Một báo cáo phân tích mới đây tiết lộ chi tiết gây sốc: các tổ chức AI đang mua số lượng lớn sách giấy, xé bìa và quét từng trang để làm dữ liệu huấn luyện. Con số ước tính lên tới hàng triệu cuốn. Giao dịch kèm chi phí hàng chục triệu USD, nhưng quan trọng hơn là thông điệp chiến lược: ngành AI đang chuẩn bị cho cơn khát dữ liệu chất lượng cao.
Đây không phải là tin đồn từ một diễn đàn công nghệ. Đây là mô tả từ một phân tích chuyên sâu về chuỗi cung ứng dữ liệu huấn luyện. Không có tên công ty cụ thể, không có mã giao dịch trên Etherscan để kiểm chứng. Nhưng nếu nhìn vào cấu trúc chi phí và logic vận hành, bức tranh trở nên rõ ràng: chúng ta đang chứng kiến cuộc chạy đua kho báu dữ liệu — một biến thể kỹ thuật số của cuộc đào vàng, nơi tài sản quý giá nhất không phải là token, mà là văn bản sạch, dài hơi, có cấu trúc.
Bối cảnh cần được làm rõ. Các mô hình ngôn ngữ lớn (LLM) đã gần như vét cạn nguồn dữ liệu web công khai. Epoch AI ước tính tổng lượng văn bản chất lượng cao có thể sẽ cạn kiệt trong giai đoạn 2024-2028. Khi đó, sách trở thành một trong những mỏ vàng cuối cùng: nội dung dài, logic chặt chẽ, ít nhiễu. Giá trị của một cuốn sách 300 trang với mô hình ngôn ngữ tương đương hàng triệu token huấn luyện. Nhưng vấn đề nằm ở định dạng — hàng trăm triệu cuốn sách vẫn chỉ tồn tại dưới dạng giấy, không có bản số hóa.
Cốt lõi kỹ thuật của câu chuyện này không nằm ở việc mua sách. Nằm ở hạ tầng chuyển đổi. Để xử lý hàng triệu cuốn sách, cần kho bãi 5.000-10.000 mét vuông, máy quét công nghiệp tự động lật trang (mỗi máy có thể xử lý 1.000-1.500 trang mỗi giờ), và một quy trình OCR (nhận dạng ký tự quang học) được tinh chỉnh để đảm bảo độ chính xác. Tôi đã đọc về các hãng như Kirtas, chuyên sản xuất máy quét sách tự động. Đây không phải là công việc của vài kỹ sư cuối tuần. Đây là dây chuyền lắp ráp công nghiệp, với chi phí vận hành ước tính từ 10 triệu đến 50 triệu USD cho toàn bộ dự án.
Bản chất của trò chơi này là "quyền sở hữu vật lý" — mượn danh tính hợp pháp để né tránh rủi ro bản quyền kỹ thuật số. Đây là một chiến lược pháp lý có chủ đích. Mua sách giấy, bạn sở hữu một bản sao vật lý. Sau đó, việc quét toàn bộ nội dung thành văn bản số vi phạm luật bản quyền. Khác biệt giữa việc này và việc tải sách lậu gần như không có. Nhưng về mặt truyền thông, nó tạo ra một lớp bảo vệ: "Chúng tôi đã trả tiền cho từng cuốn sách." Trò chơi này đặt cược vào sự mơ hồ của luật pháp. Các công ty AI chấp nhận rủi ro pháp lý cao, nhưng họ cược rằng khoản bồi thường sẽ rẻ hơn so với chi phí mua bản quyền sạch từ các nhà xuất bản.
Góc nhìn mà hầu hết báo cáo bỏ qua: đây là cuộc khủng hoảng "thị trường dữ liệu" phi tập trung thất bại. Trong thế giới tiền mã hóa, chúng ta nói về token hóa tài sản, về thị trường dữ liệu mở như Ocean Protocol, về việc quyền sở hữu tri thức được mã hóa thành token. Nhưng thực tế cho thấy một khoảng trống khổng lồ: không có hạ tầng thị trường nào cho phép các AI lab mua dữ liệu sách hợp pháp, minh bạch với mức giá hợp lý. Thị trường đã thất bại. Kết quả là họ quay lại phương pháp thô sơ nhất — mua giấy, xé trang, quét. Điều này phản ánh một thực tế đau đớn: các giao thức phi tập trung về dữ liệu vẫn chưa đủ trưởng thành để giải quyết bài toán kinh tế vi mô của ngành AI.
Hãy nhìn vào các con số ẩn. Với 1 triệu cuốn sách, mỗi cuốn trung bình 300 trang và 80.000 token sau khi OCR, tổng lượng dữ liệu là 80 tỷ token. Đây là một con số khổng lồ, đủ để huấn luyện một mô hình 70B tham số với chất lượng cao. Chi phí cho lượng dữ liệu này nếu mua từ các nhà cung cấp dữ liệu thương mại hiện tại (như Appen, Scale AI) có thể vượt xa 50 triệu USD. Nhưng cái giá thực sự không phải tiền, mà là rủi ro danh tiếng. Các nhà xuất bản lớn như Pearson, Wiley, và các tổ chức tác giả đang theo dõi sát sao. Nếu họ phát hiện ra một AI lab cụ thể thực hiện chiến dịch "xé sách" này, làn sóng kiện tụng sẽ không thể tránh khỏi. Và đây là phần quan trọng: trong ngành AI, chiến lược "xin lỗi sau" không hoạt động. Một khi mô hình đã được huấn luyện, việc "xóa" dữ liệu đã học là gần như bất khả thi.
Điều này gợi nhớ tôi về những giao thức cho vay DeFi trong mùa hè 2020. Các dự án như Yam Finance hay SushiSwap đã nhanh chóng huy động hàng tỷ USD thanh khoản mà không có sự kiểm toán nghiêm túc. Họ cũng theo logic "làm trước, xin lỗi sau". Khi thị trường sụp đổ, người dùng mất tiền. Trong trường hợp này, các AI lab đang đánh bạc với tài sản trí tuệ của người khác. Và cũng giống như những người dùng DeFi non trẻ năm 2020, các tác giả và nhà xuất bản có thể sẽ phản ứng dữ dội hơn mong đợi.
Một điểm mù khác nằm ở khía cạnh văn hóa. Những cuốn sách bị xé không phải là hàng tồn kho giá rẻ vô danh. Rất có thể bao gồm sách chuyên khảo, tài liệu học thuật, sách đã tuyệt bản. Một phần di sản tri thức nhân loại đang bị xé thành từng mảnh, quét thành pixel, rồi bị vứt vào thùng rác. Về mặt kỹ thuật, bạn có thể thu thập chúng một cách lạnh lùng. Nhưng về mặt biểu tượng, đây gần như là "đốt thư viện Alexandria" thời hiện đại. Ở đây, vấn đề không phải là mất bản sao vật lý mà là việc biến tri thức thành một loại nguyên liệu thô — một loại hàng hóa khai thác được, giống như quặng đất hiếm vậy.
Từ góc độ đầu tư, đây là thời điểm vàng cho các công ty khởi nghiệp xây dựng hạ tầng dữ liệu có đạo đức. Hãy nghĩ về một "Copyright Clearinghouse for AI" — một trung gian thanh toán bản quyền tự động, nơi tác giả đăng ký tác phẩm của họ, và các AI lab trả phí dựa trên số lượng token sử dụng. Điều này giống như ASCAP/BMI trong lĩnh vực âm nhạc. Nếu một startup có thể giải quyết bài toán phân phối doanh thu cho tác giả và nhà xuất bản một cách minh bạch, với chi phí thấp hơn so với chi phí của các chiến dịch "xé sách", họ sẽ chiến thắng. Nhưng cửa sổ cơ hội đang hẹp dần. Một khi các AI lab đã tích lũy đủ dữ liệu sách trong vài năm tới, nhu cầu sẽ giảm.
Về dài hạn, tôi tin rằng các blockchain có thể trở thành lớp hạ tầng để truy vết nguồn gốc dữ liệu huấn luyện. Nếu một cuốn sách được mã hóa thành NFT (hoặc một dạng chứng chỉ số hóa) cùng với các điều khoản cấp phép, thì các AI lab có thể mua bản quyền sử dụng dữ liệu một cách rõ ràng. Nhưng hiện tại, những nỗ lực này vẫn chỉ ở giai đoạn sơ khai, và câu chuyện "xé sách" là minh chứng rõ ràng nhất cho sự thất bại của chúng.
Bài toán này không chỉ là câu chuyện về AI. Nó là câu chuyện về cách chúng ta định giá tri thức. Sẽ có biến động pháp lý trong 6-18 tháng tới. Các vụ kiện như New York Times vs OpenAI đang diễn ra, và phán quyết sơ bộ có thể sẽ tạo tiền lệ. Nhưng câu hỏi quan trọng hơn cho cộng đồng blockchain: khi dữ liệu là vàng mới, làm sao để xây dựng một thị trường nơi vàng này có thể được giao dịch công bằng, minh bạch và tự do? Nếu câu trả lời vẫn là "không có câu trả lời", thì những cuốn sách tiếp theo sẽ tiếp tục bị xé.