Tuần này, thông tin về việc một lượng lớn sách quý hiếm bị nghiền nát tập trung chỉ để cung cấp dữ liệu huấn luyện mô hình ngôn ngữ lớn (LLM) đã thu hút sự quan tâm rộng rãi của những người yêu sách và cư dân mạng.
Thông tin cho biết, gần đây một số nhà cung cấp sách đã nhận được những đơn hàng có số lượng lớn bất thường. Giới trong ngành suy đoán rằng các công ty AI muốn có dữ liệu huấn luyện chất lượng cao hơn, sạch hơn, đồng thời hạn chế tối đa rủi ro bản quyền. Tâm điểm của tranh cãi lần này hướng đến trang cơ sở dữ liệu sách ISBNdb. Bên ngoài cho rằng trang web này không chỉ khuyến khích cách làm trên mà thậm chí còn kết nối các công ty AI với nhà cung cấp sách. Khi dư luận nhanh chóng dâng cao, ISBNdb bắt đầu tìm cách tách mình khỏi tranh cãi và xóa các nội dung liên quan từng đăng trước đó.
Trong tuyên bố mới nhất, ISBNdb cho biết: “Chúng tôi đã chú ý đến các bài đưa tin gần đây về một trang đích tiếp thị trên website và hiểu những lo ngại mà trang này gây ra. Chúng tôi không huấn luyện mô hình AI và chưa từng kinh doanh lĩnh vực liên quan. Trang đó chỉ là một cuộc thử nghiệm nhu cầu thị trường, dịch vụ liên quan chưa bao giờ thực sự ra mắt và hiện chúng tôi đã xóa trang này.”
Vài ngày trước, 404 Media đưa tin nhiều nhà cung cấp sách bất ngờ nhận được lượng lớn đơn đặt mua sách. Do ngân sách của trường học và thư viện gặp khó khăn trong những năm gần đây, nhu cầu mua sách giảm, nhiều nhà cung cấp chịu áp lực kinh doanh lớn hơn nên dễ chấp nhận các đơn hàng giá trị cao như vậy.
Khi đó, bên ngoài nhìn chung nghi ngờ người mua đứng sau là các công ty AI, còn ISBNdb trở thành tâm điểm dư luận vì trang này từng推出 một dịch vụ dường như chuyên giúp các doanh nghiệp AI kết nối với các đơn vị lưu trữ sách.
Trên trang quảng bá hiện đã bị xóa từng viết: “Dữ liệu huấn luyện AI chất lượng cao nhất thế giới đang nằm trên các giá sách. Sách chứa đựng tri thức nhân loại đã được tuyển chọn, bình duyệt và tích lũy trong các lĩnh vực chuyên môn. Mức độ có cấu trúc của chúng là điều mà bất kỳ trình thu thập dữ liệu web nào cũng không thể sao chép, với nội dung cô đọng, được biên tập và có tính thẩm quyền.”
Trên thực tế, đây không phải lần đầu cách làm này bị phanh phui. Ngay từ tháng 1 năm nay, một tài liệu tòa án được công khai đã tiết lộ dự án có mật danh nội bộ “Project Panama (Dự án Panama)” của Anthropic. Dự án này nhằm mua càng nhiều sách càng tốt, quét số hóa rồi tiêu hủy sách giấy.
Sau đó, Anthropic đã đạt được thỏa thuận dàn xếp trị giá 1,5 tỷ USD với các tác giả (lưu ý: theo tỷ giá hiện tại tương đương khoảng 10,147 tỷ nhân dân tệ). Tuy nhiên, các tài liệu tòa án được công khai sau đó cho thấy bản thân cách làm này được cho là hợp pháp; điều thực sự khiến công ty lo ngại là dư luận tiêu cực kéo theo. Vì vậy, Anthropic sẵn sàng trả cái giá rất cao để tránh việc cách làm liên quan bị phanh phui.
Giờ đây, nội tình này đã được công khai, nên những đơn hàng mua số lượng lớn sách quý hiếm xuất hiện gần đây cũng nhận được sự chú ý nghiêm ngặt hơn.
Một người bán sách giấu tên nói với 404 Media: “Cách làm này vừa giúp tôi xử lý lượng hàng tồn vốn rất khó bán, vừa giúp tôi kiếm được tiền. Nhưng mặt khác, tôi không thích mục đích cuối cùng của những cuốn sách này và không muốn thấy một số sách hiếm bị nghiền trực tiếp thành bột giấy.”
Bài viết cho biết, khi các công ty AI ngày càng khó có được dữ liệu huấn luyện “sạch”, họ đang tìm kiếm các nguồn dữ liệu mới.
Lượng lớn nội dung chất lượng thấp trên internet, cùng ngày càng nhiều nội dung do chính AI tạo ra, đều có thể khiến việc huấn luyện mô hình rơi vào vấn đề “vòng lặp phản hồi tiêu cực”. Vì vậy, các công ty muốn có dữ liệu chất lượng cao hơn nhưng đồng thời cố gắng hạn chế thu hút sự chú ý từ bên ngoài.
Mùa hè năm nay, hãng phim A24 đã công bố hợp tác với Google để cung cấp tư liệu huấn luyện cho DeepMind, nhằm giúp mô hình tạo nội dung truyền thông của công ty thoát khỏi tình trạng có quá nhiều nội dung AI chất lượng thấp và phong cách lộn xộn.
Về lý do phải tiêu hủy sách giấy, bài viết cho rằng việc này không nhằm che giấu dấu vết, cũng không xuất phát từ mục đích lưu giữ tri thức quý hiếm.
Dù các tài liệu liên quan đến “Project Panama” không nêu rõ lý do cụ thể phải tiêu hủy sách, lời giải thích có khả năng nhất vẫn là để giảm chi phí. Trên thực tế, việc quét số hóa sách không nhất thiết phải phá hủy sách gốc, nhưng nếu toàn bộ quy trình đặt mục tiêu chi phí thấp và hiệu suất cao, người ta rất có thể sẽ tháo gáy sách trực tiếp để có bề mặt phẳng hơn, cho chất lượng quét rõ hơn, sau đó xử lý những cuốn sách đã hư hỏng như giấy phế liệu.