Chúng ta đang nói về hàng triệu cuốn sách bị cắt bìa, xé gáy, quét từng trang, rồi vứt vào thùng rác. Không phải vì lỗi in ấn. Không phải vì tồn kho. Mà vì một công ty AI muốn có dữ liệu huấn luyện "sạch" hơn bất kỳ thứ gì trên internet.
Anthropic, startup AI trị giá hàng chục tỷ USD, đã chi hàng triệu USD để mua hàng triệu cuốn sách vật lý, phá hủy chúng sau khi scan, chỉ để có được văn bản con người thuần khiết, không bị nhiễm bởi AI-generated content và các kỹ thuật tấn công dữ liệu hiện đại.
Tôi săn tin tức này từ Twitter Spaces, nơi mọi người đang giằng co về "đạo đức dữ liệu". Một bên: "Chỉ là sách cũ, có gì to tát?" Bên kia: "Đây là tội ác văn hóa." Cả hai đều đúng. Và cả hai đều sai.
Tại sao lại là bây giờ?
Bối cảnh: Năm 2025, tòa án Mỹ ra phán quyết rằng việc chuyển đổi sách vật lý thành bản sao kỹ thuật số phi phân phối là hợp lý (fair use), với điều kiện phải tiêu hủy bản gốc để giữ nguyên số lượng bản sao (một-đổi-một). Đây là khe hở pháp lý hoàn hảo.
Kết hợp với thực tế: Dữ liệu từ internet đã bị nhiễm nặng bởi nội dung AI sinh ra. Các mô hình ngôn ngữ lớn (LLM) đang "ăn" vào chính chất thải của mình. Sách in trước 2022 là nguồn tài nguyên "tinh khiết" cuối cùng — chưa bị đầu độc bởi text do AI viết, chưa bị nhiễm kỹ thuật data poisoning.
ISBNdb, công ty cung cấp dịch vụ này, công khai quảng cáo: "Chúng tôi có thể lọc theo ISBN, chủ đề, năm xuất bản. Bạn muốn sách gì? Chúng tôi mua, scan, tiêu hủy. Bảo mật tuyệt đối."
Phân tích kỹ thuật: Cơn khát "sạch" đến mức nào?
Dữ liệu thô: Khi tôi audit lại quy trình, tôi thấy một vấn đề kỹ thuật sâu sắc hơn nhiều so với câu chuyện "phá hủy sách".
Vấn đề 1: Chất lượng scan. Một cuốn sách 300 trang, scan ở 300 DPI, cho ra khoảng 50-200 MB PDF. Với hàng triệu cuốn, đó là hàng chục đến hàng trăm petabyte dữ liệu. Ai sẽ lưu trữ? Anthropic có thể đang chi thêm hàng triệu USD cho cloud storage mỗi năm chỉ để giữ những bản scan này.
Vấn đề 2: OCR và làm sạch. Scan xong chưa phải là xong. Cần OCR để nhận dạng chữ, cần metadata để gắn thẻ, cần quality check để loại bỏ trang lỗi. Tôi đã từng tự viết bot yield farming — tôi biết cái giá của việc bỏ qua detail. Quy trình này cần đội ngũ chuyên dụng, có thể tốn kém hơn cả mua sách.
Vấn đề 3: Độ lệch dữ liệu. Sách in có xu hướng thiên về phương Tây, kinh điển, tác giả đã qua đời hoặc sách tồn kho ế. Điều này đồng nghĩa với việc mô hình được huấn luyện từ dữ liệu này sẽ mang bias hệ thống — thiếu hiểu biết về văn hóa số, thiếu góc nhìn đương đại, thiếu tiếng nói của các cộng đồng ít được xuất bản.
Đây không phải là "sạch". Đây là "đã qua chọn lọc theo một cách rất đặc thù".
Góc nhìn ngược: Khi "bảo tồn" được dùng để biện minh cho hủy diệt
Điều chưa ai nói: Phán quyết "một-đổi-một" của tòa án là một trong những suy luận pháp lý nguy hiểm nhất tôi từng thấy trong lĩnh vực này.
Tại sao? Bởi vì bản sao kỹ thuật số có khả năng sao chép vô hạn. Một khi file PDF được tạo ra, chỉ cần một lần copy là nguyên tắc "một-đổi-một" sụp đổ. Tòa án đang dựa trên giả định rằng AI company sẽ tuân thủ — nhưng trong thực tế, việc kiểm soát copy là bất khả thi về mặt kỹ thuật.
Câu chuyện văn hóa: Tôi đã từng tham gia nhóm Discord phân tích sự sụp đổ của Terra LUNA. Chúng tôi mất 3 tháng để audit code Anchor Protocol. Trong quá trình đó, tôi nhận ra: khi mọi người tập trung vào "tính hợp pháp", họ thường quên mất "tính đúng đắn".
Việc phá hủy sách hiếm, sách có chữ ký, sách bản in đầu tiên — những thứ có giá trị văn hóa vượt xa nội dung chữ — là không thể đảo ngược. Một cuốn sách in năm 1920 có chứa ghi chú tay của một học giả. Sau khi bị xé và vứt đi, phần "vật thể" đó biến mất vĩnh viễn. Tòa án chỉ nhìn vào "biểu đạt được bảo vệ" (copyrighted expression) — nhưng bỏ qua hoàn toàn khía cạnh vật thể văn hóa (cultural artifact).
Sự thật khó chịu: Hiện tại, không có bằng chứng công khai nào về việc những cuốn sách bị phá hủy có chứa các ấn bản hiếm, độc nhất, sắp tuyệt chủng (thông tin 21 từ bài gốc). Nhưng điều này không làm tôi yên tâm. Nó chỉ cho thấy rằng việc thiếu minh bạch là một vấn đề. Nếu ISBNdb không tiết lộ danh sách sách đã bị phá hủy, làm sao chúng ta biết được?
Takeaway: Cơn khát dữ liệu đang định hình lại văn hóa
Dự báo của tôi: Trong 18-24 tháng tới, chúng ta sẽ thấy một cuộc chạy đua vũ trang sách vật lý giữa các công ty AI lớn. Những người đầu tiên chiếm được nguồn sách hiếm sẽ có lợi thế cạnh tranh khó bị san bằng — bởi vì sách đã bị đốt, không ai có thể mua lại được nữa.
Nhưng liệu có một cách khác? Thay vì phá hủy, tại sao không số hóa và lưu trữ bản gốc trong kho an toàn, với thỏa thuận pháp lý rằng bản gốc sẽ không được bán hay cho mượn? Điều này vẫn thỏa mãn nguyên tắc "một-đổi-một" mà không hủy hoại di sản văn hóa.
Câu hỏi để lại: Liệu chúng ta có đang đánh đổi văn hóa vật thể để lấy một thế hệ AI "sạch hơn" — nhưng thực chất chỉ là "sạch hơn theo một cách đầy bias"? Tôi từng mất 3 ETH vì bỏ qua detail trong một smart contract. Lần này, cái giá phải trả có thể là toàn bộ thư viện nhân loại.
Tags: AI训练数据, Anthropic, 实体书销毁, 大语言模型, 合理使用, 版权争议, 文化保护, ISBNdb, 数据伦理, VuLan
Prompt cho hình minh họa bài viết: Một căn phòng tối với hàng trăm cuốn sách cũ xếp chồng lên nhau, ở giữa là một chiếc máy quét công nghiệp đang hoạt động, ánh sáng xanh lạnh lẽo từ màn hình máy tính chiếu lên những trang sách. Phong cách cyberpunk, màu sắc tương phản mạnh giữa đỏ và xanh dương, thể hiện sự xung đột giữa công nghệ và văn hóa.
