Google DeepMind ứng dụng mật mã học để giải quyết vấn đề tin cậy trong đánh giá AI

Chuyển đến nội dung chính

28 tháng 8, 2026

GPT-Image-2 được gợi ý bởi THE DECODER

Google Deepmind muốn sử dụng một phương pháp mật mã học để ngăn các mô hình AI biết trước các câu hỏi kiểm tra. Một dự án thí điểm hợp tác với Viện An toàn AI Singapore và các đối tác khác đang thực hiện thử nghiệm mù đôi (double-blind test) trên một mô hình Gemini.

Nếu người làm bài biết trước câu hỏi, thì ngay cả điểm số tuyệt đối cũng trở nên vô giá trị. Google Deepmind sử dụng hình ảnh này để mô tả một vấn đề cốt lõi trong việc đánh giá các mô hình AI: sự nhiễm bẩn dữ liệu kiểm tra (benchmark contamination). Nếu một mô hình đã nhìn thấy các câu hỏi kiểm tra trong quá trình huấn luyện, kết quả đạt được sẽ không còn đáng tin cậy.

Để ngăn chặn điều đó, Google Deepmind cho biết họ đang triển khai đợt đánh giá mù đôi đầu tiên cho một mô hình AI tiên tiến độc quyền. Các bài kiểm tra từ bên ngoài sẽ được khóa trong một "chiếc hộp" mật mã, nhờ đó mô hình không thể sử dụng các câu hỏi đó để tự tối ưu hóa cho bài kiểm tra sau này.

Đối với dự án thí điểm này, Google đang thử nghiệm một mô hình thuộc dòng Gemini Flash Lite với các bộ tiêu chuẩn đánh giá (benchmark) bảo mật.

Sự đánh đổi mà phương pháp này hướng tới để giải quyết

Deepmind cho biết, các đánh giá bên ngoài có độ nhạy cảm cao thường đòi hỏi một sự thỏa hiệp. Hoặc là bên đánh giá phải bàn giao các câu lệnh kiểm tra (test prompts), điều này khiến nhà cung cấp mô hình biết trước câu hỏi. Hoặc là nhà cung cấp phải bàn giao trọng số mô hình (model weights) và chấp nhận rủi ro về sở hữu trí tuệ. Một ví dụ gần đây về tình thế tiến thoái lưỡng nan này là việc trì hoãn đánh giá cho tiêu chuẩn ARC-AGI đối với Fable 5 của Anthropic, do công ty AI này áp dụng chính sách lưu giữ dữ liệu 30 ngày cho các mô hình mạnh nhất của họ.

Đánh giá mù đôi nhằm mục đích loại bỏ sự đánh đổi đó. Google sử dụng Confidential Space từ danh mục điện toán bảo mật của Google Cloud để thực hiện việc này. Thiết lập này xác minh bằng mật mã rằng cả dữ liệu kiểm tra bên ngoài và mô hình đều được giữ kín đối với chủ sở hữu tương ứng. Bên đánh giá không bao giờ nhìn thấy trọng số của Gemini, và Google cũng không bao giờ nhìn thấy các câu lệnh kiểm tra.

Cho đến nay, các giao thức không ghi nhật ký (zero-logging) và các biện pháp bảo vệ theo hợp đồng đã giúp giữ bí mật cho các câu lệnh bên ngoài. Công ty cho biết, việc bổ sung các biện pháp bảo vệ kỹ thuật và mật mã là một bước tiến lớn cho việc đánh giá mô hình an toàn.

Tại sao điều này quan trọng nhất đối với các lĩnh vực nhạy cảm

Bằng chứng mật mã nhằm mục đích ngăn chặn sự nhiễm bẩn và bảo vệ dữ liệu nhạy cảm. Deepmind cho biết điều này quan trọng nhất đối với các đánh giá có độ nhạy cảm cao, chẳng hạn như an ninh mạng hoặc các bài kiểm tra do các cơ quan chính phủ thực hiện. Các tổ chức độc lập có thể kiểm tra nghiêm ngặt các mô hình tiên tiến mà không phải từ bỏ quyền kiểm soát dữ liệu hoặc an ninh.

Google hy vọng nỗ lực này sẽ thiết lập một tiêu chuẩn mới cho việc giám sát mô hình và giúp ngành công nghiệp xây dựng các hệ thống AI đáng tin cậy và được tin dùng rộng rãi hơn. Google đã trình bày chi tiết về phương pháp luận và kết quả trong một báo cáo kỹ thuật.

Tin tức AI không thổi phồng – Được biên soạn bởi con người

Đăng ký THE DECODER để đọc không quảng cáo, nhận bản tin AI hàng tuần, báo cáo độc quyền "AI Radar" về các công nghệ tiên phong sáu lần một năm, quyền truy cập toàn bộ kho lưu trữ và tham gia phần bình luận của chúng tôi.

Đăng ký ngay

Đăng ký The Decoder