Ăn, Ngủ Cùng AI - 에이라이프 - AI Life

21/02/2026

BÀI 1 - PHẦN 2 [HẾT BÀI 1]

6. NHỮNG HIỂU BIẾT CƠ BẢN VỀ CÔNG NGHỆ AI CHO LUẬT GIA

6.1. AI là công nghệ thống kê

Bản chất cốt lõi của AI hiện đại là học máy (machine learning) - một công nghệ thống kê. Học máy là quá trình nén (compress) phân phối dữ liệu vào mô hình thông qua việc giảm chiều (dimensionality reduction) hoặc các phương pháp khác. Kết quả là mô hình có khả năng phân loại (classify) và dự đoán (predict).

Ví dụ, cây quyết định (decision tree) là thuật toán nén không sử dụng giảm chiều, trong khi hầu hết các phương pháp phổ biến khác (hồi quy, SVM, mạng nơ-ron sâu) đều dựa trên nguyên lý giảm chiều dữ liệu.

6.2. Thuật toán và mô hình - hai khái niệm hoàn toàn khác nhau

Đây là sự phân biệt mà nhiều nhà lập pháp thường nhầm lẫn:

[xem hình bên dưới]

Hoàn toàn minh bạch: hầu hết đều là mã nguồn mở, công bố trên GitHub. Có thể không minh bạch: đặc biệt với mô hình phi tuyến (deep learning), khó giải thích cơ chế hoạt động nội tại.

Khi nói “thuật toán không minh bạch” (opaque algorithm) là một cách dùng sai thuật ngữ. Cái không minh bạch là mô hình, không phải thuật toán. Đặc biệt với deep learning - mô hình phi tuyến, end-to-end learning - con người chỉ định nghĩa số lớp (layers) và nút (nodes), còn quá trình gradient descent tự tối ưu hóa hàng triệu tham số. Tuy nhiên, đây không có nghĩa là mọi AI đều là hộp đen - nhiều mô hình tuyến tính hoàn toàn có thể giải thích được.

Để tôi giải thích sâu hơn một chút nhé:

Giới lập pháp và các nhà đạo đức học thường xuyên sử dụng cụm từ “thuật toán hộp đen” (opaque algorithm) như một mối đe dọa. Tuy nhiên, thuật toán thực chất chỉ là các phương pháp toán học (như hàm mất mát - loss function, hay gradient descent) nhằm tìm ra điểm tối ưu. Hầu hết các thuật toán cốt lõi của AI hiện nay đều là mã nguồn mở và được công bố rộng rãi trên toàn cầu (ví dụ: trên GitHub). Việc yêu cầu các kỹ sư phải “minh bạch hóa thuật toán” là một yêu cầu thừa thãi, vì bản thân thuật toán vốn dĩ không có gì để giấu. Bản chất kỹ thuật của AI hiện tại (Machine Learning) là quá trình sử dụng dữ liệu để tự động tìm ra các khuôn mẫu/phân phối, sau đó nén (compress) chúng lại thành một mô hình. Cái gọi là “hộp đen” (black box) thực chất là tập hợp hàng triệu, thậm chí hàng tỷ tham số (weights, biases) được tạo ra sau quá trình huấn luyện.

Con người không lập trình mô hình: Đặc biệt trong Deep Learning (mô hình phi tuyến tính học đầu cuối - end-to-end), kỹ sư chỉ thiết lập cấu trúc mạng lưới (số lớp, số node). Còn lại, cỗ máy tự động tinh chỉnh các tham số thông qua dữ liệu. Vì con người không tự tay viết ra từng dòng lệnh quy định các tham số này, nên khi máy tính đưa ra một quyết định, con người không thể giải thích ngược lại chính xác biến số nào bên trong đã dẫn đến kết quả đó.

Và điều này đã dẫn đến hệ quả tai hại trong Lập pháp: Từ sự nhầm lẫn cơ bản giữa Thuật toán (cách học) và Mô hình (kết quả học), các nhà làm luật đã tạo ra những quy định sai lầm:

Bắt đúng bệnh, kê sai thuốc: Họ lo sợ về việc không thể truy vết trách nhiệm (ví dụ khi một chiếc xe tự lái gây tai nạn, pháp luật truyền thống rất khó xác định ai là người có lỗi. Là do lập trình viên viết code sai? Do tập dữ liệu bị lệch? Hay do người dùng không can thiệp kịp thời?) và sự xói mòn tính minh bạch khi AI đưa ra quyết định. Nhưng thay vì quản lý chất lượng dữ liệu đầu vào (thứ định hình nên mô hình) hoặc giám sát kết quả đầu ra, họ lại ra luật bắt buộc doanh nghiệp phải “giải thích thuật toán”. Bắt một lập trình viên phải giải thích “tại sao thuật toán phi tuyến tính lại ra quyết định này” về mặt toán học là điều gần như không thể (hoặc chi phí cực kỳ đắt đỏ), dẫn đến sự bế tắc trong việc tuân thủ pháp luật.

Ngoải ra, không phải AI nào cũng là Hộp đen Các nhà làm luật thường có xu hướng trầm trọng hóa vấn đề, mặc định mọi hệ thống AI đều là những “hộp đen” nguy hiểm. Thực tế, rất nhiều hệ thống AI sử dụng các mô hình tuyến tính (Linear models) hoặc cây quyết định (Decision Trees) hoàn toàn có khả năng giải thích rõ ràng (explainable). Việc áp đặt các quy định kiểm soát “hộp đen” nặng nề lên những mô hình minh bạch này là một sự lãng phí tài nguyên và cản trở ứng dụng công nghệ trong kinh doanh.

6.3. AI tạo sinh - không phải thực thể đặc biệt

AI tạo sinh (generative AI) về bản chất không khác biệt cơ bản so với AI dự đoán (predictive AI). Trong kiến trúc Transformer decoder-only (GPT, LLaMA...), quá trình sinh nội dung thực chất là dự đoán token tiếp theo bằng hàm softmax, sau đó nối token mới vào chuỗi đầu vào để dự đoán token kế tiếp - một quá trình tự hồi quy (autoregressive). Điểm khác biệt chính chỉ là:

• Tự hồi quy: đầu ra được nối vào đầu vào để tạo chuỗi liên tục.
• Cơ chế attention: nắm bắt ngữ cảnh (context) của chuỗi token.

Do đó, việc coi AI tạo sinh là một thực thể hoàn toàn mới cần quy phạm riêng biệt là một sai lầm về mặt kỹ thuật. Mọi kết quả sinh ra đều là giá trị dự đoán y (predicted y) - dù đó là nội dung văn bản, hình ảnh hay khuyến nghị.

Điều này đã bóc trần sự “thần thánh hóa” của công chúng và giới làm luật đối với AI Tạo sinh (Generative AI). Nhiều người đang lầm tưởng rằng sự xuất hiện của ChatGPT hay các công cụ tạo ảnh là sự ra đời của một “thực thể thứ ba” hoàn toàn khác biệt và mầu nhiệm, từ đó đòi hỏi những đạo luật hoàn toàn mới.

Tuy nhiên, như phân tích ở trên, việc “tạo ra” (generation) một nội dung thực chất chỉ là một hình thức của việc “dự đoán” (prediction). Về mặt chức năng, AI Tạo sinh vẫn chỉ là không có gì khác biệt so với các AI dự đoán thông thường. Chúng ta sẽ xem xét về mặt cách thức hoạt động của các mô hình ngôn ngữ lớn (LLM) như GPT hay LLaMA để chứng minh chúng không hề có “phép thuật”:

- Hàm Softmax bình thường: Trong kiến trúc Transformer chỉ sử dụng bộ giải mã (Decoder-only Transformer) đang thịnh hành hiện nay, AI thực chất chỉ dùng một hàm toán học Softmax rất bình thường để dự đoán từng “token” (từ/âm tiết) một.

- Vòng lặp tự động (Recurrent/Regress): Điểm khác biệt duy nhất tạo ra ảo giác về khả năng “viết văn” là vòng lặp. Khi mô hình dự đoán ra được một token đầu ra, nó sẽ lấy chính token đó ghép vào cuối chuỗi văn bản ban đầu, rồi nhét toàn bộ chuỗi mới đó quay ngược trở lại làm “đầu vào” (input) để tiếp tục dự đoán token tiếp theo. Quá trình này cứ xoay vòng liên tục, thêm từng token một.

- Cơ chế Attention (Chú ý): Mô hình sử dụng kỹ thuật Attention để nhận diện ngữ cảnh của nội dung, giúp việc ném token vào chính xác hơn để sinh ra token tiếp theo.

Trong một bài báo khoa học gốc của Google Brain (nhóm của Vaswani) về Transformer, cách họ vẽ sơ đồ kiến trúc Transformer (đặt Attention lên trước, vẽ các đường vòng vèo khiến token trông như đang tự chạy lung tung) đã làm cho công nghệ này trở nên vô cùng khó hiểu đối với người ngoài. Nếu nhìn một cách đơn giản hơn: Nó chỉ là một đường thẳng đi ngang, nơi khối Transformer chạy cơ chế Attention để kéo nội dung ra phía bên phải. Về cơ bản, nó chỉ là ném token vào và cho chạy liên tục.

Như vậy, vì bản chất của AI Tạo sinh chỉ là dự đoán token tiếp theo sẽ xuất hiện là gì, nên gọi nó là “tạo sinh” (generation) cũng không khác biệt lớn so với “dự đoán”. Việc các nhà làm luật tưởng rằng “tạo sinh” là một thứ gì đó khác biệt (thứ ba), rồi cố tình đặt ra những quy tắc kiểm soát hoàn toàn khác biệt cho nó, là một “sai lầm lớn”. Tóm lại, đừng để những hiệu ứng ngôn ngữ hào nhoáng của ChatGPT đánh lừa. Về bản chất toán học, nó vẫn tuân theo các nguyên lý thống kê cốt lõi. Pháp luật cần quản lý dựa trên bản chất công nghệ, chứ không phải dựa trên trí tưởng tượng về một “thực thể có phép thuật”.

6.4. AI và hồi quy thống kê truyền thống

Không tồn tại ranh giới pháp lý rõ ràng giữa AI và các phương pháp thống kê truyền thống như hồi quy (regression). AI bổ sung các kỹ thuật giảm phương sai (variance) trong cân bằng bias-variance tradeoff: chính quy hóa (regularization), cross-validation, train-test split. Tuy nhiên, bản chất thống kê không thay đổi. Do đó, quy chế nhắm vào “công nghệ AI” bản thân nó đã gặp khó khăn về mặt định nghĩa.

Để hiểu sâu nội dung này, chúng ta cần bóc tách ranh giới mỏng manh giữa Thống kê truyền thống và Trí tuệ nhân tạo (Học máy - Machine Learning) dưới lăng kính toán học và pháp lý:

• Ảo tưởng về “Ranh giới pháp lý”: Nhiều nhà làm luật lầm tưởng rằng AI là một công nghệ hoàn toàn mới, một “thực thể” tách biệt khỏi các phương pháp tính toán cũ. Tuy nhiên, nếu hiểu về mặt kỹ thuật, không có một lằn ranh toán học nào phân định rõ ràng đâu là “thống kê” và đâu là “AI”. Ví dụ: Nếu một ngân hàng dùng phương trình hồi quy tuyến tính (Linear Regression) để tính điểm tín dụng, ai cũng gọi đó là “thống kê”. Nhưng nếu họ dùng Hồi quy Logistic (Logistic Regression) hoặc Cây quyết định (Decision Tree) - vốn cũng là các hàm thống kê - thì báo chí và luật pháp lại gọi đó là “AI”. Việc pháp luật cố gắng đưa ra một định nghĩa để “nhốt” AI vào một cái lồng, nhưng lại để lọt lưới các phương pháp thống kê truyền thống, là điều bất khả thi về mặt kỹ thuật.

• Sự khác biệt cốt lõi: Bài toán “Bias-Variance Tradeoff”

Vậy nếu AI chỉ là thống kê, thì nó khác thống kê truyền thống ở điểm nào? Điểm khác biệt duy nhất nằm ở mục tiêu tối ưu hóa bài toán Đánh đổi giữa Độ chệch (Bias) và Phương sai (Variance). Mục tiêu của thống kê cổ điển là tìm ra một phương trình giải thích dữ liệu hiện tại tốt nhất, sao cho sai số (Bias) thấp nhất. Tuy nhiên, nếu phương trình quá khớp với dữ liệu hiện tại, nó sẽ học thuộc lòng cả những “nhiễu loạn” (noise). Khi gặp dữ liệu mới, kết quả dự đoán sẽ nhảy múa lung tung – hiện tượng này gọi là có Phương sai (Variance) cao hay “Học vẹt” (Overfitting). Kỹ sư AI không quan tâm nhiều đến việc phương trình có giải thích hoàn hảo dữ liệu trong quá khứ hay không. Mục tiêu tối thượng của AI là dự đoán chính xác trên dữ liệu mới chưa từng thấy (unseen data). Để làm được điều này, AI sẵn sàng chấp nhận hy sinh một chút độ chính xác trên dữ liệu cũ (tăng Bias lên một chút) để đổi lấy sự ổn định tuyệt vời khi gặp dữ liệu mới (giảm Variance xuống mức tối đa).

Để thực hiện việc giảm Phương sai (Variance) nhằm chống lại hiện tượng “học vẹt” (Overfitting), các kỹ sư AI đã bổ sung thêm các kỹ thuật mà thực chất chỉ là những thủ thuật toán học:

- Train-test split (Chia tập Huấn luyện - Kiểm thử): Thay vì dùng toàn bộ dữ liệu để tạo mô hình như thống kê cũ, AI chia dữ liệu ra. Nó học trên tập Train, sau đó mang ra thi thử trên tập Test để xem nó có thực sự “hiểu” quy luật hay chỉ đang “học vẹt”.

- Cross-validation (Kiểm tra chéo): Lặp lại việc chia tách (Train-test split) nhiều lần với các phần dữ liệu khác nhau để đảm bảo mô hình thực sự ổn định, không ăn may.

- Regularization (Chính quy hóa): Đây là một hàm phạt (penalty term) ép các trọng số (weights) của mạng nơ-ron nhỏ lại, không cho phép mô hình trở nên quá phức tạp. Nó chủ động tạo ra một chút độ chệch (bias) để đổi lấy sự mượt mà và tổng quát hóa (generalization) cho mô hình.

Từ những phân tích kỹ thuật trên, có thể thấy bản chất của AI không có gì ma thuật. Nó vẫn chỉ là khoa học thống kê (Statistical nature remains unchanged), nhưng được gắn thêm các màng lọc (Regularization, Train-test split) để dự đoán tốt hơn. Nếu Quốc hội ban hành một đạo luật cấm hoặc quản lý “Công nghệ AI”, họ thực chất đang cố gắng đưa ra quy chế pháp lý để quản lý... các kỹ thuật chia tập dữ liệu (Train-test split) hoặc các hàm chính quy hóa toán học (Regularization). Đây là một điều vô nghĩa và bất khả thi về mặt thực thi. Làm sao một thanh tra chính phủ có thể lập biên bản một doanh nghiệp vì họ sử dụng phương pháp “Kiểm tra chéo” trong file tính toán của mình?

Đây chính là lý do vì sao việc xây dựng luật dựa trên khái niệm “công nghệ AI” (Technology-based regulation) sẽ luôn gặp khủng hoảng về định nghĩa.

6.5. Tự động hóa và tự chủ - sự phân biệt cần thiết

Đa số các tác nhân AI (AI agents) hiện nay chưa đạt đến mức tự chủ (autonomy) thực sự - tức là tự thiết kế mô hình, tự trích xuất đặc trưng. Nhiều người lầm tưởng rằng các hệ thống AI tiên tiến hiện nay đang “tự suy nghĩ”. Tuy nhiên, quan điểm của tác giả, AI Agent hiện tại vẫn chưa hề đạt đến giai đoạn có “tính tự chủ mạnh mẽ”. Phần lớn chỉ ở mức tự động (automaticity) - thực hiện tuần tự các lệnh đã được lập trình. Ví dụ Đức và Nhật Bản - các quốc gia có nền tảng cơ khí và kỹ thuật chính xác lâu đời này rất khắt khe về từ vựng - Họ gọi các hệ thống hỗ trợ lái xe hiện tại là “Xe tự động” (Automated vehicle). Từ “Tự chủ” (Autonomous) được họ cất giữ cẩn thận, chỉ dành riêng cho những cấp độ cao nhất (Level 5) trong tương lai, khi chiếc xe có thể tự đưa ra quyết định sinh tử mà không cần vô lăng. Trong khi đó, hệ thống thuật ngữ tại Hàn Quốc lại gom chung tất cả và gọi là “Xe tự hành/tự chủ” (자율주행 - Autonomous driving). Cách gọi này vô tình gieo vào đầu người dân và giới làm luật một niềm tin sai lệch rằng những chiếc xe hiện tại đã có khả năng suy nghĩ độc lập như con người.

Nhầm lẫn hai khái niệm này dẫn đến lo ngại thái quá về “con người bị thay thế” hoặc “AI xâm lược nhân loại”. Tức là, hầu hết các hệ thống AI hiện nay, dù phức tạp đến đâu, về bản chất vẫn chỉ đang thực hiện các quy trình tự động hóa – thực hiện một chuỗi các thao tác đã được lập trình sẵn từ A đến Z mà không cần con người can thiệp giữa chừng. Nó hoạt động dựa trên nguyên tắc “Nếu X thì Y” (If-Then rules). Máy móc chỉ làm đúng những gì được dạy theo từng bước. Nếu môi trường thay đổi hoặc có tình huống nằm ngoài kịch bản, hệ thống sẽ báo lỗi hoặc dừng hoạt động. Ví dụ, Một chiếc máy giặt tự động chuyển từ chế độ giặt sang xả rồi vắt, hoặc một đoạn mã script tự động gửi email hàng loạt vào lúc 8h sáng.

Tính Tự chủ (Autonomy): Tự chủ thực sự đòi hỏi hệ thống phải có khả năng tự nhận thức môi trường hoàn toàn mới, tự định nghĩa lại bài toán, tự thiết kế cấu trúc mô hình và tự trích xuất đặc trưng (feature extraction) mà không cần bàn tay lập trình của con người nhúng vào. Khả năng này hiện tại vẫn nằm trên giấy hoặc trong phòng thí nghiệm. Từ nội dung trên, chúng ta sẽ khái quát lại cho dễ hiểu:

- Bản chất kỹ thuật: Trong AI, “Tự chủ” chỉ có nghĩa là cỗ máy có khả năng tự nhận thức môi trường, tự học hỏi và tự quyết định cách thức (How) để đạt được một mục tiêu. Nó không cần con người mớm từng lệnh (prompt) nhỏ nhoi nữa.

- Giới hạn cốt lõi: Dù AI có tự chủ đến đâu trong việc tìm đường, thì Mục tiêu (What/Why - Hàm mục tiêu / Objective Function) vẫn luôn do con người thiết lập. AI không tự nhiên “thức tỉnh” và tự đặt ra một mục đích sống mới cho bản thân nó.

Sự nhầm lẫn giữa hai khái niệm này chính là mầm mống sinh ra những nỗi sợ hãi vô căn cứ. Khi đánh đồng “Tự động” với “Tự chủ”, con người bắt đầu khoác cho AI chiếc áo “Ý chí tự do” (Free Will/Agency). Hậu quả là giới truyền thông và lập pháp bắt đầu lo sợ những viễn cảnh viễn tưởng như “AI nổi dậy tiêu diệt nhân loại” hoặc “AI cướp hoàn toàn quyền kiểm soát của con người” giống như kẻ hủy diệt Skynet: một ngày nọ nó thức dậy, nhận ra con người là mối đe dọa, tự thay đổi mục tiêu của mình và quyết định tiêu diệt nhân loại. Nếu một hệ thống tự động hóa gây hại, đó không phải vì nó có “ác ý”, mà là do quy trình xử lý của nó chứa đầy định kiến (bias) từ dữ liệu của con người, hoặc do con người đã thiết lập sai hàm mục tiêu ban đầu (ví dụ kinh điển: bảo AI tối ưu hóa việc sản xuất kẹp giấy, nó sẽ tiêu thụ toàn bộ tài nguyên trái đất để làm kẹp giấy). AI chỉ đang làm quá tốt nhiệm vụ tối ưu hóa thông số mà con người giao cho nó một cách vô tri.

Điều này đã dẫn đến hệ quả lập pháp là đóng khung sai tội phạm. Bởi vì sợ hãi “ý chí tự do” viễn tưởng của AI, các nhà làm luật thường có xu hướng:

• Đòi trừng phạt AI: Bàn luận về việc trao tư cách pháp nhân (Legal Personhood) cho AI để... bắt nó đi tù hoặc chịu trách nhiệm nếu làm sai. Nhưng AI không có nhận thức để cảm thấy “đau khổ” hay “sợ hãi” trước hình phạt, vậy thì việc trừng phạt có ý nghĩa gì?

• Ngăn cấm cực đoan: Muốn cấm hoàn toàn các hệ thống AI có tính tự chủ cao vì sợ mất kiểm soát, thay vì tập trung vào việc giám sát cách con người thiết lập hàm mục tiêu và cơ chế “ngắt điện khẩn cấp” (human-in-the-loop).

Tóm lại, tôi cho rằng pháp luật cần phải bừng tỉnh khỏi những bộ phim Hollywood. AI Agent là một công cụ tối ưu hóa hàm mục tiêu xuất sắc, nhưng nó vĩnh viễn là một công cụ không có ý chí tự do. Trách nhiệm pháp lý phải luôn hướng về phía con người - những kẻ tạo ra dữ liệu, thiết lập mục tiêu và triển khai hệ thống.

7. ĐỊNH NGHĨA AI TRONG CÁC HỆ THỐNG PHÁP LUẬT

7.1. Định nghĩa của OECD

Định nghĩa được sử dụng rộng rãi nhất hiện nay là của OECD (cập nhật 2024): “Hệ thống AI là hệ thống dựa trên máy móc, có khả năng tạo ra đầu ra (dự đoán, nội dung, khuyến nghị, quyết định) ảnh hưởng đến môi trường vật lý hoặc ảo, với các mức độ tự chủ và thích ứng khác nhau.”

Ưu điểm lớn nhất của định nghĩa này là tính trung lập công nghệ (technology neutrality). Tính trung lập công nghệ rất quan trọng trong pháp luật vì: (i) nếu mất đi, luật sẽ lỗi thời ngay khi công nghệ thay đổi; (ii) có thể ép buộc sử dụng một công nghệ cụ thể (winner technology), tạo ra đơn canh công nghệ (monoculture) làm suy yếu an ninh hệ thống.

Trong lập pháp, tính trung lập công nghệ nghĩa là đạo luật không được phép gọi tên hay thiên vị bất kỳ một công nghệ, ngôn ngữ lập trình, hay thuật toán cụ thể nào. Luật chỉ quy định về “mục đích” hoặc “hành vi”, còn dùng công nghệ gì để đạt được điều đó là việc của thị trường. Tính trung lập công nghệ có tác dụng:

(i) Chống sự lỗi thời (Future-proofing): Công nghệ phát triển theo cấp số nhân, trong khi quy trình sửa luật của Quốc hội lại mất hàng năm trời. Giả sử vào năm 2015, Quốc hội ra một đạo luật định nghĩa AI là “Mạng nơ-ron tích chập (CNN)”. Đến năm 2022, khi mô hình Transformer (nền tảng của ChatGPT) ra đời và thay thế CNN, đạo luật kia lập tức trở thành giấy lộn vì nó không bao trùm công nghệ mới. Do đó, định nghĩa của OECD dùng những từ rất chung chung như “hệ thống dựa trên máy móc” để dù 50 năm nữa AI có chạy bằng máy tính lượng tử hay công nghệ quang học, luật vẫn có hiệu lực áp dụng.

(ii) Chống “Đơn canh công nghệ” (Monoculture) để bảo vệ an ninh: Đây là một sự vay mượn từ thuật ngữ sinh học. Trong nông nghiệp, “đơn canh” (monoculture) là việc cả một quốc gia chỉ trồng duy nhất một giống lúa. Nếu có một loại sâu bệnh mới xuất hiện khắc chế được giống lúa đó, toàn bộ nền nông nghiệp sẽ mất trắng nạn đói sẽ xảy ra.

Áp dụng vào công nghệ: Nếu pháp luật quy định quá cứng nhắc (ví dụ: bắt buộc mọi AI phải dùng thuật toán cây quyết định để dễ giải thích), tất cả các doanh nghiệp sẽ đổ xô dùng chung một công nghệ đó để khỏi vi phạm luật. Điều này tạo ra một sự “đơn canh công nghệ”. Hệ quả là gì? Nếu hacker tìm ra một lỗ hổng (zero-day exploit) trong thuật toán đó, toàn bộ hệ thống ngân hàng, y tế, giao thông của cả quốc gia sẽ sụp đổ cùng một lúc. Tính trung lập công nghệ giúp duy trì sự “đa dạng sinh học” trong hệ sinh thái phần mềm, từ đó tăng cường an ninh quốc gia.

Tuy nhiên, nhược điểm là định nghĩa quá rộng, khó phân biệt AI với các phương pháp thống kê thông thường..

Hãy nhìn lại định nghĩa: “Hệ thống dựa trên máy móc... tạo ra đầu ra (dự đoán, nội dung, quyết định) ảnh hưởng đến môi trường... có tự chủ”.

Sự vô lý trong thực tế: Nếu áp dụng cứng nhắc định nghĩa này, thì một phần mềm Excel chạy hàm hồi quy tuyến tính (Linear Regression) dự đoán doanh thu tháng tới, hay thậm chí một hệ thống vòi phun nước tự động kích hoạt khi cảm biến đo độ ẩm đất giảm xuống (ra quyết định ảnh hưởng đến môi trường vật lý), cũng hoàn toàn có thể bị đánh đồng là “Hệ thống AI”.

Nếu dùng định nghĩa của Mỹ (nhấn mạnh vào Machine Learning, tối ưu hóa dữ liệu) thì ranh giới sẽ rất rõ ràng, nhưng lại có nguy cơ thiên vị công nghệ Học máy và bỏ lọt các nhánh AI khác trong tương lai (sẽ phân tích bên dưới)

Nếu dùng định nghĩa của OECD (như EU đang làm) thì bao trùm được tương lai, nhưng lại gom luôn cả các phần mềm thống kê và thuật toán truyền thống vào diện “phải quản lý”, gây ra gánh nặng pháp lý khổng lồ và oan uổng cho các doanh nghiệp phần mềm thông thường.

7.2. Định nghĩa của Hoa Kỳ

Đạo luật Sáng kiến AI Quốc gia (National AI Initiative Act) của Hoa Kỳ đưa ra định nghĩa cụ thể hơn, phản ánh đặc trưng học máy:

Bản gốc tiếng Anh:
§9401. Definitions In this chapter: (3) Artificial intelligence The term "artificial intelligence" means a machine-based system that can, for a given set of human-defined objectives, make predictions, recommendations or decisions influencing real or virtual environments. Artificial intelligence systems use machine and human-based inputs to
(A) perceive real and virtual environments;
(B) abstract such perceptions into models through analysis in an automated manner; and
(C) use model inference to formulate options for information or action.

Bản dịch tiếng Việt:
§9401. Các định nghĩa
Trong chương này:
(3) Trí tuệ nhân tạo
Thuật ngữ “trí tuệ nhân tạo” có nghĩa là một hệ thống dựa trên máy móc, đối với một tập hợp các mục tiêu do con người xác định, có thể đưa ra các dự đoán, khuyến nghị hoặc quyết định ảnh hưởng đến môi trường thực hoặc ảo. Các hệ thống trí tuệ nhân tạo sử dụng các đầu vào từ máy móc và con người để:
(A) nhận thức các môi trường thực và ảo;
(B) trừu tượng hóa các nhận thức đó thành các mô hình thông qua phân tích một cách tự động; và
(C) sử dụng suy luận của mô hình để hình thành các phương án về thông tin hoặc hành động.

Khái quát lại, pháp luật Hoa Kỳ nhìn AI là hệ thống nhận thức (perception) đầu vào, trừu tượng hóa/tổng quát hóa (abstraction/generalization) - tức nén dữ liệu vào mô hình, và sử dụng suy luận mô hình để tạo đầu ra. Định nghĩa này giúp loại trừ tốt hơn các phương pháp phi AI.

Định nghĩa của Hoa Kỳ trong Đạo luật Sáng kiến AI Quốc gia năm 2020 (National AI Initiative Act of 2020) được xem là một cách tiếp cận chuẩn xác vì nó bám rễ sâu vào nền tảng khoa học máy tính.

Để thấy rõ cách định nghĩa này hoạt động như một “màng lọc” pháp lý, chúng ta cần bóc tách 3 giai đoạn vận hành cốt lõi được quy định rõ trong luật:

1. Giải phẫu 3 giai đoạn của AI theo luật Hoa Kỳ

Theo tài liệu, luật pháp Mỹ quy định hệ thống AI sử dụng đầu vào từ máy móc và con người để thực hiện chuỗi 3 hành động sau”

Giai đoạn 1: Nhận thức (Perceive): Hệ thống tiến hành nhận thức các môi trường thực và ảo. Về mặt kỹ thuật, đây chính là quá trình thu thập dữ liệu đầu vào (data/inputs) từ thế giới xung quanh.

Giai đoạn 2: Trừu tượng hóa (Abstract):

Hệ thống trừu tượng hóa những nhận thức này thành các “mô hình” thông qua quá trình phân tích một cách tự động. Bản chất của công nghệ Machine Learning hiện tại chính là việc nén (compress) các mẫu hoặc phân phối của dữ liệu thành một mô hình, thường thông qua kỹ thuật giảm chiều dữ liệu (dimensionality reduction). Quá trình “trừu tượng hóa tự động” này mô tả chính xác việc máy tính tự động tìm ra quy luật (trọng số) từ hàng triệu điểm dữ liệu mà không cần con người lập trình tay từng tham số.

Giai đoạn 3: Suy luận (Inference): Sử dụng suy luận của mô hình để hình thành các phương án thông tin hoặc hành động. Từ đó, hệ thống đưa ra các dự đoán, khuyến nghị hoặc quyết định tác động đến môi trường.

Sự ưu việt của định nghĩa này nằm ở việc so sánh nó với các định nghĩa mang tính “trung lập công nghệ” quá mức của quốc tế. Định nghĩa của OECD (mà EU áp dụng) chỉ miêu tả AI là một hệ thống dựa trên máy móc, suy luận từ đầu vào để tạo ra đầu ra. Cách nói chung chung này hoàn toàn có thể vô tình “bắt lưới” luôn cả một hàm tính toán Excel truyền thống hoặc một hệ thống tưới cây tự động (vì chúng cũng nhận đầu vào và tạo đầu ra).

Nhờ yêu cầu khắt khe ở Giai đoạn 2 (phải có sự “trừu tượng hóa nhận thức thành mô hình một cách tự động”), luật của Mỹ đã dựng lên một ranh giới kỹ thuật rõ rệt. Các phương pháp phần mềm truyền thống (như thuật toán If-Then theo quy tắc) hoặc các phương pháp thống kê cổ điển không tự động xây dựng và nén mô hình từ dữ liệu thô. Chỉ có Học máy (Machine Learning) và Học sâu (Deep Learning) mới có cơ chế tự động đúc kết tham số này. Như vậy, bằng cách đưa trực tiếp cơ chế “nén và trừu tượng hóa dữ liệu” vào luật, Hoa Kỳ đã thành công trong việc tạo ra một khung pháp lý chỉ nhắm đúng vào công nghệ AI lõi, tránh gây ra gánh nặng pháp lý oan uổng cho các phần mềm truyền thống.

7.3. Định nghĩa trong Luật Cơ bản AI Hàn Quốc – vấn đề nghiêm trọng

Luật Cơ bản AI Hàn Quốc (2024) sử dụng phiên bản OECD cũ (trước khi cập nhật 2024) và bổ sung một định nghĩa gây tranh cãi: “Trí tuệ nhân tạo” là việc hiện thực hóa các năng lực trí tuệ của con người như học tập, suy luận, nhận thức, phán đoán, hiểu ngôn ngữ, v.v. bằng phương pháp điện tử.”

Đây là định nghĩa dựa trên phép nhân hóa (anthropomorphism) - so sánh AI với trí tuệ con người. Cách tiếp cận này có nhiều lỗ hổng nghiêm trọng:

• Xe tự lái không “hiện thực hóa các năng lực trí tuệ của con người” mà bắt chước ngựa hoặc phương tiện di chuyển.
• Nhiều AI đã vượt xa năng lực con người trong các lĩnh vực cụ thể, khiến định nghĩa “năng lực trí tuệ con người” trở nên vô nghĩa.
• Không có hệ thống pháp luật nào trên thế giới sử dụng cách định nghĩa nhân hóa này. Xu hướng hiện đại dựa trên tính hợp lý (rationality) - tối ưu hóa (optimization).

8. DIỄN NGÔN ĐẠO ĐỨC AI: ĐÓNG GÓP VÀ GIỚI HẠN

8.1. Khuôn khổ FACT và các nguyên tắc đạo đức

Trong thập niên 2010, cuộc thảo luận về đạo đức AI đạt đỉnh điểm với khuôn khổ FACT: Fairness (Công bằng), Accountability (Trách nhiệm giải trình), và Transparency (Minh bạch). Hàng trăm bộ hướng dẫn đạo đức AI được ban hành trên toàn thế giới, với nội dung gần như tương tự nhau.

Câu chuyện cốt lõi của diễn ngôn này:

• AI là “hộp đen” (black box) → nhà phát triển khó kiểm soát.
• Dữ liệu chứa thiên lệch (bias) → mô hình tái tạo phân biệt đối xử.
• AI kết hợp phần cứng → gây thiệt hại vật lý, khó quy trách nhiệm.

8.2. Đóng góp tích cực

• Thúc đẩy nghiên cứu về độ tin cậy và an toàn AI.
• Chuyển đổi tư duy từ quy chế dựa trên quy tắc (rule-based) sang quy chế dựa trên nguyên tắc (principle-based) – linh hoạt hơn trước tốc độ phát triển công nghệ.
• Tạo nền tảng cho các cuộc thảo luận pháp lý về AI sau này.

8.3. Các giới hạn của diễn ngôn đạo đức AI

a) Giới hạn khái niệm

Liệu chúng ta có “đạo đức công nghệ”?. Không ai bàn về “đạo đức của dòng điện” hay “đạo đức của máy tính cầm tay”. AI chỉ là một công nghệ đa mục đích. Rủi ro không sinh ra từ hàm toán học của AI, mà sinh ra từ cách con người sử dụng nó. Do đó, việc áp đặt một bộ quy tắc từ trên xuống (top-down) cho mọi loại AI là hoàn toàn phi thực tế.

Ví du, với các AI làm nhiệm vụ phân bổ nguồn lực xã hội như “AI tuyển dụng” hay “AI chấm điểm tín dụng/cho vay”, yêu cầu cấm phân biệt đối xử và công khai tiêu chuẩn (rubric) là hoàn toàn chính xác và cần thiết. Tuy nhiên, việc bắt ép một chiếc “thang máy AI” phải tuân thủ luật chống phân biệt đối xử là một điều hoàn toàn vô lý. Tương tự, đối với xe tự lái hay drone giao hàng, nguy cơ lớn nhất là chúng có thể đâm vào người hoặc làm rơi đồ đạc; ở đây, chúng ta chỉ cần quy định về “An toàn” (Safety) chứ không cần các quy định rườm rà về “Công bằng” hay “Minh bạch”.

Ngay cả trong những trường hợp có vẻ như AI đang phân biệt đối xử trong môi trường vật lý, có ý kiến lo ngại rằng cảm biến tầm nhìn (vision sensor) của xe tự lái có thể không nhận diện tốt người khuyết tật hoặc các nhóm dân tộc thiểu số do thiếu dữ liệu huấn luyện, từ đó gây ra tai nạn. Đây không phải là vấn đề “phân biệt đối xử xã hội” cần giải quyết bằng các quy tắc đạo đức, mà thực chất đây là vấn đề về độ chính xác của quá trình cảm biến (sensing) và mô hình nhận thức. Do đó, nó phải được xử lý và khắc phục dưới góc độ kỹ thuật và an toàn, chứ không phải gán ghép khiên cưỡng vào khung đạo đức “chống phân biệt đối xử”.

b) Giới hạn tư tưởng

Diễn ngôn đạo đức AI chịu ảnh hưởng mạnh từ trào lưu chủ nghĩa tự do xã hội (social liberalism) – đặc biệt từ cánh tả Dân chủ ở Bờ Tây nước Mỹ. Trào lưu này tập trung vào bình đẳng và chống phân biệt đối xử hơn là an toàn. Hệ quả là những rủi ro thực sự nghiêm trọng – tấn công hạ tầng, thao túng dư luận, vũ khí sinh học tổng hợp - bị xao nhãng vì quá chú trọng vào công bằng và minh bạch.

Ví dụ, bằng cách ngày nào cũng chỉ mải mê tranh cãi về việc AI có phân biệt đối xử hay không, giới làm luật đã bỏ lơ những rủi ro thực sự có thể mang tính hủy diệt (existential threats) đối với nhân loại. Cụ thể:

• Sự kết hợp giữa AI và sinh học tổng hợp (synthetic biology) để tạo ra các loại virus mới hoặc vũ khí sinh học gây ra đại dịch.
• Các cuộc tấn công mạng quy mô lớn bằng AI nhắm vào cơ sở hạ tầng trọng yếu (infrastructure).

• Việc thao túng dư luận trên diện rộng, làm xói mòn và sụp đổ nền tảng dân chủ.

c) Giới hạn quy phạm

Các trường hợp sử dụng AI có tính dị biệt cao. AI tuyển dụng cần quy chế chống phân biệt; AI xe tự lái cần quy chế an toàn; AI thang máy hầu như không cần quy chế phân biệt. Cách tiếp cận “một gói quy chế cho tất cả” dẫn đến chi phí tuân thủ bất hợp lý và quy chế không hiệu quả.

Ví dụ minh họa - Vụ xe tự lái Uber (2018): Năm 2018, xe tự lái của Uber đã gây ra tai nạn chết người tại Arizona (Mỹ) khi không nhận diện được người đi bộ đẩy xe đạp qua đường vào ban đêm. Vụ việc này minh chứng cho hai điều: (i) vấn đề chính là an toàn (khả năng nhận diện vật thể của hệ thống cảm biến), chứ không phải công bằng hay minh bạch; (ii) cần quy chế chuyên biệt cho từng lĩnh vực thay vì áp dụng gói quy chế chung.

8.4. Xu hướng hiện đại: Tiếp cận từ dưới lên

Xu hướng hiện tại ưu tiên cách tiếp cận từ dưới lên (bottom-up) thay vì từ trên xuống (top-down):

1. Xác định trường hợp sử dụng (use case) trong từng lĩnh vực cụ thể.
2. Nhận diện rủi ro/nguy hại mà từng trường hợp sử dụng gây ra (mapping).
3. Đo lường (measure) mức độ rủi ro.
4. Giảm thiểu (mitigate) rủi ro bằng biện pháp phù hợp.

Đây là cách tiếp cận theo truyền thống chủ nghĩa kinh nghiệm Anh-Mỹ (Anglo-American empiricism), được đánh giá cao hơn cách tiếp cận giáo điều của châu Âu lục địa.

9. HAI MÔ HÌNH QUY CHẾ AI: NGANG DIỆN VS. ĐẶC THÙ NGÀNH

9.1. Quy chế ngang – toàn diện (Horizontal/Comprehensive Regulation)

Mô hình này cho rằng AI gây ra các vấn đề xã hội tương tự nhau bất kể lĩnh vực, do đó cần một cơ quan quản lý duy nhất áp dụng gói quy chế thống nhất cho tất cả AI thuộc cùng mức rủi ro. Các quốc gia/khu vực áp dụng: EU, Hàn Quốc, một số nước Nam Mỹ.

9.2. Quy chế đặc thù ngành/bối cảnh (Context-Specific/Sectoral Regulation)

Mô hình này xuất phát từ thực tế rằng các trường hợp sử dụng AI có tính dị biệt cao, đòi hỏi từng lĩnh vực phải có chẩn đoán và kê đơn riêng. Các quốc gia áp dụng: Hoa Kỳ, Anh, Nhật Bản, Israel, Ấn Độ, Singapore, Thụy Sĩ, Trung Quốc.

9.3. So sánh hai mô hình

[Xem hình bên dưới]

Về phương diện khoa học quy chế, quy chế đặc thù ngành được đánh giá cao hơn về tính hiệu quả và thân thiện với đổi mới sáng tạo.

9.4. Tại sao Hàn Quốc chọn mô hình ngang diện?

Khác với EU (có nhu cầu xây dựng thị trường số thống nhất và phải phòng thủ trước Big Tech Mỹ), Hàn Quốc không có lý do chiến lược tương đương. Nguyên nhân chính được cho là do cuộc tranh giành quyền lực giữa các bộ ngành - trong đó Bộ Khoa học, Công nghệ thông tin và Truyền thông (MSIT) đã giành được vị thế chủ đạo và chọn mô hình EU để tập trung quyền quản lý (MSIT từng hứa hẹn với chuyên gia sẽ không bắt chước EU, nhưng chỉ 3-4 tháng sau lại sao chép y hệt mô hình quy định bao quát của EU chỉ vì khao khát đạt thành tích “quốc gia đầu tiên trên thế giới” ban hành luật AI).

Có một thông tin khá hài hước là, sự cố chấp của MSIT là do áp lực thuế quan từ Mỹ. Chính quyền Mỹ đang vô cùng thù địch với các quy định rườm rà kiểu EU. Mỹ đã trực tiếp lấy Đạo luật Cơ bản về AI của Hàn Quốc ra làm vấn đề trong các cuộc đàm phán thuế quan hiện tại, coi đây là một dạng rào cản phi thuế quan gây khó dễ cho công ty công nghệ. Sức ép này khiến MSIT bị “đóng băng”: trước đó, họ không dám tiến lên công bố luật vì sợ ảnh hưởng đến đàm phán thương mại quốc gia, nhưng cũng không thể tự ý lùi bước hay hủy bỏ vì lý do thể diện.

10. ĐẠO LUẬT AI CỦA LIÊN MINH CHÂU ÂU (EU AI ACT)

10.1. Tổng quan cấu trúc
EU AI Act là luật quy chế AI toàn diện đầu tiên trên thế giới, có hiệu lực từ ngày 1/8/2024.

Đạo luật phân loại AI theo mức độ rủi ro và áp dụng quy chế tương ứng:

1. AI bị cấm (Prohibited AI practices) – Điều 5
2. AI rủi ro cao (High-risk AI systems) – Chương III
3. AI đa mục đích (General-Purpose AI models) – Chương V
4. AI có nghĩa vụ minh bạch (Transparency obligations) – Điều 50

10.2. Chuỗi giá trị AI trong EU AI Act

[Xem hình bên dưới]

10.3. Mục đích sử dụng dự định (Intended Purpose) và Lạm dụng có thể dự đoán (Foreseeable Misuse)

Hai khái niệm then chốt xác định phạm vi trách nhiệm của nhà phát triển trong chuỗi giá trị:
• Intended Purpose: nhà phát triển chỉ chịu trách nhiệm cho mục đích sử dụng đã dự định. Ví dụ kinh điển: hãng sản xuất lò vi sóng không chịu trách nhiệm nếu ai đó cho mèo vào sấy - vì đó không phải mục đích sử dụng dự định.
• Foreseeable Misuse: mở rộng trách nhiệm cho những lạm dụng mà nhà phát triển có thể dự đoán được - đặc biệt quan trọng với AI tạo sinh (deepfake, tin giả...).

Vấn đề nghiêm trọng: Luật Cơ bản AI Hàn Quốc hoàn toàn thiếu cả hai khái niệm này – Điều 25 EU AI Act không có tương đương trong luật Hàn Quốc, dẫn đến khó khăn lớn trong giải thích và áp dụng.

10.4. AI bị cấm (Prohibited Practices)

EU AI Act cấm hoàn toàn các loại AI sau:
• Thao túng tiềm thức bằng kỹ thuật lừa dối.
• Khai thác lỗ hổng của nhóm yếu thế (trẻ em, người khuyết tật...).
• Chấm điểm xã hội (social scoring) – nhắm vào hệ thống tín nhiệm xã hội kiểu Trung Quốc.
• Nhận dạng sinh trắc học từ xa theo thời gian thực (real-time remote biometric identification) – trừ mục đích thực thi pháp luật hình sự.
• Thu thập không chọn lọc (untargeted scraping) dữ liệu khuôn mặt để xây dựng cơ sở dữ liệu nhận diện.
• Dự đoán phạm tội dựa trên hồ sơ cá nhân (trừ tái phạm).
• Nhận diện cảm xúc tại nơi làm việc và cơ sở giáo dục.

10.5. AI rủi ro cao (High-Risk AI Systems)

Đây là phần gây tranh cãi nhất. Gồm hai nhóm:

Nhóm A (Annex I): Sản phẩm đã có quy chế an toàn truyền thống (máy móc, thiết bị y tế, phương tiện giao thông, đồ chơi...) - AI tích hợp trong các sản phẩm này tuân theo quy chế CE marking hiện hành, không chịu thêm nghĩa vụ AI Act. Đây là cơ chế giảm thiểu trùng lặp quy chế.

Nhóm B (Annex III): Các trường hợp sử dụng mới: sinh trắc học, hạ tầng trọng yếu, giáo dục, tuyển dụng, tín dụng, bảo hiểm, tư pháp hình sự, nhập cư, bầu cử... Nhóm này phải tuân thủ toàn bộ gói nghĩa vụ: hệ thống quản lý rủi ro, quản trị dữ liệu, tài liệu kỹ thuật, minh bạch, giám sát con người, v.v.

Vấn đề về yêu cầu dữ liệu: Điều khoản yêu cầu dữ liệu huấn luyện phải có tính “phù hợp, đại diện, không có lỗi và hoàn hảo” (relevant, representative, free of errors, complete) bị chỉ trích mạnh. Với bất kỳ ai hiểu biết về AI, mô hình không có lỗi và dữ liệu hoàn hảo là điều không tồn tại. Nghịch lý là: yêu cầu này sẽ hạn chế khả năng tiếp cận dữ liệu (data availability), từ đó làm giảm - chứ không tăng - độ chính xác và tính vững chắc của mô hình.

10.6. Mô hình AI đa mục đích (GPAI)

Chương V quy chế riêng cho mô hình AI đa mục đích (General-Purpose AI – GPAI):
• GPAI thông thường: tài liệu kỹ thuật, công bố tóm tắt dữ liệu huấn luyện, tuân thủ bản quyền.
• GPAI có rủi ro hệ thống (systemic risk): huấn luyện với >1025 FLOP → nghĩa vụ bổ sung: đánh giá mô hình, thông báo sự cố, bảo mật.
Ngưỡng 1025 FLOP được kế thừa trực tiếp từ Tuyên bố Bletchley (11/2023). Đáng chú ý, Meta là Big Tech duy nhất từ chối ký Bộ Quy tắc Thực hành (Code of Practice) cho GPAI.

10.7. Lộ trình thi hành

• 02/2025: Điều khoản cấm có hiệu lực.
• 08/2025: Quy chế GPAI có hiệu lực.
• 08/2026: Quy chế AI rủi ro cao Annex III – thời điểm then chốt, đang có áp lực hoãn thi hành mạnh.
• 08/2027: Quy chế AI rủi ro cao Annex I.

11. CUỘC THẢO LUẬN VỀ AN TOÀN AI TIÊN PHONG (FRONTIER AI SAFETY)

11.1. Nguồn gốc và động lực

[Phần này đã phân tích qua ở trên, tuy nhiên mình vẫn muốn nhắc lại ở đây cho liên tục bài]

Cuối năm 2023, một cuộc thảo luận mới nổi lên bất ngờ: an toàn AI tiên phong (Frontier AI Safety). Bề ngoài, cuộc thảo luận tập trung vào rủi ro từ các mô hình AI tiên tiến nhất (GPT-4, Claude...) đối với nhân loại. Tuy nhiên, sau nhiều diễn biến, động lực thực sự được làm rõ: đây là sáng kiến của Anthropic (nhà phát triển Claude), nhanh chóng được các Big Tech khác (OpenAI, Microsoft, Google) ủng hộ, và Anh Quốc đóng vai trò nền tảng quốc tế.

Mục tiêu chiến lược: thay thế mô hình quy chế “lưới quét” kiểu EU bằng mô hình quản trị phi tập trung (decentralized governance) – tập trung vào mô hình tiên phong do chính các Big Tech kiểm soát.

11.2. Tuyên bố Bletchley và hệ thống Viện An toàn AI

Tháng 11/2023, Hội nghị Thượng đỉnh An toàn AI tại Bletchley Park (London) quy tụ hơn 20 quốc gia (bao gồm Mỹ, Trung Quốc, Hàn Quốc), đưa ra Tuyên bố Bletchley - thỏa thuận đa phương đầu tiên về AI. Ba rủi ro trọng điểm được xác định:

1. Sinh học tổng hợp: sử dụng LLM với dữ liệu trình tự nucleotide để tổng hợp virus/vi khuẩn gây đại dịch.
2. Tấn công hạ tầng trọng yếu: sử dụng AI để tấn công lưới điện, hệ thống tài chính, v.v.
3. Thao túng dư luận: tạo tin giả quy mô lớn, phân cực xã hội, xói mòn nền dân chủ.

Biện pháp đề xuất: xây dựng Viện An toàn AI (AI Safety Institute – AISI) tại mỗi quốc gia, hoạt động trên nguyên tắc tương tác (interoperability) – đo lường và giảm thiểu rủi ro thay vì quy chế trực tiếp.

11.3. Suy thoái của cuộc thảo luận sau Hội nghị Paris (02/2025)
Tại Hội nghị Thượng đỉnh AI Paris (02/2025), Phó Tổng thống Mỹ J.D. Vance lên tiếng phản đối mạnh mẽ mô hình quy chế EU, đánh dấu bước ngoặt: Hiệu ứng Brussels bị suy giảm mạnh; nhiều quốc gia bắt đầu xem xét lại việc theo đuổi mô hình ngang diện. Anh đổi tên AISI thành AI Security Institute; Mỹ dưới thời Trump chuyển sang AI Standards and Innovation Center. Canada hủy bỏ hoàn toàn dự luật AIDA (quy chế ngang diện).

12. LUẬT CƠ BẢN AI HÀN QUỐC –-ĐÁNH GIÁ SƠ BỘ

Luật Cơ bản AI Hàn Quốc là nỗ lực xây dựng luật quy chế AI toàn diện, dự kiến thi hành toàn diện từ tháng 1/2027. Dù tham vọng trở thành quốc gia đầu tiên, Hàn Quốc cuối cùng chỉ đạt danh hiệu “quốc gia đầu tiên thi hành toàn diện” – một thành tích không mấy đáng mừng.

12.1. Các vấn đề chính
• Định nghĩa AI nhân hóa: so sánh AI với trí tuệ con người - không có tiền lệ trên thế giới.
• Thiếu khái niệm Intended Purpose và Foreseeable Misuse: gây khó khăn lớn trong phân bổ trách nhiệm trong chuỗi giá trị.
• Không phân biệt nghĩa vụ theo chuỗi giá trị: “Mọi nhà kinh doanh AI” phải tuân thủ mọi nghĩa vụ - khác xa EU AI Act (phân chia Provider/Deployer/Distributor).
• Nhầm lẫn Deployer với Distributor: Bộ MSIT thay đổi cách giải thích giữa chừng do bị phản đối.
• Quy chế AI tạo sinh có nhiều lỗi: được đánh giá là phần dễ gây hỗn loạn nhất nếu thi hành.
• Công bố dữ liệu huấn luyện cho AI hiệu năng cao: phạm vi rộng nhất thế giới (không giới hạn ở mô hình đa mục đích hoặc tạo sinh).
• Điều 32 tham khảo dự luật SB 1047 California: đã bị chính California phủ quyết nhưng vẫn được giữ lại trong luật Hàn Quốc.

12.2. Bối cảnh quốc tế bất lợi

Hàn Quốc đang rơi vào thế cô lập trong quản trị AI toàn cầu:
• Canada (mô hình tham khảo chính) đã hủy bỏ dự luật AIDA.
• EU đang cân nhắc hoãn thi hành quy chế rủi ro cao.
• Hoa Kỳ dưới thời Trump chỉ trích Luật Cơ bản AI Hàn Quốc là rào cản phi thuế quan trong đàm phán thuế quan.

Hiện nay, có đề xuất hoãn thi hành phạt vi phạm 3 năm, nhưng phương án thực tế nhiều khả năng chỉ hoãn 1 năm. Quá trình công bố quy định hướng dẫn cũng bị trì hoãn, phần lớn do áp lực từ đàm phán thuế quan với Hoa Kỳ.

KẾT LUẬN

Pháp luật AI là lĩnh vực đang định hình nhanh chóng, phản ánh cuộc đấu tranh giữa nhiều giá trị: an toàn và đổi mới, bảo vệ nhân quyền và thúc đẩy phát triển, chủ quyền quốc gia và hợp tác quốc tế. Những điểm then chốt cần ghi nhớ:

4. Bản chất pháp luật: phân biệt với đạo đức bằng quyền cưỡng chế nhà nước; hướng đến thiện và công bằng.

5. Quy chế hợp lý: cân bằng chi phí - lợi ích; chỉ áp dụng nguyên tắc phòng ngừa khi rủi ro không thể đảo ngược.

6. Hiểu đúng công nghệ: phân biệt thuật toán/mô hình, tự động/tự chủ; AI tạo sinh không phải thực thể mới.

7. Tiếp cận từ dưới lên: xác định use case → nhận diện rủi ro → đo lường → giảm thiểu.

8. Xu hướng quốc tế: đa số quốc gia tiên phong chọn quy chế đặc thù ngành; quy chế ngang diện đang mất động lực.

9. EU AI Act: dù nhiều bất cập, vẫn có cấu trúc logic (phân tầng rủi ro, phân chia trách nhiệm chuỗi giá trị, intended purpose).

10. Luật Cơ bản AI Hàn Quốc: tham khảo EU nhưng thiếu nhiều cơ chế quan trọng, đối mặt với áp lực quốc tế và nội bộ.