Ảo giác AI (AI Hallucination)

Ảo giác AI là gì?

Ảo giác AI (AI hallucination) xảy ra khi hệ thống trí tuệ nhân tạo tạo ra kết quả sai sự thật, bịa đặt hoặc không có căn cứ từ dữ liệu huấn luyện hay tài liệu nguồn. Với mô hình ngôn ngữ lớn (LLM), ảo giác nghĩa là mô hình tạo ra văn bản trôi chảy, đầy tự tin nhưng chứa dữ kiện bịa đặt, trích dẫn không tồn tại hoặc nhận định sai. Thuật ngữ này mượn hình ảnh ảo giác ở con người: hệ thống nhận thấy (hoặc tạo ra) một điều không hề có thật.

Với dịch vụ khách hàng, ảo giác AI không phải vấn đề nghiên cứu trừu tượng mà là rủi ro vận hành cụ thể. Khi một tác tử AI bịa ra chính sách đổi trả, tự nghĩ ra tính năng sản phẩm hay báo sai số dư tài khoản, niềm tin của khách hàng bị xói mòn và doanh nghiệp phải gánh rủi ro pháp lý. Theo bộ đánh giá của AIMultiple cập nhật vào tháng 1/2026, hơn 15% kết quả đầu ra của 37 LLM được kiểm tra chứa nội dung ảo giác, và 77% doanh nghiệp coi ảo giác là mối lo ngại hàng đầu khi triển khai AI.

Ảo giác AI xảy ra như thế nào

Ảo giác bắt nguồn từ cách LLM được huấn luyện. LLM dự đoán token có khả năng xuất hiện tiếp theo cao nhất trong một chuỗi. Mục tiêu này đề cao sự trôi chảy và hợp lý chứ không phải độ chính xác về dữ kiện. Mô hình học các mẫu thống kê và tạo văn bản khớp với những mẫu đó, chứ không phải các dữ kiện đã được kiểm chứng.

Có 3 yếu tố chính gây ra ảo giác. Thứ nhất, vấn đề dữ liệu huấn luyện: thông tin nhiễu, thiên lệch hoặc lỗi thời trong kho dữ liệu tiền huấn luyện khiến mô hình mang sẵn những sai lệch. Thứ hai, lệch mục tiêu: mục tiêu dự đoán token tiếp theo khuyến khích viết tiếp một cách hợp lý hơn là trung thực về hiểu biết. Thứ ba, truy xuất thiếu ổn định: trong hệ thống RAG, nếu ngữ cảnh truy xuất được không đầy đủ hoặc không liên quan, mô hình có thể tạo ảo giác để lấp chỗ trống.

Các loại ảo giác AI chính

Ảo giác nội tại: Kết quả tạo ra mâu thuẫn với tài liệu nguồn được cung cấp cho mô hình. Ví dụ, một tác tử AI khi tóm tắt bài viết trong cơ sở tri thức lại khẳng định điều ngược lại với nội dung bài viết.

Ảo giác ngoại tại: Kết quả tạo ra chứa thông tin không thể kiểm chứng từ bất kỳ nguồn nào được cung cấp. Đây là kiểu "bịa chuyện" điển hình, chẳng hạn trích dẫn một nghiên cứu không tồn tại hoặc tự nghĩ ra thông số sản phẩm.

Ảo giác thực thể và số liệu: Mô hình nhầm thực thể này với thực thể khác (gán tính năng cho sai sản phẩm) hoặc bịa ra số liệu, ngày tháng và giá cả. Những loại này đặc biệt nguy hiểm trong bối cảnh dịch vụ tài chính, thanh toán và quản lý đơn hàng.

Vì sao ảo giác AI quan trọng với trải nghiệm khách hàng

Trong dịch vụ khách hàng, độ chính xác là bắt buộc. Một câu trả lời ảo giác có thể khiến khách hàng nhận được giá sai, các bước xử lý sự cố sai hoặc một chính sách bịa đặt mà sau đó doanh nghiệp buộc phải thực hiện hoặc tranh chấp. Hệ quả kéo theo gồm chi phí hoàn tiền, các vụ chuyển cấp, vi phạm tuân thủ và tổn hại lâu dài đến niềm tin thương hiệu.

Gartner xác định ảo giác là rào cản chính đối với việc ứng dụng AI tạo sinh trong doanh nghiệp, đồng thời khuyến nghị các biện pháp giảm thiểu nhiều lớp gồm grounding dựa trên truy xuất, fine-tuning mô hình và kiểm chứng sau khi tạo nội dung như những thành phần thiết yếu của mọi triển khai AI thực tế.

Thách thức càng lớn khi mở rộng quy mô. Một doanh nghiệp xử lý hàng triệu tương tác mỗi năm không thể xem xét thủ công từng câu trả lời do AI tạo ra. Chiến lược giảm thiểu phải được tích hợp vào kiến trúc hệ thống ngay từ đầu, không phải bổ sung về sau.

Cách giảm thiểu ảo giác AI

Retrieval-augmented generation (RAG): Đặt mọi câu trả lời trên nền tài liệu nguồn được truy xuất từ một cơ sở tri thức đã kiểm chứng. RAG không loại bỏ hoàn toàn ảo giác nhưng thu hẹp đáng kể phạm vi nội dung mô hình có thể tạo ra.

Grounding bằng đồ thị tri thức: Dùng đồ thị tri thức để cung cấp ngữ cảnh có cấu trúc, dựa trên dữ kiện thay vì chỉ dựa vào truy xuất văn bản phi cấu trúc. Câu trả lời dựa trên đồ thị có chuỗi suy luận có thể kiểm chứng.

Kiểm chứng sau khi tạo nội dung: Áp dụng các mô-đun kiểm tra dữ kiện, ngưỡng độ tin cậy và công cụ xác thực trích dẫn sau khi tạo câu trả lời. Nếu kết quả của mô hình không thể truy ngược về nguồn, hãy gắn cờ để xem xét hoặc không trả lời.

Hiệu chỉnh mức độ bất định: Nghiên cứu gần đây (arXiv, 2025) về học tăng cường hiệu chỉnh theo hành vi huấn luyện mô hình báo cáo trung thực mức độ tin cậy và từ chối trả lời khi không chắc chắn, thay vì đoán mò.

Fine-tuning theo lĩnh vực: Fine-tune mô hình trên dữ liệu chuyên ngành chất lượng cao, được chọn lọc kỹ để giảm ảnh hưởng của dữ liệu tiền huấn luyện nhiễu lên kết quả trong các lĩnh vực chuyên biệt.

Lợi thế của Maven

Nền tảng của Maven AGI được thiết kế để giảm thiểu ảo giác ở mọi lớp. Hệ thống dùng RAG đa nguồn dựa trên dữ liệu doanh nghiệp đã kiểm chứng, nhận diện ý định để khoanh vùng câu trả lời chính xác và kiểm chứng sau khi tạo nội dung để xác nhận độ chính xác trước khi câu trả lời đến tay khách hàng. Khi độ tin cậy thấp, Maven chuyển cho nhân viên qua AI Copilot thay vì đoán mò.

Check, một công ty công nghệ chính phủ, đạt độ chính xác 85% với các truy vấn phức tạp về quy định và tuân thủ nhờ Maven AGI, cho thấy độ chính xác chuẩn doanh nghiệp hoàn toàn khả thi ngay cả trong những lĩnh vực rủi ro cao, nơi ảo giác gây hậu quả thực sự.

Để tìm hiểu thêm về nghiên cứu ảo giác, hãy xem khảo sát toàn diện về các kỹ thuật giảm thiểu ảo giác trên arXiv, hoặc tham khảo nghiên cứu của Stanford HAI về ảo giác AI.

Câu hỏi thường gặp

Có thể loại bỏ hoàn toàn ảo giác AI không?

Hiện chưa có kỹ thuật nào loại bỏ hoàn toàn ảo giác. Mục tiêu là giảm ảo giác xuống mức chấp nhận được cho từng trường hợp sử dụng và xây dựng hệ thống phát hiện, xử lý ảo giác một cách êm thấm. Các hệ thống thực tế nên kết hợp nhiều lớp giảm thiểu (RAG, kiểm chứng, hiệu chỉnh mức độ bất định, chuyển cho con người) để hạn chế tối đa rủi ro và tác động của nội dung ảo giác.

Làm thế nào để phát hiện ảo giác AI khi vận hành thực tế?

Các phương pháp phát hiện gồm kiểm tra ghi nguồn (kết quả có truy ngược được về tài liệu đã truy xuất không?), chấm điểm nhất quán ngữ nghĩa (câu trả lời có mâu thuẫn với tài liệu nguồn không?), ngưỡng độ tin cậy (mức độ chắc chắn của mô hình có dưới ngưỡng an toàn không?) và lấy mẫu có con người tham gia, trong đó người đánh giá đối chiếu một tập con ngẫu nhiên các câu trả lời AI với dữ liệu nguồn.

Chỉ dùng RAG có đủ để ngăn ảo giác không?

RAG giảm đáng kể ảo giác bằng cách đặt nội dung tạo ra trên nền tài liệu được truy xuất, nhưng tự nó là chưa đủ. Nếu ngữ cảnh truy xuất không đầy đủ, lỗi thời hoặc không liên quan, mô hình vẫn có thể tạo ảo giác để lấp chỗ trống. Hệ thống hiệu quả kết hợp RAG với grounding bằng đồ thị tri thức, kiểm chứng sau khi tạo nội dung và chuyển tiếp dựa trên độ tin cậy.

Vì sao LLM vẫn ảo giác ngay cả khi được cung cấp thông tin đúng?

LLM xử lý thông tin theo xác suất chứ không theo logic. Ngay cả khi prompt có ngữ cảnh chính xác, quá trình dự đoán token tiếp theo vẫn có thể lệch khỏi tài liệu nguồn, nhất là với kết quả dài hoặc khi nguồn đòi hỏi suy luận nhiều bước. Đó là lý do các lớp kiểm chứng là thiết yếu: bản thân quá trình tạo nội dung đã chứa yếu tố bất định, bất kể chất lượng đầu vào.