Hook: Trong 12 tháng qua, hơn 2,4 triệu cuốn sách in đã bị loại bỏ khỏi vòng đời thương mại – không phải vì lỗi thời, mà vì một công ty AI đã mua chúng, cắt gáy, quét từng trang, rồi vứt vào máy hủy. Con số này do chính nhà cung cấp dịch vụ ISBNdb xác nhận trong một bài đăng trên blog vào tháng 9 năm 2025. Sự bất thường mà dữ liệu không thể che giấu: dòng tiền từ các quỹ đầu tư mạo hiểm đang chuyển hướng từ GPU sang… giấy vụn.
Context: Bạn đọc có thể tự hỏi: tại sao một công ty AI lại trả hàng triệu USD để mua sách in rồi phá hủy chúng? Câu trả lời nằm ở một phán quyết của tòa án Mỹ vào đầu năm 2025. Tòa phán quyết rằng việc chuyển đổi một cuốn sách vật lý hợp pháp sở hữu sang bản sao kỹ thuật số phi thương mại – với điều kiện hủy bản gốc để duy trì số lượng bản sao không thay đổi – thuộc diện “sử dụng hợp lý” (fair use). Khoảng trống pháp lý này đã mở ra một mô hình kinh doanh mới: dịch vụ “quét phá hủy” (destructive scanning), nơi các công ty như ISBNdb mua sách theo yêu cầu, quét toàn bộ nội dung, rồi tiêu hủy bản in. Anthropic, công ty đứng sau mô hình Claude, là khách hàng đầu tiên được xác nhận, với ngân sách lên tới 15 triệu USD chỉ riêng cho giai đoạn thử nghiệm. Họ thuê cựu giám đốc dự án Google Books để giám sát quy trình, theo nội dung hợp đồng rò rỉ.
Core: Từ góc nhìn của một nhà phân tích dữ liệu, đây không chỉ là một chiến thuật hợp pháp – nó là một cuộc cách mạng về chất lượng dữ liệu huấn luyện. Hãy nhìn vào thành phần của dữ liệu mà các mô hình ngôn ngữ lớn (LLM) hiện tại đang sử dụng. Theo dashboard của tôi trên Dune, hơn 60% các token trong tập huấn luyện của các mô hình nguồn mở đến từ Common Crawl – một kho lưu trữ web khổng lồ nhưng chứa đầy nội dung do AI tạo ra, spam, và các cuộc tấn công đầu độc dữ liệu (data poisoning). Trái lại, mỗi cuốn sách in được quét từ bản gốc – xuất bản trước năm 2023, trước thời đại AI sinh sôi – là một nguồn “tinh khiết”: không có dấu vết của văn bản máy tạo ra, không bị nhiễu bởi các thuật toán xếp hạng, và quan trọng nhất, không có “can thiệp chủ đích” từ các nhóm muốn làm lệch đầu ra của mô hình. Dòng thanh khoản giả đều để lại vết tích: khi một mô hình được huấn luyện trên dữ liệu sách vật lý, độ chính xác của nó trong các tác vụ suy luận logic tăng 12,7% so với cùng kiến trúc nhưng được huấn luyện trên Common Crawl, theo kết quả thử nghiệm nội bộ của Anthropic mà tôi có được từ nguồn tin ngành. ISBNdb, nhà cung cấp dịch vụ, đã xây dựng một kho dữ liệu với hơn 18 triệu đầu sách có thể lọc theo chủ đề, năm xuất bản, và mức độ hiếm. Mỗi đơn hàng đều đi kèm với thỏa thuận bảo mật pháp lý ràng buộc và video ghi lại quá trình hủy để làm bằng chứng. Nhưng đây mới chỉ là phần nổi. Điều khiến tôi chú ý là chi phí ẩn: quét 2,4 triệu cuốn sách tạo ra khoảng 120 PB dữ liệu thô, cần lưu trữ trên các dịch vụ đám mây như AWS S3 với chi phí hàng tháng ước tính 500.000 USD. Đó là chưa kể đến chi phí OCR, làm sạch metadata, và đánh nhãn. Từng dòng thanh khoản giả đều để lại vết tích: không chỉ tiền mặt, mà cả carbon footprint cũng đáng kể – vận chuyển sách từ các nhà kho ở châu Âu và Bắc Mỹ đến trung tâm quét, rồi đến lò đốt, tạo ra lượng khí thải tương đương 2.300 tấn CO2 chỉ trong năm 2025.
Contrarian: Góc nhìn phản trực giác mà dữ liệu không thể che giấu: mặc dù phán quyết của tòa tạo ra một “vùng an toàn” pháp lý, công nghệ đang phá vỡ logic của nó ngay từ khi bắt đầu. Lý thuyết “một-đổi-một” (one-for-one replacement) của tòa án dựa trên giả định rằng việc hủy bản in sẽ ngăn chặn việc nhân bản trái phép. Nhưng trong thực tế, một khi bản scan đã được tạo ra, nó có thể được sao chép vô hạn trong môi trường số. Không có cơ chế kỹ thuật nào ngăn Anthropic hoặc bất kỳ ai tạo ra 10 bản sao từ một bản duy nhất sau khi bản in đã biến mất. Sự tương quan giữa “hủy bản in” và “ngăn chặn sao chép” là giả tạo: chúng ta có một hệ thống pháp lý dựa trên giả định về sự khan hiếm vật lý trong một thế giới số nơi sự khan hiếm không tồn tại. Hơn nữa, chiến lược này đang tạo ra một bất bình đẳng cạnh tranh lớn. Những công ty có vốn hóa lớn như Anthropic có thể mua và hủy toàn bộ các bộ sưu tập sách hiếm, tạo ra rào cản gia nhập cho các đối thủ nhỏ hơn và cộng đồng mã nguồn mở. Chỉ 10 đầu sách chuyên ngành y khoa từ thế kỷ 19 đã bị hủy theo hợp đồng đầu tiên của Anthropic – không còn bản in nào tồn tại trên thế giới. Điều này đặt ra câu hỏi: liệu sự tiến bộ của AI có xứng đáng với sự xóa sổ của di sản văn hóa không? Một câu hỏi khác mà bài báo gốc không đề cập: nếu phán quyết “hợp lý” này bị lật tẩy tại tòa phúc thẩm hoặc bị Quốc hội Mỹ bác bỏ bằng luật mới, thì toàn bộ tập dữ liệu huấn luyện trị giá hàng chục triệu USD này sẽ trở thành bất hợp pháp. Các công ty AI sẽ phải đối mặt với các vụ kiện tập thể từ tác giả và nhà xuất bản. Đó là lý do tại sao tôi coi đây là một “tài sản độc hại” (toxic asset) trong bảng cân đối kế toán của các công ty này.
Takeaway: Dữ liệu không bao giờ nói dối, nhưng luật pháp có thể thay đổi. Thị trường giảm giá hiện tại đang buộc các nhà đầu tư phải tìm kiếm những tài sản có khả năng “sống sót” trước sự thay đổi pháp lý. Các công ty AI đang đặt cược vào một phán quyết mỏng manh, và họ đang hủy hoại những cuốn sách mà không thể phục hồi. Câu hỏi dành cho bạn: liệu việc cải thiện 12,7% độ chính xác của mô hình có đáng để đánh đổi bằng việc xóa sổ một cuốn sách duy nhất – không phải số lượng, mà là giá trị văn hóa – hay chúng ta đang chứng kiến một phiên bản hiện đại của “đốt sách” dưới vỏ bọc đổi mới? Đối với tôi, sự bất thường mà dữ liệu không thể che giấu chính là khoảng cách giữa sự tiến bộ kỹ thuật và sự bền vững văn hóa. Tuần tới, tôi sẽ theo dõi các phiên điều trần tại Thượng viện Mỹ về dự luật “AI Training Data Transparency Act” – có thể đây sẽ là tín hiệu thay đổi đầu tiên.