Máy có hiểu, hay chỉ khéo bắt chước?

Năm 1966, thư ký của Joseph Weizenbaum tại MIT xin được ở riêng trong phòng để nói chuyện tiếp với ELIZA — một chương trình máy tính chỉ ghép câu trả lời từ mẫu. Sáu mươi năm sau, bạn có thể hỏi Kimi K3 (tháng 7/2026) về triết học nhận thức và nhận lại một câu trả lời có vẻ "hiểu". Nhưng câu hỏi vẫn y nguyên: máy có hiểu không, hay chỉ khéo hơn trong việc bắt chước hiểu?

Bài viết này nhìn lại 70 năm từ ELIZA qua Perceptron, Backpropagation, word2vec, Transformer, RLHF đến Grok 4.5 và Kimi K3 — không phải để ca ngợi tiến bộ, mà để nhìn rõ điều chưa thay đổi. Với chủ doanh nghiệp nhỏ tại Việt Nam đang cân nhắc triển khai AI agent, hiểu đúng ranh giới này không phải lý thuyết — đó là điều quyết định bạn tin AI đến mức nào, và ở đâu phải giữ người trong vòng kiểm soát.

ELIZA (1966): ảo giác hiểu bắt đầu từ đây

ELIZA không được thiết kế như chatbot — nó là nền tảng nghiên cứu về cách con người diễn giải ngôn ngữ (Shrager, 2024). Nhưng người dùng nhanh chóng gán cho nó cảm xúc, ý định, thậm chí tình bạn. Weizenbaum dành cả đời còn lại cảnh báo: khi máy nói "tôi hiểu bạn", chúng ta tin vì cảm thấy được hiểu, không phải vì máy hiểu.

Hiện tượng đó — gọi là ELIZA effect — không hề giảm. Nghiên cứu CHI 2024 (N = 2.165) cho thấy đại từ "tôi" từ phía AI làm tăng cảm nhận về độ chính xác và giảm nhận thức về rủi ro (Cohn et al., DOI: 10.1145/3613905.3650818). Với người dùng có kiến thức tài chính thấp, hiệu ứng này mạnh hơn — đúng nhóm dễ bị tổn thương nhất khi triển khai AI mà không có khung đánh giá.

Bài học cho SMB Việt: Đừng đánh giá AI bằng cảm giác "nó hiểu mình". Đánh giá bằng tỷ lệ lỗi trong task cụ thể và cơ chế kiểm tra bắt buộc.

Perceptron và AI Winter: không phải thất bại, mà là điều chỉnh

Minsky và Papert (1969) không "giết" mạng nơ-ron — họ chứng minh perceptron một lớp không tính được XOR hay connectedness. Nhưng sách Perceptrons tạo ra hiệu ứng "chilling" kéo dài 20 năm tại DARPA (Bottou, 2017). AI Winter thực chất là sự điều chỉnh: buộc lĩnh vực phải có backpropagation (Rumelhart, Hinton, Williams, Nature 1986).

Có thể coi hiện tại là "Perceptron moment" cho LLM: những giới hạn chưa được giải — grounding, hiểu thực sự — có thể buộc một đợt điều chỉnh tương tự. Không phải sụp đổ, mà là bắt buộc phải minh bạch hơn.

Từ word2vec đến Transformer: quy mô thay đổi, câu hỏi không đổi

word2vec (Mikolov et al., 2013) cho phép học vector từ trong 1 ngày trên 1,6 tỷ từ; Transformer (Vaswani et al., 2017) thay RNN bằng self-attention thuần túy. RLHF (Ouyang et al., NeurIPS 2022) giúp InstructGPT 1,3B được ưa hơn GPT-3 175B trong 85% trường hợp — một bước tiến về căn chỉnh, không về hiểu.

Grok 4.5 (xAI, 07/2026) đạt 64,7% SWE Bench Pro với 500.000 token ngữ cảnh; Kimi K3 (Moonshot, 07/2026) có 2,8T tham số tổng / ~104B hoạt động, 896 chuyên gia, 1 triệu token ngữ cảnh. Nhưng hai chi tiết kiến trúc quan trọng — KDA (Kimi Delta Attention) và Stable LatentMoE — chưa có báo cáo kỹ thuật độc lập. Một số claim về hiệu quả mở rộng (scaling 2,5x so với K2) là nội bộ, chưa được tái sản xuất.

Kết luận thực tế: Quy mô và tốc độ đã thay đổi; bản chất pattern matching trên mặt phẳng ký hiệu thì không.

"Hiểu" vẫn là câu hỏi mở — và đó là lý do SMB cần khung tin cậy

Các framework triết học mới nhất (Trends in Cognitive Sciences, 2026) phân loại "hiểu" thành 4 hướng: dựa trên mô hình, khả năng, nguyên nhân, và hiện tượng học. Không hướng nào cho thấy LLM đạt hiểu theo nghĩa grounding — liên kết ký hiệu với thực tại vật lý (Harnad, 1990; đánh giá lại 2026 trên Philosophy & Technology, DOI: 10.1007/s13347-026-01079-4).

Với doanh nghiệp đang triển khai agent, câu hỏi đúng không phải "AI có hiểu không?" mà là: "Trong task X, với tỷ lệ lỗi Y, tôi có thể tin AI đến mức nào?" Đó là khung đánh giá 5 câu hỏi trước khi triển khai: định nghĩa task, ngưỡng sai số chấp nhận, con người trong vòng kiểm soát, cơ chế kiểm tra, và vòng phản hồi.

G-Company OS tại 5ac xây dựng chính trên nguyên tắc đó: AI agent cho SMB Việt — không phải tin mù quáng, mà kiểm soát thay vì tin tưởng.

Takeaway

70 năm từ ELIZA đến Kimi K3, tiến bộ là thực; nhưng điều chưa giải được — hiểu, grounding, minh bạch kiến trúc — vẫn còn nguyên. Với chủ SMB Việt, bài học không phải từ chối AI, mà từ chối tin nó mà không có khung kiểm soát.

Nguồn tham khảo

• Weizenbaum (1966), "ELIZA", Communications of the ACM — UMBC
• Shrager (2024), "ELIZA Reinterpreted", arXiv:2406.17650
• Cohn et al. (2024), CHI 2024, DOI: 10.1145/3613905.3650818
• Minsky & Papert (1969), Perceptrons, MIT Press
• Rumelhart, Hinton, Williams (1986), Nature 323 — DOI: 10.1038/323533a0
• Mikolov et al. (2013), arXiv:1301.3781
• Vaswani et al. (2017), NIPS 2017 — arXiv:1706.03762
• Ouyang et al. (2022), NeurIPS 2022 — arXiv:2203.02155
• Grok 4.5 — x.ai/news/grok-4-5; docs.x.ai
• Kimi K3 — github.com/moonshotai/Kimi-K3; kie.ai/blog/kimi-k3
• Shumailov et al. (2024), Nature, DOI: 10.1038/s41586-024-07566-y
• Trends in Cognitive Sciences (2026), DOI: 10.1016/j.tics.2026.04.003