Dấu vết 1.000 cuốn sách hé lộ đường dây số hóa dữ liệu AI của Amazon

Một lô khoảng 1.000 cuốn sách đã trở thành đầu mối để 404 Media điều tra một hoạt động được cho là của Amazon: mua sách in, số hóa nội dung rồi tiêu hủy bản vật lý. Dấu vết của lô hàng dẫn đến một cơ sở Amazon ở Las Vegas; quy trình được mô tả phù hợp với việc tạo ra một kho dữ liệu văn bản quy mô lớn cho AI. Amazon nói họ mua sách “để cải thiện sản phẩm”, nhưng không công khai số lượng sách, số cơ sở tham gia hay liệu hoạt động ở Las Vegas có cung cấp dữ liệu cho một mô hình AI cụ thể hay không.

Apple AirTag đã lần theo lô sách như thế nào?

404 Media đặt một thiết bị Apple AirTag vào lô hàng sách mua số lượng lớn từ một nhà bán sách ở California. Theo cuộc điều tra, lô hàng đi qua Wisconsin và Colorado trước khi đến kho LAS8 của Amazon tại Las Vegas. Sau đó, hàng được chuyển đến VGT3, một khu vận hành ở phía bắc cơ sở này. 404 Media nhận diện VGT3 qua logo hình khủng long T. rex cùng một cuốn sách và các cuộc phỏng vấn nhân viên.

Điểm đáng chú ý không chỉ là Amazon nhận lô sách. Điểm quan trọng nằm ở nơi lô hàng được chuyển đến và lời kể của nhân viên: VGT3 dường như xử lý sách như nguyên liệu cần gia công, thay vì hàng tồn kho thông thường để bán lại hoặc thực hiện đơn hàng của khách.

Quy trình “mua - quét - tiêu hủy”

Theo các nhân viên được 404 Media dẫn lời, cơ sở này tiếp nhận những lô sách in lớn, tháo hoặc cắt phần gáy để các trang có thể chạy qua máy quét tốc độ cao, quét nội dung trang cùng mã vạch, rồi loại bỏ hoặc tái chế các tờ giấy rời.

Nói cách khác, quy trình biến một cuốn sách vật lý thành văn bản có thể đọc bằng máy, đồng thời xóa bỏ bản gốc. Đây là hoạt động khác về bản chất so với mua sách để bán lại, lưu kho hoặc giao cho khách hàng.

Cuộc điều tra cho thấy dấu hiệu của một chuỗi thu mua và số hóa sách đáng kể, nhưng chưa xác định được tổng số sách liên quan hay một mô hình Amazon cụ thể được huấn luyện bằng những bản quét này.

Amazon xác nhận điều gì, và điều gì vẫn còn bỏ ngỏ?

Amazon nói với 404 Media rằng công ty mua sách “để cải thiện sản phẩm”. Tuy nhiên, theo bài điều tra, Amazon không cho biết họ mua bao nhiêu sách, có bao nhiêu cơ sở thực hiện việc quét, sản phẩm nào sử dụng dữ liệu thu được, hay quy trình tại Las Vegas có trực tiếp phục vụ việc huấn luyện các mô hình AI hay không.

Vì vậy, cần phân biệt giữa bằng chứng vận hành và một lời thừa nhận đầy đủ. 404 Media đưa ra các dấu hiệu gồm lô hàng được theo dõi, điểm đến nằm trong một cơ sở Amazon, một bộ phận chuyên xử lý sách và lời kể về việc quét rồi tiêu hủy. Những dữ kiện đó cho thấy hoạt động số hóa sách tương thích với việc thu thập dữ liệu AI, nhưng chưa chứng minh mọi cuốn sách được xử lý tại đây đều trở thành dữ liệu huấn luyện cho một mô hình mang tên cụ thể.

Kết luận thận trọng nhất vẫn rất đáng chú ý: 404 Media đã tìm thấy bằng chứng về một hoạt động số hóa sách của Amazon, diễn ra trong bối cảnh công ty đang đầu tư vào phát triển mô hình AI tiên tiến và các dịch vụ dữ liệu. Reuters cũng đưa tin Amazon đang điều chỉnh chiến lược AI, tập trung nguồn lực vào một nỗ lực phát triển mô hình tiên phong mới.

Vì sao các nhà bán sách nghi ngờ việc thu gom theo quy mô toàn bộ danh mục?

Một số nhà bán sách nói với 404 Media rằng những đơn hàng số lượng lớn có biểu hiện bất thường: danh mục sách rất tạp, dường như ít phụ thuộc vào giá bán lại, tình trạng, chủ đề hay giá của từng cuốn. Người mua để bán lại thường phải cân nhắc nhu cầu và biên lợi nhuận. Ngược lại, người mua để tạo dữ liệu huấn luyện có thể quan tâm hơn đến việc thu thập nhiều tựa sách và mã ISBN khác nhau.

Mẫu hình này khiến các nhà buôn nghi ngờ rằng các công ty AI hoặc đơn vị môi giới dữ liệu đang tìm cách tiếp cận cả danh mục sách đã xuất bản, thay vì chỉ chọn những tựa có giá trị thương mại. Trước đó, 404 Media đưa tin ISBNdb từng quảng bá dịch vụ thu mua sách in số lượng lớn cho các công ty AI. Sau khi bị chú ý, ISBNdb gỡ nội dung liên quan và nói trang web đó chỉ là một phép thử mức độ quan tâm của thị trường.

Dù vậy, bằng chứng hiện có không khẳng định mọi đơn hàng bất thường đều liên quan đến Amazon hay AI. Nó chỉ cho thấy vì sao thị trường này khó đoán đối với người bán sách: một đơn hàng tưởng như ngẫu nhiên có thể không hợp lý nếu nhìn từ góc độ bán lẻ, nhưng lại có lý nếu mục tiêu là mở rộng độ bao phủ của một bộ dữ liệu.

Vì sao sách cũ hấp dẫn với các hệ thống AI?

Sách in cung cấp một nguồn ngôn ngữ do con người viết từ trước khi văn bản tạo sinh bằng AI lan rộng. Các tác phẩm cũ hoặc đã ngừng xuất bản cũng có thể chứa thông tin chuyên ngành, địa phương, lịch sử hoặc những nội dung khó tìm trên Internet.

Điều đó khiến sách vật lý trở thành nguồn văn bản vừa đa dạng, vừa ít có khả năng chứa toàn văn bản tổng hợp bởi AI. Trong bài viết về ISBNdb, 404 Media mô tả sách cũ có giá trị một phần vì chúng không bị pha trộn bởi cái gọi là “AI slop” — những nội dung AI tạo ra với số lượng lớn và chất lượng không đồng đều.

Các nhà nghiên cứu và nhà phát triển cũng thảo luận về “sự sụp đổ mô hình” (model collapse), tức khả năng chất lượng hoặc độ đa dạng của các mô hình đời sau suy giảm nếu chúng liên tục được huấn luyện bằng đầu ra tổng hợp từ các mô hình trước đó. Mối lo này giúp giải thích sự quan tâm đối với các tài liệu cũ do con người tạo ra, nhưng không phải bằng chứng cho thấy mô hình của Amazon đã rơi vào tình trạng đó, hay lô sách ở Las Vegas được thu thập chính vì lý do này.

Điểm tương đồng với Project Panama của Anthropic

Quy trình được mô tả tại Amazon có nhiều nét tương đồng với Project Panama của Anthropic. Trong hoạt động này, Anthropic mua sách in, tháo phần gáy, quét từng trang rồi loại bỏ bản giấy để tạo dữ liệu số cho công việc AI.

Một phán quyết ngày 23/6/2025 trong vụ Bartz v. Anthropic đã đưa ra ranh giới pháp lý đáng chú ý. Thẩm phán William Alsup nhận định việc sử dụng sách để huấn luyện Claude và các phiên bản tiền nhiệm là “mang tính chuyển đổi ở mức độ cực cao” và thuộc phạm vi sử dụng hợp lý (fair use) theo các tình tiết mà tòa xem xét. Ông cũng coi việc số hóa những cuốn sách in được mua hợp pháp là sử dụng hợp lý, bởi Anthropic đã thay thế các bản in đã mua bằng những bản kỹ thuật số tương ứng, dễ lưu trữ và tìm kiếm hơn trong thư viện nội bộ.

Tuy nhiên, phán quyết không có nghĩa là cứ tiêu hủy sách thì việc huấn luyện AI mặc nhiên hợp pháp. Phương thức mua, mục đích sử dụng, việc có lưu giữ hoặc phát tán bản sao hay không và toàn bộ bối cảnh vụ việc vẫn rất quan trọng. Cùng vụ kiện đó cũng phân biệt cách xử lý đối với thư viện được Anthropic xây dựng từ những cuốn sách bị lấy trái phép.

Đây là điểm then chốt khi nhìn vào hoạt động bị cho là của Amazon. Ngay cả nếu Amazon mua sách hợp pháp, các câu hỏi về quy mô thu gom, mục đích sử dụng bản quét, thỏa thuận với tác giả hoặc nhà xuất bản và việc bảo tồn những bản in hiếm vẫn tồn tại độc lập với phân tích sử dụng hợp lý có phạm vi hẹp trong vụ Bartz.

Bài toán không chỉ là bản quyền

Phản đối của các nhà bán sách không chỉ xoay quanh doanh thu bị mất hay khoản bồi thường bản quyền. Những cuốn sách hiếm và đã ngừng xuất bản còn mang giá trị lịch sử, tri thức, văn hóa và tình cảm. Khi một bản sách khan hiếm bị cắt rời rồi đưa đi tái chế, nội dung có thể vẫn tồn tại dưới dạng bản quét, nhưng hiện vật thì không thể phục hồi.

Đó là vấn đề bảo tồn mà một phán quyết về bản quyền không thể giải đáp đầy đủ. Một quy trình có thể được xem là hợp pháp trong một nhóm tình tiết nhất định, nhưng vẫn khiến người sưu tầm, nhà bán sách, thư viện và độc giả lo ngại vì họ coi sách in không chỉ là vật chứa văn bản.

Tranh cãi cũng cho thấy sự bất cân xứng thông tin trong thị trường này. Các công ty AI có thể nhận ra giá trị dữ liệu của những cuốn sách ít người biết đến từ rất lâu trước khi người bán cá nhân nhận ra rằng một đơn hàng số lượng lớn kỳ lạ là một phần của chiến lược thu gom rộng hơn.

Tuyên bố công khai của Amazon rằng họ mua sách để cải thiện sản phẩm vẫn để ngỏ những câu hỏi thiết thực nhất đối với ngành sách: hoạt động mua vào lớn đến đâu, những loại sách nào đang được quét và các tệp dữ liệu sau đó được sử dụng như thế nào.

Đặt trong chiến lược AI rộng hơn của Amazon

Hoạt động bị cáo buộc này phù hợp với nỗ lực rộng lớn hơn của Amazon nhằm cạnh tranh trong lĩnh vực AI tiên tiến. Reuters đưa tin vào tháng 7/2026 rằng Amazon đang thu hẹp hoạt động phát triển nhiều mô hình nội bộ và tập trung vào một nỗ lực phát triển mô hình tiên phong mới.

Ở mảng điện toán đám mây, AWS cũng tiếp thị Nova Forge — dịch vụ cho phép khách hàng kết hợp dữ liệu độc quyền của họ với dữ liệu huấn luyện do Amazon tuyển chọn trong quá trình phát triển các mô hình tiên phong tùy chỉnh.

Những thông tin này cho thấy Amazon có lý do chiến lược để coi trọng nguồn văn bản chất lượng cao, nhưng không tự chúng chứng minh rằng lô sách được 404 Media theo dõi đã được dùng để huấn luyện một mô hình cụ thể. Bằng chứng trực tiếp mạnh nhất vẫn là các phát hiện của cuộc điều tra về lô hàng và cơ sở ở Las Vegas.

Câu hỏi lớn hơn là liệu thị trường sách in có đang trở thành một chuỗi cung ứng vô hình cho AI hay không. Trong ít nhất một trường hợp được ghi nhận, 404 Media cho thấy sách đã đi từ nhà bán sách đến một cơ sở xử lý của Amazon, nơi chúng được quét và tiêu hủy. Quy mô thực sự của hoạt động này và việc các tệp sau đó được sử dụng ra sao vẫn chưa được công khai.