trong logic kinh doanh. Hãy phân tích các lớp:
Lớp 1: Chi phí ẩn của việc số hóa Đầu tư 'vài triệu đô' cho vài triệu cuốn sách nghe có vẻ nhiều, nhưng so với tổng vốn huy động hàng chục tỷ của Anthropic, đó là chi phí nhỏ. Tuy nhiên, chi phí thực sự nằm ở khâu hậu kỳ: OCR, làm sạch metadata, lọc nhiễu, gắn nhãn. Một cuốn sách 300 trang sau scan có thể tạo ra 50-200MB PDF. Vài triệu cuốn tương đương 100-400 PB dữ liệu thô. Lưu trữ trên S3 tốn hàng triệu đô mỗi năm. Chưa kể công sức của đội ngũ data engineer để biến đống scan thành training data có thể dùng được.
Lớp 2: Rủi ro pháp lý – vụ kiện đang rình rập Phán quyết năm 2022 không phải là phán quyết cuối cùng. Anthropic còn đang bị kiện vì 'ăn cắp bản sao từ thư viện trung tâm'. Nếu thua kiện, toàn bộ mô hình 'mua-đốt' có thể bị tuyên bố bất hợp pháp, và dữ liệu đã thu thập phải hủy bỏ. Đây là rủi ro chưa được định giá. Trong thế giới crypto, chúng tôi gọi đây là 'centralized oracle risk' – một điểm thất bại duy nhất có thể sập toàn bộ hệ thống.
Lớp 3: Sự khan hiếm vật lý và cuộc chạy đua vũ trang Sách giấy là tài nguyên hữu hạn. Nếu mọi công ty AI đều đua nhau mua và đốt, giá sách hiếm sẽ tăng vọt, và nguồn cung sẽ cạn kiệt. Điều này giống như cuộc đua gas trong DeFi: người trả phí cao nhất sẽ thắng, nhưng cuối cùng ai cũng thiệt. Với sách, hậu quả còn nặng nề hơn: những cuốn sách quý hiếm sẽ vĩnh viễn biến mất khỏi thị trường thứ cấp, không còn cơ hội cho thế hệ sau đọc bản gốc.
Lớp 4: Độ lệch dữ liệu – sách giấy có thực sự 'tinh khiết'? Sách in trước 2022 không bị nhiễm AI, nhưng chúng bị nhiễm định kiến của thời đại. Một mô hình chỉ học từ sách sẽ thiếu hiểu biết về văn hóa số, mạng xã hội, platform economy. Nó sẽ trở nên 'cổ điển' một cách nguy hiểm. Hãy tưởng tượng một chatbot chỉ biết trích dẫn từ bách khoa toàn thư những năm 1990 – nó sẽ trả lời về internet như một thứ xa xỉ.
Contrarian: Góc nhìn phản trực giác
Audit? Tôi thích fuzz testing hơn. Với dữ liệu training, không có fuzz test nào cho sự ngu dốt về đạo đức. Nhiều người cho rằng việc đốt sách là cần thiết để có dữ liệu sạch, giống như hy sinh tính thanh khoản để đổi lấy bảo mật. Nhưng sự tương tự này sai. Trong blockchain, 'destroy' một token để tạo hiệu ứng đốt là hành động có chủ ý, có thể kiểm chứng và đảo ngược bằng cách mint lại. Ở đây, việc hủy sách là vĩnh viễn. Bạn không thể 'undelete' một cuốn sách đã bị nghiền nát.
Hơn nữa, lập luận 'một-đổi-một' của tòa án là một ảo tưởng kỹ thuật. Bản sao số có thể nhân bản vô hạn. Một khi đã scan, không gì ngăn cản việc copy ra ổ cứng khác. Việc giữ số lượng bản sao bằng số lượng sách gốc là bất khả thi trong thực tế. Đây giống như tuyên bố 'private key không bao giờ bị lộ' – lý thuyết thì đẹp, thực tế thì khác.
Cuối cùng, tôi thấy một sự mỉa mai: các công ty AI đang dùng blockchain để xây dựng giải pháp lưu trữ phi tập trung, nhưng lại phá hủy kho lưu trữ tập trung lớn nhất của nhân loại – thư viện. Nếu họ thực sự quan tâm đến tính bền vững, họ nên tạo ra một DAO mua sách quý, scan, lưu trữ trên IPFS, và giữ nguyên bản gốc trong kho bảo quản. Nhưng điều đó không cấp bằng sáng chế được, cũng không tạo ra lợi thế cạnh tranh.
Takeaway: Dự báo lỗ hổng tiếp theo
Tôi dự đoán trong vòng 12 tháng tới, một vụ kiện mới sẽ xuất hiện, yêu cầu tòa án xem xét lại 'fair use' trong bối cảnh AI, và lập luận 'một-đổi-một' sẽ sụp đổ. Khi đó, các công ty đã đốt sách sẽ mất toàn bộ dữ liệu, giống như một vụ rug pull. Còn những công ty chưa kịp đốt sẽ phải tìm nguồn dữ liệu mới. Đây là cơ hội cho các dự án blockchain cung cấp bằng chứng lưu trữ phi tập trung và xác thực nguồn gốc dữ liệu. Hãy nhớ: bytecode không bao giờ nói dối, nhưng văn hóa thì có thể bị xóa sổ vĩnh viễn nếu chỉ dựa vào bytecode.
Câu hỏi cuối cùng: bạn có muốn một AI thông minh được huấn luyện từ những cuốn sách mà chính nó đã giết chết?
