Ảnh bạn upload lên dịch vụ lưu trữ ảnh có bị dùng để huấn luyện AI không? Kiểm tra robots.txt và điều khoản của 8 dịch vụ
Nếu bạn từng thắc mắc tại sao ảnh cá nhân đăng công khai đôi lúc "trông quen quen" khi thử với công cụ AI tạo ảnh, có một khả năng ít ai để ý: crawler thu thập dữ liệu huấn luyện AI hoàn toàn có thể đã lấy ảnh đó từ một dịch vụ lưu trữ ảnh miễn phí nào đó, chỉ cần trang không có quy tắc chặn cụ thể. Tôi quyết định kiểm tra xem 8 dịch vụ lưu trữ ảnh/album phổ biến đang xử lý chuyện này ra sao.
Kết luận trước, số liệu sau: trong 8 dịch vụ tôi kiểm tra, chỉ Catbox chặn đích danh GPTBot, ClaudeBot, Google-Extended, CCBot trong robots.txt; Flickr dùng cách viết khác để đạt hiệu quả tương tự; robots.txt của Imgur hoàn toàn không chặn, nhưng điều khoản dịch vụ lại cấm rõ ràng bên thứ ba dùng nội dung nền tảng để huấn luyện AI; robots.txt của ImgBB và Postimages là file trống, coi như không có quy tắc; lpic.cc hiện cũng chưa viết quy tắc riêng nào cho crawler AI. Tất cả đều là nội dung tôi thực sự fetch được lần này, không phải suy đoán từ tài liệu, thời điểm kiểm tra là tháng 9/2026.
Cách tôi kiểm tra bài này
Tôi chạy curl trực tiếp trên 8 tên miền để lấy file robots.txt gốc (không đọc qua diễn giải của công cụ bên thứ ba), rồi dùng công cụ crawl web để đọc toàn văn điều khoản dịch vụ của từng nơi, tìm các câu liên quan đến "phạm vi cấp phép nội dung" và "huấn luyện AI / machine learning", trích dẫn nguyên văn. Trường nào không tìm thấy, hoặc điều khoản hoàn toàn không đề cập, tôi ghi "không đề cập", không đoán mò theo trí nhớ.
5 crawler AI được so sánh, mỗi cái đại diện cho một mục đích khác nhau:
- GPTBot — crawler của OpenAI dùng để thu thập dữ liệu huấn luyện
- ClaudeBot — crawler của Anthropic dùng để thu thập dữ liệu huấn luyện (khác với
Claude-User/Claude-SearchBot, cũng của Anthropic nhưng phục vụ tra cứu thời gian thực) - Google-Extended — token opt-out riêng của Google cho việc huấn luyện các mô hình AI tạo sinh như Gemini, tách biệt với Googlebot vốn phụ trách index tìm kiếm
- CCBot — crawler của Common Crawl, rất nhiều bộ dữ liệu huấn luyện LLM được xử lý từ dữ liệu nó thu thập
- PerplexityBot — crawler của Perplexity
Bảng so sánh đầy đủ
Dữ liệu cập nhật: tháng 9/2026. "Không được nêu tên" nghĩa là UA đó không xuất hiện trong robots.txt của trang, việc xử lý thực tế phụ thuộc vào việc nó rơi vào quy tắc nào.
| Dịch vụ | GPTBot | ClaudeBot | Google-Extended | CCBot | PerplexityBot | Điều khoản có đề cập huấn luyện AI? |
|---|---|---|---|---|---|---|
| Catbox | Chặn (nêu tên) | Chặn (nêu tên) | Chặn (nêu tên) | Chặn (nêu tên) | Không nêu tên → cho phép theo quy tắc * |
Không đề cập |
| Flickr | Chặn (không nằm trong danh sách cho phép, rơi vào User-agent: * / Disallow: /) |
Chặn (tương tự; nhưng Claude-User, Claude-SearchBot — 2 UA không dùng để huấn luyện — được nêu tên cho phép) |
Chặn (tương tự) | Chặn (tương tự) | Cho phép (được nêu tên trong danh sách cho phép) | Không đề cập |
| Imgur | Không nêu tên → cho phép theo quy tắc * |
Không nêu tên → cho phép | Không nêu tên → cho phép | Không nêu tên → cho phép | Không nêu tên → cho phép | Có — cấm rõ ràng bên thứ ba thu thập/sử dụng nội dung nền tảng cho mục đích machine learning |
| ImgBB | Cho phép (robots.txt trống) | Cho phép | Cho phép | Cho phép | Cho phép | Không đề cập |
| Postimages | Cho phép (robots.txt trống) | Cho phép | Cho phép | Cho phép | Cho phép | Không đề cập |
| Google Photos | Không nêu tên; các đường dẫn chia sẻ/album bị chặn toàn bộ với * |
Tương tự | Tương tự | Tương tự | Tương tự | Điều khoản chính của Google cấm "dùng nội dung dịch vụ để huấn luyện mô hình machine learning", nhưng không nói riêng về Photos |
| iCloud Shared Albums | Không nêu tên; /sharedalbum/, /photos/ bị chặn toàn bộ với * (Googlebot là ngoại lệ được phép toàn site) |
Tương tự | Tương tự | Tương tự | Tương tự | Không đề cập; trang riêng tư Apple Intelligence có tuyên bố "nội dung cá nhân không được dùng để huấn luyện mô hình nền tảng nếu chưa có sự đồng ý" |
| lpic.cc | Cho phép (Allow: /, chỉ chặn /admin/, /api/) |
Cho phép | Cho phép | Cho phép | Cho phép | Không đề cập; phạm vi cấp phép giới hạn ở "lưu trữ, xử lý (như nén/chuyển định dạng), truyền tải", không phải cấp phép khái quát "cho mọi mục đích" |
robots.txt chỉ là thỏa thuận danh dự, cần nói rõ điều này
Toàn bộ bảng trên chỉ thể hiện "quy tắc viết gì", không phải "crawler có thực sự tuân theo hay không". robots.txt không có bất kỳ hiệu lực kỹ thuật bắt buộc nào — một trang web viết Disallow: / cho một UA nào đó, việc crawler bên kia có tôn trọng hay không hoàn toàn phụ thuộc vào tính tự giác của họ. Lần này tôi chỉ xác minh nội dung quy tắc, chưa kiểm chứng riêng lẻ xem 5 công ty AI này có thực sự tuân theo robots.txt mà họ tuyên bố sẽ tuân theo hay không — việc đó cần một phương pháp phân tích lưu lượng khác, không phải câu hỏi đọc quy tắc là trả lời được. Điểm này quan trọng cho phần lpic.cc phía dưới, nên cần nói rõ ngay từ đây.
Phân tích từng dịch vụ: sự khác biệt trong logic quy tắc
Catbox: danh sách chặn đầy đủ nhất, nhưng bỏ sót PerplexityBot
robots.txt của Catbox dùng cách viết trực tiếp nhất: đưa ra một bộ quy tắc chung cho mọi UA (chỉ chặn vài đường dẫn chức năng như /contact.php, /user/), sau đó liệt kê tên để chặn ClaudeBot, Claude-User, Claude-SearchBot, GPTBot, Google-Extended, CCBot, Meta-ExternalAgent, FacebookBot, Bytespider, Applebot-Extended — mười UA thuộc loại huấn luyện hoặc tổng hợp dữ liệu, chặn toàn site bằng Disallow: /.
Nhưng danh sách này lại thiếu PerplexityBot. Vì không được nêu tên, nó rơi về quy tắc chung, tức là gần như toàn site (trừ vài đường dẫn chức năng) mở cho nó. Không rõ đây là danh sách chưa cập nhật, hay là lựa chọn có chủ đích (Perplexity tự định vị mình là trợ lý tra cứu thời gian thực, không phải crawler huấn luyện) — đây là phần lần này tôi không tìm ra câu trả lời và cũng không định đoán mò. Điều chắc chắn duy nhất: ngay cả Catbox — dịch vụ kiểm tra kỹ nhất — cũng có một lỗ hổng cụ thể, có thể kiểm chứng được.
Flickr: dùng "danh sách cho phép" để đạt hiệu quả ngược với Catbox
Flickr làm ngược lại: liệt kê một danh sách dài các UA được cho phép (Googlebot, bingbot, ChatGPT-User, Claude-SearchBot, Claude-User, OAI-SearchBot, PerplexityBot...), chỉ mở cho những UA này (trừ vài đường dẫn), cuối cùng thêm một dòng User-agent: * / Disallow: /.
Nói cách khác, UA nào không được mời rõ ràng vào danh sách cho phép sẽ bị chặn toàn site. GPTBot, ClaudeBot, Google-Extended, CCBot đều không nằm trong danh sách cho phép, nên tất cả rơi vào dòng Disallow: / đó. Kết quả này đúng là "cho phép crawler tìm kiếm/tra cứu thời gian thực, chặn crawler huấn luyện quy mô lớn" — cùng đích với cách Catbox thủ công liệt kê danh sách đen, chỉ khác cách triển khai: một bên là blacklist, một bên là whitelist.
Imgur: robots.txt mở cửa, điều khoản dịch vụ khóa cửa
robots.txt của Imgur không xử lý riêng bất kỳ UA AI nào, quy tắc chung cũng chỉ chặn các trang chức năng như tài khoản, tải xuống, đăng xuất, còn trang ảnh và album mở cho mọi crawler. Nhưng lật điều khoản dịch vụ, giới hạn sử dụng cho bên thứ ba lại viết rất thẳng:
"...create derivative works based on our service...including for any purposes related to AI machine learning/use on AI platforms..." (một phần trong danh sách hành vi bị cấm)
và:
"...any use of our service...for any commercial purpose, including without limitation AI machine learning, use on AI platforms, etc., you must first obtain our express signed written consent..."
Điều khoản cấm này viết cho "bên thứ ba", không phải tự ràng buộc chính mình — công ty mẹ MediaLab.Ai của Imgur dùng nội dung trên nền tảng của họ như thế nào lại không có câu tự giới hạn tương ứng. Nên nói chính xác hơn: Imgur dùng quy tắc kỹ thuật (robots.txt) mở cửa cho tất cả, nhưng dùng quy tắc pháp lý (điều khoản dịch vụ) cấm người khác lấy dữ liệu đã crawl để huấn luyện AI. Đây là một tổ hợp kiểu "cho bạn crawl, nhưng crawl xong không được làm việc này" — hoàn toàn khác với cách Catbox/Flickr chặn thẳng ngay từ cửa bằng biện pháp kỹ thuật.
ImgBB, Postimages: quy tắc trống trơn
robots.txt của hai dịch vụ này tôi đã dùng curl kiểm tra trực tiếp phản hồi HTTP, Content-Length: 0 — không phải crawl lỗi, mà trang web thực sự trả về một file trống. Không có quy tắc Disallow nào, nghĩa là mọi crawler (bao gồm 5 crawler AI) về mặt kỹ thuật đi lại thoải mái. Điều khoản dịch vụ cũng không đề cập huấn luyện AI, nhưng cả hai đều cấp phép nội dung rất rộng cho chính nền tảng (nguyên văn của ImgBB là "for any purpose, commercial, advertising, or otherwise"). Cấp phép rộng này ký cho chính nền tảng, không phải bảo lãnh cho các công ty AI, nhưng cũng có nghĩa là nếu sau này nền tảng muốn cấp phép nội dung cho bên khác dùng huấn luyện AI, điều khoản hiện tại không ngăn được việc đó.
Google Photos, iCloud Shared Albums: có lẽ đặt sai câu hỏi ngay từ đầu
robots.txt của hai dịch vụ này đều không viết quy tắc riêng cho bất kỳ crawler AI nào, nhưng quy tắc chung chặn toàn bộ /photo/, /shared, /sharing (Google Photos) và /sharedalbum/, /photos/ (iCloud), áp dụng như nhau cho mọi UA không được cho phép thêm — cả 5 crawler AI đều không có ngoại lệ nào.
Nhưng ở đây có một khác biệt về cấu trúc so với 6 dịch vụ trên: Imgur, ImgBB, Postimages, Catbox, Flickr, lpic.cc có trang ảnh vốn được thiết kế để xem công khai (vài trong số đó còn vào cả index tìm kiếm; trang xem của lpic.cc thì đặt noindex); album của Google Photos, album chia sẻ của iCloud mặc định vận hành dựa trên một chuỗi URL không thể đoán được, không có danh sách công khai hay liên kết nội bộ nào dẫn tới các trang này. Việc robots.txt có chặn hay không ảnh hưởng khá hạn chế với kiểu kiến trúc "URL chính là khóa bí mật" — crawler phải biết URL đó trước, mới có cơ hội đọc robots.txt để xác định có được crawl hay không. Đây là logic bảo vệ hoàn toàn khác với 6 dịch vụ trên (trang vốn đã ở trong index công khai, dựa vào robots.txt để chặn) — khi so sánh chung một bảng cần nói rõ, nếu không dễ hiểu nhầm thành "Google/Apple cũng dùng chiến lược giống Catbox".
Việc Cloudflare vừa làm có liên quan gì đến các dịch vụ lưu trữ ảnh này không
Ngày 15/9/2026, blog chính thức của Cloudflare đăng bài "Have it both ways: stay discoverable in search while disallowing AI training", chính thức chia hành vi crawler thành ba loại: Search (xây index tìm kiếm), Training (huấn luyện hoặc fine-tune mô hình), Agent (hành vi đại diện được người dùng chỉ định thời gian thực, ví dụ giúp bạn tra cứu thông tin). Bài viết nêu rõ, từ ngày này mọi tên miền mới kết nối Cloudflare sẽ áp dụng giá trị mặc định mới: trang có quảng cáo mặc định "cho phép tìm kiếm, chặn huấn luyện, chặn agent trên trang quảng cáo"; trang không có quảng cáo mặc định cho phép cả ba. Đây là bước triển khai tiếp theo của Content Signals Policy mà Cloudflare ra mắt tháng 9/2025 (đưa ba tín hiệu search / ai-input / ai-train vào cú pháp mở rộng của robots.txt).
Tôi không tìm được, và cũng không định giả vờ đã tìm được, câu trả lời cho việc "8 dịch vụ lưu trữ ảnh này có phải khách hàng Cloudflare hay không" — bài viết này không xác minh chuyện đó, nên không thể suy ra chúng đã áp dụng giá trị mặc định mới của Cloudflare. Điều đáng ghi nhận là sự trùng hợp: cấu trúc robots.txt hiện tại của Flickr đúng là logic mà Cloudflare lần này muốn quảng bá (cho phép crawler tìm kiếm/agent, chặn crawler huấn luyện), chỉ là Flickr tự tay duy trì danh sách UA để đạt được điều đó, không liên quan gì đến giá trị mặc định tự động hóa lần này của Cloudflare.
Góc nhìn Việt Nam: quy định về dữ liệu cá nhân có với tới các dịch vụ nước ngoài này không
Nghị định 13/2023/NĐ-CP về bảo vệ dữ liệu cá nhân yêu cầu việc xử lý dữ liệu cá nhân phải có sự đồng ý của chủ thể dữ liệu, nhưng phạm vi áp dụng chủ yếu nhắm tới bên xử lý dữ liệu tại Việt Nam hoặc có hoạt động liên quan tới người dùng Việt Nam — còn việc Imgur, Catbox hay các công ty AI nước ngoài crawl ảnh để huấn luyện mô hình lại chịu sự điều chỉnh của pháp luật nơi họ đặt trụ sở và điều khoản dịch vụ riêng của từng bên. Việt Nam hiện cũng chưa có quy định riêng biệt về việc crawler AI được phép thu thập nội dung công khai ở mức độ nào — đây là khoảng trống pháp lý cần lưu ý, không phải điều gì bài viết này có thể khẳng định chắc chắn.
Chính sách hiện tại của lpic.cc là gì (nói thật)
robots.txt của lpic.cc hiện tại (kiểm tra tháng 9/2026) như sau:
User-Agent: *
Allow: /
Disallow: /admin/
Disallow: /api/
Sitemap: https://lpic.cc/sitemap-index.xml
Không viết quy tắc riêng cho bất kỳ UA nào trong số GPTBot, ClaudeBot, Google-Extended, CCBot, PerplexityBot — ở lớp robots.txt tương đương cho phép toàn bộ. Về điều khoản dịch vụ, phạm vi cấp phép được viết là "bạn cấp phép cho dịch vụ này lưu trữ, xử lý (như nén/chuyển định dạng) và truyền tải nội dung đã upload" — phạm vi hẹp hơn nhiều so với kiểu cấp phép khái quát "cho mọi mục đích" của Imgur, ImgBB, Postimages, nhưng điều khoản cũng không hề xuất hiện chữ "AI" hay "machine learning" — không cam kết, cũng không cấm.
Gộp hai điều này lại, cách nói trung thực nhất là: hiện tại cả robots.txt lẫn điều khoản của lpic.cc đều chưa chặn crawler huấn luyện AI, điểm này cùng nhóm với Imgur, ImgBB, Postimages, Google Photos, iCloud, không có gì đặc biệt hơn (lớp CDN phía trước website còn có cấu hình quản lý crawler riêng, lớp đó không nằm trong phạm vi kiểm tra của bài này, ở đây không đứng ra bảo chứng hay khẳng định bất kỳ hiệu quả bảo vệ nào dựa vào đó). Sẽ không nói rằng "upload lên lpic.cc thì ít bị dùng huấn luyện AI hơn", vì không có quy tắc nào ủng hộ câu này — và kể cả có thêm quy tắc Disallow: GPTBot, như đã nói ở trên, đó cũng chỉ là thỏa thuận tự giác, chưa từng được đo lường xem có bên nào thực sự tuân theo hay không. Việc có nên áp dụng cách chặn rõ ràng như Catbox/Flickr hay không là một quyết định sản phẩm độc lập khác, tách biệt với việc bài viết này có mô tả trung thực hiện trạng hay không.
Bạn nên chọn dịch vụ nào: bảng đối chiếu theo nhu cầu
| Điều bạn quan tâm | Dịch vụ phù hợp | Vì sao |
|---|---|---|
| Muốn dịch vụ chủ động chặn kỹ thuật các crawler huấn luyện đã biết | Catbox | robots.txt chặn đích danh 4/5 crawler mục tiêu, là dịch vụ duy nhất bài này tìm thấy làm vậy |
| Muốn chia sẻ công khai và được công cụ tìm kiếm index, nhưng không muốn bị crawler huấn luyện quét | Flickr | Cách viết whitelist vừa vặn đạt hiệu quả "có thể tìm kiếm, không thể huấn luyện", nhưng đây là cách vận hành sẵn có, không phải cam kết công khai chính thức về vấn đề AI |
| Chỉ cần lưu ảnh miễn phí, không quan tâm nhiều đến vấn đề AI | ImgBB / Postimages | robots.txt không giới hạn, dễ dùng nhất, nhưng điều khoản cấp phép nội dung rất rộng, coi như mặc định đồng ý nền tảng dùng nội dung "cho mọi mục đích" |
| Muốn phạm vi cấp phép của nền tảng càng hẹp càng tốt (chỉ lưu trữ/xử lý/truyền tải) | lpic.cc | Phạm vi điều khoản hẹp nhất trong số các dịch vụ so sánh ở bài này, nhưng chưa có chặn kỹ thuật crawler AI tương ứng |
| Muốn ảnh vốn dĩ không lộ ra công khai, không vào index | Album chia sẻ Google Photos / iCloud Shared Albums | Dựa vào URL không thể đoán được thay vì robots.txt, logic kiến trúc khác với 6 dịch vụ còn lại |
Câu hỏi thường gặp
Q: robots.txt viết Disallow thì công ty AI chắc chắn sẽ không crawl?
Không chắc chắn. robots.txt là thỏa thuận tự giác, không có hiệu lực kỹ thuật bắt buộc. Bài này chỉ xác minh "quy tắc viết gì", chưa đo lường riêng xem 5 công ty AI này có thực sự tuân theo quy tắc họ tuyên bố hay không.
Q: Điều khoản dịch vụ hoàn toàn không nhắc đến huấn luyện AI, có nghĩa là ảnh của tôi an toàn hơn không? Không có nghĩa vậy. Không nhắc đến thường có nghĩa lúc soạn điều khoản đây chưa phải trọng tâm, hoặc nền tảng cố tình để ngỏ. Đối chiếu với kiểu cấp phép rộng "cho mọi mục đích" của Imgur, ImgBB, Postimages, việc điều khoản không viết rõ có khi lại là rủi ro chứ không phải bảo đảm.
Q: lpic.cc có chặn riêng crawler huấn luyện AI không? Ở lớp robots.txt thì không. Tại thời điểm kiểm tra tháng 9/2026, robots.txt cho phép toàn bộ với 5 UA mục tiêu (cấu hình quản lý crawler ở lớp CDN không nằm trong phạm vi kiểm tra của bài này) — đây là mô tả trung thực hiện trạng, không phải cam kết tương lai sẽ không bổ sung.
Q: Cách chia ba loại (Search / Training / Agent) mới của Cloudflare có liên quan trực tiếp gì đến 8 dịch vụ này không? Không liên quan trực tiếp. Đây là cơ chế mới ở cấp nền tảng của Cloudflare, áp dụng cho các tên miền kết nối Cloudflare, bài viết này chưa xác minh 8 dịch vụ này có phải khách hàng Cloudflare hay không. Hiệu quả quy tắc hiện tại của Flickr chỉ trùng hợp giống vậy, không có nghĩa nó được thiết kế để phối hợp với thông báo lần này của Cloudflare.
Q: Tại sao PerplexityBot không nằm trong danh sách chặn của Catbox? Không rõ lý do chính xác, bài viết này không tìm được giải thích công khai từ đội vận hành Catbox. Có thể danh sách chưa cập nhật, cũng có thể là lựa chọn có chủ đích — Perplexity tự định vị mình là trợ lý tra cứu thời gian thực, khác với crawler thuần thu thập dữ liệu huấn luyện. Ở đây chỉ trình bày khoảng cách giữa các quy tắc, không suy đoán động cơ.
Q: Nghị định 13/2023/NĐ-CP có quản được các dịch vụ lưu trữ ảnh nước ngoài này không? Không quản được trực tiếp bản thân nền tảng. Nghị định này chủ yếu ràng buộc bên xử lý dữ liệu tại Việt Nam hoặc liên quan tới người dùng Việt Nam, còn Imgur, Catbox và các công ty AI nước ngoài crawl dữ liệu của họ nằm ngoài phạm vi này, áp dụng luật nơi họ đặt trụ sở và điều khoản dịch vụ riêng.
Nguồn dữ liệu và ngày kiểm tra
Toàn bộ nội dung dưới đây được fetch/curl trực tiếp ngày 2026-09-25, không trích lại từ tóm tắt bên thứ ba:
- robots.txt Imgur:
https://imgur.com/robots.txt - Điều khoản dịch vụ Imgur:
https://imgur.com/tos - robots.txt ImgBB:
https://imgbb.com/robots.txt(HTTP 200, Content-Length: 0) - Điều khoản dịch vụ ImgBB:
https://imgbb.com/tos - robots.txt Postimages:
https://postimages.org/robots.txt(HTTP 200, Content-Length: 0) - Điều khoản dịch vụ Postimages:
https://postimages.org/terms - robots.txt Catbox:
https://catbox.moe/robots.txt - Điều khoản/trang pháp lý Catbox:
https://catbox.moe/legal.php - robots.txt Flickr:
https://www.flickr.com/robots.txt - Điều khoản dịch vụ Flickr:
https://www.flickr.com/help/terms - Chính sách quyền riêng tư Flickr:
https://www.flickr.com/help/privacy - robots.txt Google Photos:
https://photos.google.com/robots.txt - Điều khoản dịch vụ Google:
https://policies.google.com/terms - Chính sách quyền riêng tư Google:
https://policies.google.com/privacy - robots.txt iCloud:
https://www.icloud.com/robots.txt - Điều khoản dịch vụ iCloud:
https://www.apple.com/legal/internet-services/icloud/ - Trang riêng tư Apple Intelligence:
https://www.apple.com/privacy/features/ - robots.txt lpic.cc:
https://lpic.cc/robots.txt - Điều khoản dịch vụ lpic.cc: nội dung i18n tương ứng trang
/termstrên website (termsIntellectualDesc) - Blog chính thức Cloudflare (chính sách crawler chia ba loại, đăng 2026-09-15):
https://blog.cloudflare.com/accountable-mixed-use-ai-crawlers/ - Cloudflare Content Signals Policy (tiền thân của chính sách chia ba loại, đăng 2025-09-24):
https://blog.cloudflare.com/content-signals-policy/