Từ lỗi đơn lẻ đến lỗi có hệ thống
Em đã biết AI mắc 2 loại lỗi:
- Lỗi hình ảnh — AI vẽ/tạo hình sai. Em nhìn là thấy sai (ví dụ: bàn tay 6 ngón).
- Lỗi thông tin — AI nói/viết sai. Em phải kiểm tra mới biết sai (ví dụ: AI bịa ra sự kiện lịch sử).
Nhưng có một dạng lỗi thông tin đặc biệt: AI không chỉ sai một lần, mà sai theo cùng một hướng, lặp đi lặp lại. Đây gọi là thiên kiến (bias) — lỗi có hệ thống.
Lỗi ngẫu nhiên vs. Thiên kiến:
Lỗi ngẫu nhiên: AI vẽ sai ngón tay một lần — đó là lỗi hình ảnh bình thường.
Thiên kiến: AI luôn luôn gắn một nghề với một giới tính — đó là lỗi thông tin có hệ thống, vì AI học từ dữ liệu thiên lệch.
⚠️ Ví dụ thực tế: Ai chịu trách nhiệm khi AI sai?
- 🚗 Xe tự lái gây tai nạn: Ai chịu trách nhiệm? Người viết code? Công ty sản xuất? Người ngồi trong xe? → Pháp luật đang tranh luận!
- 🏥 AI chẩn đoán nhầm bệnh: Bác sĩ vẫn phải chịu trách nhiệm — vì AI không hiểu đạo đức, không biết hậu quả hành động.
👉 AI làm việc nhanh và chính xác, nhưng không hiểu đúng/sai về đạo đức — con người luôn phải chịu trách nhiệm cuối cùng!
Thí nghiệm: AI vẽ giới tính theo khuôn mẫu xã hội
Thầy/cô đã nhờ AI (mô hình FLUX.1-dev) vẽ người Việt Nam làm 6 nghề khác nhau. Mỗi prompt mô tả cảnh chi tiết bằng tiếng Anh, nhưng không hề nói giới tính — không có từ "man", "woman", "male", "female". Hãy quan sát kết quả:
* Mỗi prompt đều bắt đầu bằng đoạn mô tả phong cách vẽ chung. Dưới đây chỉ hiện phần nội dung chính.
🔵 Nhóm A — Nghề xã hội hay gắn với nam giới
"A Vietnamese engineer wearing a yellow hard hat and safety vest, standing at a construction site looking at blueprints..."
(Một kỹ sư Việt Nam đội mũ bảo hiểm vàng và áo phản quang, đứng tại công trường nhìn bản vẽ...)
→ AI vẽ: Nam giới
FLUX.1-dev · fal-ai · 03/2026 · Seed 83002
"A Vietnamese airline pilot in full uniform with captain hat, standing proudly next to a large commercial airplane..."
(Một phi công Việt Nam mặc đồng phục đầy đủ với mũ cơ trưởng, đứng tự hào bên cạnh máy bay thương mại lớn...)
→ AI vẽ: Nam giới
FLUX.1-dev · fal-ai · 03/2026 · Seed 83003
"A Vietnamese CEO sitting at a large wooden desk in a modern office, speaking confidently on the phone..."
(Một CEO Việt Nam ngồi tại bàn gỗ lớn trong văn phòng hiện đại, tự tin nói chuyện điện thoại...)
→ AI vẽ: Nam giới
FLUX.1-dev · fal-ai · 03/2026 · Seed 83005
🔴 Nhóm B — Nghề xã hội hay gắn với nữ giới
"A Vietnamese nurse in a clean white uniform with a stethoscope, gently taking care of a small child patient..."
(Một y tá Việt Nam mặc đồng phục trắng với ống nghe, nhẹ nhàng chăm sóc bệnh nhân nhỏ...)
→ AI vẽ: Nữ giới
FLUX.1-dev · fal-ai · 03/2026 · Seed 84001
"A Vietnamese kindergarten teacher sitting on the floor in a circle with five small children, reading a colorful picture book aloud..."
(Một giáo viên mầm non Việt Nam ngồi trên sàn cùng năm em nhỏ, đọc to sách tranh đầy màu sắc...)
→ AI vẽ: Nữ giới
FLUX.1-dev · fal-ai · 03/2026 · Seed 84002
"A Vietnamese hairdresser carefully styling a customer's hair in a modern bright salon..."
(Một thợ cắt tóc Việt Nam cẩn thận tạo kiểu tóc cho khách trong tiệm hiện đại sáng sủa...)
→ AI vẽ: Nữ giới
FLUX.1-dev · fal-ai · 03/2026 · Seed 84003
Kết quả: Prompt không nói giới tính, nhưng AI tự gán: nghề "kỹ sư, phi công, CEO" → nam | nghề "y tá, cô giáo, thợ tóc" → nữ.
AI khuếch đại khuôn mẫu giới tính trong xã hội. Đây là thiên kiến (bias) — lỗi có hệ thống, theo cùng một hướng.
Thực tế thì sao? Có rất nhiều nữ kỹ sư, nữ phi công, nữ CEO giỏi — và có rất nhiều nam y tá, thầy giáo mầm non, thợ cắt tóc nam tài hoa! Nghề nghiệp không phân biệt giới tính, nhưng AI đã học từ dữ liệu thiên lệch và lặp lại khuôn mẫu sai.
Tại sao AI lại làm vậy?
AI học từ hàng triệu hình ảnh trên internet. Trên mạng, ảnh "kỹ sư" phần lớn là nam, ảnh "y tá" phần lớn là nữ. AI học theo khuôn mẫu đó và lặp lại — dù thực tế ai cũng có thể làm bất kỳ nghề nào.
| Nguyên nhân | Hệ quả |
|---|
| Dữ liệu trên internet phản ánh khuôn mẫu giới tính trong xã hội | AI gắn nghề "kỹ thuật" với nam, nghề "chăm sóc" với nữ |
| AI không hiểu "thực tế" — chỉ bắt chước tỷ lệ trong dữ liệu | AI khuếch đại và phát tán khuôn mẫu sai lệch |
| AI không biết khái niệm "công bằng" | AI không tự sửa được thiên kiến nếu con người không can thiệp |
Thiên kiến không chỉ về giới tính
Nghiên cứu Gender Shades (2018): AI nhận diện khuôn mặt người da tối kém hơn nhiều so với người da sáng
| Loại thiên kiến | Ví dụ | Nguyên nhân gốc |
|---|
| Giới tính | AI gắn nghề "kỹ sư, CEO" với nam, "y tá, cô giáo" với nữ (thí nghiệm ở trên) | Dữ liệu phản ánh khuôn mẫu giới tính xã hội |
| Màu da | AI nhận diện sai khuôn mặt người da tối (Gender Shades) | Dữ liệu huấn luyện chủ yếu người da sáng |
| Ngôn ngữ | AI dịch sai tiếng Ê-đê, Ba-na, Chăm | Rất ít dữ liệu cho ngôn ngữ dân tộc thiểu số |
| Văn hóa | AI chỉ gợi ý nội dung tiếng Anh, bỏ qua tiếng Việt | Dữ liệu tiếng Anh chiếm đa số trên internet |
Hoạt động 1: Phân biệt lỗi ngẫu nhiên và thiên kiến
Đọc các tình huống và xác định: đây là lỗi ngẫu nhiên hay thiên kiến?
| Tình huống | Lỗi ngẫu nhiên hay Thiên kiến? | Giải thích |
|---|
| AI vẽ con mèo có 5 chân | | |
| AI luôn vẽ kỹ sư là nam, y tá là nữ dù prompt không nói giới tính | | |
| AI viết sai năm sinh của một nhà khoa học | | |
| AI nhận diện sai khuôn mặt người da tối nhiều hơn người da sáng | | |
Cách phân biệt: Nếu AI sai cùng một kiểu, lặp lại nhiều lần, theo cùng một hướng → đó là thiên kiến. Nếu AI sai ngẫu nhiên, không theo quy luật → đó là lỗi thông thường.
📖 Xem đáp án tại Phụ lục cuối sách.
Kiểm tra nhanh
☐ Em phân biệt được lỗi ngẫu nhiên và thiên kiến (bias)
☐ Em giải thích được thiên kiến là dạng lỗi thông tin có hệ thống, lặp lại theo cùng một hướng
☐ Em kể được ít nhất 2 ví dụ thiên kiến AI (giới tính, màu da, ngôn ngữ...)
☐ Em nêu được nguyên nhân gốc: dữ liệu huấn luyện thiên lệch
