Cha đẻ ChatGPT đang làm gì với kho sách hiếm của các trường đại học?

Các công ty AI hợp tác với thư viện đại học để khai thác kho sách hiếm. Ảnh: Reuters.

Đại học Oxford không chỉ mở kho sách cổ cho OpenAI với mục đích số hóa. Một phần tài liệu được số hóa từ Thư viện Bodleian đã được đưa vào tập dữ liệu huấn luyện của công ty đứng sau ChatGPT.

Tháng 3/2025, Oxford thông báo hợp tác với OpenAI trong một dự án nghiên cứu nhằm sử dụng công nghệ của công ty để hỗ trợ số hóa các bộ sưu tập của Thư viện Bodleian. Mục tiêu được công bố khi đó là giúp các tài liệu lịch sử dễ tiếp cận hơn đối với sinh viên, nhà nghiên cứu và công chúng.

Tuy nhiên, những thông tin mới được The Guardian công bố cho thấy phạm vi hợp tác không dừng lại ở đó. Theo các tài liệu nội bộ của Oxford, những tài liệu Bodleian được OpenAI số hóa đã được sử dụng để bổ sung vào tập dữ liệu huấn luyện các mô hình AI của công ty.

Không chỉ Oxford mở kho tri thức cho OpenAI

Oxford không phải trường đại học duy nhất hợp tác với OpenAI trong việc số hóa và khai thác các nguồn tri thức. Tại Mỹ, Thư viện Công cộng Boston, Viện Công nghệ Massachusetts (MIT), Viện Công nghệ California (Caltech) và Đại học Michigan đều nằm trong mạng lưới NextGenAI do OpenAI khởi xướng từ tháng 3/2025.

Theo công bố của OpenAI, NextGenAI quy tụ 15 tổ chức nghiên cứu và giáo dục với khoản cam kết 50 triệu USD dưới dạng tài trợ nghiên cứu, năng lực tính toán và quyền truy cập API.

Các dự án của từng đơn vị không hoàn toàn giống nhau. Ví dụ, MIT cho phép sinh viên và giảng viên sử dụng API của OpenAI cùng nguồn lực tính toán để huấn luyện, tinh chỉnh mô hình và phát triển ứng dụng AI; trong khi Oxford và Thư viện Công cộng Boston tập trung vào việc đưa các bộ sưu tập lịch sử lên môi trường số.

Trường hợp của Thư viện Công cộng Boston cho thấy rõ hơn mối liên hệ giữa thư viện và nhu cầu dữ liệu của AI. Tháng 3/2025, thư viện công bố dự án số hóa bộ sưu tập với sự hỗ trợ từ NextGenAI. Giai đoạn thí điểm khoảng 5.000 tài liệu được quét và kiểm tra, trước khi mở rộng lên hàng chục nghìn tài liệu. Các tài liệu được lựa chọn thuộc phạm vi công cộng.

Bà Jessica Chapel, phụ trách dịch vụ số và trực tuyến của thư viện, cho biết dự án hướng đến việc xây dựng những bộ dữ liệu chất lượng cao, đồng thời tránh sử dụng tài liệu còn bản quyền. Với thư viện, công nghệ AI không chỉ phục vụ các công ty phát triển mô hình mà còn có thể giúp công chúng tiếp cận bộ sưu tập dễ dàng hơn.

Động thái này diễn ra trong bối cảnh các công ty AI ngày càng quan tâm đến những nguồn dữ liệu chất lượng cao, đặc biệt khi lượng nội dung trên Internet ngày càng bị pha loãng bởi chính nội dung do AI tạo ra.

Oxford là ví dụ mới nhất cho xu hướng này. Theo The Guardian, các tài liệu lịch sử từ thư viện Bodleian được OpenAI số hóa đã được đưa vào tập dữ liệu huấn luyện. Đến tháng 6/2025, khoảng 125.000 hình ảnh từ các luận án lịch sử đã được chia sẻ với OpenAI.

Điều đó cho thấy những thư viện từng được xem chủ yếu là nơi bảo tồn tri thức đang trở thành một mắt xích mới trong hạ tầng dữ liệu của AI. Câu hỏi đặt ra không còn đơn thuần là có nên số hóa sách hay không, mà là số hóa để ai sử dụng, với điều kiện nào và quyền kiểm soát dữ liệu thuộc về ai.

Thư viện Công cộng Boston. Ảnh: BPL.

Lợi hay hại?

Việc các thư viện mở kho tài liệu cho quá trình số hóa thực tế có mang lại lợi ích. Những tài liệu vốn khó tiếp cận có thể được chuyển thành dữ liệu số, tìm kiếm và khai thác dễ dàng hơn. Tuy nhiên, khi dữ liệu đó đồng thời trở thành nguồn đầu vào cho các hệ thống AI, câu chuyện bắt đầu phức tạp hơn.

Ông Simon Rowberry, nhà nghiên cứu tại Đại học London, nhận định sách là nguồn dữ liệu đặc biệt đối với AI vì chứa nội dung dài, đã qua biên tập và tuyển chọn. Nhưng chính đặc điểm này cũng khiến sách đi kèm những rủi ro pháp lý đáng kể.

Trong nghiên cứu công bố năm 2025, ông cho rằng sách có giá trị đối với dữ liệu huấn luyện nhưng đồng thời là một nguồn gây tranh cãi về bản quyền.

Một vấn đề quan trọng nằm ở tình trạng bản quyền của tài liệu. Trong dự án với Thư viện Công cộng Boston, phía thư viện khẳng định chỉ sử dụng tài liệu thuộc phạm vi công cộng. Oxford cũng cho biết phần tài liệu được số hóa trong dự án với OpenAI hiện có quy mô khiêm tốn và chỉ bao gồm những tài liệu đã hết thời hạn bảo hộ bản quyền. Thư viện Bodleian vẫn giữ quyền đối với các bản quét và cho biết sẽ công khai chúng trên Internet.

Tuy vậy, tranh luận về AI và sách không chỉ xoay quanh việc tài liệu còn bản quyền hay đã thuộc phạm vi công cộng. Nó còn liên quan đến cách dữ liệu được sử dụng sau khi số hóa và mức độ minh bạch của các thỏa thuận giữa cơ sở lưu trữ với công ty công nghệ.

Trường hợp Oxford cho thấy vấn đề này đã xuất hiện ngay trong nội bộ trường. Theo các biên bản do The Guardian đưa ra, một số nhân viên và thành viên ủy ban quản trị của Thư viện Bodleian từng bày tỏ lo ngại về rủi ro danh tiếng khi hợp tác với OpenAI cũng như tác động môi trường của công nghệ AI.

Oxford sau đó bác bỏ ý kiến cho rằng yếu tố huấn luyện AI bị che giấu, đồng thời nhấn mạnh mục tiêu chính của dự án vẫn là số hóa và mở rộng khả năng tiếp cận tài liệu.

Ở Mỹ, tranh luận pháp lý cũng đang diễn ra. Trong một vụ kiện liên quan công ty AI Anthropic vào năm 2025, một thẩm phán liên bang Mỹ kết luận việc sử dụng những cuốn sách được mua hợp pháp để huấn luyện AI thuộc phạm vi “sử dụng hợp lý" trong vụ việc cụ thể đó. Tuy nhiên, việc lưu trữ hàng triệu bản sách lậu lại bị xác định là vi phạm bản quyền.

Nhìn chung, phán quyết cho thấy việc AI "học" từ sách và việc AI sở hữu hoặc lưu trữ bản sao sách có thể được pháp luật xem xét theo những cách khác nhau.

Khi sách không chỉ còn là tài liệu để con người đọc mà trở thành nguồn dữ liệu để AI học, câu hỏi lớn hơn không nằm ở việc có nên số hóa hay không, mà là ai được quyền sử dụng những dữ liệu đó, cho mục đích nào và công chúng nhận lại gì từ quá trình này.

Cùng với đó, những thỏa thuận giữa thư viện và các công ty AI đang tạo ra một mối quan hệ mới giữa bảo tồn tri thức và phát triển công nghệ. Việc số hóa giúp hàng triệu trang tài liệu được bảo tồn, tìm kiếm và tiếp cận dễ dàng hơn, nhưng đồng thời đặt ra yêu cầu về bản quyền, nguồn gốc và quyền kiểm soát dữ liệu.