Hiểu và đồng chỉnh hệ thống AI theo đúng kỳ vọng, sở thích phức tạp của con người đang là bài toán hóc búa nhất của ngành công nghệ hiện nay. Ba nghiên cứu mới được công bố trên arXiv vào đầu tháng 7 năm 2026 đã tiếp cận vấn đề này từ ba góc độ khác nhau: chỉ ra điểm yếu của các phương pháp thu thập dữ liệu truyền thống, đề xuất kiến trúc cộng tác người-máy mới, và đánh giá khả năng mô phỏng phản hồi của con người bằng mô hình ngôn ngữ lớn (LLM).
Diễn biến chi tiết
Nghiên cứu đầu tiên từ nhóm tác giả arXiv:2607.02672 tập trung mổ xẻ phương pháp 'so sánh cặp cục bộ' (local pairwise comparisons) - vốn là công cụ tiêu chuẩn để huấn luyện RLHF (học tăng cường từ phản hồi của con người). Nhóm nghiên cứu chỉ ra rằng phương pháp này dựa trên giả định sai lầm là con người luôn có thể đưa ra quyết định dứt khoát giữa hai lựa chọn. Trên thực tế, con người có xu hướng đánh giá dựa trên nhiều ưu tiên cùng lúc (chủ nghĩa đa nguyên nội tại). Khi bị ép buộc phải lựa chọn, dữ liệu thu được sẽ bị bóp méo nghiêm trọng. Trái lại, nghiên cứu thứ hai (arXiv:2607.03025) giải quyết vấn đề bằng cách xây dựng một khuôn mẫu tương tác liên tục, xem việc ra quyết định là một trò chơi ngẫu nhiên giữa người và AI để giảm thiểu sự phụ thuộc quá mức hoặc thiếu tin tưởng của con người vào AI.
Phân tích kỹ thuật & Công nghệ
Để khắc phục các hạn chế trên, nghiên cứu thứ hai đã giới thiệu Kiến trúc Phản chiếu Lấy Con người làm Trung tâm (HCRA). HCRA tích hợp các mô hình đã hiệu chuẩn theo con người với các tác nhân học tăng cường (RL agents) có khả năng tận dụng phản hồi dạng ngôn ngữ tự nhiên trong một quy trình phản chiếu lặp đi lặp lại. Ở một khía cạnh khác, nghiên cứu thứ ba (arXiv:2607.03091) giới thiệu phương pháp đánh giá chéo 'cross-survey transfer' nhằm kiểm tra kỹ thuật 'silicon sampling' (dùng LLM mô phỏng người trả lời khảo sát). Nhóm nghiên cứu đã thử nghiệm ba LLM nguồn mở có kích thước từ 27 tỷ đến 120 tỷ tham số trên bộ dữ liệu bầu cử TEDS 2024 của Đài Loan. Kết quả cho thấy các LLM chạy zero-shot đạt độ chính xác 52% khi dự đoán câu trả lời chưa từng thấy của một cá nhân, chỉ kém 6% so với mô hình học máy giám sát Random Forest được huấn luyện trực tiếp trên tập dữ liệu đó.
Ý kiến chuyên gia & Nhận định
Các tác giả của nghiên cứu về tính đa nguyên nội tại lập luận rằng việc cho phép người dùng báo cáo trạng thái 'chưa quyết định' (indecision) thay vì ép buộc lựa chọn sẽ giúp giảm đáng kể số lượng câu hỏi cần thiết để học được sở thích của họ một cách chính xác. Trong khi đó, nhóm nghiên cứu về 'silicon sampling' nhận định rằng dù LLM thể hiện khả năng dự đoán ấn tượng đối với thái độ đảng phái (đạt 67% độ chính xác), khả năng dự đoán các chủ đề nhạy cảm như chủ quyền lại giảm mạnh xuống còn 23%. Điều này cho thấy LLM vẫn gặp giới hạn lớn trong việc nắm bắt các cấu trúc tâm lý và xã hội phức tạp của con người.
Tác động & Tương lai
Những phát hiện này cho thấy kỷ nguyên đồng chỉnh AI đang chuyển dịch từ việc thu thập dữ liệu thô sơ sang các phương pháp tinh tế hơn. Việc áp dụng kiến trúc tương tác hai chiều như HCRA hay tinh chỉnh cách đặt câu hỏi dựa trên tâm lý học hành vi sẽ giúp xây dựng các hệ thống AI an toàn và hiểu con người sâu sắc hơn. Đối với cộng đồng công nghệ Việt Nam, các kỹ thuật mô phỏng hành vi bằng LLM nguồn mở mở ra cơ hội lớn để tối ưu hóa quy trình nghiên cứu thị trường và cá nhân hóa trải nghiệm người dùng với chi phí thấp.