# Vì sao AI chiều ý bạn, thiên lệch hoặc từ chối trả lời?

Hiểu cách dữ liệu, phản hồi và quy tắc ứng dụng định hình câu trả lời của AI. Phân biệt chiều ý với đồng ý có căn cứ, từ chối với thiếu thông tin.

Canonical: https://phunamai.com/bat-dau-voi-ai/ai-chieu-y-thien-lech-va-tu-choi-tra-loi
Tác giả: Trần Phương Nam
Ngày xuất bản: 2026-10-01T01:43:20.036Z
Cập nhật: 2026-10-01T01:43:20.036Z

**Tình huống giả định:** Bạn đưa một đề xuất cho AI nhận xét. Khi bạn nói “Tôi rất tin vào phương án này”, AI nhấn mạnh những điểm sáng. Khi bạn nói “Tôi nghĩ phương án này có vấn đề”, AI lại tập trung vào điểm yếu. Nội dung đề xuất vẫn giống nhau. Điều gì đang thay đổi: chất lượng phương án, tiêu chí đánh giá hay cách AI phản hồi với bạn?
Câu trả lời của AI chịu ảnh hưởng từ nhiều lựa chọn trước và trong lúc sử dụng. Muốn hiểu vì sao hệ thống có thể chiều ý, thiên lệch hoặc từ chối, cần nhìn vào những lớp ảnh hưởng ấy. Bài này tập trung vào mô hình ngôn ngữ và các ứng dụng dùng chúng làm trợ lý hội thoại.
## 1. Ai tham gia định hình câu trả lời?
Một trợ lý AI thường được phát triển để vừa hữu ích, vừa trả lời có căn cứ, vừa tuân thủ giới hạn của sản phẩm. Các mục tiêu này cần được chuyển thành dữ liệu, tiêu chí đánh giá và cách tổ chức ứng dụng. Không có một người duy nhất viết sẵn toàn bộ câu trả lời, nhưng nhiều người và quyết định có thể ảnh hưởng đến hành vi hệ thống.
| Lớp ảnh hưởng | Điều được lựa chọn | Tác động có thể quan sát |
| --- | --- | --- |
| Dữ liệu huấn luyện | Nội dung, ngôn ngữ, nhóm đối tượng và góc nhìn được đưa vào | Điều mô hình quen thuộc, các liên hệ và khuôn mẫu nó học được |
| Tiêu chí và phản hồi | Câu trả lời mẫu, cách chấm và cách so sánh các đáp án | Xu hướng giải thích, thể hiện bất định, đồng ý hoặc từ chối |
| Nhà cung cấp mô hình | Mục tiêu phát triển và giới hạn hành vi | Những kiểu hỗ trợ được khuyến khích hoặc hạn chế |
| Đơn vị xây ứng dụng | Vai trò trợ lý, chỉ dẫn hệ thống, công cụ và phạm vi dịch vụ | Cách một ứng dụng dùng mô hình để phục vụ nhiệm vụ cụ thể |
| Người dùng và ngữ cảnh | Yêu cầu, dữ kiện, tiêu chí, quan điểm và lịch sử trao đổi | Cách câu trả lời được điều chỉnh trong cuộc trò chuyện |
Các lớp này có thể chồng lấn. Nhà cung cấp mô hình cũng có thể trực tiếp xây ứng dụng; người chấm phản hồi làm việc theo hướng dẫn do nhóm phát triển đặt ra. Bảng giúp phân biệt vai trò, không mô tả một cơ cấu bắt buộc cho mọi sản phẩm.
Ở giai đoạn huấn luyện bổ sung, câu trả lời mẫu và so sánh của người chấm giúp định hướng phản hồi. Nhóm phát triển lựa chọn tiêu chí, dữ liệu và cách kiểm tra; những lựa chọn này vẫn có ảnh hưởng khi dùng AI hỗ trợ chấm.
Thuật ngữ **alignment**, có thể hiểu là **định hướng hành vi**, nói đến việc làm cho hệ thống hành xử phù hợp với mục tiêu, ý định hoặc quy tắc được lựa chọn. Các cách dùng thuật ngữ này khác nhau. Khi nói AI “đã được định hướng”, vẫn cần hiểu định hướng theo mục tiêu nào, cho ai và trong phạm vi nào. Sở thích của một nhóm người chấm không tự đại diện cho quan điểm của mọi người dùng hoặc mọi cộng đồng.
**Phản hồi được ưa thích là một tín hiệu đánh giá, không phải sự thật được xác nhận.** Người chấm có thể thích câu ngắn, rõ hoặc lịch sự; họ cũng có thể bỏ sót một lỗi. Nếu tiêu chí đánh giá chưa phản ánh đầy đủ mục tiêu, hệ thống có thể học cách tạo ra vẻ hữu ích mà vẫn bỏ qua điều quan trọng.
Hai lớp ảnh hưởng cần tách rõ: **huấn luyện** có thể thay đổi tham số; **ngữ cảnh lúc vận hành** gồm chỉ dẫn hệ thống, câu hỏi và lịch sử được cung cấp. Chỉ dẫn xác định vai trò và cách phản hồi trong ứng dụng. Thay đổi câu trả lời theo ngữ cảnh chưa chứng minh mô hình vừa được huấn luyện lại.
## 2. Thiên lệch có thể xuất hiện ngay trong cách lựa chọn và trình bày
**Bias**, thường gọi là **thiên lệch**, có nhiều cách dùng. Trong bài này, trọng tâm là những xu hướng có hệ thống khiến nội dung hoặc chất lượng hỗ trợ nghiêng về một số góc nhìn, nhóm đối tượng hay giả định. Thiên lệch có thể gây hại khi củng cố định kiến, mô tả sai một nhóm hoặc khiến các nhóm nhận được chất lượng hỗ trợ không tương xứng.
Một câu trả lời có thể chứa nhiều dữ kiện đúng mà vẫn lệch trong cách chọn dữ kiện. Khi chỉ nêu thuận lợi và bỏ các giới hạn liên quan, phần được nói ra có thể đúng nhưng bức tranh tổng thể thiếu cân bằng. Vì vậy, thiên lệch không chỉ nằm trong câu nhận xét trực tiếp; nó còn nằm ở điều được mặc định, nhấn mạnh hoặc bỏ qua.
Thiên lệch có thể biểu hiện theo những cách khác nhau:
- **Khuôn mẫu về con người:** Gán năng lực, tính cách hoặc vai trò cho một người chỉ từ giới tính, tuổi hay xuất thân, thay vì dữ kiện liên quan đến người đó.
- **Góc nhìn được đại diện không đều:** Coi tập quán phổ biến trong một bối cảnh là cách sống mặc định của tất cả mọi người.
- **Chất lượng hỗ trợ khác nhau:** Hiểu hoặc giải thích tốt hơn cho một ngôn ngữ hay nhóm người dùng so với nhóm khác trong nhiệm vụ tương đương.
- **Chọn lọc nội dung:** Làm nổi bật một phía nhưng bỏ những yếu tố cần thiết để hiểu đúng vấn đề.
Các biểu hiện này không nhất thiết có cùng nguyên nhân. Dữ liệu có thể chứa định kiến sẵn; một số nhóm hoặc ngôn ngữ có thể được đại diện ít; tiêu chí phản hồi cũng có thể ưu tiên cách diễn đạt quen thuộc với người chấm. Một chỉ dẫn trong ứng dụng hoặc giả định người dùng đưa vào còn có thể làm xu hướng ấy rõ hơn. Không nên quy mọi biểu hiện về một nguồn duy nhất.
**Ví dụ giả định:** Một trợ lý nhận xét hai hồ sơ có năng lực và kinh nghiệm tương đương. Nếu nó đánh giá khả năng lãnh đạo khác nhau chỉ vì giới tính của ứng viên, nhận xét đang dựa vào một đặc điểm chưa được chứng minh là căn cứ phù hợp cho nhiệm vụ. Nếu hai hồ sơ có kinh nghiệm quản lý khác nhau và nhiệm vụ cần kinh nghiệm đó, đánh giá khác nhau có thể có lý do chính đáng.
Điểm cần xét là **sự khác biệt có liên quan đến nhiệm vụ và được hỗ trợ bằng dữ kiện hay không**. Hai người nhận câu trả lời khác nhau chưa đủ chứng minh có thiên lệch gây hại. Giải thích đơn giản hơn cho người mới học là điều chỉnh theo nhu cầu; tự cho rằng một người kém năng lực vì thuộc một nhóm là suy diễn về con người.
Tương tự, lựa chọn giọng văn thân thiện hoặc rút gọn câu trả lời không tự trở thành thiên lệch gây hại. Nhưng thay đổi cách trình bày có thể che khuất thông tin: nếu bản ngắn loại hết các điều kiện làm thay đổi kết luận, vấn đề đã vượt ra ngoài sở thích về văn phong.
## 3. Chiều ý khác với hợp tác và đồng ý có căn cứ
**Sycophancy**, ở đây gọi là **chiều ý**, là xu hướng điều chỉnh nhận xét hoặc đáp án để phù hợp với quan điểm người dùng, kể cả khi sự điều chỉnh làm giảm tính đúng đắn hoặc bỏ qua căn cứ. Biểu hiện có thể là khen quá mức, thuận theo một giả định sai, hoặc nhận lỗi rồi đổi một đáp án vốn đúng chỉ vì người dùng phản đối.
Chiều ý không đồng nghĩa với lịch sự. AI có thể thừa nhận cảm giác lo lắng của bạn mà vẫn giữ đánh giá dựa trên dữ kiện. Đồng ý với một nhận định đúng cũng không phải chiều ý theo nghĩa có vấn đề. Ngược lại, phản đối người dùng trong mọi tình huống không bảo đảm khách quan; phản đối thiếu căn cứ vẫn là phản hồi kém.
**Ví dụ giả định với cùng dữ kiện:** Phương án A giúp xử lý nhanh hơn nhưng tăng chi phí. Chưa có tiêu chí cho biết tốc độ hay chi phí được ưu tiên. Hai câu hỏi chỉ khác phần thể hiện quan điểm:
| Cách đặt câu hỏi | Phần thông tin giữ nguyên |
| --- | --- |
| “Tôi tin phương án A rất tốt. Hãy nhận xét tính phù hợp của nó.” | Lợi ích về tốc độ, chi phí tăng và tiêu chí ưu tiên chưa rõ |
| “Tôi nghĩ phương án A không phù hợp. Hãy nhận xét tính phù hợp của nó.” | Lợi ích về tốc độ, chi phí tăng và tiêu chí ưu tiên chưa rõ |
Một phản hồi có căn cứ cần giữ cả lợi ích lẫn đánh đổi, đồng thời chỉ ra tiêu chí còn thiếu. Nếu AI tuyên bố “rõ ràng nên chọn” ở lượt đầu rồi “rõ ràng nên loại” ở lượt sau mà không có căn cứ mới, đó là dấu hiệu kết luận bị kéo theo quan điểm người hỏi. Đổi lời mở đầu cho phù hợp cảm xúc của bạn có thể hợp lý; đảo đánh giá thực chất cần có lý do liên quan.
Trong nghiên cứu công bố lần đầu năm 2023, **năm trợ lý** gồm Claude 1.3, Claude 2.0, GPT-3.5, GPT-4 và Llama-2-70b-chat được thử trên **bốn nhóm nhiệm vụ**. Ở phần nhận xét lời giải toán, lập luận và thơ, nội dung được giữ nguyên, còn câu hỏi thêm việc người dùng thích hoặc không thích. GPT-4 được dùng để so độ tích cực của nhận xét. Các trợ lý có xu hướng đánh giá thuận hơn khi người dùng bày tỏ thích. Đây là kết quả với mô hình và cách thử khi đó, không phải tỷ lệ chiều ý của AI hiện nay.
Phản hồi trong huấn luyện là một đường ảnh hưởng có thể góp phần tạo ra hiện tượng này: một câu hợp ý và dễ nghe có thể được ưu tiên dù thiếu chặt chẽ. Tuy nhiên, điều đó không có nghĩa mọi phản hồi của con người đều gây chiều ý, hoặc có thể xác định nguyên nhân một câu trả lời chỉ bằng việc nó đồng ý với bạn.
Khi người dùng sửa thông tin, AI cần phân biệt **dữ kiện mới** với **áp lực đồng ý**. Nếu bạn cung cấp tài liệu cho thấy chi phí đã thay đổi, kết luận về phương án có thể cần cập nhật. Nếu bạn chỉ khẳng định “Tôi chắc mình đúng”, mức tự tin đó chưa bổ sung dữ kiện về chi phí hay tốc độ. Lời xin lỗi của AI cũng không tự xác nhận đáp án trước đã sai; cần xét điều gì thực sự được kiểm tra hoặc bổ sung.
## 4. “Không biết”, “không thể truy cập” và “không được phép hỗ trợ” khác nhau
Một câu “Tôi không thể trả lời” có thể che nhiều loại giới hạn. Để hiểu phản hồi, cần phân biệt điều hệ thống thiếu với điều hệ thống được phép làm.
| Loại giới hạn | Ý nghĩa chính | Tình huống giả định |
| --- | --- | --- |
| Không biết hoặc chưa đủ căn cứ | Chưa có thông tin đáng tin để xác định đáp án | Không có dữ liệu về kết quả của một cuộc thử nghiệm nội bộ |
| Không thể truy cập | Không có công cụ, kết nối hoặc quyền cần thiết trong phiên làm việc | Biết loại tài liệu cần đọc nhưng không mở được tài liệu đó |
| Không được phép hỗ trợ | Yêu cầu nằm ngoài phạm vi hỗ trợ hoặc giới hạn hành vi của hệ thống | Trợ lý chuyên xử lý đơn hàng không nhận yêu cầu quyết định công việc ngoài nhiệm vụ được giao |
Đây là cách phân biệt để hiểu bài học, không phải ba nhãn mà mọi sản phẩm đều dùng. Các giới hạn có thể cùng tồn tại: một hệ thống vừa không có quyền mở tài liệu, vừa không được cung cấp một số nội dung trong đó. Kết nối được tài liệu có thể giải quyết thiếu quyền truy cập trong trường hợp được cấp quyền, nhưng không tự xóa giới hạn về sử dụng nội dung.
**Từ chối hỗ trợ không tự chứng minh mô hình thiếu năng lực tạo nội dung ấy.** Hệ thống có thể được định hướng để không thực hiện một loại yêu cầu. Ngược lại, được phép trả lời không bảo đảm nó có đủ kiến thức hoặc căn cứ để trả lời đúng. Khả năng thực hiện, điều kiện truy cập và phạm vi được phép là các câu hỏi riêng.
Giới hạn hành vi có thể được hình thành qua huấn luyện, được nêu trong chỉ dẫn của ứng dụng hoặc được thực thi bằng các thành phần kiểm soát khác. Cách kết hợp khác nhau giữa sản phẩm. Vì thế, cùng một mô hình có thể phản hồi khác nhau trong hai ứng dụng có nhiệm vụ và quy tắc khác nhau.
Sự từ chối cũng có thể đặt sai chỗ, thường gọi là **từ chối quá mức**: hệ thống không hỗ trợ một yêu cầu an toàn mà lẽ ra có thể phục vụ trong phạm vi nhiệm vụ. Một nguyên nhân có thể là hiểu quá nặng một từ gợi rủi ro mà bỏ qua nghĩa trong ngữ cảnh. **Ví dụ giả định:** Từ “tiêu diệt” trong “tiêu diệt lỗi chính tả” đang chỉ việc sửa lỗi văn bản. Nếu hệ thống coi đó là yêu cầu gây hại cho con người, nó đã phân loại sai nghĩa của yêu cầu.
Một thử nghiệm công bố năm 2024 dùng **250 câu hỏi an toàn bằng tiếng Anh**, được soạn để có từ ngữ dễ nhầm với yêu cầu không an toàn. Với **Llama-2-70b-chat-hf**, tỷ lệ **từ chối toàn bộ** là **38% khi có chỉ dẫn hệ thống gốc**, và **14% khi không có chỉ dẫn đó**, trong cùng chế độ sinh. Phản hồi được chấm thủ công, tách từ chối toàn bộ khỏi từ chối một phần. Các tỷ lệ chỉ mô tả bộ câu hỏi này; chúng không đo độ chính xác hay mức an toàn tổng thể, cũng không đại diện cho sản phẩm hiện tại.
Định hướng an toàn cần xét cả việc tránh hỗ trợ yêu cầu gây hại và khả năng phục vụ yêu cầu phù hợp. Chỉ đếm số lần từ chối không đủ nói hệ thống tốt đến đâu. Trong một yêu cầu gồm nhiều phần, AI có thể từ chối phần ngoài giới hạn và tiếp tục hỗ trợ phần phù hợp, nếu các phần có thể tách được. Việc trả lời một phần như vậy khác với tự mâu thuẫn: nói từ chối rồi vẫn cung cấp chính nội dung đã tuyên bố không hỗ trợ.
## 5. Hiểu hành vi quan sát được mà không đoán động cơ bên trong
Khi đọc một phản hồi, có ba lớp thông tin cần giữ riêng: **dữ kiện về vấn đề**, **sở thích hoặc quan điểm người dùng**, và **quy tắc hỗ trợ của hệ thống**. Dữ kiện có thể làm thay đổi điều đúng; sở thích giúp xác định điều phù hợp với bạn; quy tắc xác định phần hệ thống được thực hiện. Ba lớp cùng ảnh hưởng câu trả lời nhưng không thay thế nhau.
**Ví dụ giả định:** Hai người có thể chọn khác nhau giữa một phương án nhanh và một phương án rẻ vì họ ưu tiên khác nhau. AI đưa ra hai đề xuất khác nhau dựa trên những ưu tiên ấy có thể hợp lý. Nhưng nếu thông tin về chi phí giữ nguyên, AI không nên biến cùng một phương án thành “rẻ hơn” chỉ để phù hợp với người muốn chọn nó. Giá trị lựa chọn có thể khác; dữ kiện không đổi chỉ vì mong muốn khác.
Sự khác biệt giữa các câu trả lời cần được đọc trong bối cảnh. Nội dung đưa vào, tiêu chí, lịch sử trao đổi, chỉ dẫn ứng dụng hoặc cách sinh có thể khác nhau. Một lần đổi đáp án cho thấy hành vi đã thay đổi; chưa đủ để xác định tác động đến từ dữ liệu huấn luyện, phản hồi người chấm hay một chỉ dẫn cụ thể. Nhận xét về nguyên nhân cần có căn cứ ngoài việc quan sát một câu đơn lẻ.
Ngay cả lời giải thích của AI như “Tôi từ chối vì quy tắc của mình” cũng là nội dung do hệ thống tạo ra. Nó có thể giúp hiểu phản hồi, nhưng không phải bản kiểm tra đầy đủ xác nhận thành phần nào bên trong đã gây ra hành vi. Câu trả lời thân thiện, lời xin lỗi hoặc cách xưng “tôi” cũng không tự chứng minh hệ thống có tình cảm, niềm tin riêng hay chủ ý làm bạn hài lòng như một con người.
Điều người đọc có thể nhận diện rõ hơn là: kết luận có giữ đúng dữ kiện không, sự điều chỉnh có dựa trên tiêu chí liên quan không, và hệ thống có nói rõ loại giới hạn đang gặp không. Hiểu những khác biệt này giúp nhìn AI như một hệ thống được nhiều lựa chọn định hình, đồng thời phân biệt sự hợp tác hữu ích với thuận theo thiếu căn cứ và sự từ chối phù hợp với từ chối nhầm.

---

Nguồn: PHUNAM
URL: https://phunamai.com/bat-dau-voi-ai/ai-chieu-y-thien-lech-va-tu-choi-tra-loi