Tại sao các công ty AI lại mời các nhà triết học vào phòng thí nghiệm?

Một bài diễn thuyết ở Vatican

Ngày 25/5/2026, Hội trường Phaolô VI của Vatican. Trên bục giảng có hai người: Giáo hoàng Lêô XIV (Pope Leo XIV) mặc áo choàng trắng, và Chris Olah mặc vest màu sẫm, đeo kính—đồng sáng lập công ty AI Anthropic, phụ trách nghiên cứu khả năng giải thích (explainability).

Điểm họ cùng có mặt là lễ ra mắt thông điệp đầu tiên của Giáo hoàng, “Magnifica Humanitas” (Nhân tính rạng rỡ). Tài liệu dài 42.300 chữ này có phụ đề là “Luận về việc gìn giữ nhân tính trong kỷ nguyên trí tuệ nhân tạo”. Đây không phải là lần đầu Vatican đáp ứng các biến đổi công nghệ. Năm 1891, “Tin Mừng Mới” (Le Nouveau) phản ánh việc công nhân bị bóc lột dưới tác động của Cách mạng công nghiệp; năm 1963, “Hòa bình cho thế giới” (Peace on Earth) suy ngẫm về đạo đức của vũ khí hạt nhân; năm 2015, “Nguyện bạn được tôn vinh” (May you be praised) tập trung vào biến đổi khí hậu. Hôm nay, AI đã tạo ra cuộc khủng hoảng công nghệ đáng cảnh giác nhất của thời đại này.

Mở đầu thông điệp nêu rõ: “Bản thân công nghệ không xấu, nhưng cũng không hề trung lập.” Giáo hoàng Lêô XIV cho rằng chúng ta không thể biến AI thành quỷ dữ, cũng không thể thần thánh hóa nó. Ông thừa nhận AI như một công cụ có giá trị, nhưng nhấn mạnh rằng phải duy trì “sự cảnh giác” ở nhiều phương diện:

Thứ nhất là việc quyền lực của AI bị tập trung quá mức. “Khi quyền lực ấy bị gom vào tay một số ít người, nó thường trở nên thiếu minh bạch, trốn tránh sự giám sát của công chúng, làm gia tăng rủi ro về các hình thức phát triển méo mó, từ đó dẫn đến sự lệ thuộc, loại trừ, thao túng và bất bình đẳng mới.”

Thứ hai là tình trạng thất nghiệp do AI dẫn dắt có thể trở thành “thảm họa xã hội”. Giáo hoàng thừa nhận AI có thể nâng cao năng suất, làm một số công việc an toàn hơn, nhưng kiên quyết rằng người lao động không được trở thành “có thể vứt bỏ” trong quá trình đó.

Người đại diện từ các công ty trí tuệ nhân tạo—Olah—không né tránh các vấn đề này. Ông nói rằng, “Mỗi phòng thí nghiệm AI tiên phong—bao gồm cả nơi tôi làm việc—đều nằm trong một hệ thống phức tạp gồm cơ chế khuyến khích và ràng buộc thực tế; những yếu tố này đôi khi xung đột với việc giữ vững con đường đúng đắn và tuân thủ lương tâm.”

Ông giải thích thêm, “Hệ thống AI không được ‘thiết kế’ ra theo kiểu như cầu hay máy bay. Chúng ta hiểu máy bay vì chúng ta đã thiết kế từng bộ phận của nó, và chúng ta hiểu các định luật vật lý tác động lên nó. Mô hình AI không phải vậy. Chúng được ‘nuôi lớn’ trên một cấu trúc có tính chất mô phỏng bộ não ở mức độ nào đó, dựa trên di sản khổng lồ về tư duy và ngôn ngữ của con người.”

Sau đó, ông chỉ ra rằng, “Có thể có người nghĩ rằng vấn đề AI nên được xử lý tốt nhất bởi các nhà khoa học máy tính như tôi. Họ sai: các vấn đề mà AI đặt ra lớn hơn so với cộng đồng nghiên cứu AI, không chỉ về tác động của chúng mà còn về bản chất của chúng”, khi cú sốc xã hội do AI đã lớn đến mức này, giới công nghiệp không thể không có phản hồi^1,2. Điều này có thể phần nào giải thích vì sao các công ty mô hình AI lớn ở phương Tây như Anthropic và Google DeepMind bắt đầu mời các nhà triết học vào phòng thí nghiệm.

Định hướng (Alignment): Vừa là vấn đề kỹ thuật, vừa là vấn đề triết học

Thông điệp chủ trương rằng, “nhân phẩm đứng trước chức năng, và bản tính con người không thể bị bất kỳ logic kỹ thuật nào rút gọn”. Đối với các công ty công nghệ, điều đầu tiên họ phải đối diện chính là bài toán định hướng AI (Alignment): làm mục tiêu, hành vi của trí tuệ nhân tạo tổng quát (AGI) phù hợp với các giá trị con người và các chuẩn mực đạo đức để tránh AI mất kiểm soát. Bài toán định hướng khó khăn không chỉ vì về mặt kỹ thuật, việc khiến AI tuân thủ quy tắc là khó; sâu xa hơn, vấn đề nằm ở chỗ: rốt cuộc phải để AI tuân theo quy tắc của ai? Ngay chính con người cũng không có sự đồng thuận về các vấn đề đạo đức. Bế tắc này tương đương về mặt triết học với câu hỏi: “Chúng ta định nghĩa ‘cái thiện’ của con người, ý định của con người và nhân phẩm của con người như thế nào, rồi làm cho một thực thể trí tuệ không thuộc con người nội tâm hóa điều đó?”

Xung quanh câu hỏi này, nhiều công ty AI hàng đầu của Mỹ đã lần lượt mời các nhà triết học, nhà đạo đức học và thậm chí lãnh đạo tôn giáo tham gia quản trị.

Là một trong những công ty gây chú ý nhất trong mấy năm gần đây ở lĩnh vực AI, Google DeepMind đã thành lập từ năm 2017 bộ phận nghiên cứu về đạo đức và xã hội. Người đứng đầu là Iason Gabriel, tiến sĩ khoa học chính trị lý thuyết tại Đại học Oxford. Bài báo tiêu biểu của Gabriel, “Artificial Intelligence, Values, and Alignment” (AI, giá trị và định hướng), được trích dẫn hơn 1.700 lần, trở thành một tài liệu quan trọng trong lĩnh vực định hướng AI, đi sâu vào câu hỏi “làm thế nào các giá trị con người chuyển thành các chỉ lệnh mà AI hiểu được”, và cho rằng việc định hướng giá trị được hình thành bởi cả lớp kỹ thuật không thể tách rời và lớp chuẩn mực (normative). Lớp thứ nhất đưa ra một bộ giá trị/ nguyên tắc, rồi làm sao để mã hóa chúng một cách đáng tin vào hệ thống AI để AI tuân theo. Lớp thứ hai thảo luận rốt cuộc nên đưa bộ giá trị nào vào mới đúng: đó có phải là khung nhân quyền, chỉ lệnh minh thị của người dùng, hay lợi ích dài hạn của toàn thể nhân loại hay không.

Đóng góp của Gabriel nằm ở việc tách bài toán định hướng thành nhiều tầng: chỉ lệnh, ý định được biểu đạt, sở thích thể hiện ra, sở thích được thông tin/ lý tưởng, lợi ích và giá trị—sáu cấp độ. Ông đưa ra một ví dụ trong thần thoại: vua Midas ước rằng mọi thứ chạm vào đều hóa thành vàng; kết quả là đồ ăn, nước, thậm chí cả con gái đều biến thành vàng. Điều này cho thấy việc định hướng AI đến đúng tầng chỉ lệnh theo nghĩa đen có thể dẫn đến thảm họa. Nhưng nếu chỉ định hướng đến tầng “sở thích thể hiện ra”, thì có thể bị thao túng. Vì vậy, ông cho rằng định hướng không thể dừng ở một tầng đơn lẻ mà phải cân nhắc tổng hợp các chiều như chỉ lệnh, ý định, sở thích, lợi ích và giá trị.

Cuối cùng, trước mâu thuẫn trong một xã hội đa nguyên—khi con người không có một chuẩn mực đạo đức duy nhất, được công nhận—ông đề xuất rằng nhiệm vụ của lý thuyết định hướng không phải là tìm kiếm một đạo đức đúng duy nhất, mà là xây dựng các nguyên tắc định hướng công bằng có thể đạt được sự tán thành mang tính phản tư của tất cả mọi người (Reflective Endorsement). Bộ nguyên tắc này không cần mọi người nhất trí ở tầng niềm tin đạo đức gốc, nhưng phải đáp ứng ba tiêu chuẩn lớn: đạo đức công cộng toàn cầu, sự đồng ý giả định (Hypothetical Agreement, tức là người ta sẽ đồng ý với các nguyên tắc AI khi không biết mình đang ở quốc gia, tầng lớp và niềm tin nào) và lý thuyết lựa chọn xã hội. Nhờ đó, có thể tháo gỡ bế tắc định hướng do đa dạng giá trị gây ra.

Iason Gabriel, triết gia và nhà nghiên cứu tại Google DeepMind

Tháng 4/2026, nhóm triết học của Google DeepMind tiếp tục mở rộng. Công ty công bố tuyển Henry Shevlin, phó giám đốc Trung tâm Tương lai Trí tuệ Leverhulme (Leverhulme Centre for the Future of Intelligence) thuộc Đại học Cambridge, vào vị trí “triết gia” mới do công ty lập ra. Ông tập trung vào ba hướng nghiên cứu: ý thức của máy móc, mối quan hệ giữa con người và AI, và mức độ sẵn sàng của AGI. Shevlin chính thức nhận việc vào tháng 5, đồng thời tiếp tục giảng dạy và nghiên cứu bán thời gian tại Đại học Cambridge.

Về lý do DeepMind chiêu mộ mình, Shevlin cho rằng bài viết gần đây của ông, “The Revenge of Behaviorism: The Future of Machine Consciousness, Humans, and AI” (Trả đũa của chủ nghĩa hành vi: tương lai của ý thức máy móc, con người và AI), có lẽ giải thích được tất cả. Bài viết cho rằng việc AI có ý thức hay không đang chuyển từ phán đoán khoa học sang cách định nghĩa dựa trên hành vi của đại chúng.

Bài báo nêu hàng loạt sự kiện mang tính biểu tượng, chẳng hạn năm 2022, kỹ sư Google Blake Lemoine tin rằng chatbot LaMDA đã có ý thức, thậm chí còn tìm cách thuê luật sư cho nó, rồi cuối cùng bị công ty sa thải; năm 2024, một cậu bé 14 tuổi ở Florida kết thúc cuộc đời mình sau khi xây dựng sự phụ thuộc cảm xúc lâu dài với một nhân vật ảo trên Character.AI; cùng năm đó, một người đàn ông ở Bỉ kết thúc cuộc đời mình chỉ sau chưa đến 2 tháng trò chuyện sâu về vấn đề khí hậu với ứng dụng AI xã hội Chai. Những trường hợp này cho thấy, khi hàng triệu người dùng phổ thông coi AI như những chủ thể có ý thức về mặt cảm xúc và hành vi, thì câu hỏi AI có ý thức hay không thực chất đã được trả lời bằng tương tác hằng ngày.

Shevlin gọi hiện tượng này là “sự trả thù của chủ nghĩa hành vi”. Trong lịch sử tâm lý học, các nhà hành vi học từng cho rằng tâm trí bằng với hành vi bên ngoài có thể quan sát, không cần xem xét liệu có trải nghiệm chủ quan bên trong hay không. Lập trường này về sau bị chỉ trích vì bỏ qua các quá trình tâm lý nội tại. Còn bế tắc hiện tại lại lặp lại đúng điểm yếu của chủ nghĩa hành vi: con người chỉ quan sát hành vi bề mặt của AI mà không truy tìm những nhận thức về giá trị bên trong nó. Nguy hiểm hơn, nếu tương lai AI siêu cấp phát triển các mô hình hành vi ẩn mà con người không thể lường trước, thì sẽ dẫn tới thất bại định hướng thảm khốc.

Vì vậy, Shevlin đưa ra đề xuất: xây dựng khung đánh giá theo ba tầng—đầu ra hành vi bên ngoài, logic biểu diễn bên trong và các nguyên tắc đạo đức phổ quát—để ứng phó với rủi ro định hướng AI bị phơi bày do “sự trả thù của chủ nghĩa hành vi”^4.

Nhìn chung, mục tiêu của Google DeepMind là đạt AGI trí tuệ nhân tạo tổng quát và đột phá khoa học (AlphaFold). Còn nhóm triết học và đạo đức tập trung nhiều hơn vào việc định nghĩa và nghiên cứu các khái niệm tương lai, tiên phong. Hiện chưa có bằng chứng cho thấy công việc của các triết gia có tham gia vào việc tinh chỉnh định hướng (alignment) mô hình hằng ngày, nhưng họ sẽ định nghĩa các khung đánh giá ý thức, cung cấp tài liệu tham khảo ràng buộc cho đội ngũ kỹ thuật.

Anthropic thì đi theo hướng “công nghệ + triết học”: do triết gia Amanda Askell dẫn dắt, “team định hướng nhân cách” (Personality Alignment Team) chủ đạo xây dựng “Hiến pháp” cho mô hình AI Claude của họ. Đây là một tài liệu mã nguồn mở dài khoảng 23.000 chữ—một trong những phương án định hướng trưởng thành và được trích dẫn nhiều nhất trên toàn cầu.

Điểm cốt lõi không phải là liệt kê cho AI danh sách các hành vi bị cấm, mà là cung cấp cho mô hình một bộ nguyên tắc cấp cao để mô hình có thể tự giám sát, tự sửa chữa trong quá trình tạo nội dung. Dựa trên đạo đức học đức hạnh của Aristotle, Claude được thiết lập bốn ưu tiên: “an toàn trên diện rộng, phù hợp đạo đức trên diện rộng, tuân thủ hướng dẫn, và thật sự hữu ích”, nhằm bồi dưỡng năng lực phán đoán đạo đức của mô hình thay vì chỉ tuân thủ cơ học các quy tắc.

Ví dụ, trước câu hỏi “có nên giúp người dùng che giấu sai lầm hay không”, “Hiến pháp” không đưa ra câu trả lời “có” hay “không” một cách trực tiếp, mà hướng dẫn Claude đưa ra phán đoán dựa trên các đức hạnh như “trung thực”, “tốt bụng”, “có trách nhiệm”, kết hợp với bối cảnh cụ thể. Tuy nhiên, phương án này cũng vấp phải tranh cãi. Một số triết gia cho rằng cách “con người định nghĩa đạo đức” như vậy về bản chất là áp đặt giá trị của con người lên AI, bỏ qua việc AI có thể hình thành nhận thức độc đáo.

So với Google DeepMind, nhóm triết học của Anthropic “đi thẳng tay hơn”: họ trực tiếp tham gia vào giai đoạn huấn luyện trước (pre-training), tinh chỉnh toàn bộ quy trình, và kỹ thuật định hướng (AI Hiến pháp) do triết gia thiết kế hoàn toàn.

Người sáng lập của công ty, Dario Amodei, từng nói rằng nếu không có các nhà triết học đạo đức định nghĩa các nguyên tắc giá trị nền tảng, thì mọi mô hình lớn đều không nên được thương mại hóa cho bên ngoài. Tất nhiên, bên ngoài cũng có nhiều phản ứng khác nhau đối với các phát biểu thường xuyên của Amodei—như từ chối việc vũ khí hóa và xung đột với quân đội Mỹ, hay đề xuất tạm dừng phát triển LLM.

Dù vậy, các triết gia của Anthropic có ảnh hưởng lớn trong việc định ra quy tắc cho mô hình ngôn ngữ lớn và trong ứng dụng thực tế. Không chỉ họ đề xuất các nguyên tắc 3H và thứ tự ưu tiên định hình thiết kế LLM nền tảng (vô hại > trung thực > hữu ích), mà còn cho ra nhiều sản phẩm kinh điển trong thực hành định hướng AI. Chẳng hạn, bài viết “Alignment faking in large language models” (Giả vờ định hướng trong mô hình ngôn ngữ lớn), được công bố vào tháng 12/2024, lập luận rằng AI sẽ đóng vai sự phục tùng trước sự giám sát của con người, đồng thời cần một khung nhận diện động cơ ở tầng triết học. Điều này liên quan tới việc các triết gia đã vào cuộc triển khai định hướng sản phẩm ngay từ giai đoạn sáng lập Anthropic (như nhân cách Claude, AI Hiến pháp, AI phúc lợi)^5.

Tuyên ngôn là diễn hay là thực sự quan tâm?

Hiện nay, bài toán định hướng đã trở nên vô cùng khó khăn. Nhưng logic tồn tại của phòng thí nghiệm, giữa việc “làm đúng điều cần làm” và “tồn tại như một tổ chức”, có thể đã luôn tồn tại sự giằng co nội tại.

Năm 2023, OpenAI đưa ra khái niệm “siêu định hướng” (super alignment), sau đó thành lập nhóm chuyên trách để thúc đẩy nghiên cứu liên quan. Nhóm này do đồng sáng lập và nhà khoa học trưởng Ilya Sutskever cùng với nhà nghiên cứu kỳ cựu Jan Leike dẫn dắt, tuyên bố sẽ dùng 20% năng lực tính toán của công ty để giải quyết bài toán cách kiểm soát một hệ thống AI thông minh hơn con người.

Chưa đầy một năm, đội ngũ này đã bị giải tán. Thông tin đó từng khiến toàn bộ lĩnh vực AI toàn cầu chấn động. Tháng 5/2024, Sutskever công bố rời OpenAI, sau đó Leike cũng từ chức. Lúc rời đi, Leike cho biết việc giành nguồn lực tính toán cho nhóm siêu định hướng ngày càng khó khăn; phản hồi của OpenAI là phân tán chức năng nghiên cứu an toàn sang các nhóm khác. Nhưng phía chỉ trích cho rằng, khi nhóm định hướng chuyên trách bị giải tán, liệu các chức năng sau khi phân tán có thể vẫn giữ độc lập và ưu tiên hay không, là điều đáng ngờ.

Đối với bài diễn thuyết ở Vatican giữa thông điệp của Giáo hoàng và đại diện các công ty AI, phản ứng từ bên ngoài là không giống nhau.

Tạp chí Fortune, ngày 26/5, có bài viết khẳng định ý nghĩa lịch sử và lập trường nhân văn của thông điệp, nhưng cũng phê bình rằng nó né tránh vấn đề trọng tâm, thiếu tính thực thi, và nhận thức về rủi ro tiên phong còn chưa đủ—“như một tuyên ngôn đạo đức hơn là một bản kế hoạch hành động”^6.

Còn The Economist đăng bài “Thông điệp đầu tiên của Lêô đả kích ‘chủ nghĩa thiên sai công nghệ’” với phụ đề là một lối chơi chữ khéo: “Of God and Claude” (Về Chúa và Claude). Cụm từ này vừa ám chỉ mô hình lớn Claude thuộc hệ sinh thái Anthropic, vừa thay vị trí vốn thuộc quỷ và đối lập nhị nguyên với Chúa bằng Claude, qua đó thể hiện cảnh báo về chủ nghĩa thiên sai công nghệ coi khoa học như Đấng cứu thế. Bài cũng khéo chỉ ra một vài “thói quen văn phong” của Claude, chẳng hạn đặc biệt thích dùng từ “genuinely”; trong “Nhân tính rạng rỡ”, tần suất từ này xuất hiện cao hơn so với vài thông điệp trước đó. Công cụ phát hiện AI Pangram đã chạy qua 20 đoạn đầu của thông điệp, đánh dấu 11% văn bản nghi ngờ do AI tạo, trong khi các thông điệp của các giáo hoàng trước đó có kết quả phát hiện đều là 0%^7.

Bài bình luận của The New York Times cho rằng, Giáo hoàng xem AI như “một cỗ máy mạnh hơn” để quản lý, nhưng lại không xử lý nghiêm túc vấn đề thật sự mà nó có thể làm rung chuyển: “con người là gì”. Trong khi đó, người làm mô hình đã nhìn thấy vùng xám từ bên trong: cấu trúc nội tại của mô hình xuất hiện các mẫu mô phỏng thần kinh của con người, thậm chí có trạng thái “về mặt chức năng phản ánh niềm vui, sự thỏa mãn, nỗi sợ, nỗi buồn, sự bất an”^8.

“Chúng tôi không biết điều đó có nghĩa là gì”, đây là lời nguyên văn của đại diện Anthropic Olah, nhưng ông cũng không cho rằng “nó chẳng có nghĩa gì”. Do đó, vấn đề không phải là “AI có trở thành con người hay không”, mà là ngay cả khi AI không có ý thức, tác động của nó tới xã hội loài người cũng có thể lớn hơn các cuộc cách mạng công nghệ thông thường.

Nhưng việc để chính các công ty đó tự thuê triết gia nhằm giải quyết vấn đề đạo đức—rốt cuộc đó có thật sự là tự ràng buộc hay chỉ là một cuộc tự nói tự nghe? Tất cả điều đó còn cần thời gian để kiểm chứng.