Ảo giác AI (hallucination) là hiện tượng mô hình AI tạo sinh đưa ra nội dung sai sự thật, không có căn cứ hoặc không khớp với tài liệu nguồn, nhưng trình bày bằng giọng văn trôi chảy và tự tin như một dữ kiện. Ví dụ điển hình: trích một bài báo khoa học không tồn tại, gán một câu nói cho người chưa từng nói, nêu số hiệu văn bản pháp luật sai, hoặc tóm tắt tài liệu kèm một ý mà tài liệu không hề có.
Ảo giác không phải lỗi phần mềm hiếm gặp sẽ biến mất ở phiên bản sau, mà là hệ quả trực tiếp của cách mô hình ngôn ngữ được xây dựng: chúng tối ưu cho văn bản hợp lý, không tối ưu cho sự thật. Tỷ lệ ảo giác đã giảm đáng kể qua các thế hệ mô hình và khi gắn thêm công cụ tra cứu, nhưng chưa có hệ thống nào đưa nó về không. Vì vậy cách tiếp cận đúng là quản trị rủi ro: biết loại nào hay xảy ra, ở đâu, và kiểm ở khâu nào.
Các loại ảo giác thường gặp
Bịa dữ kiện (fabrication). Mô hình tạo ra thực thể không tồn tại: tên sách, bài báo, án lệ, điều luật, chuyên gia, con số thống kê. Dạng này nguy hiểm nhất với người làm nghiên cứu, pháp chế và báo chí vì nó trông y như thật — có tên tác giả hợp lý, năm xuất bản hợp lý, tên tạp chí có thật.
Sai lệch dữ kiện có thật. Thực thể có thật nhưng thuộc tính sai: đúng tác giả nhưng sai năm, đúng nghiên cứu nhưng sai kết luận, đúng văn bản nhưng nhầm điều khoản hoặc nhầm bản đã hết hiệu lực với bản hiện hành. Đây là dạng khó phát hiện hơn bịa hoàn toàn, vì kiểm sơ bộ thấy "có tồn tại".
Không trung thành với nguồn (unfaithful). Khi được yêu cầu tóm tắt hay trả lời dựa trên tài liệu bạn đưa, mô hình thêm ý ngoài tài liệu, đảo quan hệ nhân quả, hoặc biến "có thể" thành "đã chứng minh". Tài liệu học thuật gọi đây là ảo giác nội tại (mâu thuẫn với nguồn) và ngoại tại (thêm thông tin không kiểm được từ nguồn), theo cách phân loại phổ biến trong khảo sát của Ji và cộng sự (2023).
Lập luận bịa. Kết luận có thể đúng nhưng chuỗi lập luận dẫn tới nó sai, hoặc ngược lại, từng bước trông hợp lý nhưng có một bước nhảy không có căn cứ. Với toán, mã nguồn và phân tích tài chính, dạng này hay xuất hiện ở các bước trung gian.
Trích nguồn sai chỗ. Ở các công cụ có hiển thị nguồn, câu trả lời gắn số trích dẫn vào một nhận định mà trang nguồn không hề nói. Người đọc thấy có chú thích nên yên tâm, trong khi chú thích chỉ là trang liên quan cùng chủ đề.
Vì sao mô hình bịa: bốn cơ chế gốc
Thứ nhất, mục tiêu huấn luyện là văn bản hợp lý chứ không phải văn bản đúng. Khi dự đoán token kế tiếp sau "Nghiên cứu này được công bố trên tạp chí", mô hình chọn tên tạp chí có xác suất cao trong ngữ cảnh đó. Nếu nó không lưu dữ kiện cụ thể, nó vẫn sinh ra một tên nghe phù hợp — vì không có cơ chế nội tại nào phân biệt "nhớ" với "đoán".
Thứ hai, tri thức được nén có mất mát. Hàng tỷ tham số không đủ lưu nguyên văn kho dữ liệu huấn luyện. Dữ kiện xuất hiện nhiều lần được lưu vững; dữ kiện hiếm bị trộn với dữ kiện tương tự. Vì vậy mô hình hay nhầm số hiệu nghị định gần nhau, năm sinh của hai người cùng thời, hoặc gán kết quả của nghiên cứu này cho nghiên cứu khác cùng chủ đề.
Thứ ba, quá trình huấn luyện và chấm điểm thưởng cho việc đoán. Một phân tích của nhóm nghiên cứu OpenAI công bố năm 2025 lập luận rằng các bộ đánh giá phổ biến chấm câu "không biết" bằng không điểm, ngang câu sai, nên mô hình được tối ưu để luôn đưa ra một đáp án. Quá trình học từ phản hồi của người chấm cũng có thể ưu ái câu trả lời đầy đủ, tự tin.
Thứ tư, mô hình bám vào tiền đề trong câu hỏi. Câu hỏi chứa giả định sai ("Hãy tóm tắt nghiên cứu năm 2018 của trường X chứng minh rằng…") đặt mô hình vào ngữ cảnh mà câu tiếp theo hợp lý nhất là một bản tóm tắt, không phải lời bác bỏ. Người hỏi vô tình "dẫn dắt" mô hình bịa.
Những vụ việc cho thấy cái giá của ảo giác
Một số trường hợp được đưa tin rộng rãi giúp hình dung rủi ro thực tế, đặc biệt ở các nghề lấy văn bản làm sản phẩm:
- Án lệ bịa trong hồ sơ toà án (Mỹ, 2023): trong vụ Mata kiện Avianca tại toà liên bang New York, luật sư nộp bản lập luận trích nhiều án lệ do ChatGPT tạo ra, không án lệ nào tồn tại. Thẩm phán phạt tiền các luật sư liên quan. Sau vụ này, nhiều toà án và hiệp hội luật sư ở các nước ban hành hướng dẫn về dùng AI trong hồ sơ.
- Tài liệu tham khảo không tồn tại trong bài học thuật: nhiều biên tập viên tạp chí và giảng viên báo cáo bản thảo, luận văn có danh mục tham khảo chứa bài báo bịa với tên tác giả có thật. Các nghiên cứu kiểm tra trích dẫn do chatbot tạo trong y khoa và khoa học xã hội đều ghi nhận một tỷ lệ đáng kể là bịa hoặc sai thông tin, tỷ lệ cụ thể thay đổi theo mô hình và lĩnh vực.
- Trợ lý chăm sóc khách hàng hứa sai chính sách: đã có tranh chấp trong đó chatbot của doanh nghiệp tự nêu một chính sách hoàn tiền không có thật và cơ quan giải quyết buộc doanh nghiệp chịu trách nhiệm với lời chatbot nói. Bài học: với khách hàng, câu trả lời của AI là lời của doanh nghiệp.
- Tóm tắt tin tức sai lệch: các tính năng tự tóm tắt thông báo hay tin bài từng gây chú ý vì đưa ra kết luận ngược với bài gốc, buộc nhà phát triển tạm dừng hoặc điều chỉnh tính năng.
Điểm chung: người dùng không thiếu năng lực, họ thiếu một bước kiểm chứng ở đúng khâu. Ảo giác gây hại khi nội dung AI đi thẳng từ khung chat sang tài liệu chính thức.
Ảo giác hay xảy ra ở đâu: bản đồ rủi ro
Có thể ước lượng rủi ro ảo giác bằng hai câu hỏi: dữ kiện có phổ biến trong dữ liệu huấn luyện không, và câu trả lời có dựa vào tài liệu được đưa vào ngữ cảnh không.
| Tình huống | Rủi ro | Cách kiểm hợp lý |
|---|---|---|
| Khái niệm phổ biến, không có nguồn đính kèm | Thấp – trung bình | Đối chiếu với giáo trình hoặc bách khoa uy tín |
| Trích dẫn, số hiệu văn bản, năm, số liệu cụ thể | Cao | Tra từng mục trong cơ sở dữ liệu gốc, không ngoại lệ |
| Chủ đề địa phương, tiếng Việt, ít tài liệu | Cao | Dùng nguồn trong nước chính thức; hỏi chuyên gia |
| Trả lời dựa trên tài liệu bạn tải lên | Trung bình | Yêu cầu trích nguyên văn đoạn làm căn cứ, rồi đối chiếu |
| Có tìm kiếm web và hiển thị nguồn | Trung bình | Mở nguồn, kiểm câu cụ thể có nằm trong trang không |
| Diễn đạt lại văn bản bạn viết | Thấp với sự thật, có thể đổi sắc thái | Đọc so sánh các câu nêu dữ kiện và mức độ chắc chắn |
Lưu ý hàng "tiếng Việt, ít tài liệu": lượng văn bản tiếng Việt chất lượng cao trong dữ liệu huấn luyện ít hơn nhiều so với tiếng Anh, nên câu hỏi về quy định, tổ chức, lịch sử địa phương Việt Nam có rủi ro bịa cao hơn câu hỏi tương đương về chủ đề quốc tế.
Giảm ảo giác: kỹ thuật ở phía người dùng
Bạn không sửa được mô hình, nhưng có thể thay đổi điều kiện khiến nó bịa. Các biện pháp sau có tác dụng rõ, xếp theo mức hiệu quả giảm dần:
- Đưa nguồn vào ngữ cảnh. Dán văn bản gốc hoặc tải tệp lên, yêu cầu chỉ trả lời dựa trên tài liệu đó. Đây là biện pháp mạnh nhất, cùng nguyên lý với kỹ thuật truy xuất tăng cường mà các hệ thống doanh nghiệp dùng.
- Cho phép nói "không biết". Ghi rõ: "Nếu tài liệu không đề cập hoặc bạn không chắc, hãy nói không có thông tin." Câu lệnh này giảm áp lực phải đưa đáp án.
- Yêu cầu trích nguyên văn làm căn cứ. Bắt mô hình dẫn đúng câu trong tài liệu cho mỗi nhận định quan trọng, rồi bạn tìm câu đó trong bản gốc. Bịa nguyên văn dễ lộ hơn bịa diễn giải.
- Gỡ tiền đề khỏi câu hỏi. Thay "Vì sao quy định X yêu cầu Y?" bằng "Quy định X có yêu cầu Y không? Nếu có, căn cứ nằm ở đâu?"
- Tách dữ kiện khỏi diễn giải. Dùng AI để giải thích, lập dàn ý, gợi ý hướng tra; tự lấy con số và trích dẫn từ nguồn gốc.
- Hỏi lại trong phiên mới. Câu trả lời dao động giữa các lần hỏi là dấu hiệu dữ kiện không vững.
Hiểu lầm phổ biến về ảo giác AI
"Mô hình mới nhất không còn ảo giác." Tỷ lệ giảm, nhưng mô hình mạnh hơn cũng bịa thuyết phục hơn, và người dùng tin nhiều hơn nên ít kiểm hơn. Rủi ro tổng không nhất thiết giảm theo chất lượng mô hình nếu thói quen kiểm chứng giảm theo.
"Có trích nguồn thì không bịa." Trích nguồn chỉ cho biết hệ thống đã lấy một số trang vào ngữ cảnh; nó không đảm bảo từng câu được trang đó ủng hộ. Kiểm chứng vẫn phải đi tới mức câu.
"Hỏi lại xem nó có chắc không là đủ." Mô hình thường xác nhận lại câu trả lời trước hoặc đổi sang đáp án khác khi bị chất vấn, và mức tự tin nó nêu ra không phải thước đo hiệu chỉnh tốt cho từng dữ kiện cụ thể.
"Ảo giác là lỗi, nên cần loại bỏ hoàn toàn." Khả năng sinh nội dung mới chính là thứ khiến mô hình hữu ích khi viết nháp, phát ý tưởng, đặt giả thuyết. Vấn đề không nằm ở việc mô hình tưởng tượng, mà ở việc nội dung tưởng tượng bị dùng như dữ kiện. Ranh giới đó do người dùng và quy trình đặt ra.
Câu hỏi thường gặp
Thuật ngữ "ảo giác" có chính xác không?
Nhiều nhà nghiên cứu cho rằng từ này nhân cách hoá mô hình, vì ảo giác ở người gắn với tri giác. Một số đề xuất gọi là "bịa đặt" (confabulation), gần hơn với hiện tượng tâm lý học khi người ta lấp khoảng trống ký ức bằng chi tiết nghe hợp lý. Trong thực hành, "ảo giác" đã thành thuật ngữ phổ biến nhất nên vẫn được dùng.
Có công cụ tự động phát hiện ảo giác không?
Có các phương pháp nghiên cứu như so sánh nhiều câu trả lời được lấy mẫu để đo độ nhất quán, hoặc dùng mô hình thứ hai đối chiếu nhận định với nguồn. Chúng giúp sàng lọc nhưng không thay được việc mở nguồn gốc đối với dữ kiện quan trọng, vì mô hình kiểm tra cũng có thể sai.
Đặt nhiệt độ bằng 0 có hết ảo giác không?
Không. Nhiệt độ thấp làm câu trả lời ổn định hơn giữa các lần hỏi, nhưng nếu dữ kiện không có trong tham số thì mô hình vẫn chọn token hợp lý nhất, tức một đáp án sai nhất quán. Nhiệt độ ảnh hưởng tính đa dạng, không ảnh hưởng việc mô hình có biết hay không.
Ảo giác trong tóm tắt tài liệu có phổ biến không?
Ít hơn so với trả lời từ trí nhớ, nhưng vẫn xảy ra: thêm chi tiết hợp lý không có trong bản gốc, gộp hai ý thành một, làm mạnh mức độ chắc chắn. Với tài liệu pháp lý, hợp đồng hay báo cáo tài chính, nên yêu cầu kèm vị trí đoạn gốc cho mỗi ý tóm tắt.
Ai chịu trách nhiệm khi dùng nội dung AI sai?
Trong thực tế nghề nghiệp, người ký tên hoặc tổ chức phát hành nội dung chịu trách nhiệm, không phải công cụ. Các vụ việc ở toà án và tranh chấp khách hàng đều đi theo hướng này. Quy định cụ thể khác nhau giữa các nước và đang thay đổi, nên doanh nghiệp cần chính sách nội bộ rõ ràng.
Vì sao AI bịa nhiều hơn khi hỏi bằng tiếng Việt?
Một phần vì dữ liệu tiếng Việt trong kho huấn luyện ít hơn, nhất là văn bản chuyên ngành và tài liệu địa phương. Mô hình có thể dịch ngầm kiến thức từ tiếng Anh, hoạt động tốt với khái niệm quốc tế nhưng kém với thể chế, địa danh, văn bản của Việt Nam. Hỏi bằng tiếng Anh không giải quyết vấn đề dữ kiện địa phương.