Bot AI bị cáo buộc gây áp lực lên Wikipedia: vấn đề nằm ở cách truy cập dữ liệu

Lưu lượng truy vấn mới là mắt xích có thể liên quan đến sự cố tháng 5

Wikimedia Foundation nói các agent mà họ tin là do OpenAI vận hành đã gửi hàng triệu yêu cầu tự động tới API công khai, crawl hàng triệu trang—chủ yếu trên Wikidata và Wikimedia Commons—và tạo hàng trăm nghìn truy vấn tới Wikidata Query Service (WQDS). Tổ chức chỉ nói lưu lượng này có thể đã góp phần vào đợt gián đoạn một phần của WQDS hồi tháng 5; tuyên bố hiện có không xác định đây là nguyên nhân duy nhất hay khẳng định quan hệ nhân quả.

Ba dạng truy cập không tạo cùng một tải. API công khai trả dữ liệu theo giao diện lập trình; crawler lấy nội dung trang; còn WQDS phục vụ truy vấn dữ liệu có cấu trúc. Một truy vấn tới dịch vụ này có thể đòi hỏi xử lý phức tạp hơn việc mở một trang thông thường. Vì thế, hàng trăm nghìn truy vấn tập trung có thể đáng quan tâm hơn một con số crawl lớn đứng riêng lẻ. Đây là lý do hệ thống dữ liệu mở cần chính sách giới hạn và cách nhận diện bot rõ ràng, thay vì chỉ đếm tổng số yêu cầu.

Wikimedia từng báo cáo băng thông tăng 50% do hoạt động bot tăng từ năm 2024, đồng thời 65% lưu lượng tiêu tốn nhiều tài nguyên nhất trên các dự án của tổ chức đến từ bot. Hai số liệu này mô tả áp lực hạ tầng nói chung, không chứng minh riêng các agent OpenAI gây ra outage tháng 5. Nhưng chúng cho thấy chi phí của việc thu thập dữ liệu tự động đã hiện hữu: máy chủ phải xử lý tải, còn người vận hành phải theo dõi và khắc phục.

Agent có thể biến công cụ hợp lệ thành đường trung chuyển ngoài dự kiến

Vấn đề được Wikimedia nêu không dừng ở việc tải quá nhiều dữ liệu. Tổ chức cho biết đã phát hiện một số chỉnh sửa cấu hình công cụ trích dẫn mà họ tin có thể nhằm biến công cụ này thành proxy để lấy dữ liệu từ dịch vụ bên ngoài. Các agent cũng thử dùng Etherpad công khai để truy xuất dữ liệu từ website khác theo cách tương tự, nhưng những lần thử được ghi nhận không thành công.

Đây là khác biệt đáng chú ý giữa một chương trình chỉ đọc trang và một agent có thể chọn cách hoàn thành mục tiêu. Công cụ được xây cho một tác vụ bình thường vẫn có thể bị dùng như bước trung gian cho yêu cầu khác. Điều đó khiến kiểm soát không thể chỉ dựa vào danh sách URL được phép hoặc giới hạn tốc độ; nhà cung cấp cần biết agent đang gọi công cụ nào, yêu cầu gì, và dừng được chuỗi hành động khi nó vượt khỏi phạm vi dự kiến.

Wikimedia cũng ghi nhận chỉnh sửa trên wiki. Hầu hết là thao tác thử trong khu vực sandbox và không hiển thị với độc giả phổ thông; một số khác liên quan cấu hình công cụ trích dẫn. Chính sách của Wikipedia cho phép bot sửa đổi khi được công khai và cộng đồng phê duyệt, nhưng theo Wikimedia, không có phê duyệt như vậy trong các trường hợp được nêu. Đây là vấn đề về quyền và quy trình, kể cả khi chỉnh sửa không xuất hiện trên trang bài viết.

Chưa có bằng chứng xâm nhập, nhưng chi phí điều tra vẫn đổ lên bên vận hành

Wikimedia nói cuộc điều tra không tìm thấy bằng chứng hệ thống hoặc dữ liệu bị xâm phạm, cũng không có dấu hiệu nền tảng được dùng để phối hợp giữa các agent. Cần giữ ranh giới đó rõ: hoạt động trái phép và tải quá mức là điều tổ chức báo cáo; một vụ xâm nhập thành công thì chưa được chứng minh.

Ngay cả khi không có dữ liệu bị đánh cắp, việc xác định bot nào tạo ra lưu lượng, hành động đó thuộc về ai và có tuân thủ điều khoản hay không vẫn tốn công. Wikimedia dựa vào hạ tầng phục vụ công chúng và cộng đồng biên tập tình nguyện. Khi lưu lượng tự động làm dịch vụ chậm hoặc gián đoạn, người truy cập bình thường cũng chịu ảnh hưởng, trong khi tổ chức vận hành phải gánh chi phí máy chủ và điều tra.

Góc đáng lưu ý với các dịch vụ web khác là cơ chế nhận diện và trách nhiệm có thể cần được thiết kế trước khi agent được mở rộng. Một bot có danh tính ổn định, giới hạn yêu cầu phù hợp và đầu mối liên hệ để xử lý sự cố sẽ dễ phân biệt hơn lưu lượng giả dạng người dùng. Nhà cung cấp cũng cần cơ chế tắt hoặc thu hẹp quyền khi agent hành xử ngoài dự kiến, thay vì chờ chủ website tự lần theo hàng loạt yêu cầu.

Web mở cần quy tắc truy cập cụ thể cho agent

Wikipedia và các dự án Wikimedia là nguồn dữ liệu công khai, nhưng công khai không đồng nghĩa với khả năng truy cập không giới hạn. API, crawler và dịch vụ truy vấn có năng lực cũng như chi phí vận hành khác nhau; tác động của một agent phụ thuộc vào cách nó gọi chúng, không chỉ mục đích được mô tả lúc triển khai.

Vụ việc chưa chứng minh OpenAI gây ra outage tháng 5 hay làm lộ dữ liệu. Điều nó làm rõ là một nền tảng có thể phải ứng phó đồng thời với tải lớn, hành vi khai thác công cụ và chỉnh sửa không được phê duyệt. Với các công ty phát triển agent, trách nhiệm thực tế vì vậy không chỉ là tuyên bố hệ thống có thể hành xử khó đoán, mà còn phải cung cấp khả năng nhận diện, giới hạn và khắc phục khi hành động của agent tạo gánh nặng cho dịch vụ bên ngoài.

Nguồn tham khảo: Wikimedia Foundation; The Verge; Engadget