AI bịa thông tin vì cách nó làm việc là viết tiếp câu chữ cho nghe hợp lý, chứ không phải mở một cuốn sổ sự thật ra tra. Khi điều bạn hỏi đã xuất hiện rất nhiều lần trong dữ liệu nó được học, câu "nghe hợp lý" thường trùng với sự thật. Khi điều bạn hỏi hiếm, mơ hồ, hoặc có một chi tiết cụ thể như năm, con số, tên người, nó vẫn viết ra một câu nghe hợp lý, chỉ có điều câu đó không còn được neo vào thứ gì có thật.
Giới nghiên cứu gọi hiện tượng này là "ảo giác" (hallucination). Cái tên hơi gây hiểu lầm, vì máy không nhìn thấy gì cả; nói "bịa một cách trôi chảy" thì sát hơn. Bài này giải thích cơ chế đó bằng ví dụ đời thường, chỉ ra những lúc AI dễ bịa nhất, và vì sao đến nay các hãng giảm được nhưng chưa ai xoá được hẳn.
AI không tra cứu, AI viết tiếp
Hãy hình dung một học sinh học thuộc rất nhiều bài văn mẫu, đọc hàng nghìn tờ báo, nhưng không được mang theo tài liệu nào vào phòng thi. Đề hỏi gì, em cũng viết ra được một đoạn trôi chảy, đúng giọng, đúng bố cục. Với câu hỏi quen, những gì em viết khớp với sách. Với câu hỏi lạ, em vẫn viết, vì bài thi chấm cả độ dài lẫn sự mạch lạc, còn bỏ giấy trắng thì chắc chắn không có điểm. Mô hình ngôn ngữ đứng ở vị trí khá giống em học sinh đó.
Về kỹ thuật, một chatbot sinh câu trả lời bằng cách chọn từng mảnh chữ tiếp theo dựa trên những gì đứng trước, theo xác suất mà nó rút ra từ lượng văn bản khổng lồ lúc huấn luyện. Bên trong không có một bảng ghi "Hà Nội là thủ đô, đúng" hay "con số này đã được kiểm". Kiến thức nằm rải rác trong hàng tỉ tham số dưới dạng những quy luật thống kê: chữ nào hay đi với chữ nào, câu kiểu này thường được nối tiếp bằng câu kiểu kia. Cơ chế đoán chữ được giải thích kỹ ở danh mục mô hình ngôn ngữ của trang; ở đây chỉ cần giữ một ý: thứ mô hình tối ưu là câu chữ có vẻ đúng chỗ, không phải câu chữ đã được đối chiếu.
Điều này giải thích một chuyện nhiều người thấy lạ: AI có thể viết một bài phân tích sắc sảo về một vấn đề phức tạp, rồi trong cùng bài đó nêu sai năm sinh của một nhân vật khá nổi tiếng. Với máy, cả hai đều là "viết tiếp cho hợp lý"; phần phân tích dựa vào vô số văn bản tương tự, còn con số năm sinh chỉ dựa vào vài lần xuất hiện, dễ lẫn với năm của người khác.
Câu đúng và câu bịa đi ra từ cùng một cỗ máy
Người ta hay tưởng AI có hai chế độ: lúc bình thường thì nói đúng, thỉnh thoảng "bị lỗi" thì nói sai. Thực ra không có công tắc nào như vậy. Câu đúng và câu bịa được tạo ra bởi đúng một quá trình. Khác biệt nằm ở chỗ quy luật thống kê mà mô hình dựa vào có trùng với thực tế hay không.
Ví dụ giả định: bạn hỏi "Cầu Long Biên khánh thành năm nào?". Câu này xuất hiện vô số lần trên sách báo, nên con đường "cầu Long Biên" dẫn tới con số đúng đã in rất sâu, mô hình trả lời đúng gần như mọi lần. Giờ bạn hỏi năm khánh thành của một cây cầu nhỏ ở một xã miền núi mà chỉ vài bài báo địa phương nhắc tới. Mô hình vẫn "biết" rằng câu trả lời cho dạng câu hỏi này là một năm, thường rơi vào khoảng nào đó, thường đi kèm một cơ quan đầu tư. Nó lắp những mảnh đó lại thành một câu hoàn chỉnh. Hình thức giống hệt câu trả lời đúng, nội dung thì là phỏng đoán.
Đó là lý do bạn không thể nhìn giọng văn để đoán câu nào bịa. Câu bịa không ngập ngừng hơn, không ngắn hơn, không có dấu hiệu gì khác thường. Một số hệ thống mới đã được huấn luyện để nói "không chắc" thường hơn, và điều đó có giúp, nhưng nó là lớp hành vi được dạy thêm ở trên, không làm thay đổi bản chất của cỗ máy bên dưới.
Vì sao AI không chịu nói "không biết"
Bài thi chấm điểm kiểu khuyến khích đoán. Phần lớn các bộ đề dùng để đo năng lực mô hình chấm theo đúng hoặc sai. Trả lời "không biết" được không điểm, đoán bừa thì còn có cơ may trúng. Tháng 9/2025, một nhóm nghiên cứu của OpenAI công bố bài phân tích lập luận rằng chính cách chấm này, lặp đi lặp lại qua nhiều vòng phát triển, đẩy mô hình về phía đoán tự tin thay vì thừa nhận chỗ mình không chắc. Giống học sinh đi thi trắc nghiệm không bị trừ điểm khi sai: khoanh hết là chiến lược khôn.
Người chấm cũng thích câu trả lời đầy đủ. Ở giai đoạn tinh chỉnh, con người đánh giá các câu trả lời mẫu, và mô hình học cách viết những câu được chấm cao. Một câu trả lời trọn vẹn, có số liệu, có ví dụ thường được ưa hơn câu "phần này mình không rõ". Người chấm không phải lúc nào cũng có thời gian kiểm từng con số, nên câu bịa trơn tru đôi khi vẫn được điểm tốt.
Mô hình không có cảm giác rõ ràng về chỗ mình không biết. Con người khi bị hỏi tên một người lạ thường có cảm giác "chịu, không nhớ". Mô hình có một phần tín hiệu tương tự, nghiên cứu cho thấy xác suất bên trong phần nào phản ánh độ chắc chắn, nhưng tín hiệu này không đủ ổn định, và càng không lộ ra trong giọng văn. Khi được yêu cầu viết, nó vẫn chọn chữ có xác suất cao nhất trong số những chữ đang có, dù tất cả đều thấp.
Câu hỏi đã gài sẵn tiền đề. Hỏi "vì sao vua X dời đô năm Y" trong khi vua X chưa từng dời đô, mô hình rất dễ đi theo tiền đề và viết ra lý do. Câu hỏi dạng "vì sao" đã ngầm khẳng định sự việc có thật, và văn bản nối tiếp tự nhiên nhất là một lời giải thích.
Những kiểu bịa hay gặp và cơ chế đằng sau
Không phải mọi lỗi của AI đều giống nhau. Phân biệt được kiểu lỗi giúp bạn biết phải nghi ngờ chỗ nào trong một câu trả lời dài. Các ví dụ dưới đây đều là ví dụ giả định.
| Kiểu bịa | Ví dụ giả định | Cơ chế chính |
|---|---|---|
| Bịa chi tiết cụ thể | Nêu đúng tên một nhà thơ nhưng sai năm mất, sai tên tập thơ | Chi tiết ít xuất hiện, dễ trộn với chi tiết của người gần giống |
| Bịa nguồn, trích dẫn | Đưa ra tên một bài báo khoa học nghe rất thật, tác giả có thật, nhưng bài đó không tồn tại | Mô hình học được hình dạng của một trích dẫn, không học thuộc từng trích dẫn |
| Ghép nhầm hai sự việc | Gán phát biểu của bộ trưởng này cho bộ trưởng khác cùng nhiệm kỳ | Hai sự việc hay xuất hiện gần nhau trong dữ liệu |
| Đi theo tiền đề sai | Giải thích rất mạch lạc vì sao một sự kiện không có thật lại xảy ra | Câu hỏi đã khẳng định sẵn, mô hình viết tiếp theo |
| Điền cho đủ số lượng | Bạn xin mười ví dụ, chỉ có sáu ví dụ thật, bốn cái sau là bịa | Mô hình cố thoả yêu cầu về hình thức |
| Tự mâu thuẫn trong bài dài | Đầu bài nói một số liệu, cuối bài nói số khác | Mỗi đoạn được viết tiếp từ ngữ cảnh gần nhất, không ai rà lại toàn bài |
Kiểu "điền cho đủ số lượng" ít được nhắc mà lại rất hay gặp. Khi yêu cầu có con số cứng, đặc biệt là danh sách dài về một chủ đề hẹp, phần cuối danh sách là chỗ nên nghi ngờ nhất.
Lúc nào AI dễ bịa nhất
Mức độ bịa thay đổi rất nhiều theo loại câu hỏi. Cùng một chatbot, hỏi chuyện phổ thông thì hiếm khi sai, hỏi những dạng dưới đây thì tỉ lệ sai tăng rõ:
- Chủ đề hẹp, địa phương, ít người viết: lịch sử một làng nghề, một doanh nghiệp nhỏ, một trường học ở tỉnh, quy định nội bộ của một cơ quan. Dữ liệu tiếng Việt về những chuyện này vốn ít, mô hình có rất ít thứ để bám.
- Chi tiết có hình dạng cố định: năm, số liệu, số hiệu văn bản, mã số, tên tác phẩm, tên người. Những thứ này hoặc đúng hoặc sai, không có vùng xám để câu văn mềm mại che đi.
- Chuyện mới xảy ra: mô hình có một mốc kiến thức; sự việc sau mốc đó nó không biết, nhưng vẫn có thể trả lời như thể biết nếu không có công cụ tìm kiếm.
- Yêu cầu dẫn nguồn: xin "kèm tài liệu tham khảo" mà công cụ không thật sự tìm kiếm thì mô hình phải tự viết ra nguồn, và đó là chỗ bịa nổi tiếng nhất.
- Câu trả lời rất dài: càng viết dài, càng nhiều chi tiết phải lấp, càng nhiều chỗ để lẫn.
- Câu hỏi gài tiền đề sai như đã nói ở trên, kể cả khi bạn gài vô tình vì nhớ nhầm.
Ngược lại, AI ít bịa khi việc nằm gọn trong thứ bạn đưa cho nó: tóm tắt một đoạn bạn dán vào, sửa lỗi chính tả, đổi giọng văn, giải thích một khái niệm phổ biến. Ngay cả khi đó vẫn có lỗi, nhưng bạn có văn bản gốc để đối chiếu.
Những hiểu lầm hay gặp về chuyện AI bịa
"AI cố tình lừa người dùng." Bịa theo nghĩa ảo giác không đi kèm ý định. Mô hình không biết câu nó viết là sai rồi vẫn viết; nó không phân biệt được ngay từ đầu. Câu hỏi AI có "nói dối" theo nghĩa có chủ đích hay không là chuyện phức tạp hơn, có bài riêng ở mục hỏi đáp của trang.
"Bản trả phí, bản mới nhất thì không bịa." Các thế hệ mô hình sau thường bịa ít hơn ở nhiều phép đo, và một số bản có tìm kiếm web giúp giảm đáng kể với câu hỏi sự kiện. Nhưng chưa có bản nào công bố tỉ lệ bằng không, và có những dạng câu hỏi mà bản mạnh vẫn sai đều đặn.
"Hỏi bằng tiếng Anh thì hết sai." Hỏi bằng tiếng Anh có thể tốt hơn với chủ đề quốc tế vì dữ liệu nhiều hơn. Với chuyện Việt Nam, dữ liệu tốt lại thường bằng tiếng Việt, nên đổi ngôn ngữ không giải quyết được gốc vấn đề.
"Chỉ cần dặn AI đừng bịa." Lời dặn có thể khiến mô hình thận trọng hơn một chút, nói "không chắc" nhiều hơn, nhưng không trao cho nó khả năng biết chắc chỗ nào mình sai. Nó vẫn chỉ đang viết tiếp.
Sống chung với một cỗ máy đôi khi bịa
Hiểu cơ chế thì cách dùng tự nhiên thay đổi. Câu hỏi đúng không còn là "AI có đáng tin không" mà là "câu trả lời này có cái gì neo vào sự thật không". Nếu AI làm việc trên văn bản bạn đưa vào, neo chính là văn bản đó. Nếu AI có tìm kiếm và chỉ ra nguồn cụ thể, neo là nguồn đó, và bạn vẫn phải mở ra xem nguồn có nói đúng như vậy không. Nếu AI trả lời từ trí nhớ của chính nó, không có neo nào cả, và mọi chi tiết cụ thể nên được coi là gợi ý cần kiểm.
Mức kiểm nên tỉ lệ với hậu quả. Nhờ AI gợi ý tên cho chú mèo thì sai cũng chẳng sao. Nhờ AI nhắc lại một quy định về thuế, liều dùng thuốc, hạn nộp hồ sơ, hay một con số đưa vào báo cáo gửi sếp, thì mỗi chi tiết phải được đối chiếu với nguồn gốc chính thức. Cách kiểm chứng nguồn chi tiết có ở trang AI Tra Cứu trong cùng hệ; điều cần nhớ ở đây là kiểm chứng không phải vì AI kém, mà vì cơ chế của nó không có bước kiểm.
Một thói quen nhỏ nhưng hiệu quả: khi đọc câu trả lời của AI, đánh dấu trong đầu những chỗ là chi tiết cứng như tên, số, năm, trích dẫn. Phần lập luận và diễn giải thường đáng tin hơn phần chi tiết. Phần chi tiết là chỗ bịa sống.
Câu hỏi thường gặp
Ảo giác AI có phải là lỗi phần mềm sẽ được vá trong bản cập nhật tới không?
Không hẳn. Nó không phải một dòng mã viết sai mà là hệ quả của cách mô hình sinh chữ theo xác suất. Các hãng giảm được tỉ lệ bằng nhiều cách như cho mô hình tìm kiếm, huấn luyện để nói không chắc, nhưng chưa ai công bố đã loại bỏ hoàn toàn, và nhiều nhà nghiên cứu cho rằng khó về không.
Vì sao cùng một câu hỏi, có lần AI trả lời đúng, có lần lại sai?
Mô hình chọn chữ có yếu tố ngẫu nhiên, nên mỗi lần chạy có thể đi một con đường hơi khác. Với câu hỏi mà mô hình nắm chắc, các con đường đều dẫn về cùng đáp án. Với câu hỏi nó không chắc, mỗi lần một đáp án khác là dấu hiệu rõ rằng nó đang đoán.
AI bịa nhiều hơn khi trả lời bằng tiếng Việt không?
Với chủ đề mà tài liệu tiếng Việt ít, nhất là chuyện địa phương, tên người Việt ít nổi tiếng, văn bản nội bộ, thì nguy cơ cao hơn vì mô hình có ít dữ liệu để bám. Với kiến thức phổ thông thì khác biệt nhỏ hơn. Mức độ còn tuỳ từng mô hình, nên kiểm thực tế vẫn hơn đoán.
Có cách nào nhận ra câu bịa chỉ bằng cách đọc không?
Rất khó, vì câu bịa có giọng văn y như câu đúng. Dấu hiệu gián tiếp là chi tiết quá cụ thể về một chủ đề hiếm, nguồn trích dẫn không tìm thấy được, hoặc hỏi lại thì ra đáp án khác. Cách chắc chắn duy nhất vẫn là đối chiếu với nguồn bên ngoài.
Nếu AI bịa thường xuyên như vậy thì dùng nó để làm gì?
Dùng cho những việc mà sai có thể phát hiện hoặc không gây hại: soạn nháp, sắp xếp ý, giải thích khái niệm phổ biến, tóm tắt văn bản bạn đưa vào, gợi ý hướng tìm hiểu. Việc cần chi tiết chính xác thì coi câu trả lời của AI là điểm khởi đầu để đi kiểm, không phải điểm kết thúc.
Vì sao gọi là ảo giác mà không gọi thẳng là nói sai?
Thuật ngữ này được giới nghiên cứu dùng từ trước, khi nói về các hệ thống sinh ảnh, dịch máy tạo ra thứ không có trong đầu vào. Một số nhà khoa học cho rằng chữ này nhân cách hoá máy quá mức và đề xuất chữ khác. Trong tiếng Việt thông thường, nói AI "bịa" dễ hiểu hơn, miễn nhớ là không có ý đồ đằng sau.