Khi bạn trò chuyện với ChatGPT hay Claude, cảm giác đầu tiên thường là sự kinh ngạc pha chút rùng mình. Nó trả lời rành mạch, hiểu được lối nói ẩn dụ, làm thơ, viết luận, thậm chí gõ code phần mềm trong vài giây.
Nhiều người bắt đầu lo sợ: “Liệu cỗ máy này có ý thức chưa? Nó có đang thực sự suy nghĩ như một con người không?”
Để không bị dẫn dắt bởi những thuyết âm mưu hay các bài viết câu view trên mạng xã hội, bạn cần nắm chắc nguyên lý gốc (First Principles): Một mô hình ngôn ngữ lớn (LLM) là một mạng nơ-ron được huấn luyện để dự đoán văn bản. Nó không “biết” sự thật theo cách một con người kiểm chứng thông tin. Còn câu hỏi LLM có ý thức hay trải nghiệm chủ quan nào không thì đến nay chưa có bằng chứng khoa học nào khẳng định, và giới khoa học, triết học vẫn đang tranh luận. Điều quan trọng với người dùng là hiểu cơ chế hoạt động của nó.
1. Bản chất trần trụi: Cỗ máy dự đoán từ tiếp theo (Next-Token Prediction)
Hãy quên đi những từ ngữ hoa mỹ về “trí tuệ nhân tạo siêu phàm”. Ở giai đoạn huấn luyện nền tảng, nhiệm vụ mà một LLM được huấn luyện để làm là: Đoán xem từ tiếp theo là gì dựa trên những từ đã xuất hiện phía trước. (Các giai đoạn huấn luyện sau, ở mục 3, sẽ uốn nắn thêm hành vi của nó.)
Trong thế giới của AI, văn bản không được đọc thành từng chữ cái mà được băm nhỏ thành các mảnh gọi là Token (trung bình mỗi token khoảng 3/4 từ tiếng Anh; với tiếng Việt, một âm tiết có thể là một hoặc vài token tùy mô hình, nên cùng một nội dung tiếng Việt thường tốn nhiều token hơn tiếng Anh).
Khi bạn đưa vào câu:
“Hà Nội là thủ đô của…”
Mô hình LLM không hề ngồi “suy ngẫm” về địa lý Việt Nam. Mạng nơ-ron với hàng trăm tỷ tham số của nó sẽ tính toán bảng phân phối xác suất cho toàn bộ kho từ vựng của nó (các con số dưới đây chỉ để minh họa):
- Từ “Việt Nam”: Xác suất 98,2%
- Từ “nước”: Xác suất 1,1%
- Từ “một”: Xác suất 0,4%
- Từ “Campuchia”: Xác suất 0,00001%
Mô hình chọn ra một từ dựa trên bảng xác suất này. Thường là từ có xác suất cao như “Việt Nam”, nhưng các chatbot thường được cài đặt một chút ngẫu nhiên (“nhiệt độ”) để câu trả lời bớt máy móc, nên đôi khi chọn từ có xác suất thấp hơn. Sau đó, nó lại ghép cụm mới thành: “Hà Nội là thủ đô của Việt Nam…” và tiếp tục đoán xem từ tiếp theo sẽ là một dấu chấm hay chữ gì khác.
Toàn bộ sự thông minh, uyên bác và dí dỏm mà bạn nhìn thấy trên màn hình thực chất là kết quả trỗi dậy từ một bài toán thống kê xác suất cực kỳ khổng lồ. Giống như tính năng gợi ý từ kế tiếp trên bàn phím điện thoại của bạn, nhưng được nhân quy mô lên hàng tỷ lần và vận hành trên hàng chục nghìn siêu chip GPU.
2. Định luật mở rộng (Scaling Laws): Khi số lượng biến thành chất lượng
Nếu bản chất chỉ là “đoán từ tiếp theo”, tại sao những mô hình ngôn ngữ nhỏ cách đây 10 năm chỉ nói được những câu ngô nghê, còn các mô hình ngày nay lại có thể giải đề thi Olympic Toán quốc tế (năm 2025, hệ thống của Google DeepMind và OpenAI lần đầu đạt mức điểm huy chương vàng) và viết kịch bản phim?
Câu trả lời nằm ở một phát hiện mang tính cách mạng được gọi là Định luật mở rộng (Scaling Laws).
Năm 2020, một nhóm nhà nghiên cứu tại OpenAI do Jared Kaplan dẫn đầu (sau này là đồng sáng lập Anthropic) công bố một bài báo quan sát thực nghiệm chấn động:
- Sai số dự đoán (loss) của mô hình ngôn ngữ giảm theo một quy luật hàm lũy thừa (Power Law) khá dễ dự đoán khi tăng 3 yếu tố:
- Số lượng tham số (Parameters - N): Kích thước của mạng nơ-ron.
- Dung lượng dữ liệu huấn luyện (Dataset size - D): Số lượng token văn bản được nạp vào.
- Năng lực tính toán (Compute - C): Lượng điện năng và số phép tính dấu phẩy động (FLOPs) của dàn chip GPU.
Nói một cách dân dã: Bạn không cần phải phát minh ra thuật toán mới mỗi năm. Cứ làm cho mạng nơ-ron to gấp 10 lần, cho nó đọc dữ liệu nhiều gấp 10 lần và dùng dàn máy tính mạnh gấp 10 lần, sai số của mô hình sẽ giảm theo một đường thẳng đo lường được trên đồ thị logarit. Sai số thấp hơn thường đi kèm năng lực tốt hơn, dù không phải năng lực cụ thể nào cũng tăng đều theo.
Năm 2022, nhóm nghiên cứu DeepMind (thuộc Alphabet) công bố nghiên cứu Chinchilla, chỉ ra rằng nhiều mô hình trước đó bị “bỏ đói dữ liệu”: Với cùng một ngân sách tính toán, muốn đạt hiệu quả tối ưu thì số tham số và lượng dữ liệu nên tăng cùng tỷ lệ (khoảng 20 token dữ liệu cho mỗi tham số).
Khi quy mô vượt qua một ngưỡng tới hạn nhất định, một hiện tượng kỳ diệu xảy ra gọi là Khả năng trỗi dậy (Emergent Abilities): Mô hình bắt đầu tự học được cách dịch thuật, lập luận nhiều bước, nhận ra sự mỉa mai và hiểu được ngữ cảnh phức tạp — những thứ mà không một lập trình viên nào chủ đích dạy cho nó khi bắt đầu. Lưu ý: khái niệm này còn tranh cãi; một số nhà nghiên cứu cho rằng sự “trỗi dậy đột ngột” một phần là do cách chấm điểm, còn năng lực thực tế tăng dần đều hơn.
3. Ba giai đoạn luyện một siêu AI
Để một đống chip vô tri trở thành một trợ lý AI thông minh như Claude hay ChatGPT, các công ty công nghệ phải thực hiện một quy trình gồm 3 giai đoạn nghiêm ngặt:
Giai đoạn 1: Tiền huấn luyện (Pre-training) — Nuốt trọn Internet
- Đây theo truyền thống là giai đoạn tốn kém nhất. Theo ước tính của Stanford AI Index 2024 (cùng Epoch AI), riêng chi phí tính toán để huấn luyện GPT-4 khoảng 78 triệu USD, còn Gemini Ultra khoảng 191 triệu USD. Gần đây, các công ty cũng đầu tư ngày càng nhiều vào các giai đoạn huấn luyện sau.
- Mô hình được “thả” vào hàng nghìn tỷ token văn bản, phần lớn thu thập từ Internet công khai và các nguồn khác: Wikipedia, sách báo, diễn đàn như Reddit, kho mã nguồn GitHub, bài báo khoa học…
- Ở giai đoạn này, mô hình chỉ là một “kẻ học vẹt vô biên”. Nó học được toàn bộ cấu trúc ngữ pháp, phong cách viết và kho tàng kiến thức nhân loại, nhưng nó chưa biết cách nói chuyện lễ phép. Nếu bạn hỏi: “Làm thế nào để luộc một quả trứng?”, nó có thể trả lời bằng cách… in tiếp một câu hỏi trắc nghiệm vì trên mạng có vô số bài thi nấu ăn dạng đó.
Giai đoạn 2: Tinh chỉnh có giám sát (Supervised Fine-Tuning - SFT)
- Sau khi có một bộ não học vẹt khổng lồ, các kỹ sư tuyển chọn hàng chục nghìn đến hàng trăm nghìn mẫu đối thoại chất lượng cao, phần lớn do con người viết sẵn:
- Câu hỏi người dùng: “Hãy giải thích thuyết tương đối hẹp cho một học sinh lớp 5.”
- Câu trả lời mẫu chuẩn: “Hãy tưởng tượng bạn đang ngồi trên một con tàu hỏa chạy rất nhanh…”
- Mô hình được huấn luyện lại trên tập dữ liệu này để học cách đóng vai: Một trợ lý hữu ích, biết lắng nghe và trả lời đúng trọng tâm câu hỏi.
Giai đoạn 3: Căn chỉnh phản hồi từ con người (RLHF - Reinforcement Learning from Human Feedback)
- Dù đã được tinh chỉnh, AI vẫn có thể đưa ra câu trả lời sai lệch, thô lỗ hoặc độc hại.
- Trong giai đoạn RLHF, mô hình sinh ra nhiều phương án trả lời khác nhau cho cùng một câu hỏi. Người đánh giá (Human Evaluators) sắp xếp chúng từ tốt đến kém: câu nào hữu ích nhất, câu nào an toàn nhất, câu nào chứa thông tin độc hại.
- Từ các đánh giá đó, kỹ sư huấn luyện một “mô hình chấm điểm” (reward model) biết bắt chước khẩu vị của người đánh giá. Sau đó, thuật toán Học tăng cường (Reinforcement Learning) dùng mô hình chấm điểm này để thưởng cho câu trả lời tốt và phạt câu trả lời xấu, trên hàng triệu câu hỏi mà con người không thể tự chấm hết. Ngày nay còn có nhiều biến thể, như dùng chính AI để chấm điểm theo một bộ nguyên tắc (xem Constitutional AI ở Bài 5), hoặc thưởng khi giải đúng các bài toán có đáp án kiểm chứng được. Quá trình này tương tự như cách cha mẹ uốn nắn nhân cách và lễ nghi cho một đứa trẻ vị thành niên.
4. Căn bệnh ảo giác (Hallucination): Tại sao AI tự tin nói dối?
Bất kỳ ai dùng AI một thời gian đều từng bắt gặp hiện tượng: Mô hình trả lời một câu rất hùng hồn, lập luận cực kỳ chặt chẽ, nhưng tên tác giả, số liệu thống kê hoặc điều luật trích dẫn lại hoàn toàn… bịa đặt 100%.
Hiện tượng này trong khoa học AI được gọi là Ảo giác (Hallucination).
Tại sao AI lại bịa chuyện?
- Hãy nhớ lại nguyên lý gốc ở mục 1: LLM được huấn luyện để tạo ra văn bản hợp lý về mặt thống kê, chứ không phải một công cụ tra cứu cơ sở dữ liệu. Các công ty đang giảm ảo giác bằng cách cho mô hình tra cứu tài liệu, tìm kiếm web và huấn luyện nó biết nói “không chắc”, nhưng chưa thể loại bỏ hoàn toàn.
- Khi đối mặt với một câu hỏi hóc búa mà nó không có dữ liệu chắc chắn, mục tiêu toán học của nó vẫn là: Chọn ra từ ngữ tiếp theo sao cho câu văn nghe có vẻ thuyết phục và mượt mà nhất đối với người đọc.
- Nó không có sẵn một cơ chế tra cứu để tự hỏi: “Điều này có thật ngoài đời không?”. Các mô hình có phần nào “cảm nhận” được mức độ chắc chắn của mình, nhưng cách huấn luyện và chấm điểm phổ biến lâu nay thường thưởng cho việc đoán một câu trả lời hơn là thừa nhận “tôi không biết”, nên mô hình có xu hướng đoán bừa một cách tự tin.
Hiểu được điều này, bạn sẽ không bao giờ mắc sai lầm của những kẻ nghiệp dư: Tuyệt đối không bao giờ tin tưởng mù quáng vào các con số, tên riêng hay trích dẫn pháp lý do AI đưa ra mà không kiểm chứng chéo với tài liệu gốc.
AI không phải là một vị thần toàn năng. Nó là một bộ khuếch đại tư duy. Nếu bạn hiểu rõ giới hạn cơ học của nó, bạn sẽ biến nó thành trợ thủ đắc lực nhất cuộc đời mình.
Nhưng ai đang là những kẻ nắm giữ những cỗ máy quyền lực này? Tại sao những người từng chung một chiến hào tại OpenAI lại tách ra thành lập nên đối thủ cạnh tranh trực tiếp: Anthropic (Claude)?
Trong Bài 5: Cuộc Chiến OpenAI & Claude (Anthropic), chúng ta sẽ bước vào hậu trường của Thung lũng Silicon: Vụ Sam Altman bị phế truất rồi trở lại, cuộc giằng co giữa lý tưởng an toàn và áp lực thương mại, và triết lý AI Hiến pháp.
Nguồn tham khảo: Kaplan và cộng sự (2020), “Scaling Laws for Neural Language Models”; Hoffmann và cộng sự (2022), “Training Compute-Optimal Large Language Models”; Wei và cộng sự (2022), “Emergent Abilities of Large Language Models” và Schaeffer và cộng sự (2023), “Are Emergent Abilities of Large Language Models a Mirage?”; Ouyang và cộng sự (2022), “Training language models to follow instructions with human feedback”; Stanford HAI, AI Index Report 2024; OpenAI (2025), “Why language models hallucinate”.
