Huawei, DeepSeek bị nghi dùng sách lậu để huấn luyện AI

Một nghiên cứu ghi nhận DeepSeek tạo ra chuỗi từ trùng với tiểu thuyết của nhà văn Hàn Quốc Han Kang. Ảnh: Reuters.

Theo báo JoongAng Ilbo, Huawei đã sử dụng The Pile, bộ dữ liệu tiếng Anh dung lượng khoảng 800 GB, làm một trong những nguồn văn bản để huấn luyện mô hình AI Pangu Sigma. Thông tin được đối chiếu với báo cáo kỹ thuật công ty công bố trên nền tảng arXiv vào tháng 3/2023.

Tài liệu mô tả The Pile cho biết bộ dữ liệu này có chứa Books3, kho sách điện tử được cho là bao gồm nhiều tác phẩm chưa được cấp phép. Danh mục Books3 công khai trên GitHub ghi nhận bản dịch tiếng Anh của ít nhất 19 tác phẩm thuộc 10 nhà văn Hàn Quốc.

Các tác phẩm được liệt kê gồm Human Acts và The Vegetarian của Han Kang, Princess Bari của Hwang Sok-yong, Please Look After Mom của Shin Kyung-sook và I Have the Right to Destroy Myself của Kim Young-ha.

Dù vậy, Huawei chưa xác nhận đã sử dụng toàn bộ hay chỉ một phần số tác phẩm này để huấn luyện mô hình. The Pile cũng từng được Zhipu AI và Đại học Thanh Hoa xác định là một trong những nguồn dữ liệu phục vụ phát triển mô hình ngôn ngữ GLM vào năm 2022.

DeepSeek cũng từng công bố sử dụng sách điện tử từ Anna’s Archive để huấn luyện mô hình DeepSeek-VL. Theo báo cáo kỹ thuật tháng 3/2024, bộ dữ liệu gồm 860.000 sách tiếng Anh và 180.000 sách tiếng Trung. Anna’s Archive là website lưu trữ và cung cấp quyền truy cập vào nhiều tài liệu số, trong đó có sách điện tử.

Kho dữ liệu này có các bản dịch tác phẩm của Han Kang và một số nhà văn Hàn Quốc khác. Tuy nhiên, DeepSeek cho biết đã lựa chọn tài liệu để huấn luyện thay vì tải xuống toàn bộ sách trên website. Vì thế, chưa thể xác định công ty có sử dụng các tác phẩm nói trên hay không.

Một nghiên cứu của các nhà khoa học thuộc Đại học Columbia, Đại học Carnegie Mellon và một số cơ sở khác ghi nhận DeepSeek 3.1 tạo ra một chuỗi 19 từ liên tiếp trùng với nguyên văn tiểu thuyết The Vegetarian sau quá trình tinh chỉnh mô hình.

Tiểu thuyết The Vegetarian của nhà văn Han Kang. Ảnh: News1.

Nhóm nghiên cứu xem đây là dấu hiệu gián tiếp cho thấy mô hình có thể đã được huấn luyện trước bằng tác phẩm của Han Kang. Tuy nhiên, nghiên cứu chưa trải qua phản biện khoa học và kết quả này chưa đủ để khẳng định nguồn dữ liệu mà DeepSeek đã sử dụng.

Việc sử dụng dữ liệu có bản quyền để huấn luyện AI đã trở thành vấn đề gây tranh luận trong ngành công nghệ. Các vụ kiện liên quan đến nhiều doanh nghiệp AI cho thấy ranh giới giữa việc sử dụng dữ liệu để nghiên cứu và quyền của chủ sở hữu tác phẩm vẫn là thách thức lớn.

Ông Choo Jae-gul, giáo sư tại Trường Sau đại học AI Kim Jaechul thuộc Viện Khoa học và Công nghệ Tiên tiến Hàn Quốc (KAIST), cho biết các nhà nghiên cứu từng phổ biến việc sử dụng những bộ dữ liệu công khai để huấn luyện mô hình. Một số bộ dữ liệu trong đó có chứa sách điện tử chưa được cấp phép.

Theo ông, trong giai đoạn đầu của cuộc đua AI, nhiều công ty tập trung cải thiện hiệu suất mô hình mà chưa xem xét đầy đủ những hệ quả pháp lý từ nguồn dữ liệu sử dụng.

Chiến dịch thu thập sách để ‘nuôi’ AI của Anthropic Dữ liệu vận chuyển và hồ sơ tòa án cho thấy Anthropic đã thu mua khối lượng lớn sách châu Á để huấn luyện AI, làm dấy lên những lo ngại mới về vấn đề bản quyền. 06:00 22/10/2026

Xu hướng sách viết tay bùng nổ giữa thời AI Giữa lúc AI ngày càng hiện diện nhiều trong xuất bản, những trang viết tay lại thu hút nhà văn, độc giả trẻ, kéo theo sự tăng trưởng của dòng sách dành cho chép tay ở Hàn Quốc. 14:35 7/9/2026

Những cuốn sách phủ bụi bỗng được săn mua thời AI Hàng loạt nhà bán sách bất ngờ nhận đơn số lượng lớn từ những "khách hàng bí ẩn". Nhiều cuốn sau đó được cho là bị đưa đi quét, thậm chí tiêu hủy để phục vụ AI. 20:07 24/8/2026