Khi thuật toán dán nhãn bóng đá cho một vụ ẩu đả giao thông ở Mixcoac

Lúc 5 giờ 40 phút sáng ngày 13 tháng 8, giờ Tokyo, tôi mở tệp nhật ký phân loại lưu trên ổ cứng ngoài — thứ tôi vẫn gọi là sổ tang chứng — và có một dòng khiến tôi ngồi lại thêm bốn mươi phút trước khi rót cà phê.

Tệp mang nhãn “Domain Label: football”. Dòng mô tả đầu tiên nói về một chiếc camioneta va chạm với một chiếc autobús de ruta trên Avenida Revolución, khu Mixcoac, quận Benito Juárez, thành phố Mexico. Tôi đọc hết hai mươi lăm điểm thông tin. Không một đội bóng. Không một cầu thủ. Không một huấn luyện viên. Không một giải đấu, một bản hợp đồng, một bảng cân đối, một sơ đồ chiến thuật.

Chỉ có một vụ ẩu đả trên đường phố, một đoạn video lan truyền, và một hồ sơ của Ban Công an Thành phố Mexico đang điều tra song song hai việc: những kẻ hành hung, và cách hành xử của tổ cảnh sát giao thông có mặt tại hiện trường.

Tôi ghi vào sổ một câu: “Nhãn sai. Nhưng sai theo cách đáng nghiên cứu.”

Kẻ bị chặn ở cổng J.League năm 2026 giờ đây viết về cách dữ liệu thay đổi chiến thuật. Bốn mươi mốt năm sau cái đêm bảo vệ sân Mitsuzawa gọi điện xác minh thẻ tác nghiệp của tôi ba lần, tôi ngồi đây, đối diện một cỗ máy đã làm đúng điều ngược lại: nó không thèm xác minh, và nó vẫn cấp nhãn.

Bối cảnh: một hồ sơ công an nằm nhầm ngăn kéo

Cần nói rõ ngay điều mà tôi cho là quan trọng nhất trong toàn bộ câu chuyện này: bản báo cáo gốc là một tin an ninh công cộng, và nó được viết đúng chức năng của nó. Một vụ va chạm giữa một xe cá nhân và một xe buýt tuyến công cộng trên một trục đường đông đúc ở phía nam thành phố Mexico. Một cuộc ẩu đả xảy ra sau đó. Một đoạn video ghi lại hiện trường, lan truyền nhanh trên mạng xã hội, kéo theo làn sóng phẫn nộ của người dùng — phẫn nộ với bạo lực, và phẫn nộ với cách cảnh sát giao thông can thiệp.

Phía sau là một cơ chế trách nhiệm giải trình hoàn toàn hợp lý: Ban Công an Thành phố Mexico (Secretaría de Seguridad Ciudadana — SSC) mở hồ sơ. Ban Thanh tra Nội bộ rà soát xem các sĩ quan giao thông có bỏ sót bước nào trong quy trình tác chiến hay không. Các sĩ quan được triệu tập để tường trình. Những người bị bắt được đưa tới trước cơ quan chức năng để lấy lời khai và hỗ trợ nhận dạng những người tham gia. Đây là một chuỗi thủ tục hành chính — tư pháp bình thường của một đô thị hai mươi hai triệu dân.

Tôi không có tên các sĩ quan trong hồ sơ. Tôi không có ngày xảy ra vụ việc. Tôi không có tên những người bị bắt. Tôi không có kết luận của Ban Thanh tra Nội bộ. Và tôi sẽ không bịa ra chúng, dù chỉ để câu một đoạn văn hay hơn. Đây chính là kỷ luật mà tôi học được sau năm 2026, khi tôi phản biện một huyền thoại ngay trên sóng truyền hình và suýt bị gỡ khỏi vị trí bình luận: phản biện một huyền thoại trước ống kính, tôi học được rằng sự thật không cần xin phép. Nhưng nó cũng không cần tô vẽ.

Điều tôi có, và điều khiến tệp này đáng mổ xẻ, là cái nhãn. “Domain Label: football.”

Trong kiến trúc dữ liệu mà tôi làm việc cùng từ năm 2026, nhãn miền (domain label) là tầng phân loại thô nhất — quyết định tài liệu sẽ đi về đâu, ai đọc nó, nó nuôi mô hình nào. Một tài liệu rơi vào nhãn sai sẽ được đọc bởi đúng những người không có nhiệm vụ đọc nó, và không được đọc bởi đúng những người có nhiệm vụ đọc nó. Một tin an ninh công cộng bị gán nhãn bóng đá sẽ đi tới bàn phân tích chiến thuật, tới mô hình định giá chuyển nhượng, tới các bảng chỉ số cầu thủ — và ở đó, nó là rác. Còn ở bàn an ninh đô thị, nơi nó thuộc về, nó trở thành một khoảng trống.

Cái nhãn sai này không phải là một câu chuyện bóng đá. Nhưng nó là một sự kiện của ngành bóng đá, bởi vì nó xảy ra bên trong hạ tầng dữ liệu của ngành bóng đá. Và đó mới là thứ tôi muốn mổ.

Đường đi của một lỗi: từ “Transferencia” tới thị trường chuyển nhượng

Tôi dành hai ngày để dựng lại chuỗi giả thuyết. Không có mã nguồn của hệ thống phân loại, nên đây là suy luận từ vốn từ — và vốn từ là thứ tôi đọc được.

Bắt đầu bằng cụm “Centro de Transferencia Modal”, viết tắt là Cetram: bãi trung chuyển đa phương thức, một dạng hạ tầng giao thông đường bộ phổ biến ở thành phố Mexico, nơi xe buýt, xe điện và các tuyến khác gặp nhau. Trong tiếng Tây Ban Nha, “transferencia” nghĩa là sự chuyển, sự trung chuyển. Trong tiếng Anh, “transfer” nghĩa là chuyển nhượng. Trong ngữ cảnh bóng đá, “transfer market” là thị trường chuyển nhượng, “transfer fee” là phí chuyển nhượng, “transfer window” là kỳ chuyển nhượng.

Một bộ trích xuất thực thể đa ngữ làm việc theo xác suất. Nó nhìn thấy từ “transferencia”, đối chiếu với từ điển trọng số, thấy xác suất cao nhất trong kho ngữ liệu huấn luyện của nó nằm ở lĩnh vực bóng đá, và gắn nhãn. Không có bước nào trong chuỗi đó là phi lý. Từng bước đều hợp lý. Chỉ có kết quả là sai.

Đây là loại lỗi khiến tôi mất ngủ, bởi vì nó không giống lỗi. Nó giống một suy luận.

“Camioneta” thành “camiseta”: một phím cách và cả một ngành

Giả thuyết thứ hai của tôi là một lỗi ký tự. “Camioneta” là xe bán tải, xe thể thao đa dụng. “Camiseta” là áo đấu. Chỉ khác nhau một nguyên âm ở giữa, và trong tiếng Tây Ban Nha, cả hai đều là danh từ rất phổ biến.

Một bộ sửa lỗi chính tả chạy trước bộ phân loại có thể đã “sửa” một từ hiếm trong ngữ cảnh này thành một từ quen hơn. Và nếu bộ sửa lỗi đã được tinh chỉnh trên kho ngữ liệu bóng đá — điều mà các nhóm dữ liệu thể thao thường làm, vì đó là khách hàng của họ — thì nó có xu hướng kéo mọi thứ về phía bóng đá.

Ở tuổi 58, tôi gõ từng dòng Python để chứng minh những kẻ trẻ tuổi đã sai. Nhưng đến tuổi 67, tôi phải thừa nhận một điều khó chịu hơn: những kẻ trẻ tuổi đó không sai về mặt kỹ thuật. Họ sai về mặt hậu quả. Một bộ sửa lỗi được huấn luyện để tối ưu độ chính xác trong miền dữ liệu mục tiêu sẽ tự động bẻ cong mọi dữ liệu ngoài miền về phía miền mục tiêu. Nó không phân loại sai vì ngu. Nó phân loại sai vì đã được dạy quá kỹ.

“Ruta” và cái bẫy của bóng đá đường dài

Giả thuyết thứ ba liên quan tới “autobús de ruta” — xe buýt chạy tuyến. “Ruta” nghĩa là tuyến đường, lộ trình.

Trong từ vựng bóng đá, “route” xuất hiện ở cụm “route one football” — lối chơi bóng dài, bỏ qua tuyến giữa, đưa bóng thẳng từ hàng thủ lên hàng công. Ở Anh, người ta gọi đó là “route one”. Ở Ý, người ta gọi là “lancio lungo”. Ở Nhật, các bản tin của chúng tôi gọi là “ro-n-to sakusen”.

Một hệ thống trích xuất từ khóa tiếng Anh sẽ nhìn thấy “route”, đối chiếu với một từ điển chuyên ngành bóng đá, và tìm thấy một mục hợp lệ. Cùng với “bus” — trong tiếng Anh thể thao, “bus” còn là động từ chỉ việc dựng xe buýt trước khung thành, tức là phòng ngự số đông.

Năm 2026, tại World Cup Pháp, huyền thoại Kunishige Kamamoto khẳng định trên sóng truyền hình rằng đội tuyển Nhật Bản cần phòng ngự số đông. Tôi phản biện trực tiếp: sơ đồ 4-4-2 của Argentina với Ortega và Batistuta chỉ cần tám giây để xuyên phá nếu Nhật Bản lùi quá sâu. Tôi nói điều đó bằng logic không gian, không bằng cảm tính, và tôi suýt mất chỗ vì nó. Điều tôi muốn nói ở đây là: “bus” trong bóng đá là một khái niệm chiến thuật có thật, và một cỗ máy không đọc được ngữ cảnh sẽ không thể phân biệt một chiếc xe buýt chở người với một hàng thủ chở áp lực.

“Revolución” — cái tên nằm trong sổ đăng ký câu lạc bộ

Giả thuyết thứ tư đơn giản hơn và có sức nặng nhất: “Avenida Revolución”.

“Revolución” là một cái tên. Và trong bóng đá, nó là một cái tên rất phổ biến. Có những câu lạc bộ mang tên Revolución ở nhiều quốc gia nói tiếng Tây Ban Nha. Có những đội bóng nghiệp dư, những giải trẻ, những đội nữ mang tên đó. Trong bất kỳ danh mục thực thể bóng đá nào, chuỗi ký tự “Revolución” gần như chắc chắn có mặt.

Đây là bản chất của bài toán nhận dạng thực thể: một cái tên không tự nói lên nó là gì. “Revolución” có thể là một đại lộ, một quảng trường, một câu lạc bộ, một tờ báo, một bộ phim. Máy chỉ biết cái tên, không biết cái tên đó đang ở đâu trong câu.

SSC, Asuntos Internos và cái bẫy viết tắt

Giả thuyết thứ năm là tổ hợp viết tắt. Hồ sơ nhắc tới SSC và Ban Thanh tra Nội bộ (Dirección General de Asuntos Internos).

Trong tiếng Anh bóng đá, “internal affairs” gần với các mục từ về quản trị nội bộ câu lạc bộ, về phòng thay đồ, về các vụ kỷ luật nội bộ. Còn “SSC” — trong kho từ viết tắt của bóng đá thế giới, có vô số tổ chức trùng ba chữ cái với nó.

Một lần nữa: mỗi bước đều hợp lý, kết quả thì sai.

Vì sao bóng đá là môi trường dễ nhiễm nhất

Đến đây tôi phải nói điều mà nhiều đồng nghiệp trẻ của tôi ở các tòa soạn Nhật Bản sẽ không thích nghe.

Bóng đá là lĩnh vực dễ bị xâm nhập bởi dữ liệu ngoài miền nhất, và lý do không nằm ở công nghệ. Lý do nằm ở cấu trúc nghề nghiệp.

Bóng đá có số lượng bản tin khổng lồ sinh ra mỗi ngày. Nó có hàng nghìn nguồn tin không chính thức: tài khoản mạng xã hội, diễn đàn, tin đồn chuyển nhượng, người trong cuộc giấu tên. Nó có nhu cầu cập nhật liên tục theo phút. Nó có một nền công nghiệp đặt cược vận hành theo thời gian thực. Và nó có một tầng độc giả sẵn sàng tiêu thụ mọi con số được đóng gói đẹp.

Không lĩnh vực nào khác có tổ hợp đó. Không lĩnh vực nào khác vừa có tốc độ, vừa có khối lượng, vừa có tiền, vừa có sự dễ dãi như vậy.

Từ năm 2026, khi một biên tập viên sinh năm 2026 gạt tôi ra khỏi cuộc họp với lý do mô hình xG của tôi là “mốt nhất thời”, tôi đã học Python và mô hình hóa 1.200 trận đấu từ 2026 đến 2026. Kết quả khiến tôi phải viết lại chính mình: chỉ số xG của Kawasaki Frontale trong trận thắng Urawa Reds 4-3 mùa J.League 2026 chỉ là 2,8, nhưng họ thắng nhờ ba cú sút từ ngoài vòng cấm. Giả thuyết của tôi vỡ. Tôi nhận ra rằng xG cần được đọc cùng vị trí phát động tấn công, chứ không đứng một mình.

Bài học đó giống hệt bài học của tệp nhãn sai hôm nay: một con số chỉ có nghĩa khi đi kèm bối cảnh mà nó được sinh ra. Và trong ngành của tôi, bối cảnh thường bị bỏ lại ở cửa.

Hai mươi lăm điểm thông tin, không một cú sút

Tôi lập một bảng kiểm đơn giản để kiểm tra xem có phải tôi đã bỏ sót điều gì.

Đội bóng: không có. Cầu thủ: không có. Huấn luyện viên: không có. Giải đấu: không có. Sơ đồ chiến thuật: không có. Dữ liệu đường chuyền, dữ liệu áp lực, dữ liệu vị trí: không có. Thị trường chuyển nhượng: không có. Bảng cân đối, trần lương, luật công bằng tài chính: không có. Phòng thay đồ: không có. Thể chế cai quản bóng đá: không có.

Điều có: một địa chỉ đường phố, một loại xe, một địa danh hành chính, một cơ quan công an, một ban thanh tra, một đoạn video lan truyền, một phản ứng công luận.

Nếu tôi phải đưa ra một đánh giá duy nhất về giá trị thông tin của tệp này đối với bàn bóng đá, thì đây là: bằng không. Không phải thấp. Bằng không.

Tai nạn thật của ngành dữ liệu

Giờ tới phần tôi cho là quan trọng nhất, và nó phản trực giác.

Người ta sẽ nghĩ rằng tai nạn ở đây là việc một tin an ninh bị dán nhãn bóng đá. Tôi cho rằng điều đó không quan trọng bằng một chi tiết khác: nhãn sai ấy đã tồn tại xuyên suốt hai mươi lăm điểm thông tin, đi qua nhiều tầng xử lý, và không tầng nào bắt được nó.

Một hệ thống có thể sai. Đó là chuyện bình thường và có thể tha thứ. Một hệ thống không có tầng nào đủ khả năng phát hiện ra cái sai của chính nó — đó mới là vấn đề cấu trúc.

Trong hạ tầng dữ liệu thể thao hiện nay, các tầng kiểm chứng thường được đặt ở cuối chuỗi: sau khi mô hình đã chạy, sau khi bài viết đã lên sóng, sau khi con số đã đi vào biểu đồ. Nghĩa là chúng ta kiểm tra bằng cách xem kết quả có hợp lý với người đọc hay không, chứ không kiểm tra xem kết quả có hợp lý với nguồn hay không. Hai việc đó khác nhau hoàn toàn.

Và đây là phần phản trực giác thật sự: cùng cái lỗ hổng ấy tồn tại trong các chỉ số bóng đá mà chúng ta đang trích dẫn mỗi ngày. Mọi giá trị xG bạn đọc trên một trang thống kê đều đã đi qua một người hoặc một máy đã ra quyết định: cú sút này có tính là cơ hội không, đường chuyền này có tính là đường chuyền quyết định không, pha bóng này thuộc về ai. Đó là những phán đoán. Và phần lớn người đọc chỉ số không nhìn thấy lớp phán đoán đó. Họ nhìn thấy một con số có hai chữ số thập phân, và một con số có hai chữ số thập phân trông rất giống sự thật.

Tệp Mexico City dạy chúng ta rằng hệ thống phân loại có thể gắn nhãn bóng đá cho một vụ ẩu đả giao thông. Nếu nó làm được điều đó ở tầng thô nhất, thì không có lý do logic nào để tin rằng nó không làm điều tương tự ở tầng tinh vi hơn: gán một pha phản công cho một cầu thủ không tham gia, gán một bàn thua cho một hậu vệ đứng sai chỗ trong bản đồ nhiệt vốn đã được nội suy.

Đoạn video lan truyền và VAR: cùng một cơ chế

Có một điểm tương đồng khiến tôi dừng lại lâu.

Trong hồ sơ này, một đoạn video do người dùng quay đã lan truyền, tạo áp lực công luận, và buộc cơ quan công an phải mở hồ sơ thanh tra nội bộ. Sức mạnh của hình ảnh đã vượt qua sức mạnh của quy trình.

Trên sân cỏ, chúng ta có VAR. Cùng một cơ chế: một khung hình được tua chậm, được lặp lại, được chiếu từ nhiều góc, và đủ để lật ngược một phán quyết đã ban hành. Cùng một hiệu ứng tâm lý: người xem tin vào hình ảnh chậm hơn tin vào mắt thường.

Nhưng vào tháng 8 năm 2026, khi J.League tạm hoãn và các sân vận động trống không, tôi phát hiện ra một tầng khác mà hình ảnh không bao giờ chạm tới. Một kỹ thuật viên âm thanh gửi tôi bản ghi tiếng huấn luyện viên Ange Postecoglou chỉ đạo trong trận Yokohama F. Marinos tiếp FC Tokyo, tháng 8 năm 2026, tỷ số 2-0. Tôi đếm tần suất hai mệnh lệnh “kéo về” và “dâng lên” trong chín mươi phút, và tìm ra cách một huấn luyện viên điều chỉnh nhịp độ trận đấu từ đường biên. Bài “Một trận đấu qua tai” được chia sẻ bốn mươi nghìn lần.

Điều tôi học được hôm đó vẫn đúng hôm nay: hình ảnh cho bạn sự kiện, nhưng không cho bạn nhịp. Video lan truyền cho bạn cú sốc, nhưng không cho bạn nguyên nhân. Chúng ta đang sống trong thời đại mà tầng bằng chứng mạnh nhất về mặt cảm xúc lại là tầng yếu nhất về mặt giải thích.

Phân loại là một hành động đạo đức

Tôi muốn dừng ở đây, vì đây là phần ít kỹ thuật nhất nhưng quan trọng nhất.

Một vụ ẩu đả trên đường phố ở Mixcoac, với một người bị hành hung trước sự chứng kiến của người đi đường và máy quay, cần một bàn tin an ninh. Nạn nhân cần một quy trình điều tra đúng. Các sĩ quan cảnh sát giao thông bị nghi ngờ bỏ sót bước quy trình cần một cuộc thanh tra công bằng. Công chúng cần biết chuyện gì đã xảy ra.

Khi tài liệu đó bị dán nhãn “bóng đá”, nó bị chuyển tới một bàn không thể làm gì cho nạn nhân, cho công luận, cho tính minh bạch. Nó trở thành một hàng dữ liệu không có người đọc có thẩm quyền.

Tôi đã nói với các biên tập viên trẻ ở Tokyo điều này trong một cuộc họp, và tôi nói thẳng: chúng ta không chỉ đang làm hỏng dữ liệu. Chúng ta đang quyết định ai được lắng nghe.

Một mình giữa biển người, tôi không cần chỗ đứng – tôi cần góc nhìn. Góc nhìn của tôi hôm nay là: một cái nhãn phân loại, ở tầng sâu nhất, là một hành động đạo đức. Nó quyết định sự chú ý đi về đâu. Và sự chú ý là nguồn lực khan hiếm nhất trong ngành truyền thông.

Ba cổng kiểm chứng đề xuất

Từ vụ này, tôi viết ra ba cổng mà bất kỳ pipeline dữ liệu thể thao nào cũng nên có, và không cổng nào cần trí tuệ nhân tạo tiên tiến để vận hành.

Cổng thực thể. Trước khi gán nhãn miền, hệ thống phải trả lời được: tài liệu này có nêu tên ít nhất một thực thể kiểm chứng được trong miền đích hay không. Một tên câu lạc bộ, một tên cầu thủ, một tên giải đấu. Nếu không, nhãn miền bị treo, và tài liệu quay về hàng đợi chung. Tệp Mixcoac không vượt qua cổng này, và lẽ ra nó phải dừng ở đó.

Cổng hành động. Mỗi miền có một tập động từ đặc trưng. Bóng đá có: chuyền, sút, tắc bóng, áp sát, thay người. Trong hai mươi lăm điểm thông tin của tệp này, số động từ thuộc tập đó là không. Tập động từ xuất hiện là: va chạm, hành hung, lan truyền, thanh tra, triệu tập. Đó là ngôn ngữ của một bản tin công an.

Cổng địa điểm. Bóng đá có những địa điểm có thật và đăng ký được: sân vận động, trung tâm huấn luyện, trụ sở liên đoàn. Một tên đường phố trong một quận hành chính, dù trùng chuỗi ký tự với một tên câu lạc bộ, không phải là địa điểm bóng đá. Avenida Revolución ở Benito Juárez là một trục giao thông, và tôi đã tra bản đồ để nói điều đó thay vì phỏng đoán.

Ba cổng này tốn vài giây mỗi tài liệu. Chi phí của việc không có chúng thì tôi đang xem ngay lúc này.

Điều cần theo dõi

Tôi không kết bài bằng một tổng kết. Tôi kết bằng những gì tôi sẽ mở ra kiểm tra.

Thứ nhất, hồ sơ của Ban Thanh tra Nội bộ SSC. Câu hỏi cụ thể: các sĩ quan giao thông tại hiện trường có bị kết luận là bỏ sót bước quy trình tác chiến hay không, và kết luận đó có được công bố hay không. Đây là biến số duy nhất trong toàn bộ câu chuyện này mà tôi có thể kiểm chứng bằng văn bản chính thức.

Thứ hai, và đây là phần bóng đá thật sự: bao nhiêu tệp khác trong cùng pipeline mang nhãn “football” mà không hề có bóng đá. Nếu tệp Mixcoac là cá biệt, chúng ta có một lỗi. Nếu nó không cá biệt, chúng ta có một tỷ lệ, và tỷ lệ thì đo được.

Từ World Cup 2026 đến esports hôm nay, tôi học được rằng mọi trò chơi đều có nhịp điệu riêng. Ngành dữ liệu của chúng ta cũng có nhịp: nạp, gán nhãn, mô hình hóa, xuất bản. Nhịp đó đang chạy nhanh hơn nhịp kiểm chứng. Và trong mọi hệ thống, khi một nhịp nhanh hơn nhịp còn lại, cái gãy không phải là nhịp nhanh. Cái gãy là điểm nối.

Ngày mai tôi sẽ mở lại tệp nhật ký, và tôi sẽ không chỉ đếm tài liệu. Tôi sẽ đếm xem có bao nhiêu tài liệu đã được đọc bởi người không nên đọc chúng.