Nghịch lý dữ liệu: AI ăn chính sản phẩm của AI
Nghịch lý dữ liệu huấn luyện AI là tình huống các công ty trí tuệ nhân tạo vừa dựa vào nội dung Internet để xây dựng mô hình, vừa bị chính đầu ra của mô hình mình tạo ra sử dụng làm nguyên liệu huấn luyện cho đối thủ, khiến ranh giới giữa “học hỏi hợp pháp” và “sao chép khai thác” trở nên mờ nhạt và đặt ra câu hỏi gay gắt về đạo đức AI, quyền tác giả AI và kiểm soát AI trong kỷ nguyên dữ liệu tràn lan. Trong nhiều năm, những cái tên như OpenAI, Anthropic hay Google đã biện minh việc thu thập dữ liệu công khai trên web là phù hợp nguyên tắc sử dụng hợp lý hoặc được pháp luật cho phép trong một số trường hợp. Nhưng khi AI đủ mạnh để trở thành nguồn dữ liệu mới, chính họ lại phàn nàn khi mô hình của mình bị dùng để nuôi đối thủ. Vấn đề không còn là công nghệ, mà là thái độ chọn lọc đạo đức: khi tôi dùng dữ liệu của anh là sáng tạo, còn khi anh dùng dữ liệu của tôi là ăn cắp.
Chưng cất mô hình: học hỏi hay sao chép có hệ thống?
Một trong những điểm nóng của cuộc tranh cãi hiện nay là kỹ thuật distillation (chưng cất mô hình), tức dùng đầu ra của một mô hình mạnh để huấn luyện mô hình mới với chi phí thấp hơn nhưng chất lượng vẫn tương đối cao. Những tháng gần đây, Anthropic liên tục cáo buộc các công ty AI khác, trong đó có Alibaba, khai thác kết quả từ Claude làm dữ liệu huấn luyện cho hệ thống riêng. Về mặt kỹ thuật, nhiều nhà nghiên cứu khẳng định chưng cất mô hình không giống với việc cào quét dữ liệu Internet; nó giống việc tham khảo một giáo trình tổng hợp thay vì tài liệu thô. Tuy nhiên, ngay trong ngành vẫn không có sự đồng thuận: đâu là ranh giới giữa học hỏi công nghệ và sao chép thành quả, nhất là khi đầu ra của Claude, ChatGPT hay Gemini đã chứa trí tuệ tổng hợp từ vô số nguồn. "Lập luận có phần mâu thuẫn này đang dần bị thực tế khắc nghiệt của Internet hiện đại phơi bày". Nói cách khác, ai sống bằng dữ liệu của người khác sẽ khó có lý do đạo đức vững vàng để cấm người khác làm điều tương tự với mình.
Từ cào quét web đến hủy sách: mặt tối của dữ liệu huấn luyện AI
Nếu thế giới số đã bị khai thác tận cùng, các ông lớn chuyển sang thế giới vật lý: sách in. Điều tra của một nhóm nhà báo cho thấy một doanh nghiệp công nghệ lớn mua những cuốn sách được cho là hiếm để phục vụ dữ liệu huấn luyện AI, rồi hủy chúng trong quá trình quét trang để tối ưu tốc độ. Các cuốn sách bị tháo khỏi bìa, biến thành chồng giấy vô danh, sau đó bị "hủy một cách có hệ thống" trong kho chuyên dụng. Trước đó, tài liệu tòa án từng xác nhận một startup AI đã mua và hủy tới hàng triệu cuốn sách thông qua phương thức "quét phá hủy" nhằm thu thập nội dung cho mô hình của mình. Theo một bài phân tích, nhu cầu dữ liệu khiến các công ty lập danh sách ISBN để săn lùng gần như mọi cuốn sách hiện đại từng được in. Đây không còn là câu chuyện dùng dữ liệu huấn luyện AI cho tiện, mà là câu hỏi liệu chúng ta có chấp nhận đánh đổi việc bảo tồn tri thức và bản in chỉ để nuôi những cỗ máy ngôn ngữ khổng lồ.
Kiểm soát AI và sự phủ nhận quyền tác giả của hệ thống
Điều trớ trêu là trong khi các công ty cố giữ kín dữ liệu huấn luyện AI, họ lại bị giới xuất bản nhắc nhở rằng AI không phải tác giả. Một nhà xuất bản học thuật lớn, đơn vị đứng sau gần 3.000 tạp chí, đã cập nhật chính sách, tuyên bố các hệ thống như ChatGPT không thể được liệt kê là tác giả trong bài báo khoa học. Nhiều nhà xuất bản khác cũng làm theo. Lý do là rõ ràng: AI tạo ra văn bản nhưng không chịu trách nhiệm về nội dung thiếu sót hay bịa đặt, vốn có thể gây hại cho tài liệu học thuật. Trong khi đó, các công ty như Anthropic lại cố siết chặt quyền truy cập vào mô hình tiên tiến nhất của mình để ngăn đối thủ khai thác đầu ra Claude làm dữ liệu huấn luyện. Nhưng những biện pháp này hoặc kém hiệu quả, hoặc khiến đối thủ tìm cách tinh vi hơn để vượt rào. Khi đầu ra vẫn công khai trên Internet, luôn có người tìm được cách tiếp cận. Cuộc chơi kiểm soát AI đang tái hiện đúng mô hình “web chống bot, bot phá web” của thập kỷ trước, chỉ khác là đối tượng bị săn giờ là tri thức máy móc.
Từ vòng xoáy tự ăn thịt đến nhu cầu khung pháp lý mới
Các ông lớn AI đang tự mắc kẹt trong vòng xoáy dữ liệu do chính họ tạo ra: cào quét Internet để huấn luyện, rồi cố chặn việc người khác cào quét đầu ra của mình, trong khi lại âm thầm săn sách và tài liệu vật lý để có lợi thế cạnh tranh trước các đối thủ cùng ngành. Đây không phải là vấn đề kỹ thuật, mà là bằng chứng cho thấy đạo đức AI và khung quản trị dữ liệu hiện nay gần như bị bỏ trống. Ngay cả nội bộ giới nghiên cứu cũng không thống nhất nổi việc chưng cất mô hình có “hợp lý” hay không, chưa nói đến việc bảo vệ quyền tác giả AI hay quyền của tác giả con người bị cuốn vào dữ liệu huấn luyện AI. Khi nguồn dữ liệu trở thành bí mật thương mại và đồng thời là chiến trường đạo đức, cách duy nhất để thoát khỏi vòng tự ăn thịt này là xây dựng quy định rõ ràng về nguồn dữ liệu, về quyền từ chối bị huấn luyện, và về trách nhiệm của những người vận hành mô hình khi tri thức con người bị nghiền nhỏ thành tham số.
