Đạo đức và An toàn AI

Trí tuệ nhân tạo (AI) ngày càng tham gia vào những quyết định ảnh hưởng trực tiếp đến con người: xét duyệt tín dụng, sàng lọc hồ sơ tuyển dụng, chẩn đoán y tế, kiểm duyệt nội dung. Khi phạm vi tác động mở rộng, các câu hỏi về đạo đức (điều gì là đúng, công bằng) và an toàn (làm sao để hệ thống không gây hại ngoài ý muốn) trở thành điều kiện tiên quyết, không còn là phần phụ trợ. Bài viết này trình bày các trụ cột cốt lõi một cách trung lập, kèm dữ kiện thực tế và nhiều góc nhìn.

1. Thiên kiến thuật toán (Algorithmic Bias)

Thiên kiến xảy ra khi hệ thống AI tạo ra kết quả phân biệt đối xử một cách có hệ thống đối với một nhóm người nhất định. Nguồn gốc thường không nằm ở “ác ý” của thuật toán mà ở dữ liệu huấn luyện phản ánh bất bình đẳng lịch sử, ở cách gán nhãn, hoặc ở chính lựa chọn của người thiết kế.

Một số ví dụ được ghi nhận công khai:

• Thẻ tín dụng Apple Card (do Goldman Sachs vận hành) từng bị giám sát sau khi có cáo buộc cấp hạn mức thấp hơn đáng kể cho phụ nữ so với người chồng, ngay cả khi người phụ nữ có điểm tín dụng và thu nhập cao hơn.
• Thuật toán COMPAS dùng tại Mỹ để đánh giá nguy cơ tái phạm bị chỉ ra là gán nhãn “nguy cơ cao” cho bị cáo da đen với tỷ lệ cao hơn so với bị cáo da trắng có hồ sơ tương đương.
• Một kiểm thử công bố tháng 8/2025 cho thấy hình ảnh người có kiểu tóc tết hoặc tóc tự nhiên của người da đen có xu hướng nhận điểm “thông minh” và “chuyên nghiệp” thấp hơn trong một số hệ thống đánh giá hình ảnh.

Góc nhìn đa chiều: Không tồn tại một định nghĩa “công bằng” duy nhất được mọi bên đồng thuận. Các tiêu chí toán học về công bằng (như cân bằng tỷ lệ dương tính giả giữa các nhóm, hay ngang bằng về tỷ lệ chấp thuận) đôi khi không thể đồng thời thỏa mãn về mặt toán học. Vì vậy, giảm thiểu thiên kiến là một bài toán đánh đổi giá trị, đòi hỏi quyết định xã hội chứ không chỉ kỹ thuật.

Các hướng giảm thiểu được khuyến nghị rộng rãi gồm: kiểm toán dữ liệu và mô hình theo vòng đời, đội ngũ phát triển đa dạng về nền tảng, và áp dụng tiêu chuẩn quản trị như ISO/IEC 42001:2023 về hệ thống quản lý AI.

2. Minh bạch và khả năng giải thích (Transparency & Explainability)

Minh bạch là việc công khai cách một hệ thống AI được xây dựng, huấn luyện trên dữ liệu nào, và vận hành ra sao. Khả năng giải thích (explainability) đi xa hơn: giúp người dùng hiểu vì sao mô hình đưa ra một kết quả cụ thể.

Theo hướng cập nhật của Nguyên tắc AI OECD, thông tin “rõ ràng và dễ hiểu” về logic đằng sau một dự đoán hay khuyến nghị của AI giờ đây không chỉ để hiểu mà còn để phản biện (challenge) kết quả — tức trao cho người bị ảnh hưởng công cụ để khiếu nại.

Góc nhìn đa chiều: Có sự căng thẳng thực tế giữa hiệu năng và khả năng giải thích. Các mô hình học sâu mạnh nhất thường là “hộp đen” khó diễn giải, trong khi các mô hình đơn giản, dễ giải thích đôi khi kém chính xác hơn. Ngoài ra, minh bạch quá mức có thể xung đột với bảo vệ bí mật kinh doanh hoặc tạo lỗ hổng để kẻ xấu khai thác. Cân bằng giữa các giá trị này là lựa chọn thiết kế, không có công thức cố định.

3. Trách nhiệm giải trình (Accountability)

Trách nhiệm giải trình trả lời câu hỏi: khi AI gây hại, ai chịu trách nhiệm? Đây là một chuỗi gồm nhà phát triển mô hình, đơn vị triển khai, người vận hành, và cơ quan quản lý.

Trong bản cập nhật Nguyên tắc AI OECD 2024, các quy định về truy vết (traceability) và quản lý rủi ro được chuyển sang nhóm nguyên tắc trách nhiệm giải trình, làm tăng đáng kể trọng số của trụ cột này. Điều đó phản ánh xu hướng: minh bạch và an toàn chỉ có ý nghĩa khi gắn với một chủ thể chịu trách nhiệm cụ thể.

Trên thực tế, trách nhiệm giải trình đòi hỏi: lưu vết quyết định (audit log), quy trình giám sát con người trong vòng lặp (human-in-the-loop) với các quyết định hệ trọng, và cơ chế khiếu nại, khắc phục cho người bị ảnh hưởng.

4. Alignment ở mức khái niệm

“Alignment” (căn chỉnh) là vấn đề bảo đảm mục tiêu và hành vi của hệ thống AI phù hợp với ý định và giá trị của con người. Ở mức khái niệm, thách thức cốt lõi là: con người khó diễn đạt trọn vẹn ý định của mình thành một hàm mục tiêu, nên hệ thống có thể tối ưu đúng “chữ” nhưng sai “nghĩa”.

Một số khái niệm thường gặp:

• Tối ưu sai mục tiêu (reward hacking / specification gaming): hệ thống tìm ra cách đạt điểm cao theo thước đo được giao nhưng đi ngược tinh thần mong muốn.
• Ảo giác (hallucination): mô hình sinh (generative) tạo ra thông tin nghe hợp lý nhưng sai sự thật.
• Quá phụ thuộc (over-reliance): người dùng tin tưởng đầu ra của AI mà thiếu kiểm chứng độc lập.

Góc nhìn đa chiều: Cộng đồng nghiên cứu chưa đồng thuận về mức độ nghiêm trọng và khung thời gian của các rủi ro alignment dài hạn. Một số nhóm nhấn mạnh rủi ro hiện hữu (existential), số khác cho rằng nên ưu tiên các tác hại cụ thể, hiện hữu ngay (thiên kiến, lừa đảo, thông tin sai). Cách tiếp cận thực dụng là xử lý song song cả hai nhóm rủi ro thay vì xem chúng loại trừ lẫn nhau.

5. Deepfake và thông tin sai lệch

Deepfake — nội dung âm thanh, hình ảnh, video tổng hợp bằng AI — đặt ra thách thức lớn cho “khả năng nhận biết sự thật”. UNESCO mô tả hiện tượng này là một phần của “khủng hoảng của việc biết” (crisis of knowing).

Dữ kiện thực tế được ghi nhận:

• Số lượng tệp deepfake được dự báo đạt khoảng 8 triệu trong năm 2025, tăng mạnh từ khoảng 500.000 năm 2023.
• Các vụ gian lận liên quan deepfake tăng hơn 1.300% trong năm 2024 theo một số báo cáo ngành.
• Khả năng con người nhận biết video deepfake chất lượng cao chỉ đạt khoảng 24,5% độ chính xác — tức gần như đoán mò.
• Trong bầu cử, 1/4 người Canada được khảo sát cho biết đã gặp nội dung chính trị giả mạo trước kỳ bầu cử tháng 4/2025.

Phản ứng chính sách: Mỹ thông qua TAKE IT DOWN Act (2025) thiết lập thời hạn 48 giờ gỡ bỏ deepfake hình ảnh riêng tư. Nhiều nước yêu cầu gắn nhãn nội dung AI và áp dụng kỹ thuật đánh dấu nguồn gốc (provenance / watermarking) như tiêu chuẩn C2PA.

Góc nhìn đa chiều: Công nghệ phát hiện deepfake luôn chạy sau công nghệ tạo ra chúng — một “cuộc đua vũ trang” không có điểm kết. Vì vậy, nhiều chuyên gia cho rằng giải pháp bền vững nằm ở chứng thực nguồn gốc nội dung (xác minh cái thật) hơn là phát hiện cái giả, kết hợp với nâng cao năng lực số (media literacy) cho công chúng.

6. AI có trách nhiệm (Responsible AI)

“AI có trách nhiệm” là cách tiếp cận tích hợp các trụ cột trên — công bằng, minh bạch, riêng tư, an toàn — vào toàn bộ vòng đời phát triển và vận hành. Các khung phổ biến gồm Nguyên tắc AI OECD, NIST AI RMF (Hoa Kỳ), và tiêu chuẩn ISO/IEC 42001. Diễn đàn Kinh tế Thế giới cũng thành lập AI Governance Alliance nhằm thúc đẩy quản trị đa bên.

Thực hành cốt lõi: đánh giá tác động trước khi triển khai, giám sát liên tục sau triển khai, tài liệu hóa minh bạch (model cards, datasheets), và cơ chế phản hồi, khắc phục.

Kết luận

Đạo đức và an toàn AI không phải là một danh sách kiểm tra cố định mà là quá trình cân bằng liên tục giữa các giá trị đôi khi xung đột: hiệu năng và minh bạch, đổi mới và bảo vệ, tự động hóa và trách nhiệm con người. Cách tiếp cận trung dung — vừa khai thác lợi ích, vừa quản trị rủi ro một cách có hệ thống — đang trở thành chuẩn mực chung trên thế giới.

Nguồn tham khảo

• What Is Algorithmic Bias? — IBM
• AI Bias: 16 Real AI Bias Examples & Mitigation Guide — Crescendo AI
• AI Ethics: Integrating Transparency, Fairness, and Privacy in AI Development — Taylor & Francis (2025)
• Deepfakes and the crisis of knowing — UNESCO
• Deepfake Statistics 2025 — DeepStrike
• AI Principles Overview — OECD.AI
• Evolving with innovation: The 2024 OECD AI Principles update — OECD.AI