Gán Nhãn Sai: Khi Triển Lãm Hội Họa Lọt Vào Ngăn Dữ Liệu Bóng Đá Trẻ

Hai tháng trước, lúc 11 giờ đêm ở Nha Trang, tôi đang rà lại một file gồm 340 bản tin để chuẩn bị bài phân tích về lứa U19 Nhật Bản, thì bắt gặp một dòng kỳ lạ. Bản tin mang nhãn "football", nhưng tiêu đề nói về lễ khai mạc triển lãm hội họa Saqi Nama tại Lok Virsa Heritage Museum, Islamabad. Tôi mở rộng nội dung. Không có cầu thủ. Không có trận đấu. Không có chỉ số. Chỉ có ba họa sĩ Geytee Ara, Lubna Jehangir và Zara Haider Babry, một vị Bộ trưởng Di sản và Văn hóa Quốc gia, và những vần thơ của Allama Muhammad Iqbal được ngâm lên trong buổi khai mạc. Tôi đọc ba lần để chắc mình không nhầm. Rồi tôi ghi vào sổ tay: "Bóng đá vừa bị lẫn với hội họa. Không ai phát hiện trong nhiều tuần." Đó là khoảnh khắc tôi hiểu rằng, sau nhiều năm đào bới những cái tên vô danh, tôi lại vấp phải một loại trầm tích khác — trầm tích dữ liệu lẫn tạp chất. Để thấy vì sao chuyện này nghiêm trọng hơn một lỗi đánh máy, cần nhìn vào cách ngành thể thao vận hành thông tin trong thập niên 2026. Hệ thống thu thập nội dung tự động chạy qua hàng trăm nghìn bài báo mỗi ngày, dùng mô hình ngôn ngữ để phân loại theo chủ đề, theo đội, theo giải. Nhãn "football" không còn là một từ người đọc gõ vào ô tìm kiếm; nó là một trường dữ liệu mà các nền tảng phân tích, nhà cái, câu lạc bộ, và cả những lò đào tạo trẻ như PVF hay Học viện Hoàng Anh Gia Lai dùng để lọc thông tin. Một lỗi ở khâu gán nhãn đi thẳng vào bảng dữ liệu huấn luyện, đi vào mô hình dự đoán, đi vào giá trị thị trường của một cầu thủ trẻ mà không ai kịp kiểm tra. Cuối năm 2026, tôi ngồi trong một buổi hội thảo trực tuyến với tuyển trạch viên PVF, sau bài phân tích về cách Nhật Bản dùng pressing hỗn loạn để phá vỡ trật tự của đội tuyển Đức ở World Cup Qatar. Một người trong ban tuyển trạch hỏi tôi có tin vào dữ liệu tự động không. Tôi trả lời rằng tôi tin vào con số tự đếm bằng tay hơn. Câu trả lời đó bị xem là cổ hủ. Hai năm sau, khi cầm trên tay file 340 bản tin có một bài hội họa lọt vào nhãn bóng đá, tôi biết mình không cổ hủ. Tôi chỉ cảnh giác sớm. Bóng đá trẻ và bóng đá hạng thấp là nơi dữ liệu mỏng nhất. Các trận U17, U19 ở giải quốc gia Việt Nam, các trận hạng Nhì, hạng Ba, hay những buổi đá tập ở lò đào tạo tỉnh lẻ, không có hệ thống thống kê chính thức đầy đủ. Những nhà quan sát như tôi phải tự đếm, tự ghi, tự lưu. Khi lớp nền đã mỏng, một sai sót ở khâu gán nhãn sẽ không bị phát hiện vì không có ai đối chiếu chéo. Chính vì thế mà bài viết về một triển lãm hội họa tại Islamabad nằm im trong ngăn "football" cả tháng trời mà không ai chất vấn. Trong 34 điểm thông tin của bản tin, không điểm nào liên quan tới bóng đá. Triển lãm mang tên Saqi Nama, lấy cảm hứng từ thơ của Allama Muhammad Iqbal. Tổ chức bởi Lok Virsa — Viện Quốc gia về Di sản Dân gian và Truyền thống — phối hợp với Off-Grid Studios. Khai mạc bởi Bộ trưởng Di sản và Văn hóa Quốc gia Aurangzeb Khan Khichi. Điều hành bởi Giám đốc Lok Virsa, Tiến sĩ Muhammad Waqas Saleem. Ba họa sĩ tham gia: Geytee Ara, Lubna Jehangir, Zara Haider Babry. Nội dung gồm các tác phẩm thị giác lấy cảm hứng từ thơ Iqbal, một buổi ngâm thơ chọn lọc, và lời cam kết của Bộ trưởng về việc đưa tác phẩm ra trưng bày quốc tế. Bộ trưởng nói các tác phẩm có tiêu chuẩn cao, có thể so sánh với những tác phẩm quốc tế tốt nhất. Giám đốc Lok Virsa nói triển lãm nhằm kết nối thế hệ trẻ với di sản. Các vần thơ được ngâm lên và được khán giả nhiệt liệt tán thưởng. Toàn bộ 34 điểm thông tin nằm trong chuỗi này. Không dòng nào, dù chỉ một cụm từ, có thể gán cho bóng đá. Vậy thứ đáng hỏi không nằm ở việc tại sao bài này bị gán sai, mà ở chỗ còn bao nhiêu bài khác đang bị gán sai mà tôi chưa thấy. Trong 340 bản tin tôi rà, chỉ có một bài hội họa. Nhưng tôi không kiểm tra được liệu còn 3, 5 hay 20 bài tương tự nằm sâu hơn trong những thư mục tôi chưa mở. Bất đối xứng thông tin trong ngành dữ liệu thể thao không nằm ở việc thiếu dữ liệu. Nó nằm ở việc dữ liệu sai không bị phát hiện đúng lúc. Tôi từng nghĩ đây là vấn đề kỹ thuật nhỏ, cho đến khi nhớ lại tháng Sáu năm 2026. Khi đó tôi 19 tuổi, viết cho một fanpage bóng đá ở Nha Trang, và dựng một bài phân tích giọng mỉa mai về Alireza Jahanbakhsh sau trận Iran thua Tây Ban Nha 0-1 ở World Cup Nga. Tôi tự đếm bảy lần mất bóng của anh ta trong hiệp một từ một clip YouTube dài ba phút, rồi kết luận anh ta vô dụng. Tuần sau, ban chuyên môn của fanpage nhận xét bài đó không có cơ sở thực chiến. Tôi bị bẽ mặt, nhưng đó là lần đầu tôi hiểu rằng dữ liệu đếm hời hợt từ nguồn không kiểm chứng chính là một dạng gán nhãn sai — gán nhãn "vô dụng" cho một cầu thủ mà tôi chưa từng xem đủ 90 phút. Tám năm sau, tôi thấy cùng một cơ chế tái diễn ở quy mô công nghiệp. Một thuật toán không xem đủ 90 phút. Nó chỉ đọc tiêu đề, trích xuất từ khóa, rồi gán nhãn. Nếu tiêu đề có chữ "heritage" nằm cạnh một chuyên mục thể thao trên cùng một trang báo, bộ lọc có thể nhầm. Tôi không còn 19 tuổi để đổ lỗi cho một clip YouTube. Tôi 27 tuổi, đủ để hiểu rằng lỗi hệ thống nghiêm trọng hơn lỗi cá nhân gấp nhiều lần, vì nó lan nhanh hơn và bị phát hiện muộn hơn. Trong công việc khảo cổ học viện, tôi luôn nói với các cộng sự trẻ rằng mỗi cái tên phải được đào lên ít nhất hai lần từ hai nguồn khác nhau trước khi viết. Đó là nguyên tắc tối thiểu. Nhưng nguyên tắc đó không áp dụng được cho các tập dữ liệu tự động, vì không ai biết nguồn gốc thật của một nhãn. Cái tên "Saqi Nama" không gợi cho thuật toán bất cứ liên tưởng nào tới thơ ca hay hội họa; nó chỉ là một chuỗi ký tự cần được xếp vào một ngăn có sẵn. Và ngăn gần nhất, theo một tiêu chí nào đó mà tôi không kiểm chứng được, lại là "football". Điều làm tôi lo nhất không nằm ở một bài hội họa bị gán sai. Điều làm tôi lo là cầu thủ vô danh bị gán sai theo hướng ngược lại — bị xếp ra khỏi ngăn bóng đá vì thuật toán không nhận ra anh ta. Một cầu thủ U15 ở Đắk Lắk ghi bàn trong trận đấu lúc 4 giờ chiều trên sân cỏ nhân tạo, nếu không có nhà báo nào viết về anh ta trong 24 giờ đầu, sẽ không tồn tại trong bất kỳ tập dữ liệu nào. Khi đó, việc bị gán nhãn sai không còn là lỗi. Đó là sự biến mất. Điều phản trực giác nhất là ngành phân tích thể thao không hề muốn sửa lỗi gán nhãn. Một bài hội họa lọt vào ngăn "football" không làm ai mất tiền, không làm ai mất chức, không làm cổ phiếu nền tảng lao dốc. Ngược lại, chính sự phình to của các tập dữ liệu gán nhãn tự động — dù lẫn tạp chất — lại là thứ được bán cho các công ty cá cược, các nhà đầu tư dữ liệu, các bên môi giới chuyển nhượng. Sự lộn xộn có lợi cho người bán. Nó làm tập dữ liệu trông đầy đủ hơn, toàn diện hơn, bao phủ mọi chủ đề. Không ai kiểm tra một trường dữ liệu bị nhiễm độc cho đến khi mô hình dự đoán đưa ra kết quả vô lý. Tôi không phản đối tự động hóa. Tôi phản đối việc tự động hóa được dùng để thay thế sự kiểm chứng. Ở các lò đào tạo trẻ Việt Nam, một tuyển trạch viên bản địa có thể nói cho bạn biết tên của cầu thủ U15 ghi bàn ở phút 89 trên sân cỏ nhân tạo lúc 4 giờ chiều — một thông tin mà bất kỳ thuật toán nào cũng bỏ qua. Nhưng khi dữ liệu được tổng hợp tự động và bán lại cho nước ngoài, cái tên đó biến mất, trong khi một triển lãm hội họa ở Islamabad lại hiện lên trong danh sách "tài năng trẻ cần theo dõi". Tôi từng trò chuyện qua Telegram với một nhóm tuyển trạch viên châu Âu cách đây bốn năm. Họ dùng dữ liệu tự động để sàng lọc bóng đá châu Á. Họ tin rằng thuật toán khách quan hơn mắt người. Cái họ không biết là, đằng sau mỗi trường dữ liệu được gán nhãn tự động, có một tầng trầm tích sai lệch chưa từng được đào lên. Khi tầng đó đủ dày, nó chôn vùi luôn những cầu thủ vô danh mà lẽ ra họ đang tìm kiếm. Tôi không viết bài này để tố cáo một nền tảng cụ thể. Tôi viết để đánh dấu một sự kiện nhỏ mà đáng lẽ phải là tiếng chuông. Sân vắng khán giả, nhưng lịch sử vẫn đang ghi chép từng đường bóng — và nếu người ghi chép là một thuật toán không phân biệt được hội họa với bóng đá, thì những đường bóng thật sẽ bị chôn dưới lớp nhãn sai. Trong sáu tháng tới, tôi sẽ quay lại câu chuyện này với một danh sách cụ thể: bao nhiêu bài hội họa, bao nhiêu bài ẩm thực, bao nhiêu bài thời trang đang nằm trong các tập dữ liệu "tài năng trẻ". Nếu con số đó lớn hơn một, nó không còn là lỗi. Đó là phương pháp.