Hỏi AI về một điều luật, nhận về số điều, số khoản trơn tru, tra lại thì không hề tồn tại — đó là hallucination, hay "ảo giác AI": hiện tượng mô hình tạo ra thông tin sai nhưng trình bày với giọng chắc chắn như thật. Nó không phải lỗi hiếm gặp mà là hệ quả trực tiếp của cách mô hình ngôn ngữ hoạt động, nên người dùng cần biết cách nhận ra và kiểm chứng.
Ảo giác AI trông như thế nào
Từ "ảo giác" nghe hơi kịch, nhưng mô tả đúng cảm giác của người dùng: AI nói về thứ không có thật với sự tự tin y hệt khi nói về thứ có thật, không ngập ngừng, không "hình như".
Vài dạng hay gặp nhất:
- Bịa nguồn và link. Bạn xin tài liệu tham khảo, AI đưa tên bài báo, tên tác giả, tên tạp chí, thậm chí đường dẫn. Tất cả trông rất chuẩn, nhưng bài báo không tồn tại, hoặc tồn tại với nội dung khác hẳn.
- Bịa số liệu. Hỏi "dân số tỉnh X năm Y", AI trả về một con số rất cụ thể, đến hàng đơn vị. Con số đó có thể lệch xa thực tế, hoặc thuộc năm khác, hoặc là con số được "ước" cho hợp lý.
- Bịa điều luật, quy định. Đây là dạng nguy hiểm ở Việt Nam: AI trích "Điều 25, Khoản 3, Nghị định số..." với nội dung nghe rất hợp lý, nhưng số hiệu và nội dung không khớp văn bản thật, hoặc văn bản đã hết hiệu lực.
- Bịa tính năng phần mềm. Hỏi cách làm một việc, AI chỉ vào một nút bấm không có trong menu.
- Đồng ý bừa. Bạn hỏi kèm giả định sai ("vì sao Nguyễn Du viết Truyện Kiều bằng chữ quốc ngữ?"), AI không sửa giả định mà giải thích trôi chảy theo giả định sai đó.
Điểm chung: câu trả lời đọc rất trôi. Chính sự trôi chảy đó là cái bẫy.
Vì sao đây là đặc tính, không phải lỗi vặt
Muốn hiểu vì sao AI bịa, cần nhớ mô hình ngôn ngữ lớn thực chất làm gì: dự đoán token tiếp theo sao cho hợp lý nhất dựa trên những gì đã học. Nó không tra cứu một cơ sở dữ liệu sự thật, không có khái niệm "tôi biết" và "tôi không biết" theo nghĩa con người. Bài LLM là gì giải thích cơ chế này kỹ hơn.
Với cơ chế đó, bịa và không bịa là cùng một hành động. Khi bạn hỏi tên một bài báo về chủ đề X, model tạo ra chuỗi chữ "trông giống một tên bài báo về X". Nếu nó nhớ đúng bài thật, kết quả trùng với sự thật; nếu không, kết quả vẫn ra, chỉ là không trùng. Cả hai trường hợp model đều làm đúng việc của nó.
Ba yếu tố khiến hiện tượng này khó dứt hẳn:
Model được thưởng vì trả lời, không vì im lặng. Trong quá trình huấn luyện, câu trả lời có nội dung thường được đánh giá cao hơn câu "tôi không biết". Model học được rằng đưa ra một đáp án luôn tốt hơn thú nhận không chắc.
Kiến thức bị nén. Model không lưu nguyên văn tài liệu, mà nén hàng tỷ trang thành các tham số. Chi tiết nhỏ như số hiệu văn bản, ngày tháng, tên riêng ít phổ biến là những thứ bị nén mất đầu tiên, trong khi "hình dáng" của thông tin (một số hiệu trông như thế nào) vẫn còn.
Kiến thức có mốc thời gian. Model chỉ biết đến thời điểm dữ liệu huấn luyện dừng lại. Hỏi về việc xảy ra sau mốc đó, nó không có gì để dựa, nhưng vẫn sinh câu trả lời.
Model mới bịa ít hơn model cũ rõ rệt, nhưng "ít hơn" không phải "không". Đây là thứ cần quản lý, không phải thứ chờ được sửa.
Cách giảm ảo giác
Không cách nào triệt tiêu hoàn toàn, nhưng kết hợp vài cách dưới đây giảm được phần lớn rủi ro.
| Cách | Làm thế nào | Hiệu quả với dạng nào |
|---|---|---|
| Đưa tài liệu cho AI đọc | Dán văn bản gốc vào prompt, hoặc dùng hệ thống RAG | Bịa số liệu, bịa nội dung văn bản |
| Yêu cầu trích dẫn | "Với mỗi ý, chỉ ra đoạn nào trong tài liệu tôi đưa" | Bịa nguồn, thêm thắt ngoài tài liệu |
| Cho phép nói "không biết" | "Nếu không chắc, nói không chắc, đừng đoán" | Đồng ý bừa, bịa chi tiết nhỏ |
| Bật tìm kiếm web | Dùng chế độ có tìm kiếm của công cụ | Sự kiện mới, thông tin thay đổi |
| Hỏi ngược | "Câu trả lời trên có điểm nào bạn không chắc?" | Mọi dạng, nhất là với model suy luận |
| Tách nhỏ câu hỏi | Hỏi từng ý thay vì một câu hỏi gộp | Câu hỏi phức tạp nhiều dữ kiện |
Cách đầu tiên đáng nói nhất. Khi AI có tài liệu trước mặt, việc của nó chuyển từ "nhớ" sang "đọc hiểu", và đọc hiểu là thứ nó làm tốt hơn nhớ rất nhiều. Đây chính là ý tưởng đằng sau RAG: thay vì trông chờ kiến thức trong model, hệ thống tìm đoạn tài liệu liên quan rồi đưa cho model đọc trước khi trả lời. Bài RAG là gì giải thích cách này chi tiết.
Yêu cầu trích dẫn cũng có mẹo: đừng chỉ hỏi "nguồn ở đâu", vì AI có thể bịa luôn cả nguồn. Hãy hỏi "trích nguyên văn câu trong tài liệu" — nguyên văn khó bịa hơn nhiều so với tóm ý, và bạn kiểm tra được bằng cách tìm chuỗi đó trong tài liệu gốc.
Cách người dùng tự kiểm
Khâu cuối vẫn là bạn. Vài thói quen đơn giản:
- Phân loại câu hỏi trước khi tin. Hỏi ý tưởng, dàn bài, cách diễn đạt, giải thích khái niệm: rủi ro thấp, dùng thoải mái. Hỏi số liệu, tên riêng, ngày tháng, điều luật, liều thuốc, thông tin tài chính: rủi ro cao, luôn kiểm.
- Càng cụ thể càng đáng ngờ. Một con số tròn kèm chữ "khoảng" thường an toàn hơn con số lẻ đến hàng đơn vị. Số hiệu văn bản đầy đủ là thứ cần tra nhất.
- Mở link ra xem. Link AI đưa mà không mở được, hoặc mở ra nội dung khác, thì cả câu trả lời quanh nó cũng nên nghi ngờ.
- Hỏi lại bằng cách khác. Cùng một sự thật mà hai cách hỏi cho hai đáp án thì ít nhất một cái sai. Hỏi hai công cụ khác nhau cũng là cách rẻ để phát hiện.
- Kiểm giả định của chính mình. Nếu câu hỏi của bạn chứa dữ kiện, AI có xu hướng chấp nhận nó. Thử hỏi "dữ kiện trong câu hỏi của tôi có đúng không?" trước.
Dùng ở Việt Nam thế nào
Tiếng Việt bị ảo giác nặng hơn tiếng Anh. Lý do đơn giản: dữ liệu tiếng Việt trong tập huấn luyện ít hơn nhiều, nên kiến thức về những thứ đặc thù Việt Nam — địa danh nhỏ, nhân vật địa phương, văn bản pháp luật, số liệu thống kê trong nước — bị nén mất nhiều hơn. Cùng một model, hỏi về luật Mỹ có thể khá chính xác nhưng hỏi về nghị định Việt Nam lại bịa số hiệu.
Ba nhóm cần cảnh giác nhất:
- Người tra cứu pháp luật. Đừng bao giờ dùng số hiệu điều khoản AI đưa mà chưa đối chiếu văn bản gốc. Cách dùng an toàn là dán chính văn bản luật vào rồi hỏi, hoặc dùng công cụ có kết nối cơ sở dữ liệu pháp luật, xem thêm AI tra cứu văn bản pháp luật.
- Sinh viên viết tiểu luận, luận văn. Tài liệu tham khảo do AI gợi ý là khu vực bịa nhiều nhất. Mọi nguồn phải tự tìm được bản gốc trước khi đưa vào danh mục.
- Người viết nội dung, báo chí, marketing. Số liệu thị trường, tên chuyên gia, câu phát biểu — mỗi thứ đều cần một nguồn thật đứng sau.
Nhóm ít cần lo: người dùng AI để brainstorm, viết nháp, sửa văn, dịch, học khái niệm, viết code có kiểm thử. Ở những việc này, nếu AI "bịa", bạn nhìn thấy ngay hoặc chương trình báo lỗi ngay.
Mẹo riêng cho tiếng Việt: với sự kiện hay số liệu trong nước, bật tìm kiếm web hoặc dán nguồn báo chí chính thống vào. Với khái niệm chung, hỏi bằng tiếng Anh rồi nhờ dịch lại đôi khi ít bịa hơn vì model có nhiều dữ liệu gốc hơn.
Câu hỏi thường gặp
AI trả tiền có hết bịa không?
Không. Bản trả phí thường dùng model mạnh hơn, bịa ít hơn và có thêm tính năng tìm kiếm, nhưng cơ chế nền vẫn vậy. Cái bạn mua là tỷ lệ sai thấp hơn, không phải con số không.
Vì sao AI bịa mà vẫn nói rất tự tin?
Vì giọng văn được học từ văn bản người viết, mà người viết thường trình bày tự tin. Model sinh chữ theo phong cách đó bất kể nội dung có thật hay không. Sự tự tin trong câu trả lời không mang thông tin gì về độ đúng.
Yêu cầu AI "đừng bịa" có tác dụng không?
Có một chút, nhất là khi kết hợp với việc cho phép nó trả lời "không chắc". Nhưng chỉ dòng chữ đó thì không đủ, vì model không biết lúc nào nó đang bịa. Cho nó tài liệu để đọc có tác dụng lớn hơn nhiều so với dặn dò.
Model suy luận có bịa không?
Vẫn có, nhưng thường ít hơn vì nó tự kiểm tra lại các bước trước khi kết luận. Điểm yếu là khi bịa, chuỗi suy luận của nó cũng trôi chảy không kém, nên đừng coi việc "thấy nó suy nghĩ" là bằng chứng đúng.
Làm sao biết một đoạn văn AI có bịa mà không cần chuyên môn?
Tách các dữ kiện kiểm được ra: tên, số, ngày, nguồn, rồi tra từng cái bằng công cụ tìm kiếm thông thường. Nếu hai ba cái đầu đã sai, hãy hỏi lại kèm tài liệu thay vì đọc tiếp.
