Đỗ Đức Dũng
Tóm tắt
Khi trí tuệ nhân tạo ngày càng được ứng dụng rộng rãi, một câu hỏi quan trọng được đặt ra là: nếu dữ liệu chuyên ngành được sử dụng để huấn luyện, tinh chỉnh hoặc cung cấp ngữ cảnh cho AI, liệu dữ liệu đó có còn là tài sản của người sở hữu ban đầu hay đã trở thành tri thức chung của mô hình và của xã hội? Bài viết phân tích vấn đề này trên các lớp khác nhau: dữ liệu gốc, bản sao dữ liệu, dữ liệu xử lý, embedding, mô hình đã huấn luyện, trọng số mô hình, kết quả đầu ra và tri thức suy ra từ dữ liệu. Bài viết cho rằng dữ liệu gốc không tự động mất quyền sở hữu chỉ vì được dùng cho AI học. Tuy nhiên, nếu thiếu hợp đồng, thiếu kiến trúc kỹ thuật bảo vệ, thiếu phân loại dữ liệu và thiếu chiến lược chủ quyền dữ liệu, tổ chức sở hữu dữ liệu có thể mất lợi thế tri thức và giá trị gia tăng từ dữ liệu. Đối với Việt Nam, đặc biệt trong các lĩnh vực tài nguyên nước, thủy lợi, khí tượng thủy văn, đất đai, nông nghiệp và phòng chống thiên tai, vấn đề chiến lược không chỉ là giữ dữ liệu, mà là chủ động chuyển hóa dữ liệu chuyên ngành thành AI chuyên ngành, tri thức số và năng lực ra quyết định của chính mình.
Từ khóa: dữ liệu chuyên ngành, AI, huấn luyện mô hình, chủ quyền dữ liệu, tài sản dữ liệu, quyền sở hữu trí tuệ, dữ liệu công, tài nguyên nước, AI chuyên ngành.
1. Đặt vấn đề
Trong các bài trước, tôi đã nhiều lần nhấn mạnh rằng dữ liệu chuyên ngành là một trong những nền tảng quan trọng nhất để làm chủ AI.
Nhưng chính từ nhận định đó lại nảy sinh một băn khoăn rất lớn:
Nếu chúng ta đưa dữ liệu chuyên ngành cho AI học, liệu dữ liệu đó có còn là tài sản của chúng ta không?
Đây không phải là câu hỏi lý thuyết.
Nó liên quan trực tiếp đến các cơ quan quản lý, viện nghiên cứu, trường đại học, doanh nghiệp, địa phương và các ngành đang nắm giữ những kho dữ liệu quý giá.
Trong lĩnh vực tài nguyên nước và thủy lợi, đó có thể là hàng chục năm số liệu mưa, mực nước, lưu lượng, xâm nhập mặn, ngập lụt, hạn hán, hồ chứa, đê điều, công trình thủy lợi, báo cáo quy hoạch và kinh nghiệm vận hành.
Nếu các dữ liệu này được dùng để huấn luyện một hệ thống AI, điều gì sẽ xảy ra?
Dữ liệu gốc còn thuộc về chúng ta không?
Mô hình AI học được từ dữ liệu đó thuộc về ai?
Tri thức được rút ra từ dữ liệu thuộc về ai?
Một doanh nghiệp công nghệ có thể dùng tri thức đó để tạo sản phẩm và bán ngược lại cho chúng ta không?
Đây là những câu hỏi rất thực tế, đặc biệt trong bối cảnh AI đang phát triển nhanh hơn khả năng hoàn thiện của pháp luật, hợp đồng và cơ chế quản trị dữ liệu.
2. Phương pháp tiếp cận
Bài viết tiếp cận vấn đề từ bốn góc độ.
Thứ nhất là góc độ kỹ thuật: AI học dữ liệu theo cách nào, dữ liệu gốc khác gì với mô hình đã học, embedding, trọng số mô hình và đầu ra của AI.
Thứ hai là góc độ pháp lý: quyền sở hữu dữ liệu, quyền sở hữu trí tuệ, bản quyền, bí mật kinh doanh, dữ liệu cá nhân và nghĩa vụ hợp đồng.
Thứ ba là góc độ kinh tế: dữ liệu tạo ra giá trị ở đâu, ai nắm giá trị gia tăng sau khi dữ liệu được chuyển hóa thành mô hình và dịch vụ AI.
Thứ tư là góc độ chủ quyền dữ liệu: với dữ liệu chuyên ngành quan trọng của quốc gia, cần tổ chức mô hình khai thác như thế nào để vừa phát triển AI, vừa không mất quyền kiểm soát và lợi thế chiến lược.
Các phân tích dựa trên một số nguồn chính thức và học thuật quốc tế. World Bank nhấn mạnh cần một “khế ước xã hội mới” về dữ liệu, cho phép sử dụng và tái sử dụng dữ liệu để tạo giá trị kinh tế – xã hội, nhưng đồng thời phải bảo đảm chia sẻ công bằng giá trị và niềm tin rằng dữ liệu không bị lạm dụng. OECD cũng coi quản trị dữ liệu là tập hợp các khung kỹ thuật, chính sách và pháp lý để quản lý dữ liệu, trong đó tiếp cận và chia sẻ dữ liệu có thể thúc đẩy đổi mới, tăng trưởng và phúc lợi. EU AI Act yêu cầu nhà cung cấp mô hình AI mục đích chung có nghĩa vụ về tài liệu kỹ thuật, chính sách tuân thủ bản quyền và công bố tóm tắt đủ chi tiết về nội dung dùng để huấn luyện theo mẫu của AI Office. Việt Nam cũng đã ban hành Chiến lược dữ liệu quốc gia đến năm 2030 và Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030.
3. Trước hết cần phân biệt: dữ liệu gốc không giống mô hình đã học
Để trả lời câu hỏi dữ liệu có còn là tài sản của chúng ta hay không, trước hết phải phân biệt các lớp khác nhau.
3.1. Dữ liệu gốc
Đây là bộ dữ liệu ban đầu: báo cáo, bản đồ, số liệu quan trắc, ảnh, hồ sơ công trình, bảng tính, bản vẽ, nhật ký vận hành, cơ sở dữ liệu chuyên ngành.
Nếu dữ liệu gốc thuộc sở hữu hoặc quyền quản lý hợp pháp của một cơ quan, tổ chức hay quốc gia, thì việc dùng dữ liệu đó cho AI học không tự động làm mất quyền đối với dữ liệu gốc.
Nói cách khác, một bộ số liệu mực nước, một báo cáo quy hoạch hay một bản đồ công trình không tự nhiên trở thành tài sản chung chỉ vì được dùng trong một quy trình AI.
3.2. Bản sao dữ liệu
Vấn đề bắt đầu phức tạp khi dữ liệu được sao chép sang hệ thống khác.
Nếu dữ liệu được chuyển lên máy chủ của một nhà cung cấp AI, được lưu lại trong hệ thống của họ, được dùng để cải thiện mô hình chung hoặc được chia sẻ cho bên thứ ba, thì quyền kiểm soát thực tế có thể thay đổi.
Ở đây, câu hỏi không chỉ là “ai sở hữu dữ liệu”, mà là “ai đang giữ bản sao, ai được quyền dùng bản sao đó, dùng trong bao lâu, dùng cho mục đích gì và có được xóa hay không”.
3.3. Dữ liệu đã xử lý
Trước khi huấn luyện AI, dữ liệu thường được làm sạch, chuẩn hóa, tách đoạn, gắn nhãn, chuyển đổi định dạng, loại bỏ lỗi hoặc bổ sung metadata.
Lớp dữ liệu này có thể tạo ra giá trị mới. Trong nhiều trường hợp, bộ dữ liệu đã xử lý còn quý hơn dữ liệu thô.
Vì vậy, hợp đồng và quy chế dữ liệu phải làm rõ: dữ liệu đã xử lý thuộc về ai?
3.4. Embedding và chỉ mục tri thức
Khi xây dựng hệ thống AI tra cứu theo tài liệu, dữ liệu có thể được chuyển thành các vector số gọi là embedding. Embedding không phải là văn bản gốc, nhưng nó chứa thông tin về ý nghĩa và mối quan hệ ngữ nghĩa của tài liệu.
Nếu một tổ chức đưa toàn bộ kho báo cáo quy hoạch vào hệ thống tìm kiếm AI, thì câu hỏi đặt ra là: các embedding và chỉ mục tri thức được tạo ra từ kho báo cáo đó thuộc về ai?
Đây là một lớp tài sản mới mà nhiều cơ quan chưa để ý.
3.5. Mô hình đã huấn luyện hoặc tinh chỉnh
Khi dữ liệu được dùng để huấn luyện hoặc tinh chỉnh một mô hình AI, tri thức từ dữ liệu có thể được phản ánh trong trọng số mô hình.
Mô hình không nhất thiết lưu nguyên văn dữ liệu, nhưng có thể học được quy luật, mẫu hình, cấu trúc, quan hệ và cách suy luận từ dữ liệu.
Đây chính là điểm nhạy cảm nhất.
Dữ liệu gốc vẫn có thể thuộc về chúng ta. Nhưng tri thức rút ra từ dữ liệu có thể đã được chuyển hóa vào mô hình của người khác.
3.6. Kết quả đầu ra của AI
AI có thể tạo báo cáo, khuyến nghị, dự báo, bản đồ, phương án vận hành hoặc phân tích rủi ro dựa trên dữ liệu đã học.
Lúc này lại phát sinh câu hỏi: kết quả đầu ra thuộc về ai, có được bảo hộ không, ai chịu trách nhiệm nếu sai, và có được dùng để huấn luyện tiếp hay không?
Như vậy, câu hỏi “dữ liệu còn là tài sản của chúng ta không” không thể trả lời bằng một câu đơn giản. Cần nhìn theo từng lớp: dữ liệu gốc, bản sao, dữ liệu xử lý, embedding, mô hình, đầu ra và quyền khai thác giá trị.
4. AI học dữ liệu như thế nào: không phải nhớ nguyên xi, nhưng có thể hấp thụ giá trị
Một cách hiểu phổ biến là AI “nuốt” dữ liệu rồi ghi nhớ tất cả.
Cách hiểu đó chưa chính xác.
Trong quá trình huấn luyện, AI thường không lưu dữ liệu theo dạng thư viện nguyên văn. Nó học các quan hệ thống kê, mẫu ngôn ngữ, cấu trúc, quy luật, tương quan và cách dự đoán đầu ra từ dữ liệu đầu vào.
Nói hình ảnh, AI giống một người học nghề.
Một kỹ sư thủy lợi đọc nhiều báo cáo quy hoạch, nhiều số liệu mưa lũ, nhiều hồ sơ công trình. Sau nhiều năm, anh ấy không nhớ từng dòng trong từng báo cáo, nhưng hiểu cách đánh giá lưu vực, cách nhìn rủi ro, cách đặt vấn đề quy hoạch và cách chọn phương án.
AI cũng vậy, ở một mức độ nhất định.
Nó không nhất thiết giữ nguyên từng bảng số liệu, nhưng có thể học được cách dữ liệu vận hành, cách các biến liên hệ với nhau, cách chuyên gia lập luận và cách hệ thống phản ứng trong các điều kiện khác nhau.
Đây là điểm rất quan trọng.
Mất dữ liệu gốc là một nguy cơ.
Nhưng mất lợi thế tri thức rút ra từ dữ liệu mới là nguy cơ lớn hơn.
Nếu một tổ chức bên ngoài dùng dữ liệu chuyên ngành của chúng ta để huấn luyện một mô hình tốt, sau đó sở hữu mô hình đó và thương mại hóa nó, thì dữ liệu gốc có thể vẫn nằm trong tay chúng ta, nhưng giá trị gia tăng đã dịch chuyển sang người khác.
Đó là điều cần suy nghĩ rất nghiêm túc.
5. Dữ liệu có tự động trở thành tài sản chung của nhân loại không?
Câu trả lời là: không.
Dữ liệu không tự động trở thành tài sản chung chỉ vì được dùng để huấn luyện AI.
Quyền đối với dữ liệu phụ thuộc vào nhiều yếu tố:
- dữ liệu đó là dữ liệu công khai hay dữ liệu hạn chế;
- dữ liệu có thuộc phạm vi bản quyền hay không;
- dữ liệu có chứa thông tin cá nhân hay không;
- dữ liệu có thuộc bí mật nhà nước, bí mật kinh doanh hay dữ liệu nhạy cảm hay không;
- dữ liệu được chia sẻ theo giấy phép nào;
- hợp đồng với nhà cung cấp AI quy định ra sao;
- dữ liệu được dùng để truy vấn, tinh chỉnh hay huấn luyện mô hình chung;
- dữ liệu được lưu ở đâu, trong bao lâu, ai được truy cập;
- mô hình được tạo ra từ dữ liệu thuộc về ai.
Nói cách khác, không có nguyên tắc mặc định rằng “AI đã học thì dữ liệu thành của chung”.
Nhưng cũng không nên chủ quan rằng “dữ liệu vẫn là của mình nên không có gì mất”.
Trong kỷ nguyên AI, quyền sở hữu pháp lý và quyền kiểm soát giá trị có thể tách rời nhau.
Ta có thể vẫn sở hữu dữ liệu gốc, nhưng mất quyền kiểm soát tri thức được chiết xuất từ dữ liệu.
Ta có thể vẫn giữ báo cáo, nhưng người khác có mô hình hiểu báo cáo tốt hơn ta.
Ta có thể vẫn có số liệu, nhưng người khác có sản phẩm AI dự báo, tối ưu và tư vấn từ số liệu đó.
Đây mới là vấn đề chiến lược.
6. Vấn đề pháp lý: quyền sở hữu dữ liệu không đơn giản như quyền sở hữu một tài sản vật chất
Với một chiếc máy, một thửa đất hay một công trình, quyền sở hữu thường tương đối rõ.
Nhưng với dữ liệu, vấn đề phức tạp hơn nhiều.
Dữ liệu có thể bao gồm nhiều lớp quyền khác nhau.
6.1. Quyền đối với dữ liệu thô
Nhiều dữ liệu thực tế là các sự kiện hoặc số đo. Ví dụ, lượng mưa 120 mm tại một trạm vào một ngày cụ thể là một sự kiện đo đạc. Bản thân sự kiện có thể không được bảo hộ như một tác phẩm sáng tạo theo cách thông thường.
Nhưng cơ sở dữ liệu tập hợp, cấu trúc, lựa chọn, tổ chức và chuẩn hóa các số liệu đó có thể có giá trị đầu tư lớn và có thể được bảo vệ theo các cơ chế pháp lý khác nhau tùy từng quốc gia.
6.2. Quyền tác giả đối với tài liệu
Báo cáo quy hoạch, bản đồ biên tập, bản vẽ, thuyết minh kỹ thuật, ảnh, biểu đồ, cơ sở dữ liệu có cấu trúc sáng tạo có thể liên quan đến quyền tác giả hoặc quyền liên quan.
Tranh luận quốc tế hiện nay về AI và bản quyền chủ yếu xoay quanh việc sử dụng tác phẩm có bản quyền để huấn luyện mô hình AI. WIPO ghi nhận dữ liệu huấn luyện là trung tâm đối với thành công của các hệ thống AI hiện nay, đồng thời chất lượng dữ liệu ảnh hưởng trực tiếp đến hiệu năng và độ tin cậy của hệ thống AI.
6.3. Dữ liệu cá nhân
Nếu dữ liệu chứa thông tin cá nhân, việc dùng cho AI phải tuân thủ các quy định về bảo vệ dữ liệu cá nhân, mục đích sử dụng, đồng ý, ẩn danh hóa, bảo mật và quyền của chủ thể dữ liệu.
6.4. Bí mật nhà nước, bí mật kinh doanh và dữ liệu nhạy cảm
Một số dữ liệu về hạ tầng quan trọng, an toàn công trình, an ninh nguồn nước, quy trình vận hành, dữ liệu địa hình chi tiết hoặc hạ tầng chiến lược có thể cần được phân loại và bảo vệ đặc biệt.
6.5. Hợp đồng và điều khoản sử dụng
Trong thực tế, hợp đồng có vai trò quyết định.
Nếu hợp đồng cho phép nhà cung cấp dùng dữ liệu để huấn luyện mô hình chung, thì quyền kiểm soát giá trị có thể bị giảm đáng kể.
Nếu hợp đồng quy định dữ liệu chỉ dùng trong môi trường riêng, không dùng để huấn luyện mô hình chung, không chia sẻ bên thứ ba, phải xóa khi kết thúc dịch vụ và mô hình tinh chỉnh thuộc về bên cung cấp dữ liệu, thì quyền kiểm soát được bảo vệ tốt hơn.
Vì vậy, khi dùng AI, vấn đề không chỉ là kỹ thuật. Vấn đề là hợp đồng, pháp lý và quản trị.
7. Thế giới đang quản trị vấn đề này như thế nào?
Thế giới chưa có một câu trả lời thống nhất cho câu hỏi dữ liệu huấn luyện AI thuộc về ai và tri thức rút ra từ dữ liệu thuộc về ai.
Nhưng đã có một số xu hướng đáng chú ý.
7.1. Tăng yêu cầu minh bạch về dữ liệu huấn luyện
EU AI Act yêu cầu nhà cung cấp mô hình AI mục đích chung phải công khai tóm tắt đủ chi tiết về nội dung dùng để huấn luyện mô hình theo mẫu của AI Office; đồng thời phải xây dựng chính sách tuân thủ pháp luật bản quyền của Liên minh châu Âu.
Điều này cho thấy dữ liệu huấn luyện không còn là “hộp đen” hoàn toàn. Các nhà làm luật đang yêu cầu mức độ minh bạch cao hơn, đặc biệt đối với mô hình AI mục đích chung.
7.2. Tăng nhấn mạnh quyền truy cập và chia sẻ dữ liệu có điều kiện
EU Data Act hướng tới tạo điều kiện chuyển giao dữ liệu có giá trị giữa bên nắm giữ dữ liệu và bên sử dụng dữ liệu, đồng thời bảo vệ tính bảo mật và duy trì động lực đầu tư tạo lập dữ liệu chất lượng cao. Data Governance Act của EU tạo khung để tăng niềm tin trong chia sẻ dữ liệu giữa cá nhân, doanh nghiệp và các tổ chức.
Điều này rất quan trọng: xu hướng không phải là đóng kín dữ liệu, mà là chia sẻ có quản trị.
7.3. Tăng yêu cầu quản lý rủi ro AI
NIST xây dựng AI Risk Management Framework để giúp các tổ chức quản lý rủi ro AI đối với cá nhân, tổ chức và xã hội. Trong tài liệu về AI tạo sinh, NIST khuyến nghị đánh giá chất lượng, tính toàn vẹn của dữ liệu huấn luyện và xuất xứ của nội dung do AI tạo ra.
Như vậy, thế giới đang đi theo hướng: AI phải có quản trị dữ liệu, quản trị rủi ro và khả năng truy xuất nguồn gốc tốt hơn.
7.4. Vấn đề bản quyền vẫn còn tranh luận
Báo cáo của U.S. Copyright Office về AI và huấn luyện AI năm 2025 cho thấy việc sử dụng tác phẩm có bản quyền để huấn luyện AI là một trong những vấn đề trung tâm và phức tạp nhất hiện nay.
Điều này nhắc chúng ta rằng pháp lý về AI vẫn đang phát triển. Không nên mặc định rằng mọi dữ liệu có thể tự do dùng để huấn luyện AI, cũng không nên mặc định rằng mọi kết quả học được từ dữ liệu đều được pháp luật bảo vệ rõ ràng cho bên cung cấp dữ liệu.
8. Bốn kịch bản sử dụng dữ liệu với AI
Để dễ hiểu hơn, có thể chia thành bốn kịch bản.
Kịch bản 1: Dùng AI công cộng để xử lý dữ liệu nhạy cảm
Đây là kịch bản rủi ro cao nhất.
Ví dụ, một cán bộ đưa báo cáo chưa công bố, dữ liệu vận hành hồ chứa, dữ liệu hạ tầng quan trọng hoặc hồ sơ nội bộ lên một công cụ AI công cộng mà không kiểm tra điều khoản sử dụng.
Trong trường hợp này, dữ liệu có thể bị lưu, bị dùng để cải thiện dịch vụ hoặc bị xử lý ngoài phạm vi kiểm soát của tổ chức, tùy chính sách cụ thể của nhà cung cấp.
Đây là điều cần tránh đối với dữ liệu chuyên ngành quan trọng.
Kịch bản 2: Dùng AI qua API hoặc dịch vụ doanh nghiệp có cam kết không huấn luyện mô hình chung
Kịch bản này an toàn hơn nếu hợp đồng quy định rõ dữ liệu không được dùng để huấn luyện mô hình chung, không chia sẻ bên thứ ba, có cơ chế bảo mật, có vị trí lưu trữ rõ ràng và có quyền xóa dữ liệu.
Tuy nhiên, vẫn cần đánh giá rủi ro về an ninh, quyền truy cập, nhật ký sử dụng, vị trí máy chủ và trách nhiệm khi có sự cố.
Kịch bản 3: Xây dựng hệ thống AI riêng trên dữ liệu của mình
Đây là hướng phù hợp với dữ liệu chuyên ngành quan trọng.
Dữ liệu được lưu trong hạ tầng do tổ chức hoặc quốc gia kiểm soát. AI được triển khai trong môi trường riêng. Mô hình có thể là mô hình mã nguồn mở, mô hình thương mại được triển khai riêng, hoặc mô hình tự phát triển.
Trong kịch bản này, quyền kiểm soát dữ liệu tốt hơn, nhưng đòi hỏi năng lực hạ tầng, nhân lực và quản trị cao hơn.
Kịch bản 4: Hợp tác huấn luyện AI với đối tác công nghệ
Đây là kịch bản có thể tạo giá trị lớn nhưng cũng có rủi ro lớn.
Nếu dữ liệu chuyên ngành được dùng để tinh chỉnh mô hình, cần làm rõ:
- dữ liệu gốc thuộc về ai;
- dữ liệu xử lý thuộc về ai;
- mô hình tinh chỉnh thuộc về ai;
- embedding và chỉ mục tri thức thuộc về ai;
- kết quả đầu ra thuộc về ai;
- đối tác có được dùng tri thức đó cho khách hàng khác không;
- mô hình có được thương mại hóa bên ngoài không;
- quyền kiểm toán và truy xuất nguồn gốc ra sao;
- kết thúc hợp đồng thì dữ liệu và mô hình xử lý thế nào.
Nếu không làm rõ các điều này, tổ chức sở hữu dữ liệu có thể mất lợi thế chiến lược.
9. Điều thật sự có thể bị mất không chỉ là dữ liệu, mà là lợi thế tri thức
Trong kỷ nguyên AI, tài sản có nhiều tầng.
Tầng thấp nhất là dữ liệu gốc.
Tầng cao hơn là dữ liệu đã làm sạch.
Cao hơn nữa là cơ sở tri thức, embedding, mô hình, thuật toán, quy trình ra quyết định và sản phẩm dịch vụ.
Nếu chỉ giữ dữ liệu gốc nhưng không làm chủ các tầng cao hơn, chúng ta vẫn có thể ở vị thế yếu.
Hãy hình dung một ví dụ trong lĩnh vực tài nguyên nước.
Một cơ quan có 50 năm số liệu mưa, mực nước, dòng chảy và hàng nghìn báo cáo quy hoạch. Nhưng dữ liệu nằm rời rạc, thiếu chuẩn, chưa số hóa đầy đủ, chưa liên thông và chưa có AI khai thác.
Một doanh nghiệp công nghệ được tiếp cận dữ liệu đó, xây dựng mô hình dự báo, hệ thống cảnh báo, công cụ hỗ trợ quy hoạch và nền tảng tra cứu tri thức. Sau đó doanh nghiệp nắm sản phẩm, nắm mô hình, nắm khách hàng và bán dịch vụ cho nhiều nơi.
Khi ấy, cơ quan ban đầu vẫn có dữ liệu gốc.
Nhưng giá trị gia tăng đã chuyển sang doanh nghiệp.
Đây là bài học rất quan trọng.
Trong thời đại AI, chỉ sở hữu dữ liệu chưa đủ. Phải làm chủ năng lực chuyển hóa dữ liệu thành tri thức và sản phẩm.
10. Đối với dữ liệu chuyên ngành quốc gia, cần tư duy “AI chủ quyền”
Với các dữ liệu chuyên ngành quan trọng, đặc biệt trong tài nguyên nước, đất đai, khí tượng thủy văn, nông nghiệp, hạ tầng, dân cư và phòng chống thiên tai, cần tiếp cận theo tư duy chủ quyền dữ liệu và AI chủ quyền.
AI chủ quyền không có nghĩa là tự làm tất cả.
AI chủ quyền có nghĩa là:
- biết dữ liệu nào phải giữ trong nước;
- biết dữ liệu nào có thể chia sẻ;
- biết dữ liệu nào chỉ được chia sẻ sau khi ẩn danh hoặc tổng hợp;
- biết dữ liệu nào được dùng để huấn luyện mô hình;
- biết mô hình nào cần triển khai trong hạ tầng kiểm soát được;
- biết hợp đồng nào không được phép để mất quyền sử dụng lại;
- biết sản phẩm AI nào phải do Việt Nam nắm năng lực lõi.
Đây là một tư duy thực tế.
Không quốc gia nào có thể đóng cửa hoàn toàn trong kỷ nguyên AI. Nhưng cũng không quốc gia nào có trách nhiệm lại giao toàn bộ dữ liệu chiến lược của mình cho bên ngoài mà không có điều kiện.
Việt Nam đã có nền tảng chính sách quan trọng với Chiến lược dữ liệu quốc gia đến năm 2030 và Chiến lược quốc gia về AI đến năm 2030. Vấn đề tiếp theo là phải cụ thể hóa các chiến lược này thành quy chế dữ liệu chuyên ngành, hạ tầng dữ liệu chuyên ngành, kho tri thức chuyên ngành và các hệ thống AI chuyên ngành có kiểm soát.
11. Nguyên tắc đề xuất khi đưa dữ liệu chuyên ngành vào AI
Theo tôi, khi sử dụng dữ liệu chuyên ngành cho AI, cần tuân thủ ít nhất tám nguyên tắc.
Nguyên tắc 1: Phân loại dữ liệu trước khi dùng AI
Không được đưa tất cả dữ liệu vào AI theo một cách giống nhau.
Cần phân loại:
- dữ liệu công khai;
- dữ liệu nội bộ;
- dữ liệu hạn chế;
- dữ liệu nhạy cảm;
- dữ liệu chiến lược;
- dữ liệu cá nhân;
- dữ liệu cần bảo vệ đặc biệt.
Nguyên tắc 2: Xác định mục đích sử dụng
Dữ liệu dùng để làm gì?
Tra cứu?
Tóm tắt?
Phân tích?
Tinh chỉnh mô hình?
Huấn luyện mô hình mới?
Tạo sản phẩm thương mại?
Mỗi mục đích có mức rủi ro khác nhau.
Nguyên tắc 3: Không dùng dữ liệu nhạy cảm với AI công cộng nếu chưa có kiểm soát
Đây là nguyên tắc rất thực tế.
Dữ liệu quan trọng của cơ quan, ngành, quốc gia không nên đưa vào các hệ thống không rõ cơ chế lưu trữ, sử dụng và bảo mật.
Nguyên tắc 4: Hợp đồng phải quy định rõ quyền dữ liệu
Hợp đồng với nhà cung cấp AI cần làm rõ:
- dữ liệu có được lưu không;
- có được dùng để huấn luyện mô hình chung không;
- có được chia sẻ cho bên thứ ba không;
- có được tạo sản phẩm thương mại từ dữ liệu không;
- mô hình tinh chỉnh thuộc về ai;
- dữ liệu đã xử lý thuộc về ai;
- embedding thuộc về ai;
- khi kết thúc hợp đồng dữ liệu được xóa thế nào;
- có quyền kiểm toán hay không.
Nguyên tắc 5: Giữ quyền đối với dữ liệu đã xử lý và kho tri thức
Nhiều người chỉ chú ý dữ liệu gốc mà quên dữ liệu đã xử lý.
Trong AI, dữ liệu đã làm sạch, đã gắn nhãn, đã chuẩn hóa, đã phân đoạn và đã gắn metadata thường có giá trị rất lớn.
Không nên để mất quyền đối với lớp dữ liệu này.
Nguyên tắc 6: Ưu tiên kiến trúc “AI đến với dữ liệu”, không phải “dữ liệu đi khỏi nơi kiểm soát”
Với dữ liệu quan trọng, nên xây dựng hệ thống để mô hình AI được triển khai trong môi trường dữ liệu được kiểm soát.
Nói hình ảnh, AI nên đến đọc trong thư viện của ta, thay vì ta gửi toàn bộ thư viện cho người khác.
Nguyên tắc 7: Có cơ chế kiểm định và truy xuất
Cần biết AI đã dùng dữ liệu nào, trả lời dựa trên nguồn nào, độ tin cậy ra sao, ai chịu trách nhiệm kiểm chứng.
Điều này đặc biệt quan trọng trong các lĩnh vực có rủi ro cao như vận hành hồ chứa, cảnh báo lũ, an toàn đập, quy hoạch phòng chống thiên tai.
Nguyên tắc 8: Phải gắn chuyên gia ngành với hệ thống AI
AI không tự hiểu hết bối cảnh chuyên ngành.
Chuyên gia phải tham gia vào việc chọn dữ liệu, kiểm định kết quả, giải thích sai số, xác định ngưỡng rủi ro và phê duyệt khuyến nghị.
12. Liên hệ với ngành tài nguyên nước và thủy lợi
Trong ngành tài nguyên nước và thủy lợi, dữ liệu có giá trị rất đặc biệt vì nó gắn với an toàn cộng đồng, phát triển sản xuất, vận hành công trình, phòng chống thiên tai và an ninh nguồn nước.
Các loại dữ liệu cần được xem xét cẩn trọng gồm:
- dữ liệu hồ chứa, đập, cống, trạm bơm;
- quy trình vận hành liên hồ;
- số liệu mưa, lũ, mực nước, lưu lượng;
- dữ liệu ngập lụt, hạn hán, xâm nhập mặn;
- dữ liệu đê bao, bờ bao, cao trình bảo vệ;
- dữ liệu dân cư, hạ tầng, vùng rủi ro;
- báo cáo quy hoạch và phương án công trình;
- dữ liệu điều tra cơ bản tài nguyên nước;
- kinh nghiệm chuyên gia về các trận lũ, hạn, mặn lớn.
Nếu các dữ liệu này được tổ chức tốt, Việt Nam có thể xây dựng AI chuyên ngành rất có giá trị.
Nhưng nếu đưa dữ liệu ra ngoài thiếu kiểm soát, hoặc chỉ cung cấp dữ liệu thô cho các nền tảng bên ngoài, chúng ta có thể mất cơ hội hình thành năng lực AI của chính mình.
Đặc biệt, các viện nghiên cứu và cơ quan chuyên ngành cần hiểu rằng kho dữ liệu của mình không chỉ là tư liệu lưu trữ. Đó là nền móng cho AI chuyên ngành trong tương lai.
Vì vậy, mỗi dự án số hóa, mỗi cơ sở dữ liệu, mỗi WebGIS, mỗi hệ thống quan trắc cần được nhìn như một phần của chiến lược AI dài hạn.
13. Từ “giữ dữ liệu” đến “làm chủ chuỗi giá trị dữ liệu”
Một sai lầm có thể xảy ra là chỉ chăm chăm giữ dữ liệu.
Giữ dữ liệu là cần thiết, nhưng chưa đủ.
Nếu dữ liệu được giữ trong tủ hồ sơ, trong ổ cứng, trong các file rời rạc, không chuẩn hóa, không liên thông, không có AI khai thác, thì dữ liệu vẫn chưa tạo ra năng lực.
Ngược lại, nếu chia sẻ dữ liệu thiếu kiểm soát, chúng ta có thể mất lợi thế.
Vì vậy, cần một tư duy cân bằng hơn: làm chủ chuỗi giá trị dữ liệu.
Chuỗi đó gồm:
- tạo lập dữ liệu;
- kiểm kê dữ liệu;
- phân loại dữ liệu;
- chuẩn hóa dữ liệu;
- bảo vệ dữ liệu;
- chia sẻ dữ liệu có điều kiện;
- phân tích dữ liệu;
- mô hình hóa dữ liệu;
- huấn luyện hoặc kết nối AI;
- tạo sản phẩm, dịch vụ và quyết định từ dữ liệu;
- giữ quyền đối với giá trị gia tăng.
Làm chủ dữ liệu không phải là khóa dữ liệu lại.
Làm chủ dữ liệu là kiểm soát được toàn bộ quá trình dữ liệu tạo ra giá trị.
14. Trả lời câu hỏi trung tâm
Vậy, dữ liệu sau khi AI học có còn là tài sản của chúng ta không?
Theo tôi, có thể trả lời thành bốn ý.
Thứ nhất, dữ liệu gốc vẫn có thể là tài sản của chúng ta
Nếu dữ liệu thuộc quyền sở hữu, quyền quản lý hoặc quyền kiểm soát hợp pháp của chúng ta, thì việc dùng dữ liệu cho AI học không tự động làm mất quyền đối với dữ liệu gốc.
Thứ hai, bản sao và quyền sử dụng dữ liệu phụ thuộc vào hợp đồng và kiến trúc kỹ thuật
Nếu dữ liệu được đưa ra ngoài mà không có điều khoản bảo vệ, quyền kiểm soát thực tế có thể bị suy giảm.
Thứ ba, tri thức rút ra từ dữ liệu có thể trở thành tài sản của người phát triển mô hình nếu không có thỏa thuận rõ
Đây là điểm nguy hiểm nhất.
Dữ liệu của ta có thể tạo ra mô hình của người khác.
Thứ tư, điều quan trọng nhất không chỉ là giữ dữ liệu, mà là tự chuyển hóa dữ liệu thành tri thức số
Nếu ta không làm điều đó, người khác có thể làm trước.
Khi đó, ta vẫn có dữ liệu nhưng không còn lợi thế.
15. Kết luận
Dữ liệu sau khi AI học không tự động trở thành tài sản chung của nhân loại. Nhưng dữ liệu cũng không còn là tài sản an toàn chỉ vì nó vẫn nằm trong máy chủ hay tủ hồ sơ của chúng ta.
Trong kỷ nguyên AI, tài sản thật sự không chỉ là dữ liệu gốc.
Tài sản thật sự là năng lực chuyển hóa dữ liệu thành tri thức, mô hình, sản phẩm và quyết định.
Vì vậy, đối với các ngành có nhiều dữ liệu chuyên sâu như tài nguyên nước, thủy lợi, khí tượng thủy văn, nông nghiệp, đất đai và phòng chống thiên tai, nhiệm vụ chiến lược là phải xây dựng năng lực làm chủ dữ liệu và AI chuyên ngành.
Điều đó đòi hỏi:
- phân loại dữ liệu;
- chuẩn hóa dữ liệu;
- bảo vệ dữ liệu;
- chia sẻ dữ liệu có kiểm soát;
- xây dựng kho tri thức;
- phát triển AI trong môi trường kiểm soát;
- quy định rõ quyền đối với dữ liệu, mô hình và sản phẩm sinh ra từ dữ liệu;
- kết hợp chặt chẽ giữa chuyên gia ngành và chuyên gia công nghệ.
Trong tương lai, câu hỏi không chỉ là: “Dữ liệu này thuộc về ai?”
Câu hỏi quan trọng hơn sẽ là:
Ai có quyền biến dữ liệu này thành tri thức, thành công nghệ và thành năng lực ra quyết định?
Đó mới là trung tâm của chủ quyền dữ liệu trong thời đại AI.
Một suy nghĩ bổ sung
Tôi từng nghĩ rằng điều quan trọng nhất là phải giữ dữ liệu.
Nhưng càng tìm hiểu về AI, tôi càng thấy rằng giữ dữ liệu mới chỉ là bước đầu.
Nếu chỉ giữ mà không biết khai thác, dữ liệu sẽ nằm im.
Nếu chia sẻ mà không kiểm soát, dữ liệu có thể làm giàu cho người khác.
Nếu biết tổ chức, chuẩn hóa, bảo vệ và chuyển hóa, dữ liệu sẽ trở thành tri thức số của chính mình.
Trong lĩnh vực tài nguyên nước và thủy lợi, chúng ta đang có một kho dữ liệu và kinh nghiệm rất lớn. Đó là kết quả của nhiều chục năm quan trắc, điều tra, quy hoạch, vận hành và ứng phó với thiên tai.
Kho dữ liệu ấy không nên chỉ được xem là tư liệu lưu trữ.
Nó cần được xem là nền móng để xây dựng AI chuyên ngành của Việt Nam.
AI có thể học từ dữ liệu của chúng ta. Nhưng tốt nhất, AI đó phải phục vụ năng lực của chúng ta, nằm trong sự kiểm soát của chúng ta và góp phần nâng cao năng lực ra quyết định của chúng ta.
Bởi trong kỷ nguyên AI, mất dữ liệu là nguy hiểm.
Nhưng nguy hiểm hơn là mất cơ hội biến dữ liệu của mình thành tri thức của mình.
Tài liệu tham khảo
- World Bank. World Development Report 2021: Data for Better Lives.
- OECD. Data Governance.
- European Union. Regulation (EU) 2024/1689 — Artificial Intelligence Act.
- European Commission. General-Purpose AI Code of Practice and Template for the Summary of Training Data.
- European Commission. Data Act.
- European Commission. Data Governance Act and Data Intermediation Services.
- WIPO. Artificial Intelligence and Intellectual Property.
- U.S. Copyright Office. Copyright and Artificial Intelligence, Part 3: Generative AI Training.
- NIST. AI Risk Management Framework and Generative AI Profile.
- Thủ tướng Chính phủ. Quyết định số 127/QĐ-TTg ngày 26/01/2021 về Chiến lược quốc gia về nghiên cứu, phát triển và ứng dụng trí tuệ nhân tạo đến năm 2030.
- Thủ tướng Chính phủ. Quyết định số 142/QĐ-TTg ngày 02/02/2024 phê duyệt Chiến lược dữ liệu quốc gia đến năm 2030.