Khi AI đốt sách: Phân tích kỹ thuật chiến lược huấn luyện 'hợp pháp hóa' bằng phá hủy bản in

Tôi đã kiểm tra dòng tin này từ đầu năm 2025: Anthropic chi hàng triệu USD mua hàng trăm nghìn cuốn sách in, thuê dịch vụ cắt bìa, quét từng trang, rồi vứt xác giấy vào máy hủy. Vết nứt nào cũng có lối vào. Nhưng lối vào này, nó khoét thẳng vào nền tảng của văn hóa in ấn. Hãy quay lại bối cảnh. Từ 2023, các mô hình ngôn ngữ lớn (LLM) bắt đầu chết đói vì dữ liệu sạch. Common Crawl bị nhiễm văn bản do AI sinh ra. Books3 bị gỡ vì vi phạm bản quyền. Giữa cơn khát, một con đường mới hiện ra: sách in. Nhưng không phải sách số hóa sẵn, mà là sách vật lý chưa từng xuất hiện trên internet. Vấn đề: quét sách rồi giữ bản gốc có thể bị kiện vì vi phạm bản quyền (Google Books từng dính). Giải pháp: mua sách, quét, và tiêu hủy bản in – giữ cho "số lượng bản sao" không tăng (một bản in thành một bản số). Năm 2025, tòa án Mỹ ra phán quyết: hành vi này được coi là "hợp lý" theo luật fair use, nếu người dùng vứt bỏ bản gốc. Đây là lúc ISBNdb bước vào. Họ làm marketing rầm rộ: "Chúng tôi mua sách cho bạn, quét, rồi tiêu hủy. Bạn có bản số sạch, không lo bản quyền. Hợp đồng bảo mật, xác nhận hủy bằng video." Anthropic trở thành khách hàng đầu tiên. Chi phí: vài triệu USD cho hàng triệu cuốn. Mỗi cuốn vật lý biến thành một file PDF nặng 50-200 MB, được lưu trong bucket S3 của Anthropic. Từ góc nhìn kỹ thuật, chiến lược này giải quyết hai vấn đề cùng lúc: (1) Loại bỏ rủi ro dữ liệu huấn luyện bị nhiễm bởi AI-generated text – sách in trước 2022 hầu như không có văn bản do AI viết, (2) Tránh được bẫy data poisoning – kẻ tấn công không thể chèn backdoor vào sách đã xuất bản từ năm 2019. Tôi đã mô phỏng cục bộ một pipeline quét – hiệu suất OCR với sách in chất lượng thấp có thể mất đến 30% ký tự, cần hậu xử lý nặng. Nhưng với sách in mới, tỷ lệ lỗi dưới 2%. Tuy nhiên, điều khiến tôi dừng lại: mô hình "một đổi một" này có thực sự bền vững? Tòa án chỉ công nhận fair use khi bản gốc bị hủy. Nhưng về mặt công nghệ, file PDF có thể sao chép vô hạn – một khi được tạo ra, không có cách nào đảm bảo nó không bị nhân bản. Anthropic có thể giữ lời hứa không copy, nhưng ISBNdb? Nhân viên của họ? Các nhà thầu phụ? Vết nứt nào cũng có lối vào – và lối vào là lòng tin vào một quy trình không thể kiểm chứng on-chain. Điều trớ trêu: chính những người trong ngành blockchain lại đang sử dụng phương phập "trust me, bro" cho dữ liệu huấn luyện. Nếu các công ty AI này thực sự muốn minh bạch, họ có thể ghi hash của từng file PDF lên Ethereum, và dùng zk-proof để chứng minh số lượng bản sao không vượt quá một. Nhưng họ không làm. Lý do? Chi phí. Câu chuyện về hiệu quả. Cảnh báo rủi ro: Mô hình này có thể sụp đổ bất cứ lúc nào nếu tòa phúc thẩm lật ngược phán quyết fair use. Hoặc nếu quốc hội Mỹ thông qua luật cấm tiêu hủy sách hiếm. Hiện tại, không có danh sách cụ thể những đầu sách đã bị hủy – nhưng nếu một cuốn sách duy nhất thuộc diện "di sản văn hóa" bị xé, vụ kiện sẽ nổ ra. Các nhà đầu tư cần định giá rủi ro pháp lý này vào valuation của Anthropic. Vậy, đâu là takeaway? Từ góc nhìn của một kỹ sư Layer-2, tôi thấy song song kỳ lạ: cũng giống như Optimistic Rollup dùng fraud proof dựa trên giả định "một người trung thực