Điểm yếu chí mạng của AI: Viện Hàn lâm Khoa học Trung Quốc đã tìm ra lời giải

< img id="wx_img" src="https://www.qbitai.com/wp-content/uploads/imgs/qbitai-logo-1.png" width="400" height="400">

2026-07-27 13:00:12 Nguồn: QbitAI

Biến "trí tuệ cảm xúc" (EQ) thành một bộ kỹ thuật có thể đo lường và đào tạo được

Yun Zhong, đưa tin từ Aofeisi

QbitAI | Tài khoản chính thức QbitAI

GPT-5.5 có thể viết các bài luận chuyên sâu, DeepSeek-V4-Pro có thể tạo ra mã nguồn phức tạp, robot hình người có thể thực hiện các thao tác vật lý cơ bản; trí tuệ ngôn ngữ và trí tuệ công cụ đều đã chạy trên đường đua riêng của mình.

Tuy nhiên, khi đặt cùng một AI đó vào một bữa ăn gia đình, một cuộc họp nhóm hay một cuộc đối thoại giữa bác sĩ và bệnh nhân, nó thường tỏ ra cứng nhắc và không phù hợp với ngữ cảnh.

Không phải vì thiếu kiến thức, mà là khả năng "thấu hiểu lòng người" vẫn chưa theo kịp. Đây chính là nghịch cảnh thực tế do sự thiếu hụt lâu dài về tâm trí xã hội (social mind), và cũng là bài học bắt buộc phải bổ sung khi chuyển từ "thực thi nhiệm vụ" sang "hợp tác xã hội".

Ngày 24 tháng 7, nhóm nghiên cứu "Zhi Jing" thuộc Phòng thí nghiệm trọng điểm quốc gia về an toàn thuật toán thông minh, Viện Công nghệ tính toán, Viện Hàn lâm Khoa học Trung Quốc, đã chính thức công bố hệ thống kỹ thuật mô hình lớn về tâm trí xã hội Zhi Jing.

Đây không phải là một câu chuyện khác về việc các mô hình lớn chạy đua bảng xếp hạng, mà là một lời giải hoàn chỉnh về cách biến tâm trí xã hội thành một năng lực kỹ thuật độc lập.

Điều mà Zhi Jing muốn thực hiện chính là bù đắp lỗ hổng này cho các mô hình lớn hiện có — bổ sung "trí tuệ cảm xúc" và cảm giác đáng tin cậy cho mô hình, giúp AI trở nên đáng tin và đáng cậy trong các tình huống quan trọng.

Khám sức khỏe trước, kê đơn sau: SoMBench thực hiện "chụp CT tâm trí xã hội" cho AI

Chẩn đoán trước khi chữa bệnh. Việc đầu tiên nhóm Zhi Jing thực hiện là thiết lập một "phiếu khám sức khỏe" đủ tinh vi mang tên SoMBench.

SoMBench phân tách khái niệm chung chung "có hiểu con người hay không" thành 3 chiều cấp một, 17 chiều cấp hai và 71 nhiệm vụ chi tiết, bao phủ toàn bộ phổ từ suy luận niềm tin cơ bản đến thấu hiểu cảm xúc bậc cao, từ chuẩn mực xã hội đến mô hình hóa mối quan hệ.

3481 ví dụ đã qua đánh giá của hơn mười chuyên gia con người và được giữ lại nghiêm ngặt, tạo thành một "bản đồ năng lực" về tâm trí xã hội.

Quan trọng hơn, SoMBench không chỉ cho bạn biết "đạt bao nhiêu điểm", mà còn chỉ ra "sai ở đâu".

Thông qua việc kiểm chứng chéo bằng nhiều loại câu hỏi như trắc nghiệm đơn, trắc nghiệm đa lựa chọn, câu hỏi đúng/sai, câu hỏi mở, cùng các phương pháp như gây nhiễu tùy chọn, phát hiện đường tắt, viết lại có kiểm soát, SoMBench có thể định vị chính xác các mô hình lỗi của AI, ví dụ: Chuỗi suy luận bị đứt đoạn? Hay chỉ đoán mò dựa trên các khuôn mẫu bề mặt? Điều này chỉ ra mục tiêu cụ thể cho quá trình đào tạo tiếp theo.

20 mô hình lớn hàng đầu được thử nghiệm trên SoMBench, mô hình mạnh nhất chỉ đạt tỷ lệ chính xác 72,08%, không mô hình nào đạt tới ngưỡng 90%, "vùng đất không người" của tâm trí xã hội quả thực danh bất hư truyền.

Tại sao tâm trí xã hội lại khó đến vậy?

Bởi vì trong cùng một bối cảnh, AI phải xử lý đồng thời nhiều tầng suy luận như mối quan hệ nhân vật, ý định ẩn giấu, thay đổi cảm xúc, chuẩn mực xã hội, những điều chưa nói ra... — các mô hình lớn thông thường hoàn toàn không thể làm rõ những sự phức tạp này.

"Mật mã đào tạo" của Zing: Để mục tiêu tiến hóa cùng với năng lực

Đã có phiếu khám sức khỏe, vậy luyện tập thế nào?

Nhóm Zhi Jing không đi theo lối mòn "chồng chất dữ liệu, chồng chất sức mạnh tính toán", mà thiết kế một hệ thống đào tạo có khả năng "tự tiến hóa".

Mật mã 1: Bánh đà dữ liệu FLARE — Sổ tay lỗi quan trọng hơn sách giáo khoa

Đào tạo truyền thống là "chuẩn bị một lô dữ liệu, huấn luyện xong là xong".

Cách làm của Zing là để việc đánh giá giống như một thiết bị định vị chỉ đường, thay vì trực tiếp "lộ đề".

Khi mô hình bộc lộ điểm yếu trên tập chẩn đoán, FLARE sẽ định vị đến chiều nhận thức cụ thể, sau đó tổng hợp các mẫu đào tạo hoàn toàn mới — ngữ nghĩa, bối cảnh, lộ trình suy luận đều khác với câu hỏi gốc, nhưng nhắm vào cùng một khiếm khuyết năng lực.

Điều này giống như việc phát hiện học sinh yếu hình học thì ra bộ đề hình học mới, chứ không phải bắt làm đi làm lại một tờ đề cũ.

Các mẫu ứng viên còn phải trải qua nhiều vòng lọc, chỉ giữ lại những mẫu có độ khó trung bình đến cao mà mô hình hiện tại chưa thể trả lời dễ dàng, nhưng có thể học được thông qua suy luận.

Đây chính là logic cốt lõi của FLARE: Yếu ở đâu luyện ở đó, nhưng mỗi lần luyện đều là đề mới.

Mật mã 2: Đào tạo hai giai đoạn — "Kiến thức chung" trước, "Chuyên sâu" sau

Giai đoạn 1: Xây dựng nền tảng tâm trí xã hội tổng quát.

Mô hình trước tiên sử dụng phương pháp chưng cất đa giáo viên (multi-teacher distillation) để xây dựng dữ liệu khởi động lạnh chất lượng cao, giữ lại các quỹ đạo suy luận hiệu quả thông qua cổng câu trả lời (answer gating) và lọc độ sâu suy luận.

Sau đó áp dụng khung học tăng cường Mixed-Reward GRPO, kết hợp linh hoạt phần thưởng quy trình, phần thưởng có thể kiểm chứng và lấy mẫu từ chối dựa trên loại nhiệm vụ, giai đoạn đào tạo và chất lượng suy luận — mục tiêu phần thưởng điều chỉnh theo năng lực của mô hình, không phải là KPI bất biến.

Giai đoạn 2: Tăng cường năng lực chuyên biệt.

Nhắm vào các điểm yếu như thấu hiểu cảm xúc, suy luận ý định, chuẩn mực xã hội, tiếp nhận góc nhìn, trước tiên sử dụng hai vòng tinh chỉnh có giám sát (SFT) để đưa kiến thức chuyên ngành vào, sau đó tiếp tục hiệu chỉnh bằng các mẫu khó.

Mục tiêu là: Tăng cường năng lực chuyên biệt mà không làm mất đi khả năng suy luận tổng quát đã học được.