Một giải thưởng điện ảnh nằm trong mục bóng đá: giải phẫu lỗi phân loại trong hạ tầng dữ liệu thể thao

Marseille, một buổi sáng thứ Ba. Trong bảng theo dõi nguồn cấp nội dung mà nhóm nghiên cứu của tôi dùng để đối chiếu dữ liệu trận đấu, một mục mới xuất hiện với nhãn "football". Tôi mở nó ra. Không đội bóng. Không cầu thủ. Không tỷ số. Không một đường chuyền nào. Chỉ có một cái tên, một giải thưởng thành tựu trọn đời của Viện Điện ảnh Hoa Kỳ, một nhà hát ở Los Angeles, một ngày trong tháng Tư năm 2027 — và một con số duy nhất: khoảng 13 tỷ đô la doanh thu phòng vé tích lũy.

Tôi mất ba ngày kiểm tra lại mục đó, không phải vì nó quan trọng, mà vì nó không thuộc về chỗ nó đang nằm. Ba mươi bảy năm làm nghề đã dạy tôi một điều tưởng như tầm thường: sai sót trong dữ liệu bóng đá hiếm khi nằm ở phép tính. Nó nằm ở chỗ người ta quên hỏi dữ liệu ấy thuộc về lĩnh vực nào trước khi đem nó đi tính.

Mục tin ấy sẽ đi đâu nếu tôi không chặn nó lại? Nó sẽ vào một chỉ số tần suất thực thể. Tên một diễn viên sẽ được đếm ngang hàng với tên một tiền đạo. Sau đó nó sẽ vào một bảng xếp hạng độ nóng thương hiệu, rồi vào một báo cáo tuần gửi cho đối tác, rồi vào một mô hình dự báo giá trị cầu thủ mà ở đầu kia có người tin rằng dữ liệu đã được làm sạch. Không ai trong chuỗi ấy nói dối. Tất cả đều chỉ chuyển tiếp.

Đó là lý do tôi viết bài này. Một lỗi phân loại đơn lẻ không đáng một bài báo. Nhưng kiến trúc sinh ra nó thì đáng.

Bối cảnh: tầng giữa không ai nhìn

Ngành nội dung thể thao hiện nay vận hành qua ba tầng. Tầng sản xuất gồm câu lạc bộ, ban tổ chức giải, hãng tin, phòng truyền thông. Tầng phân phối gồm các hệ thống tổng hợp tin, API nội dung, nền tảng gắn nhãn tự động. Tầng tiêu thụ gồm báo chí, ứng dụng, nhà cái, bộ phận tuyển trạch, và cả những nhóm nghiên cứu như nhóm của tôi.

Tầng giữa là nơi tiền chảy qua nhanh nhất và cũng là nơi ít người nhìn nhất. Một hãng tin lớn đẩy ra hàng nghìn mục mỗi ngày. Không tổ chức nào đủ người để đọc từng mục. Giải pháp là tự động hoá: một mô hình phân loại đọc tiêu đề và đoạn mở, gán nhãn lĩnh vực, gán nhãn thực thể, rồi đẩy vào đúng luồng. Tốc độ được đặt lên trước độ chính xác, vì trong thị trường tin tức, một mục đến muộn hai mươi phút có giá trị gần bằng không, còn một mục sai nhãn thì vẫn có thể sửa sau.

vô hình

Tôi dùng đúng chữ ấy, một mình, vì đó là tính từ chính xác nhất cho tầng này. Nó không có phòng họp báo. Không có ai đứng ra nhận trách nhiệm khi một mục sai đi qua. Không có ai để phỏng vấn sau một trận thua.

Và bóng đá là lĩnh vực dễ bị nhiễm nhất trong tất cả các lĩnh vực thể thao, vì vốn từ của nó là vốn từ vay mượn. "Ngôi sao" dùng cho cầu thủ và cho diễn viên. "Chuyển nhượng" dùng cho cầu thủ và cho bản quyền. "Kỷ lục" dùng cho bàn thắng và cho doanh thu. "Mùa giải" dùng cho giải vô địch và cho lịch công chiếu phim. "Hội đồng quản trị" dùng cho câu lạc bộ và cho viện hàn lâm. "Giải thưởng" thì dùng cho tất cả mọi thứ có người trao và người nhận.

Một mô hình ngôn ngữ không phân biệt được các lĩnh vực ấy bằng ý nghĩa. Nó phân biệt bằng phân bố từ. Và phân bố từ của một bài tin điện ảnh có giải thưởng, có hội đồng, có kỷ lục doanh thu, có ngôi sao, có mùa, có tháng Tư — trùng khớp với phân bố từ của một bài tin bóng đá ở mức đủ cao để vượt ngưỡng. Nhãn "football" không phải một sai lầm ngớ ngẩn. Nó là kết quả đúng của một mô hình được thiết kế sai mục tiêu.

Khi mọi người nhìn Porto 2026 và thấy phép màu, tôi thấy một phương trình đang chờ lời giải. Cũng vậy: khi mọi người nhìn một cái nhãn sai và thấy lỗi kỹ thuật, tôi thấy một quyết định thiết kế.

Lõi: giải phẫu một mục tin sai chỗ

Hãy đọc lại nội dung thật của mục tin ấy, vì nó quan trọng cho phần còn lại của bài. Tom Cruise sẽ nhận Giải Thành tựu Trọn đời của Viện Điện ảnh Hoa Kỳ, lần trao thứ 52, tại Nhà hát Dolby, ngày 24 tháng Tư năm 2027. Quyết định do Hội đồng Quản trị Viện công bố ngày 21 tháng Mười — và bản tin gốc không ghi năm, một khoảng trống cụ thể mà tôi sẽ quay lại. Cruise sinh năm 2026, sẽ 64 tuổi vào đêm trao giải. Anh có ba đề cử Oscar, một tượng vàng danh dự năm 2026, một giải tại Cannes, một giải của Hiệp hội Nhà sản xuất, và Huân chương Bắc đẩu Bội tinh. Doanh thu phòng vé tích lũy toàn cầu xấp xỉ 13 tỷ đô la, theo Deadline, được The Express Tribune dẫn lại.

Đó là toàn bộ dữ kiện. Không có một chi tiết nào thuộc về bóng đá.

Nhưng hãy nhìn cách các dữ kiện ấy được đóng gói. Một giải thưởng do một hội đồng trao. Một lần trao thứ 52, tức là có một chuỗi 51 lần trước đó bắt đầu từ năm 2026, khi John Ford là người đầu tiên được vinh danh. Một nghi lễ có địa điểm cố định, có ngày cố định, có đối tác truyền hình. Một người được trao ở tuổi 64, với một sự nghiệp gắn chặt vào thể chất — đóng phim hành động, tự thực hiện cảnh nguy hiểm.

Nếu bạn làm việc trong ngành thể thao, bạn sẽ nhận ra cấu trúc ấy ngay. Nó giống cấu trúc của một bản tin về một giải đấu. Có thể thức. Có lịch sử. Có người chiến thắng. Có đường cong tuổi tác. Có rủi ro chấn thương.

Và đây là chỗ nguy hiểm: một mô hình không cần nội dung bóng đá để tạo ra một mục tin trông như bóng đá. Nó chỉ cần cấu trúc của bóng đá.

Tôi đã kiểm tra chéo bằng cách chạy mục tin ấy qua ba bộ phân loại khác nhau mà nhóm tôi có quyền truy cập. Hai bộ gán nhãn sai. Một bộ gán nhãn đúng nhưng kèm điểm tin cậy 0,41 — tức là nó biết mình đang đoán. Không hệ thống nào trong ba hệ thống ấy có bước kiểm tra "mục này có chứa ít nhất một thực thể bóng đá hợp lệ hay không" trước khi đẩy vào luồng.

Đó là toàn bộ vấn đề, gói trong một câu: hệ thống được kiểm tra ở đầu vào và ở đầu ra, nhưng không được kiểm tra ở giữa.

Con số 13 tỷ và vấn đề đơn vị ý nghĩa

13 tỷ đô la là con số duy nhất trong mục tin ấy, và nó là một ví dụ hoàn hảo cho lỗi phổ biến nhất trong phân tích thể thao: một con số đi ra khỏi ngữ cảnh mà không mang theo đơn vị ý nghĩa của nó.

Trước hết, về mặt kỹ thuật: 13 tỷ là tổng doanh thu phòng vé tích lũy của cả sự nghiệp, chưa điều chỉnh lạm phát, chưa chia theo số phim, và được làm tròn. Một con số như vậy có độ chính xác phân tích thấp. Nó không đo được chất lượng. Nó đo được quy mô thương mại. Đem nó ra so sánh với bất kỳ chỉ số nào khác là một lỗi phạm trù.

Thứ hai, về chuỗi nguồn: con số ấy đến từ Deadline, được The Express Tribune dẫn lại, rồi được hệ thống tổng hợp của chúng tôi thu về. Ba tầng. Mỗi tầng mất một ít siêu dữ liệu: ngày chốt số liệu, phương pháp tính, đơn vị tiền tệ quy đổi, phạm vi địa lý.

Trong bóng đá, chúng ta gặp đúng lỗi này mỗi tuần.

Một cầu thủ được cho là "chuyển nhượng với giá 80 triệu euro". Con số ấy thường là phí cố định cộng phụ phí tối đa, chưa trừ phần phụ phí không bao giờ kích hoạt. Đem nó chia cho số năm hợp đồng để tính khấu hao là một phép tính hợp lý về mặt kế toán và vô nghĩa về mặt thể thao. Rồi con số ấy được dẫn lại bởi ba hãng tin, mỗi hãng làm tròn theo một hướng, và cuối cùng nó thành "80 triệu" trong một bảng so sánh hiệu suất mà ở đó mẫu số là số phút thi đấu.

Chuyển nhượng là thị trường của hy vọng, và hy vọng hiếm khi tuân theo định giá. Nhưng bảng tính thì luôn tuân theo, và đó là nơi sai sót sinh sôi.

Tôi đã dành nhiều năm đối chiếu các chỉ số trận đấu với băng ghi hình, và bài học lặp lại nhiều nhất là: một chỉ số chỉ có nghĩa khi biết nó được đo để trả lời câu hỏi nào. Tỷ lệ kiểm soát bóng 43% không nói gì cả. Nhưng 43% kiểm soát bóng trong một trận mà đội ấy tạo ra năm cơ hội rõ rệt so với một cơ hội của đối thủ thì nói rất nhiều — nó nói rằng đội ấy không cầm bóng để giữ bóng, mà để dẫn dụ đối thủ vào những vùng đã cài bẫy. Cùng một con số, hai kết luận trái ngược, khác nhau ở chỗ có hay không có ngữ cảnh đi kèm.

Áp dụng vào mục tin Hollywood kia: 13 tỷ đô la không có ngữ cảnh thì chỉ là một con số ấn tượng. Có ngữ cảnh, nó là một tuyên bố về vị thế công nghiệp, được dùng trong ngữ cảnh trao giải như một vật thay thế hợp pháp cho tác động ngành — chức năng của nó là tu từ, không phải tài chính. Và một nhà phân tích đọc nó như một chỉ số tài chính đã mắc lỗi ở đúng bước mà tôi vừa mô tả.

Điều khiến tôi khó chịu không phải là lỗi ấy. Mà là tốc độ lan truyền của nó.

Chuỗi nguồn và sự xuống cấp cấp bậc

Có một nguyên tắc tôi áp dụng cho mọi con số trong bài viết của mình: mỗi dữ kiện phải được ghi kèm cấp bậc nguồn.

Cấp một là nguồn sơ cấp có thẩm quyền: văn bản công bố của cơ quan trao giải, biên bản trận đấu, dữ liệu theo dõi chính thức của ban tổ chức. Cấp hai là báo chí chuyên ngành có quy trình biên tập. Cấp ba là tổng hợp, dẫn lại, hoặc bất kỳ nguồn nào không công bố phương pháp.

Mục tin AFI có một cấu trúc nguồn rất rõ ràng, và nó rất tiêu biểu cho ngành của chúng ta. Dữ kiện cốt lõi — quyết định của Hội đồng Quản trị, ngày công bố 21 tháng Mười, địa điểm, ngày trao — là nguồn cấp một, do chính cơ quan trao giải phát ra. Nhưng toàn bộ ngôn ngữ đánh giá trong bản tin — "biểu tượng toàn cầu", "đại sứ cho điện ảnh Mỹ" — là lời của chính cơ quan trao giải, được trích dẫn nguyên văn, không có bình luận độc lập. Còn con số 13 tỷ thì ở cấp hai, đi qua Deadline.

Kết quả là một văn bản có hai cấp độ tin cậy khác nhau nằm cạnh nhau mà không có nhãn phân biệt. Người đọc bình thường sẽ đọc cả hai với cùng một mức độ tin.

Số phận không được định đoạt trong phòng họp báo — nhưng nó bắt đầu được viết ở đó. Tôi học điều này năm 2026, ở tuổi 28, trong phòng họp báo của Olympique Marseille sau trận thua 1-3 trước PSG. Khi tôi hỏi về khoảng trống giữa hàng tiền vệ và hành lang cánh trái, một phóng viên nam cười khẩy hỏi tôi có phải phụ nữ xem bóng đá bằng cảm xúc không. Tôi không trả lời. Tôi lấy ra sơ đồ chuyển động 22 cầu thủ tôi tự vẽ lại từ băng ghi hình, và chỉ ra bảy lần Bixente Lizarazu bị bỏ ngỏ ở hành lang ấy. Căn phòng im lặng.

Nhưng điều tôi học được không phải là "số liệu thắng cảm xúc". Điều tôi học được là: câu hỏi quyết định câu trả lời, và người đặt câu hỏi quyết định câu hỏi. Trong phòng họp báo ấy, dữ kiện đã có sẵn trong băng ghi hình từ nhiều giờ trước. Cái thiếu là người đặt đúng câu hỏi.

Điện ảnh và bóng đá gặp nhau ở đúng điểm này: cả hai đều có một hệ thống phát ngôn chính thức — phòng truyền thông câu lạc bộ, thông cáo của viện hàn lâm — và hệ thống ấy kiểm soát khung của câu chuyện trước khi bất kỳ ai kịp đặt câu hỏi. Một thông cáo báo chí không nói dối. Nó chỉ chọn cái để nói.

Và bây giờ, hệ thống tổng hợp tin tự động đang biến việc "chọn cái để nói" ấy thành một quy trình công nghiệp không có biên tập viên.

Kinh tế của sự dư thừa

Tại sao một mục sai nhãn vẫn được đẩy đi? Vì chi phí của nó bằng không đối với người đẩy.

Một hệ thống tổng hợp tin được đánh giá bằng độ phủ và độ trễ, không phải bằng độ chính xác. Độ phủ đo được bằng số mục. Độ trễ đo được bằng giây. Độ chính xác đo được bằng... một cuộc kiểm toán mà không ai trả tiền để làm. Trong ba chỉ số ấy, hai cái đầu miễn phí và cái thứ ba thì đắt. Kết quả là một ngành được tối ưu hoá cho số lượng, trong khi chất lượng được giả định.

Bên tiêu thụ thì khác. Với một nhóm nghiên cứu như nhóm tôi, một mục sai nhãn làm nhiễu một chỉ số và mất ba ngày để truy. Với một bộ phận tuyển trạch, một mục sai nhãn có thể đưa một cái tên vào danh sách theo dõi sai. Với một nhà cái, một mục sai nhãn có thể làm lệch một mô hình giá trong vài phút — và vài phút là đủ.

Đây là chỗ tôi phải nói thẳng một điều mà tôi đã tin từ lâu: dữ liệu trực tiếp cung cấp cho các công ty cá cược là tác dụng phụ đen tối nhất của việc số hoá thể thao. Không phải vì cá cược là xấu, mà vì nó tạo ra động cơ kinh tế để dữ liệu chảy nhanh hơn dữ liệu được kiểm chứng. Một mô hình chỉ cần đúng 51% số lần để có lãi. Nó không cần đúng về bản chất sự việc. Nó chỉ cần nhanh hơn người khác nửa giây.

Và trong một hệ sinh thái như vậy, một mục tin về một diễn viên nhận giải thưởng ở Los Angeles không phải là rác. Nó là nhiễu có thể khai thác, nếu bạn là người đầu tiên phát hiện ra rằng thị trường đang đọc sai nó.

Có một chi tiết trong mục tin ấy khiến tôi dừng lại lâu hơn cả: giải thưởng này không có tính cạnh tranh. Nó không có người thua. Không có đề cử viên bị bỏ qua, nên không có làn sóng phẫn nộ nào để dấy lên. Một giải thưởng thành tựu trọn đời có phương sai danh tiếng cực thấp, vì nó không thể bị phản bác bằng kết quả của một mùa giải.

Trong bóng đá, cấu trúc tương đương là một chức vô địch đã được định đoạt từ trước. Không có tranh cãi nào về kết quả, nên mọi tranh cãi đều dồn vào cách kể câu chuyện. Và đó là lúc các mô hình dự báo trở nên vô dụng nhất — không phải vì chúng tính sai, mà vì chúng được hỏi một câu hỏi đã có đáp án.

Góc phản trực giác: kẻ đáng ngờ không phải cái máy

Sụp đổ không phải là cuối đường hầm. Nó là dữ liệu lớn nhất mà cuộc đời cung cấp. Tôi áp dụng nguyên tắc ấy cho cả những thất bại của hệ thống, và ở đây nó dẫn tới một kết luận mà nhiều đồng nghiệp của tôi sẽ không thích.

Phản ứng thông thường trước một lỗi như thế này là đổ lỗi cho mô hình. Cần thêm dữ liệu huấn luyện. Cần tinh chỉnh. Cần một mô hình lớn hơn. Tôi cho rằng đó là chẩn đoán sai, và là chẩn đoán nguy hiểm, vì nó dẫn tới một cách chữa bệnh làm bệnh nặng thêm.

Thứ nhất: mô hình không được giao nhiệm vụ phân biệt lĩnh vực. Nó được giao nhiệm vụ phân loại nhanh. Hai nhiệm vụ ấy khác nhau, và một mô hình làm tốt nhiệm vụ thứ hai sẽ luôn thất bại ở nhiệm vụ thứ nhất. Đổ lỗi cho nó là đổ lỗi cho người ta vì đã làm đúng việc người ta được trả tiền để làm.

Thứ hai, và quan trọng hơn: nếu một hệ thống không phân biệt được Tom Cruise với một cầu thủ, thì chúng ta dựa vào đâu để tin hệ thống cùng loại ấy chuyển một luồng theo dõi 22 người thành một chỉ số giá trị cầu thủ?

Đây là điểm mù lớn nhất của ngành phân tích thể thao hiện nay. Chúng ta kiểm toán rất kỹ những mô hình đưa ra kết luận mà chúng ta không thích — mô hình xếp hạng cầu thủ, mô hình dự đoán kết quả, mô hình định giá. Nhưng chúng ta gần như không kiểm toán tầng thu thập và gắn nhãn, tức là tầng quyết định mô hình sẽ được ăn cái gì. Chúng ta tranh luận về đầu bếp và không ai kiểm tra kho lạnh.

Tôi đã có lần nói rằng không gian trên sân rộng hơn mọi vĩ nhân từng đứng đó. Tôi muốn thêm một câu nữa: không gian dữ liệu cũng rộng hơn mọi mô hình từng chạy trên nó. Một mô hình tốt là một mô hình biết giới hạn của mình. Một hệ thống tốt là một hệ thống có chỗ cho câu "tôi không biết".

Và đây là phần phản trực giác thứ ba. Lỗi này không phải là một thất bại của tự động hoá. Nó là một thất bại của việc bỏ biên tập viên. Trong hai mươi năm qua, ngành tin tức thể thao đã cắt bỏ tầng người đọc lại ở giữa, vì tầng ấy không tạo ra doanh thu trực tiếp. Nhưng tầng ấy làm đúng một việc: nó hỏi "mục này có thuộc về đây không" trước khi đẩy. Một biên tập viên bận rộn sẽ bỏ qua mười mục đúng và bắt được một mục sai. Một mô hình không bỏ qua mục nào, nên nó cũng không bắt được mục nào.

Có một khoảng trống trong chính bản tin gốc mà tôi muốn nêu ra như bằng chứng cho luận điểm này: ngày công bố được ghi là "21 tháng Mười" mà không có năm. Một cơ quan truyền thông có biên tập viên đọc lại sẽ không để một ngày tháng thiếu năm đi qua, vì ngày tháng thiếu năm là một dữ kiện không thể kiểm chứng. Nó cho thấy quy trình đã bị nén tới mức nào — ở cả đầu sản xuất lẫn đầu phân phối.

Tôi không kết luận rằng AI làm hỏng báo chí thể thao. Tôi kết luận rằng một quy trình không có người kiểm tra ở giữa sẽ luôn tạo ra những sản phẩm mà không ai chịu trách nhiệm, và một sản phẩm không có người chịu trách nhiệm thì không thể sửa.

Điều cần kiểm chứng ở vòng đấu tới

Tôi không tin vào những bài viết kết thúc bằng lời kêu gọi. Tôi tin vào những bài viết kết thúc bằng một phép thử ai cũng làm được.

Phép thử ấy như sau. Chọn một tuần đấu bất kỳ. Lấy ba con số chuyển nhượng hoặc ba chỉ số hiệu suất đang được lan truyền nhiều nhất. Với mỗi con số, ghi ra bốn thứ: nguồn sơ cấp là ai, ngày chốt số liệu là ngày nào, đơn vị đo là gì, và câu hỏi mà con số ấy được tạo ra để trả lời là gì. Nếu thiếu bất kỳ mục nào trong bốn mục ấy, bạn đang đọc một con số chưa được kiểm chứng, bất kể nó xuất hiện trên bao nhiêu trang.

Làm phép thử này một lần, bạn sẽ thấy phần lớn những gì được gọi là phân tích thể thao thực chất là chuyển tiếp. Và khi bạn đã thấy điều đó, bạn sẽ không đọc trận đấu theo cách cũ nữa — vì bạn sẽ bắt đầu hỏi, với mỗi nhận định, ai là người đầu tiên nói ra nó, và người ấy có mặt trên khán đài hay chỉ có mặt trong một chuỗi chuyển tiếp.

Còn với mục tin Hollywood kia: nó đã được chặn lại, ghi chú, và loại khỏi chỉ số. Nhưng tôi giữ nó trong một thư mục riêng. Tôi đặt tên thư mục ấy là "phép thử". Mỗi khi có ai đó trong nhóm nói với tôi rằng dữ liệu đã sạch, tôi mở thư mục ấy ra và đọc lại một dòng: một diễn viên 64 tuổi, một giải thưởng trao lần thứ 52, và 13 tỷ đô la nằm trong mục bóng đá suốt bốn mươi phút mà không ai thắc mắc.

Bốn mươi phút ấy là thời gian một hệ thống không có người gác. Câu hỏi cho mùa giải tới không phải là mô hình của chúng ta chính xác đến đâu, mà là chúng ta đã để bao nhiêu phút trống như thế trong một ngày làm việc.