Chuyên gia cảnh báo: AI trong tiền mã hóa cần con người giám sát để tránh sai lệch dữ liệu

Dù trí tuệ nhân tạo (AI) ngày càng phát triển vượt bậc, các chuyên gia vẫn cho rằng yếu tố con người, đặc biệt là năng lực tư duy và kiến thức bối cảnh, vẫn đóng vai trò thiết yếu để đảm bảo độ tin cậy và chính xác của hệ thống AI. Theo một báo cáo của Sapien ngày 24, Giám đốc điều hành Rowan Stone đã nhấn mạnh rằng để AI phát huy được giá trị thật sự, cần chú trọng nâng cao “từ chất lượng dữ liệu” và kết hợp với cách huấn luyện có sự tham gia của con người.

Stone cho rằng yếu tố then chốt làm nên hiệu quả của AI không phải là độ tinh vi về mặt kỹ thuật hay quy mô dữ liệu học tập, mà là độ tin cậy của dữ liệu huấn luyện. Ông ví điều này thông qua nguyên lý “GIGO - Garbage In, Garbage Out”: dữ liệu đầu vào kém chất lượng thì kết quả đầu ra cũng không đáng tin cậy. Một nghiên cứu cho thấy mô hình GPT-3.5 từng có tỷ lệ “từ hiện tượng ảo giác AI” lên tới 39,6% – tức là đưa ra thông tin hoàn toàn sai lệch nhưng có vẻ đúng.

Vấn đề này không chỉ dừng ở những lỗi kỹ thuật. Stone trích dẫn số liệu cho biết các quyết định sai lầm và dự án thất bại do dữ liệu kém chất lượng có thể khiến doanh nghiệp mất khoảng 6% doanh thu hàng năm. Tại Mỹ, cứ 5 CIO thì có 1 người lo ngại mức độ chính xác và lưỡng lự khi triển khai AI. Đáng lo ngại hơn, trong các lĩnh vực nhạy cảm như y tế hay an ninh, dữ liệu sai lệch có thể gây hậu quả trực tiếp cho con người. Ví dụ, công nghệ nhận diện khuôn mặt tại Sở Cảnh sát Detroit từng ghi nhận tỷ lệ sai lệch lên tới 96%. Trong khi đó, báo cáo của Trường Y Harvard phát hiện một số hệ thống AI ưu tiên điều trị cho bệnh nhân da trắng — một dấu hiệu rõ ràng của “thiên kiến cấu trúc”.

Trái với tuyên bố gây tranh cãi của Elon Musk rằng “tổng hợp tri thức nhân loại đã được đưa vào các mô hình AI”, Stone tin rằng việc bỏ qua vai trò của con người trong quá trình học là một sai lầm nguy hiểm. Con người có khả năng phân tích bối cảnh, đưa ra đánh giá đạo đức và lý luận dựa trên kinh nghiệm – điều mà AI không thể tự tạo ra nếu chỉ dựa vào dữ liệu tổng hợp.

Ông cũng chỉ ra giới hạn của mô hình dữ liệu tập trung, đồng thời kêu gọi triển khai cách tiếp cận “học có giám sát bởi con người”. Thống kê cho thấy khoảng 67% thời gian làm việc của các nhà khoa học dữ liệu tập trung vào việc làm sạch và đánh giá dữ liệu – một quy trình tốn kém cả về thời gian lẫn chi phí. Trong khi đó, mô hình học tăng cường phân tán (RLHF) kết hợp với “từ hệ thống phần thưởng dựa trên blockchain” mở ra một mô hình mới: cho phép cộng đồng người dùng đến từ nhiều vùng miền, tầng lớp khác nhau tham gia vào quá trình gán nhãn và phân loại dữ liệu, từ đó giảm thiểu thiên lệch và tăng tính hiệu quả.

Dự báo của công ty nghiên cứu Gartner cho thấy, đến năm 2026, có hơn 60% dự án AI sẽ thất bại vì “thiếu dữ liệu phù hợp”. Xu hướng này thể hiện rõ rằng nếu không có “từ nhân lực chuyên môn cao” làm nền tảng, những thành quả kinh tế ước tính lên tới 21.000 tỷ won mà AI được kỳ vọng mang lại sẽ khó trở thành hiện thực.

Kết luận, Stone cho rằng tương lai của ngành công nghiệp AI phụ thuộc vào mô hình “từ hợp tác song hành giữa người và máy”. Ông tin rằng con người cần đóng vai trò kiểm duyệt, điều chỉnh và giám sát AI thông qua quản lý metadata, điều phối dữ liệu và thiết lập cơ chế đánh giá hiệu quả liên tục. AI không thể hoàn chỉnh nếu thiếu trí tuệ và góc nhìn của con người. Do đó, sự phát triển bền vững của công nghệ này phải bắt đầu từ một “văn hoá phát triển lấy con người làm trung tâm”.

Bình luận: Trong bối cảnh AI ngày càng được ứng dụng rộng rãi trong lĩnh vực tiền mã hóa, từ việc phân tích dữ liệu on-chain đến quyết định giao dịch tự động, vấn đề "từ chất lượng dữ liệu" và "từ kiểm soát con người" càng trở nên sống còn. Traders và developers nên suy nghĩ lại về việc sử dụng AI như một công cụ thay thế, thay vì hỗ trợ, nếu muốn duy trì tính chính xác và đạo đức của hệ thống.