Lời kêu gọi làm chậm tốc độ AI đẩy mô hình trọng số mở vào bài toán trách nhiệm

Làn sóng đòi "hãm phanh" AI và bài toán kiểm soát mô hình mở

Cuộc tranh luận về việc làm chậm tốc độ phát triển các mô hình AI tiên phong (frontier AI) bùng lên mạnh mẽ kể từ bài viết ngày 12/9 của CEO Anthropic Dario Amodei, người cho rằng ngành AI cần giảm tốc để công tác nghiên cứu an toàn theo kịp bước tiến về năng lực. Lãnh đạo OpenAI Sam Altman cùng nhiều nhà nghiên cứu hàng đầu cũng ủng hộ nhịp độ phát triển có kiểm soát hơn. Tuy nhiên, trong khi phần lớn cuộc tranh luận nhắm vào khả năng quản lý của các đơn vị phát triển mô hình đóng, nó lại làm phát sinh một câu hỏi hóc búa mới đối với hệ sinh thái AI trọng số mở (open-weight): Ai sẽ chịu trách nhiệm an toàn khi các trọng số đã được phát hành rộng rãi?

Khác với các hệ thống độc quyền, làn sóng doanh nghiệp tự thử nghiệm và xây dựng ứng dụng dựa trên mô hình mở đang tăng trưởng rất nhanh. Nền tảng dữ liệu Databricks hiện cung cấp trực tiếp các mô hình như Kimi K3, Qwen và DeepSeek cho khách hàng tải về tùy biến trên hạ tầng riêng. Cùng với Llama của Meta hay các dòng mô hình của Mistral, hệ sinh thái này đang mở rộng chóng mặt: nền tảng Hugging Face hồi tháng 8/2024 ghi nhận tới gần 3 triệu mô hình công khai trên kho lưu trữ của mình.

Ranh giới mong manh giữa kiểm soát tập trung và trách nhiệm phát tán

Vấn đề cốt lõi nằm ở sự khác biệt về mặt kỹ thuật giữa mô hình đóng và mở. Với mô hình đóng (proprietary AI), nhà phát triển nắm toàn quyền kiểm soát cổng truy cập: họ có thể giám sát hành vi người dùng, áp đặt giới hạn sử dụng và lập tức cắt quyền truy cập khi xảy ra vi phạm. Ngược lại, một khi các trọng số mở đã được công khai trên mạng, nhà phát triển gốc gần như mất hoàn toàn khả năng can thiệp kỹ thuật trực tiếp vào cách mô hình bị tinh chỉnh, biến đổi hay triển khai, dù các điều khoản cấp phép (licensing) vẫn có thể ràng buộc về mặt pháp lý. Nhà phát hành cũng không thể thu hồi trọng số một khi chúng đã được tải về.

Manuel Schonfeld, Giám đốc AI (CAIO) tại công ty công nghệ nhà hàng Qu (bang Virginia, Mỹ), nhận định: "Các giải pháp khắc phục được đề xuất, kiểm toán viên cắm chốt và việc giám sát liên tục chỉ phát huy tác dụng khi nhà cung cấp vẫn kiểm soát mô hình. Một khi trọng số đã rời khỏi tòa nhà, trách nhiệm đó thuộc về doanh nghiệp triển khai chứ không còn nằm ở bên huấn luyện."

Rủi ro này là có thật. Một nghiên cứu do chính phủ Anh ủy quyền gần đây chỉ ra rằng, trong khi phần mềm mã nguồn mở truyền thống đã có các quy chuẩn an toàn tương đối hoàn thiện, AI mã nguồn mở lại tiềm ẩn nhiều nguy cơ mới liên quan đến trọng số mô hình, dữ liệu huấn luyện, chuỗi công cụ tinh chỉnh (fine-tuning) và tính minh bạch nguồn gốc (provenance) — trong khi các nghiên cứu quản trị mảng này vẫn còn rất hạn chế.

Ngoài ra, nếu các yêu cầu giám sát kỹ thuật ngặt nghèo được áp đặt, điều này có thể vô tình triệt tiêu các nhà phát triển mô hình mở nhỏ hơn. Đề xuất của Dario Amodei về việc trao quyền cho các đơn vị độc lập tiếp cận nội bộ phòng lab AI như nhân viên để đánh giá an toàn liên tục là điều bất khả thi đối với mô hình mở sau khi phát hành. Noah Kenney, nhà sáng lập kiêm chuyên gia tư vấn tại Digital 520, cảnh báo rằng chi phí tuân thủ ngặt nghèo sẽ ưu ái các hãng công nghệ khổng lồ có tiềm lực tài chính dồi dào, khiến doanh nghiệp mất dần các giải pháp thay thế từ các nhà phát triển độc lập.

Gánh nặng tuân thủ dồn lên vai doanh nghiệp triển khai

Trước thực tế nhà phát triển gốc không thể quản lý sau phát hành, gánh nặng quản trị an toàn đang dịch chuyển trực tiếp sang các doanh nghiệp ứng dụng. Prince Kohli, Chủ tịch kiêm CEO của nền tảng thử nghiệm phần mềm Sauce Labs, nhận xét mô hình trọng số mở cho phép doanh nghiệp tự chủ về vị trí vận hành, cách tùy biến và quản lý dữ liệu, nhưng quyền tự chủ đó đi kèm nghĩa vụ vận hành lớn.

Theo Kohli, các tổ chức phải tự cân nhắc rủi ro theo từng bài toán: một mô hình mở có thể phù hợp cho tác vụ đơn giản, ít rủi ro, nhưng những quy trình nghiệp vụ trọng yếu đòi hỏi mức độ dự đoán và an toàn khắt khe hơn nhiều. Khi tự vận hành và tinh chỉnh mô hình, doanh nghiệp buộc phải hiểu rõ nguồn gốc mô hình, kiểm soát chặt luồng dữ liệu truy cập và liên tục kiểm tra kết quả đầu ra, đặc biệt khi dùng AI để sinh mã nguồn hoặc điều khiển các tác tử tự động (agent).

Kenney đề xuất trách nhiệm cần được phân định dựa trên những gì mỗi bên đóng góp và kiểm soát: Nhà phát triển gốc chịu trách nhiệm về chất lượng mô hình ban đầu cùng các giới hạn đã công bố, còn doanh nghiệp triển khai phải chịu trách nhiệm hoàn toàn về quy trình tinh chỉnh, dữ liệu đưa vào, quyền hạn công cụ và môi trường vận hành thực tế. Thách thức lớn nhất của ngành AI hiện nay không chỉ là chạy đua hay hãm phanh tốc độ phát triển, mà là xác định cơ chế giải trình khi năng lực AI đã thoát ra khỏi tầm với kỹ thuật của người tạo ra nó.