Hook: Một con số: 1 triệu cuốn sách bị cắt gáy, quét tốc độ cao, rồi bị tiêu hủy. Đó không phải kịch bản trong phim viễn tưởng, mà là dữ liệu nội bộ từ dự án 'Project Panama' của Anthropic – công ty đứng sau Claude. Câu hỏi đặt ra: khi AI cần 'ăn' tri thức nhân loại, ranh giới giữa đổi mới và cướp bóc nằm ở đâu?
Context: 404 Media phơi bày một thực tế mà giới công nghệ cố che giấu: Anthropic mua hàng triệu cuốn sách vật lý – bao gồm cả bản in hiếm – cắt bìa, quét nhanh từng trang, rồi tiêu hủy. Mục đích duy nhất: thu thập văn bản gốc, không watermark, để huấn luyện mô hình ngôn ngữ lớn thế hệ tiếp theo. Họ ký NDA với các nhà cung cấp, giấu tên thật, và cố gắng giữ kín quy trình. Nhưng bản chất kỹ thuật của việc này – quét sách với tốc độ 100 trang/phút, băng tải cắt gáy tự động – cho thấy đây là một chiến lược có hệ thống, không phải thử nghiệm đơn lẻ.
Core (Phân tích kỹ thuật & dữ liệu): Nhìn từ góc độ data engineering, Anthropic đang giải quyết bài toán chất lượng dữ liệu theo cách cực đoan nhất. Mô hình ngôn ngữ hiện đại ngày càng đòi hỏi dữ liệu sạch, ít nhiễu, và có chiều sâu tri thức. Các nguồn web công cộng (Common Crawl, Wikipedia) đã bị khai thác cạn kiệt; sách điện tử thường bị khóa DRM hoặc có watermark khiến việc trích xuất văn bản gốc trở nên phức tạp. Bằng cách mua sách vật lý và tiêu hủy, Anthropic loại bỏ hoàn toàn rủi ro pháp lý từ các phiên bản số hóa sẵn có, đồng thời thu được bản scan chất lượng cao không bị biến dạng bởi các lớp bảo vệ bản quyền.
Theo tài liệu nội bộ, dự án đặt mục tiêu quét 1 triệu cuốn trong 18 tháng, với chi phí ước tính 2-3 USD/cuốn (bao gồm mua sách, vận chuyển, vận hành máy quét). So sánh với việc mua quyền truy cập từ các nhà xuất bản – có thể lên tới 50-100 USD/cuốn/năm – thì cách này rẻ hơn gấp 20 lần. Nhưng cái giá phải trả là văn hóa: những cuốn sách hiếm, bản in đầu tiên, thậm chí sách thư viện, bị xóa sổ vĩnh viễn.
Từ góc độ thuật toán, việc sử dụng dữ liệu vật lý có thể cải thiện đáng kể khả năng hiểu ngữ cảnh dài của mô hình. Các mô hình hiện tại thường gặp vấn đề 'quên' khi xử lý tài liệu trên 100.000 token. Sách, với cấu trúc chương-hồi mạch lạc, cung cấp tín hiệu huấn luyện chất lượng cao để mở rộng cửa sổ ngữ cảnh. Tìm lỗi contract? Đọc dòng cuối trước. Cũng như vậy, muốn hiểu điểm yếu của dữ liệu AI, hãy nhìn vào những gì bị đốt.
Dữ liệu từ chain không thể hiện điều này, nhưng nếu chúng ta áp dụng tư duy on-chain vào dòng chảy dữ liệu, có thể hình dung một 'book ledger' ghi lại nguồn gốc mỗi cuốn sách. Anthropic đã cố tình xóa sổ ledger đó. Bằng chứng là họ yêu cầu các đơn vị cung cấp phải cam kết tiêu hủy xác nhận bằng biên bản – một dạng 'zero-knowledge proof' ngược đời: chứng minh rằng sách không còn tồn tại.
Contrarian: Dư luận đang chỉ trích Anthropic vì tính hai mặt: một mặt kêu gọi 'AI an toàn', mặt khác phá hủy di sản tri thức. Nhưng hãy nhìn vào cuộc chơi cạnh tranh. Elon Musk ngay lập tức tuyên bố xAI sẽ quét sách mà không hủy – một chiêu PR rẻ tiền, bởi bản thân xAI cũng từng thu thập dữ liệu từ Twitter (mà Musk sở hữu) một cách thiếu minh bạch. David Sacks tố Anthropic đạo đức giả, nhưng ông ta đầu tư vào nhiều startup AI cũng dùng dữ liệu lậu. Tương quan không phải nhân quả. Việc lên án một công ty không làm sạch được toàn bộ ngành.
Thực tế, hành vi của Anthropic chỉ là đỉnh của tảng băng. Các công ty AI lớn khác như OpenAI, Meta, Google đều sở hữu kho dữ liệu sách khổng lồ từ các thỏa thuận bản quyền mờ ám (ví dụ: Google Books). Điểm khác biệt duy nhất là họ không phá hủy bản gốc. Vậy nếu chỉ trích Anthropic vì tiêu hủy mà bỏ qua việc khai thác trái phép của các công ty khác, đó là sự thiên vị. Hơn nữa, việc tiêu hủy sách có thể là tín hiệu cho thấy thị trường dữ liệu đang bước vào giai đoạn 'khan hiếm' – nơi chất lượng cao hơn số lượng. Trong dài hạn, điều này buộc các công ty phải minh bạch hóa chuỗi cung ứng dữ liệu, giống như ngành thực phẩm phải ghi rõ nguồn gốc. Một cuộc khủng hoảng đạo đức có thể mở đường cho một tiêu chuẩn mới.
Takeaway: Tuần tới, hãy theo dõi phản ứng từ các nhà xuất bản lớn (Penguin Random House, HarperCollins). Nếu họ đệ đơn kiện, định nghĩa 'fair use' trong thời đại AI sẽ bị thử thách. Còn nếu họ im lặng, điều đó có nghĩa là các thỏa thuận ngầm đã được ký kết. Dù kết quả thế nào, một điều chắc chắn: cuộc chiến giành dữ liệu sẽ trở nên khốc liệt hơn, và những gì bị đốt hôm nay có thể là kiến thức mà AI của chúng ta không bao giờ có được. Tìm lỗi contract? Đọc dòng cuối trước. Tìm lỗi đạo đức? Nhìn vào dòng tiền và dữ liệu bị thiêu hủy.