Ngày 21/7, ba tin tức AI đáng chú ý bao gồm: một nghiên cứu trình bày tại hội nghị ICML ở Seoul cho thấy các mô hình AI có xu hướng phân biệt đối xử trong tuyển dụng nhiều hơn con người; tại Washington, mô hình mã nguồn mở Kimi K3 của Moonshot đang khuấy động cuộc tranh cãi về kiểm soát AI mở; và Google đang phát triển chip chuyên dụng “Frozen v2” để chạy Gemini hiệu quả hơn, với mức cải thiện năng lượng dự kiến 6 đến 10 lần so với chip AI hiện tại.
1. AI rập khuôn ứng viên khi tuyển dụng còn mạnh hơn con người: nghiên cứu từ Princeton và Đại học Chicago
Một nghiên cứu mới của Đại học Princeton và Đại học Chicago cho thấy các mô hình AI như ChatGPT, Claude hay Gemini có xu hướng hình thành định kiến nghề nghiệp nhanh hơn cả con người khi tham gia tuyển dụng.
Nhóm nghiên cứu sử dụng một trò chơi tuyển dụng mô phỏng vốn được thiết kế để nghiên cứu cách con người hình thành định kiến. Các mô hình AI được giao tuyển ứng viên cho 20 nghề, từ bác sĩ, luật sư đến giữ trẻ và lao công. Ứng viên thuộc bốn nhóm sắc tộc hoàn toàn hư cấu – Tufa, Aima, Reku và Weki – được đặt tên lạ để loại bỏ mọi định kiến có sẵn. Quan trọng nhất, trong thiết kế thí nghiệm, tất cả ứng viên đều có năng lực như nhau, nên không có bất kỳ cơ sở nào để ưu tiên hay loại trừ một nhóm.
Dù vậy, chỉ sau vài lượt tuyển, các mô hình bắt đầu tự “đóng khung” từng nhóm vào những nghề nhất định. Đây không phải là việc ưu ái hay kỳ thị một sắc tộc cụ thể, mà là xu hướng khái quát hóa quá nhanh từ rất ít dữ liệu. Chẳng hạn, sau khi thấy một ứng viên nhóm Aima thất bại ở vị trí bác sĩ, mô hình gần như ngừng tuyển người Aima cho công việc này và chuyển họ sang những nghề có yêu cầu thấp hơn như lao công, dù trên thực tế mọi nhóm đều có năng lực ngang nhau.
Nhóm nghiên cứu đo hiện tượng này bằng một chỉ số phân tách nghề nghiệp, trong đó 0 nghĩa là không có rập khuôn và 2 là mỗi nhóm bị “đóng đinh” vào một nghề riêng. Con người đạt trung bình 0,84, trong khi các mô hình AI đạt khoảng 1,37 – cao hơn 65%. Riêng o3 của OpenAI đạt 1,83, gần chạm mức tối đa. Theo Ryan Liu, nghiên cứu sinh tiến sĩ tại Princeton và đồng tác giả nghiên cứu, các mô hình AI có xu hướng rút ra quy luật từ quá ít dữ liệu, khiến chúng hình thành các khuôn mẫu rất nhanh. Đáng chú ý, các mô hình suy luận mới như o3 hay DeepSeek R1 còn thể hiện xu hướng này mạnh hơn.
Điểm đáng lo là những khuôn mẫu này không xuất phát trực tiếp từ dữ liệu huấn luyện, mà được hình thành trong chính quá trình mô hình liên tục đưa ra quyết định và tự cập nhật kinh nghiệm. Nghiên cứu, được trình bày tại hội nghị ICML 2026 ở Seoul, cũng chỉ ra rằng hiện tượng này có thể giảm đáng kể nếu mô hình được tối ưu để coi trọng tính đa dạng hoặc được cung cấp thêm thông tin cá nhân phù hợp về từng ứng viên.
Kết quả cho thấy rủi ro của AI trong tuyển dụng không chỉ nằm ở việc lặp lại những thiên kiến có sẵn trong dữ liệu, mà còn ở khả năng tự tạo ra các khuôn mẫu mới chỉ từ một số ít trải nghiệm. Khi AI ngày càng được sử dụng để sàng lọc CV và phỏng vấn sơ bộ, việc thiết kế mục tiêu và cơ chế giám sát có thể quan trọng không kém việc lựa chọn mô hình.
Nguồn: MIT Technology Review
Ghi chú thuật ngữ
- Thang phân tách nhóm (segregation scale): Chỉ số đo mức độ mỗi nhóm ứng viên bị dồn vào một loại nghề riêng; 0 là không phân biệt, 2 là mỗi nhóm bị nhốt hoàn toàn vào một nghề, điểm càng cao thì rập khuôn càng nặng.
- ICML (International Conference on Machine Learning): Hội nghị học thuật quốc tế lớn về học máy, tổ chức hằng năm; năm 2026 diễn ra tại Seoul.
2. Kimi K3 mã nguồn mở châm ngòi cuộc tranh luận AI tại Nhà Trắng
Tuần trước, startup AI Trung Quốc Moonshot AI phát hành Kimi K3, mô hình mã nguồn mở miễn phí được nhiều bài đánh giá độc lập xếp ngang nhóm các mô hình hàng đầu của OpenAI và Anthropic. Đây cũng là lần hiếm hoi một mô hình mã nguồn mở tiến sát năng lực của những hệ thống AI thương mại tiên tiến nhất.
Điều gây chú ý không chỉ là năng lực của Kimi K3, mà còn là phản ứng từ Washington. Theo MIT Technology Review, mô hình này đang làm sâu sắc thêm bất đồng giữa các cố vấn AI trong chính quyền Tổng thống Donald Trump về cách quản lý AI mã nguồn mở.
Một bên, cựu “AI và tiền số czar” David Sacks cho rằng các mô hình của Anthropic đã bị “cắt bỏ năng lực” vì quá chú trọng an toàn, đồng thời cáo buộc các công ty AI lớn muốn dùng quy định của chính phủ để hạn chế các đối thủ mã nguồn mở. Ở chiều ngược lại, nhiều quan chức trong chính quyền cho rằng các mô hình AI đã đủ mạnh để tạo ra rủi ro an ninh quốc gia và cần được kiểm soát chặt chẽ hơn trước khi phát hành.
Cuộc tranh luận này đã thúc đẩy Nhà Trắng xây dựng một quy trình rà soát mới nhằm đánh giá mức độ an toàn của các mô hình AI tiên tiến trước khi chúng được công bố. Dean Ball, cựu cố vấn AI của Tổng thống Trump, hiện làm việc tại OpenAI, nhận định cơ chế này chẳng khác nào “một chế độ cấp phép trên thực tế đối với AI tiên phong”.
Trong khi giới hoạch định chính sách vẫn chưa thống nhất cách quản lý, Kimi K3 vẫn đang được tải xuống và triển khai miễn phí trên toàn thế giới. Điều đó cho thấy cuộc đua AI không còn chỉ là cạnh tranh giữa các mô hình, mà đã trở thành cuộc tranh luận về việc liệu những công nghệ mạnh nhất nên được phổ biến rộng rãi hay đặt dưới sự kiểm soát của chính phủ.
Nguồn: MIT Technology Review
Ghi chú thuật ngữ
- Mã nguồn mở: Mô hình AI công bố toàn bộ trọng số, cho phép bên thứ ba chạy, chỉnh sửa và tích hợp mà không phụ thuộc nhà cung cấp.
3. Google phát triển chip “Frozen v2” để chạy Gemini tiết kiệm hơn
Google đang phát triển một dòng chip AI mới có tên nội bộ Frozen v2, theo The Information ngày 20/7. Khác với TPU – dòng chip phục vụ nhiều loại mô hình AI – Frozen v2 được thiết kế chuyên biệt để chạy các mô hình Gemini, với mục tiêu tối ưu hiệu quả của giai đoạn suy luận (inference).
Theo báo cáo, Frozen v2 có thể đạt hiệu quả năng lượng cao hơn 6-10 lần so với các chip AI hiện nay của Google, tính theo số token tạo ra trên mỗi đơn vị điện năng. Chip dự kiến ra mắt vào năm 2028. Google hiện chưa xác nhận nhưng cũng không phủ nhận thông tin này.
Nếu các con số trên trở thành hiện thực, tác động sẽ không chỉ dừng ở phần cứng. Chi phí vận hành AI ngày càng phụ thuộc vào điện năng và hạ tầng tính toán, đặc biệt khi lượng truy vấn tăng nhanh. Một con chip được tối ưu riêng cho Gemini có thể giúp giảm đáng kể chi phí suy luận, từ đó hạ chi phí cung cấp dịch vụ AI và tạo dư địa để giảm giá API hoặc mở rộng các gói sử dụng cho người dùng.
Nguồn: TechCrunch
Ghi chú thuật ngữ
- TPU (Tensor Processing Unit): Chip AI chuyên dụng do Google phát triển, thiết kế để tăng tốc các phép tính học máy; phục vụ được nhiều loại mô hình khác nhau.
- Suy luận (inference): Quá trình mô hình AI xử lý yêu cầu và tạo ra câu trả lời, phân biệt với giai đoạn huấn luyện mô hình.
Bài viết của đội ngũ ZTO Labs, chuyên đào tạo và nghiên cứu AI tại Việt Nam.
