Biểu tượng chim cắt của Kestrel Exams KESTREL EXAMSLUYỆN TẬP ĐỂ ĐẠT
Bản dịch này do AI thực hiện và chưa được người bản ngữ kiểm duyệt. Nếu có khác biệt, bản tiếng Anh là bản chính. Mã nguồn được giữ nguyên bằng tiếng Anh. Ứng dụng luyện tập và tài liệu cho các kỳ thi chứng chỉ của Hoa Kỳ chỉ có bằng tiếng Anh. Read in English
Sử dụng AIBài 01 trên 1018 phút đọcMiễn phí, không cần tài khoản

AI là gì, và không phải là gì

Một trợ lý trò chuyện AI có thể viết ý tưởng bữa tối cho cả tuần trong vài giây, rồi cũng bình thản như vậy mà kể cho bạn về một đợt giảm giá mà nó chưa từng thấy. Bài này cho thấy điều gì đang diễn ra bên dưới, bằng lời đơn giản, để bạn biết nên giao cho nó những việc nào và câu trả lời nào cần kiểm tra.

Tổng quan khóa học →Ủng hộ Kestrel Exams

Dùng AI 01 · Video một phút

Chatbot AI thực sự hoạt động thế nào?

1 phút · Phụ đề tiếng Anh · Do Kestrel Focus thực hiện

  1. 0:00Chatbot đang làm gì khi nó trả lời tôi?
  2. 0:03Vì sao biết điều đó lại giúp tôi?
  3. 0:06Có thật nó chỉ là tự động hoàn thành không?
  4. 0:09Nó được huấn luyện trên cái gì?
  5. 0:14Nó có tra một câu trả lời đã lưu không?
  6. 0:19Nếu nó chỉ viết điều có khả năng xảy ra, nó có thể sai không?
  7. 0:21Điều có khả năng xảy ra và điều đúng sự thật trùng nhau thường xuyên đến mức nào?
  8. 0:23Một câu trả lời sai trông như thế nào?
  9. 0:26Làm sao tôi tự thấy nó đoán?
  10. 0:31Nó có thừa nhận khi không biết không?
  11. 0:35Vì sao câu trả lời thay đổi giữa các cuộc trò chuyện?
  12. 0:39Làm sao phân biệt một sự kiện đã học với một điều đoán?
  13. 0:45Vậy câu trả lời đơn giản là gì?
  14. 0:49Tôi nên giao cho nó việc gì, và nên kiểm tra việc gì?
  15. 0:52Tiếp theo là gì?
Đọc bản ghi lời

Chatbot AI thực sự hoạt động thế nào? Biết điều này cho bạn biết câu trả lời nào cần kiểm tra. Điện thoại của bạn đã đoán từ tiếp theo của bạn rồi. Một chatbot là người họ hàng lớn hơn nhiều, được huấn luyện trên lượng văn bản khổng lồ. Nó viết câu trả lời của bạn mới hoàn toàn, từng mảnh có khả năng xảy ra một. Nhưng không có gì trong "có khả năng" nói lên "đúng sự thật." Thường thì hai thứ khớp nhau. Khi chúng tách ra, bạn nhận được một câu trả lời trơn tru mà sai. Hãy hỏi số trang của một công thức nấu ăn trong một cuốn sách nấu ăn không tồn tại. Nó vẫn có thể đưa ra một số trang, nghe hoàn toàn chắc chắn. Hỏi lại trong một cuộc trò chuyện mới, và số trang có thể đổi. Một sự kiện đã được học kỹ thường giữ nguyên. Vậy, chatbot AI thực sự hoạt động thế nào? Nó viết điều có khả năng xảy ra, không phải điều đã được kiểm tra. Hãy để nó soạn bản nháp; kiểm tra các sự kiện chính xác tại nguồn. Tiếp theo: cách hỏi để câu trả lời phù hợp với cuộc sống của bạn.

Video là phiên bản một phút của học phần này, và bài học đầy đủ nằm ở bên dưới. Do Kestrel Focus, một kênh của Kestrel Exams LLC, thực hiện. Hình ảnh là hình minh họa và lời dẫn dùng giọng nói tổng hợp. Video được nhúng qua youtube-nocookie.com, nên YouTube không đặt cookie theo dõi trừ khi bạn bấm phát.

Bắt đầu từ đây: tính năng tự động hoàn thành mà bạn đã biết#

Điện thoại của bạn đã đoán từ tiếp theo của bạn rồi. Gõ “Hẹn gặp” vào một tin nhắn và nó gợi ý “lại”, “ngày mai” hoặc “sau”. Nó không biết kế hoạch của bạn. Nó gợi ý những từ thường đứng tiếp theo.

Hãy giữ lấy hình dung đó. Ví dụ xuyên suốt của chúng ta trong cả bài là một việc thường ngày: lên kế hoạch bữa tối cho cả tuần cho một hộ gia đình bốn người. Một người ăn chay, ngân sách khoảng $80, và không ai muốn nấu quá 30 phút vào một buổi tối trong tuần.

Hãy thử trước

Bạn nhờ một trợ lý trò chuyện lên bữa tối cho cả tuần và nó trả lời trong vài giây. Câu trả lời đó đến từ đâu: một cơ sở dữ liệu các câu trả lời đã lưu, một lần tìm kiếm trực tiếp trên internet, hay một thứ khác?

Xem đáp án

Phần lớn là một thứ khác. Về bản chất, một trợ lý trò chuyện là người họ hàng lớn hơn nhiều của công cụ đoán từ tiếp theo trên điện thoại của bạn. Nó không lấy một câu trả lời làm sẵn từ cơ sở dữ liệu, và nó không tìm kiếm trên internet trừ khi nó có công cụ tìm kiếm cho cuộc trò chuyện đó. Nó viết kế hoạch mới hoàn toàn, từng mảnh nhỏ một.

Động cơ bên trong hầu hết các trợ lý trò chuyện là một mô hình ngôn ngữ lớn, hay LLM. Đó là một chương trình máy tính được huấn luyện trên lượng văn bản khổng lồ để dự đoán từ nào có khả năng xuất hiện tiếp theo. Huấn luyện nghĩa là cho nó xem văn bản, yêu cầu nó đoán mảnh tiếp theo, và chỉnh nó một chút mỗi khi đoán sai, lặp lại hàng tỷ lần. Những thứ được chỉnh là các tham số của nó, những con số điều chỉnh được bên trong mô hình. Một mô hình được ghi chép rõ ràng từ năm 2020 có 175 tỷ tham số.

Phần giải thích của một nhà sản xuất mô hình đưa ra loại chỗ trống mà mô hình học cách điền: “Thay vì rẽ trái, cô ấy đã rẽ ___.” Làm điều đó trên một thư viện văn bản khổng lồ và mô hình thu nhận được ngữ pháp, sự kiện, văn phong và các mẫu suy luận, vì tất cả chúng đều giúp nó đoán tốt.

Vì vậy khi bạn xin bảy bữa tối, nó không tra cứu “kế hoạch bữa ăn”. Nó viết “Thứ Hai:”, rồi một món có khả năng, rồi một dòng tiếp theo có khả năng, mỗi mảnh được chọn để phù hợp với yêu cầu của bạn và mọi thứ đã viết cho đến lúc đó.

Một hình dung để giữ, và chỗ nó hết hiệu lực

Hãy nghĩ về nó như một công cụ tự động hoàn thành rất giàu vốn đọc, được huấn luyện để hữu ích. Giàu vốn đọc: nó đã hấp thụ các mẫu từ nhiều văn bản hơn bất kỳ người nào có thể đọc. Tự động hoàn thành: nó viết điều có khả năng xảy ra tiếp theo. Được huấn luyện thêm: các trợ lý trò chuyện thường được huấn luyện vòng hai trên các ví dụ về câu trả lời tốt và trên xếp hạng của con người về những phản hồi nào tốt hơn, để chúng làm theo chỉ dẫn và giữ được cuộc trò chuyện. Một nhà sản xuất mô hình nói mô hình của họ không “sao chép và dán” từ dữ liệu huấn luyện. Đó là trường hợp thường gặp, dù các nhà nghiên cứu đã chỉ ra rằng đôi khi một mô hình có thể lặp lại từng chữ những đoạn nó đã thấy trong lúc huấn luyện. Điều hình dung này thiếu là một người kiểm tra sự thật. Không có gì trong “viết điều có khả năng xảy ra” nói “viết điều đúng sự thật”.

Khoảng trống đó là sợi chỉ xuyên suốt bài này. Thường thì câu trả lời có khả năng xảy ra và câu trả lời đúng là một. Khi chúng tách ra, bạn nhận được một câu trả lời đọc rất trôi chảy mà sai.

Những gì nó đã học, và những gì nó thấy ngay lúc này#

Hãy thử trước

Bạn gõ: “Cửa hàng tạp hóa nào gần tôi đang giảm giá thịt gà tuần này?” Trợ lý cần những gì để trả lời đúng?

Xem đáp án

Ba thứ mà mặc định nó không có: bạn đang ở đâu, các đợt giảm giá tuần này, và cách để lấy chúng. Quá trình huấn luyện của nó kết thúc trước tuần này. Nếu không có công cụ tìm kiếm hoạt động, điều tốt nhất nó làm được là đoán, và một lời đoán trôi chảy trông y hệt một câu trả lời.

Một trợ lý làm việc từ hai nơi rất khác nhau.

Những gì nó học trong lúc huấn luyệnNhững gì nó thấy trong cuộc trò chuyện này
Khi nàoNhiều tháng trước khi bạn mở ứng dụngNgay lúc này
Có gì trong đóCác mẫu từ lượng văn bản khổng lồ, đến một ngày cắtTin nhắn của bạn, phản hồi của nó, các tệp bạn đính kèm, và kết quả tìm kiếm nếu có chạy tìm kiếm
Ví dụ kế hoạch bữa ănĐậu lăng là gì; cà ri hợp với cơm“Bốn người, một người ăn chay, $80, 30 phút”

Quá trình huấn luyện dừng ở một ngày cắt kiến thức: ngày mà sau đó mô hình đã thấy rất ít hoặc không có văn bản nào. Nhiều nhà sản xuất mô hình công bố nó; chẳng hạn một nhà sản xuất liệt kê một “ngày cắt kiến thức đáng tin cậy” cho từng mô hình (đã kiểm tra tháng 10 năm 2026). Giá cả, tin tức và các đợt giảm giá tuần này sau ngày đó không có trong những gì nó đã học.

Những gì nó thấy ngay lúc này là ngữ cảnh của nó: mọi thứ trong cuộc trò chuyện này mà mô hình có thể đọc khi viết phản hồi tiếp theo. Một số trợ lý còn có thể chạy một công cụ tìm kiếm, một chương trình riêng biệt đưa các trang web vào ngữ cảnh. Nếu có dùng tìm kiếm, hãy tìm các liên kết đến những trang nó đã đọc. Không có liên kết? Hãy coi câu trả lời đến từ quá trình huấn luyện.

Phần mà mọi người bỏ sót: một mô hình không có cảm nhận đáng tin cậy về ranh giới ngữ cảnh của nó. Hỏi về một tệp chưa bao giờ được tải lên, và nó có thể trả lời như thể đã có.

Từ công việc của chính chúng tôi: những hình ảnh nó chưa thấy

Kestrel Exams là một trang học tập nhỏ do một người xây dựng cùng một trợ lý AI. Đây là một chuyện đã xảy ra. Vào tháng 8 năm 2026, trợ lý AI của chúng tôi viết nhận xét về một số hình ảnh được tạo ra, chẳng hạn “hình dạng trông sai”. Nó chưa bao giờ thấy chúng. Các hình ảnh chỉ hiển thị trên màn hình của chủ sở hữu, nằm ngoài tầm mà trợ lý có thể nhìn.

Các nhận xét đọc như những quan sát. Thực ra chúng là những dự đoán.

Quy tắc chúng tôi rút ra: hãy hỏi AI nó thực sự thấy được gì, và yêu cầu nó ghi nhãn các dự đoán là dự đoán.

Hãy thử với bất kỳ trợ lý AI nào: hỏi nó thấy được gì

Mở bất kỳ trợ lý trò chuyện miễn phí nào, như ChatGPT, Claude, Gemini hoặc Copilot, bắt đầu một cuộc trò chuyện mới và gõ:

Before anything else: what can you see in this conversation right now?
Can you search the web in this chat? As far as you know, what is the
latest date your training covers?

Rồi gửi:

I'm planning a week of dinners for four people, one vegetarian, about
$80. Which items are on sale at grocery stores this week?

Cần để ý gì. Một phản hồi tốt nói thẳng rằng nó không thể biết các đợt giảm giá tuần này, hoặc chạy một lần tìm kiếm và hiển thị các liên kết. Dấu hiệu cảnh báo là một danh sách “giảm giá” đầy tự tin mà không có liên kết và không nêu tên cửa hàng nào.

Vì sao nó nghe vẫn chắc chắn như vậy khi sai#

Hãy thử trước

Một người bạn trả lời hai câu hỏi bằng cùng một giọng bình tĩnh, chắc chắn. Một câu trả lời đúng; câu kia là bịa. Chỉ từ giọng nói, bạn có phân biệt được câu nào không?

Xem đáp án

Không. Khi giọng điệu giống hệt nhau, giọng điệu không nói lên điều gì. Điều tương tự đúng với một trợ lý AI: văn phong bóng bẩy của nó đến từ cùng một quá trình dự đoán từ tiếp theo, dù nội dung vững chắc hay bịa ra.

Khi một người không chắc, điều đó thường lộ ra. Một lý do có khả năng khiến mô hình không lộ ra: nó học văn phong từ văn bản đã hoàn chỉnh, đã biên tập, nơi người viết phần lớn nghe có vẻ chắc chắn, và quá trình huấn luyện thêm của nó thưởng cho những phản hồi rõ ràng, nghe có ích. Vì vậy văn phong tự tin đến mặc định, tách biệt với việc các sự kiện có đúng hay không.

Các nhà nghiên cứu viết vào năm 2025 lập luận về nguyên nhân thứ hai trong cách các mô hình được huấn luyện và chấm điểm. Nhiều bài kiểm tra cho một điểm khi trả lời đúng và không điểm nào cho “Tôi không biết”. Trong một bài kiểm tra như vậy, đoán không bao giờ bị điểm thấp hơn việc thừa nhận nghi ngờ. Theo lời họ, “các mô hình ngôn ngữ được tối ưu hóa để làm bài thi giỏi, và việc đoán khi không chắc chắn cải thiện kết quả bài thi.”

Quay lại kế hoạch bữa ăn. Giả sử phản hồi nói “Cà ri đậu lăng: 410 calo mỗi khẩu phần.” Đó có thể là một ước tính hợp lý hoặc có thể là bịa, và câu văn trông giống nhau trong cả hai trường hợp. Bạn có thể hỏi “Bạn chắc đến mức nào?”, và phản hồi có thể là một gợi ý hữu ích, nhưng đó cũng là văn bản được tạo ra, không phải một phép đo.

Ảo giác AI: trôi chảy, sai, và vì sao nó xảy ra#

Hãy thử trước

Bạn xin một công thức “từ một cuốn sách nấu ăn nổi tiếng”. Phản hồi đưa ra một tiêu đề, một tác giả và một số trang. Bạn sẽ tin cái nào ít nhất, và vì sao?

Xem đáp án

Số trang. Không có gì trong việc nấu ăn khiến nó là trang 112 thay vì 87, nên không có khuôn mẫu nào để mô hình học được. Những chi tiết tùy ý như vậy là nơi một công cụ đoán từ tiếp theo dễ lấp chỗ trống nhất bằng thứ chỉ trông có vẻ đúng. Tuy nhiên, cả ba thứ đều có thể là bịa.

Một ảo giác AI (hallucination) là kết quả trôi chảy và tự tin nhưng sai hoặc không có căn cứ: một sự kiện, con số, câu trích, nguồn hay sự việc bịa ra. Một cuộc khảo sát nghiên cứu năm 2023 định nghĩa nó là nội dung được tạo ra “vô nghĩa hoặc không trung thành với nội dung nguồn được cung cấp”. Từ này hơi gây hiểu lầm: mô hình không nhìn thấy ảo ảnh. Nó đang viết văn bản có khả năng, như mọi khi, ở chỗ điều có khả năng và điều đúng đã tách ra.

Vì sao nó xảy ra? Ba lý do, đều từ phần trước của bài này:

  1. Mục tiêu là văn bản có khả năng, không phải văn bản đúng. Phần lớn thời gian chúng trùng nhau. Không có gì bắt buộc chúng phải vậy.
  2. Một số sự kiện không có khuôn mẫu để học. Một ngày sinh hay một số trang không thể suy ra từ bất cứ điều gì khác. Nếu một sự kiện như vậy chỉ xuất hiện một lần trong quá trình huấn luyện, mô hình gần như không có gì để dựa vào, nhưng nó vẫn phải viết ra một từ tiếp theo. Nghiên cứu năm 2025 ở phần trước đưa ra một quy tắc sơ lược cho các mô hình trước khi được huấn luyện thêm. Nếu 20% ngày sinh chỉ xuất hiện một lần trong văn bản huấn luyện, hãy dự kiến mô hình sẽ trả lời sai ít nhất 20% câu hỏi về ngày sinh.
  3. Việc đoán được thưởng, như phần trước đã cho thấy.

Chính các nhà nghiên cứu đó hỏi một mô hình mở hàng đầu về ngày sinh của một tác giả, thêm “Nếu bạn biết” vào câu hỏi. Hỏi ba lần, nó đưa ra ba ngày khác nhau. Cả ba đều sai.

Từ công việc của chính chúng tôi: một giới hạn được trích từ trí nhớ

Kestrel Exams là một trang học tập nhỏ do một người xây dựng cùng một trợ lý AI. Đây là một chuyện đã xảy ra. Vào tháng 9 năm 2026, trong một câu hỏi về một quyết định, trợ lý AI của chúng tôi nói với chủ sở hữu rằng một nền tảng mạng xã hội cho phép “hai lần đổi tên mỗi 14 ngày”. Đó là một quy tắc cũ. Biểu mẫu thật của nền tảng cho biết một lần đổi sẽ khóa bạn trong 60 ngày.

Chủ sở hữu đã quyết định dựa trên con số sai.

Quy tắc chúng tôi rút ra: hãy mở biểu mẫu hoặc trang cài đặt thực tế trước khi dựa vào một giới hạn. Một con số cụ thể từ trí nhớ nghe như một phép đo, và nó không phải vậy.

Cái bẫy: cụ thể nghe như đã được kiểm tra

Một con số, một ngày, một số trang hay một câu trích trong dấu ngoặc kép nghe đáng tin hơn một câu mơ hồ. Từ một AI, cụ thể là một phong cách viết, không phải dấu hiệu cho thấy có gì đã được kiểm tra. Một chi tiết càng chính xác, và quyết định của bạn càng dựa vào nó, thì nó càng cần một nguồn mà bạn tự mở. Bài 3 chỉ cách làm điều đó nhanh chóng.

Hãy thử với bất kỳ trợ lý AI nào: bài kiểm tra ba lần thử

Bài này sao chép bài kiểm tra ngày sinh của các nhà nghiên cứu, với một cuốn sách nấu ăn do chúng tôi bịa ra cho bài tập này. Nó không tồn tại. Hãy mở ba cuộc trò chuyện mới riêng biệt và gửi điều này trong mỗi cuộc:

What page is the lentil soup recipe on in the cookbook "The Tuesday
Lentil Club" by Marta Quillfeather? If you don't know, say so.

Cần để ý gì. Phản hồi tốt nhất nói rằng nó không biết cuốn sách đó. Một số trang, một mô tả về cuốn sách hay một công thức “từ” nó đều là bịa, vì không có cuốn sách nào cả. Nếu ba cuộc trò chuyện đưa ra ba số trang khác nhau, bạn đã thấy dấu hiệu đặc trưng của việc đoán: một sự kiện thật sẽ không thay đổi giữa các lần thử.

Nó giỏi gì, và nó dở gì#

Hãy thử trước

Với kế hoạch bữa ăn, bạn sẽ giao việc nào cho trợ lý? (a) soạn bảy ý tưởng bữa tối, (b) biến kế hoạch thành danh sách mua sắm nhóm theo từng dãy hàng, (c) tổng chi phí tại cửa hàng của bạn tuần này, (d) đếm xem có bao nhiêu bữa tối dùng hành tây.

Xem đáp án

(a) và (b) phát huy điểm mạnh của nó: soạn thảo và định dạng lại văn bản mà bạn nhìn thấy và đánh giá được. (c) cần giá hiện hành mà nó không có. (d) trông dễ, nhưng đếm là điểm yếu khi mô hình chỉ làm việc từ văn bản. Cứ dùng nó cho (d) nếu bạn muốn, rồi kiểm tra.

Công việcVì saoVí dụ kế hoạch bữa ăn
Giỏi ởSoạn thảoVăn bản có khả năng, đúng dạng là điều nó được huấn luyện để viếtBảy bữa tối phù hợp với quy tắc của bạn
Giải thíchNó đã hấp thụ nhiều lời giải thích về các ý tưởng phổ biếnVì sao bạn rửa đậu lăng
Diễn đạt lại, sắp xếp lạiCác sự kiện đã nằm sẵn trong ngữ cảnh; chỉ hình thức thay đổiKế hoạch dưới dạng danh sách nhóm theo từng dãy hàng
Nghĩ ý tưởngSự đa dạng thì rẻ, và bạn là người đánh giáMười cách dùng cơm thừa
Hỗ trợ về mã và công thứcMã có các khuôn mẫu mạnh, và bạn có thể chạy nó để kiểm traMột công thức bảng tính để cộng tổng danh sách
Dở ởCác sự kiện chính xác mà bạn không đưa cho nóCác chi tiết tùy ý không có khuôn mẫu để họcLượng calo chính xác; giờ mở cửa của một cửa hàng
Đếm và làm tính khi không có công cụNó đọc văn bản theo từng khối và viết các chữ số như những mảnh tiếp theo có khả năngCộng tổng danh sách; đếm số củ hành tây
Biết điều nó không thể thấyNó không có cảm nhận đáng tin cậy về ranh giới ngữ cảnh của mìnhMột ảnh hóa đơn chưa bao giờ được tải lên
Sự kiện hiện tại khi không có tìm kiếmQuá trình huấn luyện đã dừng ở ngày cắtCác đợt giảm giá tuần này

Hàng đếm khiến nhiều người ngạc nhiên. Một mô hình không đọc từng chữ cái. Nó đọc các token: những khối văn bản có thể là một ký tự, một phần của từ, cả một từ hoặc một dấu câu. Và khi nó viết một tổng, nó tạo ra các chữ số theo cách nó tạo ra từ, như những mảnh tiếp theo có khả năng, không có máy tính bỏ túi nào bên trong để kiểm tra chúng. Các nhà nghiên cứu đã thử một mô hình lớn vào năm 2020, sau khi cho nó xem vài ví dụ đã giải. Nó làm đúng phép cộng hai chữ số 100% số lần, phép cộng bốn chữ số 25,5% và phép cộng năm chữ số 9,3%.

Các mô hình mới hơn làm tốt hơn nhiều, và một số trợ lý chuyển phép tính cho máy tính bỏ túi. Bài học còn lại là cơ chế, không phải điểm số: nếu bạn không thấy một công cụ đã làm phép toán, hãy kiểm tra phép toán.

Hãy thử với bất kỳ trợ lý AI nào: đếm và cộng, rồi kiểm tra

Gửi danh sách mua sắm tự nghĩ ra này:

Here is my shopping list for the week:
lentils $2.49
brown onions $3.20
canned tomatoes $1.89
chicken thighs $9.75
spinach $3.99
rice $4.50
yellow onions $2.15
tortillas $3.29
Add up the total, and tell me how many items are onions.

Hãy dự đoán trước. Tám mặt hàng, phần lớn dưới $5 và một mặt hàng chỉ dưới $10: tổng nên vào khoảng $30. Một phản hồi $13 hoặc $62 sẽ sai rõ ràng mà không cần máy tính bỏ túi.

Rồi kiểm tra. Tổng thật là $31,26, và hai mặt hàng là hành tây. Có khớp không? Nó có nói là đã dùng công cụ không? Nếu tổng bị lệch, hãy thu nhỏ bài toán: nhờ nó chỉ cộng hai mặt hàng đầu ($2,49 + $3,20 = $5,69) và tự kiểm tra bằng tay.

Cùng một câu hỏi, câu trả lời khác nhau, và nó không biết bạn#

Hãy thử trước

Bạn xin bữa tối cho cả tuần, rồi hỏi lại đúng như vậy, bằng nút hỏi lại (có thể ghi “tạo lại” hoặc “thử lại”) hoặc trong một cuộc trò chuyện mới. Kế hoạch có giống nhau không?

Xem đáp án

Có lẽ là không. Khi mô hình chọn mỗi mảnh tiếp theo, nó không phải lúc nào cũng lấy mảnh có khả năng nhất; nó chọn trong các lựa chọn có khả năng với một chút ngẫu nhiên được cài sẵn. Phần giải thích của một nhà sản xuất mô hình nói rằng cùng một câu hỏi có thể cho ra các câu trả lời khác nhau. Với ý tưởng bữa tối, đó là một điểm mạnh. Với sự kiện, hai câu trả lời mâu thuẫn nhau nghĩa là ít nhất một câu sai.

Đó là lý do bài kiểm tra ba lần thử hiệu quả: một sự kiện được học kỹ thường quay lại giống nhau, còn một lời đoán thì lang thang. Tuy nhiên, cùng một câu trả lời ba lần không phải là bằng chứng: một mô hình có thể lặp lại một sai lầm.

Điều bất ngờ thứ hai: nó không biết bạn. Mỗi cuộc trò chuyện mới bắt đầu từ quá trình huấn luyện cộng với bất cứ thứ gì có trong cuộc trò chuyện đó. Nếu tuần trước bạn đã nhắc đến người ăn chay, một cuộc trò chuyện mới không biết, trừ khi bạn nói lại hoặc tính năng bộ nhớ được bật. Một số trợ lý có tính năng này: nó lưu các chi tiết từ các cuộc trò chuyện của bạn cho những lần sau, và bạn thường có thể tắt nó. Nên để nó nhớ những gì là một câu hỏi về quyền riêng tư, và Bài 4 nói về điều đó.

Hãy thử với bất kỳ trợ lý AI nào: hỏi hai lần, rồi hỏi nó nhớ gì

Trong một cuộc trò chuyện mới, gửi:

Plan 7 dinners for a family of four. One person is vegetarian.
Budget about $80 for the week. Each dinner under 30 minutes.

Dán đúng tin nhắn đó vào cuộc trò chuyện mới thứ hai. Rồi, trong cuộc trò chuyện thứ hai đó, hỏi:

What did I tell you about my family in our last chat?

Cần để ý gì. Các món ăn sẽ khác nhau, điều đó không sao. Có sự kiện nào mâu thuẫn không, như ước tính chi phí hoặc thời gian nấu? Với câu hỏi cuối, một câu trả lời thẳng thắn là “Tôi không thể thấy các cuộc trò chuyện khác” hoặc, khi bộ nhớ bật, một danh sách ngắn những gì nó đã lưu. Nếu nó mô tả một cuộc trò chuyện mà nó không thể thấy, bạn đã chứng kiến nó trả lời vượt ra ngoài ranh giới ngữ cảnh của mình.

Chatbot, công cụ và tác nhân#

Hãy thử trước

Một trợ lý viết danh sách mua sắm của bạn. Một thiết lập khác còn có thể điền giỏ hàng tạp hóa trực tuyến và thanh toán. Điều gì thay đổi khi một AI có thể hành động, không chỉ viết?

Xem đáp án

Cái giá của một sai lầm, và lúc bạn có thể bắt được nó. Một dòng sai trong danh sách tốn của bạn một lần xem lại trước khi đi mua. Một hành động sai, như đặt 40 củ hành tây thay vì 4, tốn tiền trước khi ai đó kịp nhận ra. Vì vậy việc kiểm tra phải diễn ra trước hành động, và AI cần có giới hạn về những gì nó được phép làm.

Cho đến giờ bài này đã mô tả một chatbot: một chương trình đọc những gì bạn viết và viết một phản hồi. Nhiều trợ lý cũng có thể dùng công cụ: những chương trình riêng biệt mà mô hình có thể yêu cầu chạy, như tìm kiếm web hoặc máy tính bỏ túi. Mô hình viết một yêu cầu, công cụ làm việc, và kết quả quay lại ngữ cảnh. Một tác nhân (agent) đi xa hơn: một hệ thống AI thực hiện một chuỗi hành động hướng tới một mục tiêu, dùng công cụ, với ít sự kiểm tra từ bạn hơn ở mỗi bước.

ChatbotVới công cụTác nhân (agent)
Tác dụngViết phản hồiCòn lấy dữ liệu hoặc tính toánLập kế hoạch và thực hiện nhiều bước
Ví dụ kế hoạch bữa ănSoạn kế hoạch và danh sáchTìm giá và cộng tổngĐiền giỏ hàng và thanh toán
Một sai lầm tốnThời gian của bạn để phát hiện nóThời gian của bạn, với sự kiện tốt hơn nếu nguồn được hiển thịTiền hoặc tệp thật, thường là trước khi bạn thấy

Bên dưới một tác nhân là cùng một động cơ, với cùng giọng điệu tự tin và những điểm mù. Công cụ khắc phục một số điểm yếu, như giá hiện hành và phép cộng chính xác, nhưng không khắc phục cảm nhận của mô hình về những gì nó không thể thấy. Bài 4 và Bài 10 quay lại về tác nhân và những gì nên để chúng làm.

Điều mới trong học phần này#

  1. Một mô hình ngôn ngữ lớn được huấn luyện trên lượng văn bản khổng lồ để dự đoán mảnh có khả năng xảy ra tiếp theo: một công cụ tự động hoàn thành rất giàu vốn đọc, được huấn luyện để hữu ích, không có người kiểm tra sự thật bên trong.
  2. Nó làm việc từ quá trình huấn luyện, vốn dừng ở một ngày cắt kiến thức, và từ ngữ cảnh của nó, những gì nó thấy trong cuộc trò chuyện này. Nó chỉ tìm kiếm khi một công cụ tìm kiếm được dùng.
  3. Nó không có cảm nhận đáng tin cậy về những gì nó không thể thấy, vì vậy hãy hỏi.
  4. Giọng điệu của nó tự tin như nhau khi đúng và khi sai, một phần vì việc huấn luyện và kiểm tra thưởng cho việc đoán.
  5. Ảo giác AI là kết quả trôi chảy nhưng sai hoặc không có căn cứ, thường gặp nhất ở các chi tiết cụ thể, tùy ý. Cụ thể không có nghĩa là đã được kiểm tra.
  6. Nó mạnh ở soạn thảo, giải thích, diễn đạt lại, nghĩ ý tưởng và hỗ trợ về mã; yếu ở các sự kiện nó không được cung cấp, số học khi không có công cụ, và sự kiện hiện tại khi không có tìm kiếm.
  7. Cùng một câu hỏi có thể cho các câu trả lời khác nhau, và nó không biết bạn trừ khi được nói lại hoặc tính năng bộ nhớ được bật.
  8. Công cụ và tác nhân cho phép AI lấy dữ liệu, tính toán và hành động, điều này làm tăng cái giá của một sai lầm.
Một câu để mang theo

Một trợ lý AI viết điều có khả năng xảy ra, không phải điều đã được kiểm tra. Hãy giao cho nó việc soạn thảo, giải thích và sắp xếp lại, và kiểm tra mọi sự kiện, con số hay giới hạn cụ thể với một nguồn bạn tự mở.

Thuật ngữ chính#

Mô hình ngôn ngữ lớn (LLM)
Một chương trình máy tính được huấn luyện trên lượng văn bản khổng lồ để dự đoán mảnh văn bản nào có khả năng xuất hiện tiếp theo. Động cơ bên trong hầu hết các trợ lý trò chuyện.
Huấn luyện
Cho một mô hình xem văn bản, yêu cầu nó đoán mảnh tiếp theo, và chỉnh nó một chút sau mỗi lần đoán. Nó diễn ra trước khi bạn dùng mô hình.
Tham số
Những con số điều chỉnh được bên trong một mô hình mà quá trình huấn luyện chỉnh. Các mô hình lớn có hàng tỷ.
Token
Một khối văn bản mà mô hình đọc và viết: một ký tự, một phần của từ, cả một từ hoặc một dấu câu.
Ngày cắt kiến thức
Ngày mà sau đó mô hình đã thấy rất ít hoặc không có văn bản nào trong lúc huấn luyện.
Ngữ cảnh
Mọi thứ trong cuộc trò chuyện hiện tại mà mô hình có thể đọc khi viết phản hồi tiếp theo.
Ảo giác AI (hallucination)
Kết quả trôi chảy, tự tin nhưng sai hoặc không có căn cứ: một sự kiện, con số, câu trích, nguồn hay sự việc bịa ra.
Công cụ
Một chương trình riêng biệt mà mô hình có thể yêu cầu chạy, như tìm kiếm web hoặc máy tính bỏ túi.
Tác nhân (agent)
Một hệ thống AI thực hiện một chuỗi hành động hướng tới một mục tiêu bằng cách dùng công cụ, với ít sự kiểm tra từ bạn hơn ở mỗi bước.
Tính năng bộ nhớ
Một cài đặt tùy chọn ở một số trợ lý lưu các chi tiết từ các cuộc trò chuyện của bạn cho những lần sau.

Tự kiểm tra#

Hãy trả lời to từng câu trước khi mở đáp án. Đọc đáp án mà không thử trước thì có cảm giác như đang học, nhưng thực ra không phải.

1. Kế hoạch bữa ăn nói món cà ri có “410 calo mỗi khẩu phần”. Một người bạn nói: “Chính xác thế này thì chắc chắn đúng.” Bạn nói gì với họ?

Sự chính xác là một phong cách viết, không phải bằng chứng. Một con số chính xác chính là loại chi tiết tùy ý mà một mô hình có thể bịa ra, và câu văn trông giống nhau trong cả hai trường hợp. Nếu điều đó quan trọng, hãy kiểm tra nhãn hoặc một nguồn dinh dưỡng mà bạn tự mở.

2. Bạn hỏi về một sự kiện tin tức tuần trước. Trợ lý trả lời chi tiết, không có liên kết. Bạn kết luận gì?

Bạn không thể biết nó đã tìm kiếm hay trả lời từ quá trình huấn luyện đã kết thúc trước sự kiện, trong trường hợp đó chi tiết có thể là bịa. Hãy coi nó là chưa được xác minh cho đến khi bạn tìm được một nguồn thật.

3. Hai cuộc trò chuyện mới đưa ra hai năm khác nhau cho cùng một sự kiện. Điều đó cho bạn biết gì, và không cho bạn biết gì?

Ít nhất một năm sai, và mô hình có lẽ đang đoán. Nó không cho bạn biết năm nào đúng; có thể không năm nào đúng. Sự đồng nhất cũng sẽ không chứng minh được nó đúng.

4. Bạn sẽ giao cho trợ lý việc nào: biến ghi chú nháp của bạn thành một tin nhắn thân thiện gửi các bạn cùng phòng về lịch dọn dẹp, hay cho bạn biết mỗi bạn cùng phòng đã dọn bao nhiêu giờ tháng trước?

Việc đầu: các sự kiện nằm trong ghi chú của bạn và nó chỉ định hình lại chúng. Việc thứ hai cần dữ liệu mà nó không có, và dù bạn dán một bản nhật ký vào, các tổng là phép đếm và số học mà bạn nên kiểm tra.

5. Trợ lý nói: “Nhìn vào hóa đơn bạn đã gửi, tổng là $42,10.” Bạn không chắc ảnh đã được tải lên. Bạn làm gì?

Hỏi nó thấy được gì: “Hãy mô tả hóa đơn từng dòng một.” Nếu việc tải lên đã thất bại, thì nó đang dự đoán chứ không đọc, bằng cùng giọng điệu nó dùng cho những thứ nó thấy được.

Tôi có thể#

Chỉ đánh dấu mỗi mục khi ngày mai bạn có thể làm được mà không cần mở trang này.

  • Tôi có thể giải thích bằng lời đơn giản mô hình ngôn ngữ lớn là gì và nó được huấn luyện để làm gì.
  • Tôi có thể phân biệt những gì một trợ lý đã học trong lúc huấn luyện với những gì nó thấy trong cuộc trò chuyện này, và ngày cắt kiến thức có ý nghĩa gì đối với một câu hỏi.
  • Tôi có thể giải thích vì sao một câu trả lời của AI nghe tự tin như nhau khi đúng và khi sai.
  • Tôi có thể nhận ra những chi tiết dễ bị ảo giác nhất và quyết định chi tiết nào cần có nguồn trước khi tôi dựa vào.
  • Tôi có thể quyết định những phần nào của một việc hằng ngày nên giao cho trợ lý và những phần nào nên kiểm tra hoặc làm theo cách khác.
  • Tôi có thể giải thích vì sao cùng một câu hỏi có thể nhận các câu trả lời khác nhau, và vì sao mặc định trợ lý không nhớ tôi.

Câu hỏi thường gặp#

Mô hình ngôn ngữ lớn là gì, nói đơn giản?

Một chương trình máy tính được huấn luyện trên một lượng văn bản khổng lồ để dự đoán từ nào có khả năng xuất hiện tiếp theo. Hãy hình dung một công cụ tự động hoàn thành rất giàu vốn đọc, được huấn luyện để làm theo chỉ dẫn. Nó viết mỗi câu trả lời mới hoàn toàn thay vì tra cứu.

Chatbot AI có tìm kiếm trên internet khi trả lời không?

Chỉ khi chúng có công cụ tìm kiếm và dùng nó trong cuộc trò chuyện đó. Nếu không, chúng trả lời từ quá trình huấn luyện, vốn dừng lại ở một ngày cắt kiến thức. Nếu có dùng tìm kiếm, hãy tìm các liên kết đến những trang nó đã đọc; nếu không có liên kết, hãy coi câu trả lời đến từ quá trình huấn luyện.

Vì sao AI bịa ra điều không có thật?

Mục tiêu của nó là văn bản có khả năng xảy ra, không phải văn bản đúng sự thật, và thường thì hai thứ đó trùng nhau. Một số sự kiện, như số trang hay ngày sinh, không có khuôn mẫu nào để nó học, nhưng nó vẫn phải viết ra điều gì đó. Các nhà nghiên cứu cũng lưu ý rằng việc huấn luyện và kiểm tra thường thưởng cho việc đoán hơn là nói tôi không biết.

Vì sao AI đưa ra những câu trả lời khác nhau cho cùng một câu hỏi?

Nó chọn trong các từ tiếp theo có khả năng với một chút ngẫu nhiên được cài sẵn. Điều đó có ích cho việc nghĩ ý tưởng. Với sự kiện, hai câu trả lời mâu thuẫn nhau nghĩa là ít nhất một câu sai, nên hãy coi sự bất đồng là dấu hiệu cảnh báo.

Trợ lý AI có nhớ những cuộc trò chuyện trước của tôi không?

Mặc định là không. Mỗi cuộc trò chuyện mới bắt đầu từ quá trình huấn luyện cộng với những gì có trong cuộc trò chuyện đó. Một số trợ lý có tính năng bộ nhớ tùy chọn lưu các chi tiết giữa các cuộc trò chuyện và thường có thể tắt đi. Hãy xem các trang trợ giúp của trợ lý để biết nó hoạt động thế nào.

Khóa học này miễn phí, không quảng cáo và không cần tài khoản. Nếu khóa học có ích cho bạn, bạn có thể giúp giữ nó như vậy.

Ủng hộ Kestrel Exams →

Nguồn#

Brown, T. B., Mann, B., Ryder, N., et al. (2020). Language Models are Few-Shot Learners. arXiv:2005.14165. Mô hình 175 tỷ tham số; kết quả số học ở Bảng 3.9 (few-shot).

Ouyang, L., Wu, J., Jiang, X., et al. (2022). Training language models to follow instructions with human feedback. arXiv:2203.02155. Vòng huấn luyện thứ hai trên các ví dụ và xếp hạng của con người.

Kalai, A. T., Nachum, O., Vempala, S. S., and Zhang, E. (2025). Why Language Models Hallucinate. arXiv:2509.04664. Cách chấm điểm thưởng cho việc đoán; lập luận về các sự kiện chỉ thấy một lần; ví dụ ngày sinh.

Ji, Z., Lee, N., Frieske, R., et al. (2023). Survey of Hallucination in Natural Language Generation. ACM Computing Surveys, 55(12), 1 to 38. doi:10.1145/3571730. Định nghĩa được trích dẫn (Mục 2).

Carlini, N., Tramer, F., Wallace, E., et al. (2020). Extracting Training Data from Large Language Models. arXiv:2012.07805. Một mô hình có thể lặp lại từng chữ những đoạn từ dữ liệu huấn luyện của nó.

OpenAI Help Center (đã kiểm tra tháng 10 năm 2026). How ChatGPT and our foundation models are developed. Ví dụ điền vào chỗ trống; không “sao chép và dán”; các câu trả lời khác nhau cho cùng một câu hỏi.

OpenAI Help Center (đã kiểm tra tháng 10 năm 2026). Understanding and counting tokens. Một token có thể là gì.

OpenAI Help Center (đã kiểm tra tháng 10 năm 2026). Memory in ChatGPT. Một ví dụ về tính năng bộ nhớ tùy chọn.

Anthropic (đã kiểm tra tháng 10 năm 2026). Models overview, Claude Platform Docs. Một ví dụ về “ngày cắt kiến thức đáng tin cậy” được công bố.