Chương 3.2: Chiến lược phòng ngừa lợi dụng sai mục đích

Ngăn ngừa AI bị lợi dụng sai mục đích hoặc vũ khí hóa đồng nghĩa với việc kiểm soát và giới hạn quyền truy cập; đồng thời cũng đòi hỏi luật pháp và chuẩn mực xã hội để quản lý những tác hại từ các mô hình đã phổ biến rộng rãi.

Các chiến lược phòng ngừa lợi dụng sai mục đích thường tập trung vào việc kiểm soát quyền truy cập vào những năng lực nguy hiểm, hoặc triển khai các biện pháp bảo vệ kỹ thuật để hạn chế những ứng dụng gây hại.

Kiểm soát Truy cập Từ bên ngoài

Các chiến lược kiểm soát truy cập giải quyết trực tiếp mâu thuẫn cố hữu giữa lợi ích của mã nguồn mở và rủi ro lợi dụng sai mục đích. Ngành công nghiệp AI đã vượt qua giai đoạn tranh luận nhị phân "phát hành" hay "không phát hành"; thay vào đó, giới thực hành hiện suy nghĩ theo một dải liên tục các mức độ truy cập vào mô hình (Kapoor và cộng sự, 2024 (mở trong tab mới)). Câu hỏi ai được quyền truy cập vào một mô hình nằm trên một dải trải dài từ hoàn toàn đóng (chỉ dùng nội bộ) đến hoàn toàn mở (trọng số mô hình được công khai không giới hạn).

Định nghĩa: AI Mã nguồn mở — Một AI Mã nguồn mở là một hệ thống AI được cung cấp theo những điều khoản và cách thức trao cho người dùng các quyền tự do sau:

• Sử dụng hệ thống cho bất kỳ mục đích nào mà không cần xin phép.
• Nghiên cứu cách hệ thống vận hành và kiểm tra các thành phần của nó.
• Chỉnh sửa hệ thống cho bất kỳ mục đích nào, kể cả để thay đổi đầu ra của nó.
• Chia sẻ hệ thống để người khác sử dụng, có hoặc không có chỉnh sửa, cho bất kỳ mục đích nào.

Trong số các phương án truy cập khác nhau này, triển khai qua API là một trong những giải pháp trung dung chiến lược được sử dụng phổ biến nhất. Khi bàn về kiểm soát truy cập trong phần này, chúng tôi chủ yếu nói đến các cơ chế tạo ra một cổng vào có kiểm soát đối với năng lực AI — phổ biến nhất là thông qua triển khai qua API, trong đó phần lớn mô hình (mã nguồn, trọng số, và dữ liệu) vẫn hoàn toàn đóng, nhưng quyền truy cập vào năng lực của mô hình lại được mở một phần. Với cách sắp xếp này, các nhà phát triển vẫn giữ quyền kiểm soát cách mô hình của họ được truy cập và sử dụng. Kiểm soát qua API giúp duy trì sự giám sát của nhà phát triển, cho phép theo dõi liên tục, cập nhật các biện pháp an toàn, và khả năng thu hồi quyền truy cập khi cần thiết (Seger và cộng sự, 2023 (mở trong tab mới)).

Triển khai qua API tạo ra một lớp bảo vệ giữa người dùng và năng lực của mô hình. Thay vì tải xuống mã nguồn hay trọng số của mô hình, người dùng tương tác với mô hình bằng cách gửi yêu cầu đến một máy chủ nơi mô hình đang chạy, và chỉ nhận lại kết quả đầu ra được tạo ra. Kiến trúc này cho phép các nhà phát triển triển khai nhiều cơ chế an toàn khác nhau:

• Lọc Đầu vào/Đầu ra: Sàng lọc các câu lệnh để phát hiện nội dung gây hại và lọc các phản hồi được tạo ra theo chính sách an toàn. Ví dụ, bộ lọc có thể phát hiện và chặn các nỗ lực tạo ra tài liệu lạm dụng tình dục trẻ em (CSAM) hoặc hướng dẫn chế tạo vũ khí. Cách tiếp cận này trực tiếp đối phó với những hành vi lợi dụng sai mục đích như tạo nội dung bất hợp pháp hoặc hướng dẫn nguy hiểm.
• Giới hạn Tần suất (rate limiting): Ngăn ngừa lợi dụng sai mục đích trên quy mô lớn thông qua việc giới hạn mức sử dụng. Bằng cách hạn chế số lượng yêu cầu, các biện pháp kiểm soát này giảm thiểu rủi ro lạm dụng tự động, như tạo ra hàng nghìn deepfake hay tin nhắn rác (Liang và cộng sự, 2022 (mở trong tab mới)).
• Giám sát Sử dụng: Ngoài việc kiểm soát số lượng yêu cầu, giám sát sử dụng còn cho phép xác minh danh tính và kiểm tra lý lịch đối với người dùng có ý đồ xấu (tương tự các quy định về xác minh danh tính khách hàng — know your customer, KYC). Ví dụ, điều này cho phép cơ quan quản lý giám sát, ngăn chặn những nỗ lực lặp lại nhằm vượt qua bộ lọc an toàn, đồng thời cũng cho phép mở rộng quyền truy cập sâu hơn cho những người dùng đáng tin cậy (Egan & Heim, 2023 (mở trong tab mới)).
• Hạn chế Sử dụng: Áp dụng các điều khoản dịch vụ cấm những ứng dụng gây hại. Các công ty có thể hạn chế những ứng dụng rủi ro cao như nghiên cứu vũ khí sinh học hay các chiến dịch tấn công mạng tự động, thông qua các thỏa thuận pháp lý được hỗ trợ bởi giám sát kỹ thuật (Anderljung và cộng sự, 2023 (mở trong tab mới)). Khi phát hiện vi phạm, quyền truy cập có thể bị thu hồi.
• Cập nhật Tức thời: Nhanh chóng triển khai các cải tiến cho hệ thống an toàn mà không cần người dùng thực hiện thao tác gì. Khác với các mô hình mã nguồn mở, nơi những phiên bản không an toàn có thể tồn tại vô thời hạn, các mô hình triển khai qua API có thể được liên tục cải tiến để khắc phục những lỗ hổng mới được phát hiện (Weidinger và cộng sự, 2023 (mở trong tab mới)). Điều này giúp đối phó với những vector tấn công mới, như các kỹ thuật vượt ngục (jailbreaking).

Các thành phần khác nhau của một mô hình có thể nằm ở những điểm khác nhau trên phổ truy cập

Chúng ta có thể cho phép truy cập vào năng lực, mã nguồn, trọng số, dữ liệu huấn luyện, và quản trị ở nhiều mức độ khác nhau. Mức độ chi tiết này cho phép thiết lập các kiểm soát truy cập được tinh chỉnh, giúp giảm thiểu những lo ngại về rủi ro thảm khốc trong khi vẫn tối đa hóa lợi ích. Ví dụ, dưới đây là một vài cách phân loại chi tiết về mức độ truy cập đối với một số mô hình phổ biến:

• OpenAI GPT-4: C1-D1-W2: Mã nguồn và dữ liệu đóng, chỉ truy cập trọng số qua API.
• Anthropic Claude: C1-D1-W2: Mã nguồn và dữ liệu đóng, chỉ truy cập qua API, quản trị minh bạch hơn.
• DeepSeek: C5-D1-W4: Mã nguồn mở, dữ liệu đóng, trọng số có thể tải xuống với hạn chế.
• Llama 2: C3-D1-W4: Giấy phép mã nguồn hạn chế ở mức vừa phải, dữ liệu đóng, trọng số có thể tải xuống với hạn chế sử dụng.

Phần lớn các hệ thống quá nguy hiểm để mã nguồn mở thì cũng có lẽ quá nguy hiểm để được huấn luyện ngay từ đầu, xét theo những thông lệ phổ biến hiện nay tại các phòng thí nghiệm — nơi rất có khả năng chúng sẽ bị rò rỉ, rất có khả năng chúng sẽ bị đánh cắp, hoặc rất có khả năng nếu chúng được cung cấp qua API, chúng vẫn có thể gây hại. — Ajeya Cotra

Kiểm soát tập trung đặt ra những câu hỏi về động lực học quyền lực trong phát triển AI. Khi các nhà phát triển giữ quyền kiểm soát độc quyền đối với năng lực của mô hình, họ đơn phương quyết định những cách sử dụng được chấp nhận, những bộ lọc nội dung phù hợp, và ai được cấp quyền truy cập. Sự tập trung quyền lực này tạo ra căng thẳng với tiềm năng dân chủ hóa của những cách tiếp cận cởi mở hơn. Do đó, chiến lược giảm thiểu lợi dụng sai mục đích bằng cách hạn chế truy cập lại tạo ra một tác dụng phụ là nguy cơ tập trung hóa và tập trung quyền lực, đòi hỏi phải có những chiến lược kỹ thuật và quản trị khác để cân bằng lại.

Bước đầu tiên trong chiến lược "Kiểm soát Truy cập" là xác định mô hình nào được coi là nguy hiểm và mô hình nào không, thông qua các đánh giá mô hình. Trước khi triển khai các mô hình mạnh, các nhà phát triển (hoặc bên thứ ba) nên đánh giá chúng theo những năng lực nguy hiểm cụ thể, chẳng hạn như khả năng hỗ trợ tấn công mạng hay thiết kế vũ khí sinh học. Những đánh giá này cung cấp cơ sở cho các quyết định về triển khai và các biện pháp bảo vệ cần thiết (Shevlane và cộng sự, 2023 (mở trong tab mới)).

Kiểm thử đối kháng (red teaming) có thể giúp đánh giá liệu các biện pháp giảm thiểu rủi ro có đủ hay không. Trong quá trình kiểm thử đối kháng, các đội ngũ nội bộ cố gắng khai thác những điểm yếu trong hệ thống nhằm cải thiện tính an toàn của nó. Họ cần kiểm tra xem liệu một người dùng có ý đồ xấu giả định có thể lấy được đủ lượng "gợi ý" hữu ích từ mô hình mà không bị phát hiện hay không. Chúng tôi sẽ đi sâu hơn nhiều vào các khái niệm như kiểm thử đối kháng và đánh giá mô hình trong chương chuyên đề tiếp theo về chủ đề này.

Đảm bảo cán cân tấn công-phòng thủ nghiêng về hướng tích cực trong một thế giới mã nguồn mở

Cán cân tấn công-phòng thủ định hình các quyết định về truy cập đối với các mô hình AI tối tân. Khái niệm này đề cập đến mức độ dễ dàng tương đối mà bên phòng thủ có thể tự bảo vệ trước kẻ tấn công, so với mức độ dễ dàng mà kẻ tấn công có thể khai thác lỗ hổng. Hiểu được cán cân này giúp đánh giá liệu việc mã nguồn mở các mô hình mạnh sẽ mang lại lợi ích ròng hay tác hại ròng. Trong phát triển phần mềm truyền thống, mã nguồn mở thường củng cố khả năng phòng thủ — tính minh bạch cao hơn cho phép một cộng đồng rộng lớn hơn phát hiện và vá lỗi, qua đó nâng cao an ninh tổng thể (Seger và cộng sự, 2023 (mở trong tab mới)). Tuy nhiên, các mô hình AI tối tân có thể làm thay đổi hoàn toàn động lực học này. Khác với các lỗi phần mềm thông thường có thể vá được, những mô hình này tạo ra những rủi ro mới mà các biện pháp khắc phục đơn giản không thể xử lý được. Ví dụ, một khi một năng lực gây hại được phát hiện trong một mô hình mở, năng lực đó không thể bị "loại bỏ tri thức" khỏi tất cả các bản sao đã được triển khai.

Những lợi ích và rủi ro cụ thể của các mô hình nền tảng mở bắt nguồn từ những đặc tính riêng biệt của chúng so với các mô hình đóng: khả năng tiếp cận rộng hơn, khả năng tùy biến cao hơn, khả năng suy luận cục bộ, không thể thu hồi quyền truy cập, và khả năng giám sát kém.

Các lập luận ủng hộ việc gia tăng độ mở:

• Dân chủ hóa việc ra quyết định. Khi các mô hình chỉ do những công ty có nguồn lực dồi dào kiểm soát, các thực thể này đơn phương quyết định những trường hợp sử dụng được chấp nhận và các chính sách nội dung. Các mô hình mở phân tán quyền lực này rộng rãi hơn. Điều này ngăn ngừa sự tập trung quyền lực, khóa cứng giá trị (value lock-in), và phản ánh tốt hơn những lợi ích đa dạng của xã hội (Kapoor và cộng sự, 2024 (mở trong tab mới); Eiras và cộng sự, 2024 (mở trong tab mới)).
• Thúc đẩy nghiên cứu an toàn. Trọng số mô hình mở cho phép thực hiện những nghiên cứu an toàn đòi hỏi quyền truy cập trực tiếp vào mô hình, bao gồm các nghiên cứu về khả năng diễn giải mà sẽ không thể thực hiện được chỉ qua truy cập API. Nghiên cứu về kiểm soát biểu diễn (representation control), kỹ thuật kích hoạt (activation engineering), và các cơ chế an toàn đã có những bước tiến đáng kể nhờ quyền truy cập vào trọng số mô hình (Millidge, 2025 (mở trong tab mới); Eiras và cộng sự, 2024 (mở trong tab mới)).
• Tăng cường nghiên cứu khoa học và học thuật. Quyền truy cập rộng hơn trao quyền cho cộng đồng nghiên cứu rộng lớn hơn trong mọi lĩnh vực. Riêng trong AI, những yếu tố như khả năng tái lập kết quả khoa học cũng phụ thuộc vào việc duy trì quyền truy cập vào các phiên bản mô hình cụ thể — khi mô hình được mở, các nhà nghiên cứu có thể lưu giữ những phiên bản cụ thể để phục vụ các nghiên cứu dài hạn về hành vi, thiên lệch, và năng lực của mô hình (Kapoor và cộng sự, 2023 (mở trong tab mới)).
• Bao trùm tốt hơn cho các nhu cầu đa dạng. Quyền truy cập rộng hơn cho phép mọi người được tiếp cận bình đẳng với lợi ích của AI, thông qua việc tùy chỉnh các mô hình nền tảng cho những đối tượng như ngôn ngữ và cộng đồng ít được đại diện (Kapoor và cộng sự, 2024 (mở trong tab mới)). Điều này cũng cho phép các tổ chức nhỏ hơn và các nhà phát triển từ nhiều khu vực khác nhau xây dựng dựa trên những công nghệ này mà không phải chịu chi phí quá cao. Nó cũng có thể giúp ngăn ngừa tình trạng độc canh thuật toán (algorithmic monoculture) (Kleinberg & Raghavan, 2021 (mở trong tab mới)).
• Cải thiện tính minh bạch và trách nhiệm giải trình. Trọng số mô hình được phổ biến rộng rãi cho phép các nhà nghiên cứu độc lập, kiểm toán viên, và nhà báo điều tra sâu hơn về các mô hình nền tảng. Điều này có thể ngăn ngừa những lo ngại về tẩy an toàn (safetywashing) (Ren và cộng sự, 2024 (mở trong tab mới)), và đặc biệt có giá trị vì lịch sử công nghệ số cho thấy sự giám sát rộng rãi hơn thường phát hiện ra những vấn đề mà nhà phát triển đã bỏ sót.
• Giảm tập trung thị trường. Các mô hình nền tảng mở có thể giảm thiểu tình trạng độc canh gây hại bằng cách cho phép hành vi mô hình ở tầng hạ nguồn (downstream) đa dạng hơn, từ đó giảm mức độ nghiêm trọng của những thất bại đồng loạt.

Các lập luận ủng hộ việc gia tăng độ đóng:

• Phát hành không thể đảo ngược với các biện pháp bảo vệ rất mong manh. Một khi đã phát hành, các mô hình mở không thể bị thu hồi nếu phát sinh vấn đề an toàn. Khác với các API đóng, các biện pháp bảo vệ có thể bị gỡ bỏ một cách dễ dàng, và mô hình có thể bị tinh chỉnh cho những mục đích gây hại mà không có sự giám sát nào (Solaiman và cộng sự, 2023 (mở trong tab mới)).
• Tạo điều kiện cho các cuộc tấn công tinh vi. Quyền truy cập hộp trắng (white-box) cho phép những cá nhân có ý đồ xấu hiểu và khai thác lỗ hổng mô hình hiệu quả hơn để tấn công mạng, hoặc để vượt qua các biện pháp an ninh trong những hệ thống khác (Shevlane & Dafoe, 2020 (mở trong tab mới)). Trọng số mở có thể hỗ trợ phát triển vũ khí sinh học, vũ khí hóa học, hoặc năng lực tấn công mạng tiên tiến — những thứ mà các mô hình đóng có thể hạn chế tốt hơn (Seger và cộng sự, 2023 (mở trong tab mới)).
• Sự lan truyền của những khiếm khuyết chưa được khắc phục. Khi mô hình được mã nguồn mở, những thiên lệch, lỗ hổng an ninh, và các khiếm khuyết khác có thể lan truyền rộng rãi. Không có cơ chế đáng tin cậy nào đảm bảo người dùng ở tầng hạ nguồn sẽ áp dụng các bản cập nhật an toàn (Seger và cộng sự, 2023 (mở trong tab mới)).
• Gia tăng nguy cơ lợi dụng sai mục đích. Các mô hình mở tạo điều kiện cho những tác hại cụ thể mà các mô hình đóng có thể kiểm soát tốt hơn — như hình ảnh riêng tư không có sự đồng thuận, tài liệu bóc lột trẻ em (Hai và cộng sự, 2024 (mở trong tab mới)), và một số hình thức thông tin sai lệch có chủ đích (Kapoor và cộng sự, 2024 (mở trong tab mới)).

Các chiến lược phát hành thay thế đưa ra những giải pháp trung dung tiềm năng. Nhiều đề xuất khác nhau gợi ý phát hành theo giai đoạn (Solaiman và cộng sự, 2019 (mở trong tab mới)), truy cập có kiểm soát với yêu cầu xác minh danh tính khách hàng, API nghiên cứu dành cho các nhà nghiên cứu đủ tiêu chuẩn, và các quan hệ đối tác đáng tin cậy (Seger và cộng sự, 2023 (mở trong tab mới)). Khi năng lực tiếp tục phát triển, một khung truy cập theo cấp độ, điều chỉnh mức kiểm soát theo từng rủi ro cụ thể, có thể sẽ là giải pháp hiệu quả nhất để cân bằng giữa khả năng truy cập và an toàn.

Huấn luyện Phân tán và Phi tập trung: Thách thức đối với Ngăn chặn Phổ biến

Huấn luyện phân tán cho phép mô hình được huấn luyện tại nhiều địa điểm khác nhau, tạo ra những thách thức mới cho việc quản trị AI. Một số mô hình nền tảng đã được xây dựng theo cách này — INTELLECT-1 (10 tỷ tham số) và INTELLECT-2 (mô hình suy luận 32 tỷ tham số) đều được huấn luyện bằng các kỹ thuật phân tán (Prime Intellect, 2024 (mở trong tab mới); Prime Intellect, 2025 (mở trong tab mới)). Dù những mô hình này chưa sánh được với quy mô của các hệ thống tối tân được huấn luyện tại một địa điểm duy nhất, cách tiếp cận này đang tiến triển nhanh chóng và đặt ra những câu hỏi quan trọng về việc kiểm soát ai là người xây dựng các hệ thống AI nguy hiểm.

"Phân tán" và "phi tập trung" mô tả những kịch bản khác biệt về bản chất, với những hàm ý khác nhau. Sau đây là sự khác biệt giữa hai khái niệm:

1. Huấn luyện phân tán liên quan đến việc các công ty như Microsoft kết nối các trung tâm dữ liệu quy mô gigawatt thông qua mạng cáp quang chuyên dụng với băng thông 6 Pbps. Những kết nối này trải dài hàng nghìn kilomet nhưng vẫn cho phép thực hiện các đợt huấn luyện 10 GW với mức tăng chi phí dưới 1% và độ trễ dưới 250ms. Điều này có nghĩa là các nhà cung cấp hạ tầng quy mô lớn (hyperscaler) có thể khắc phục giới hạn về điện năng tại một địa điểm bằng cách phân tán việc huấn luyện ra nhiều nơi. Các công ty có thể phân tán việc huấn luyện khi nguồn điện tại một địa điểm trở nên hạn chế. Điều này khiến việc mở rộng quy mô AI khó có khả năng bị cản trở bởi các công ty điện lực không thể hoặc không muốn cung cấp những địa điểm có công suất nhiều gigawatt (EpochAI, 2025 (mở trong tab mới)).
2. Huấn luyện phi tập trung liên quan đến việc hàng nghìn người dùng hoặc tình nguyện viên góp chung năng lực tính toán nhàn rỗi qua internet, thường với tốc độ tải lên khoảng 60 Mbps. Cách này gặp phải những hạn chế nghiêm trọng về băng thông, hiện đang giới hạn việc huấn luyện ở những mô hình nhỏ hơn khoảng 1.000 lần so với các hệ thống tối tân (Sevilla, 2025 (mở trong tab mới)). Rào cản về hạ tầng cao hơn nhiều, và thách thức quản trị cũng khác biệt — thay vì giám sát một vài cơ sở lớn, ta cần theo dõi có thể lên đến hàng triệu người tham gia đóng góp năng lực tính toán trên toàn cầu.

Nếu không thể giám sát nơi diễn ra việc huấn luyện, ta không thể kiểm soát ai là người xây dựng các hệ thống nguy hiểm. Huấn luyện phân tán qua các nhà cung cấp hạ tầng quy mô lớn vừa khả thi về mặt kỹ thuật, vừa dễ quản trị, trong khi huấn luyện phi tập trung qua internet khó có khả năng đạt đến quy mô tối tân trong thời gian gần (Sevilla, 2025 (mở trong tab mới); EpochAI, 2025 (mở trong tab mới)). Tuy nhiên, nếu giả định này — rằng việc huấn luyện qua internet trên hàng nghìn máy tính là không khả thi — không còn đúng nữa, thì các cơ quan quản lý có thể sẽ phải chật vật chạy theo để bắt kịp. Nhiều chiến lược kỹ thuật và quản trị được đề xuất đều giả định rằng việc huấn luyện AI tối tân sẽ diễn ra tại những trung tâm dữ liệu khổng lồ, có thể xác định được, mà chính phủ có thể giám sát hoặc hạn chế. Các chiến lược quản trị dựa trên năng lực tính toán — như yêu cầu KYC đối với nhà cung cấp năng lực tính toán, giám sát các trung tâm dữ liệu lớn, và kiểm soát xuất khẩu chip AI — đều phụ thuộc vào việc huấn luyện diễn ra tại những địa điểm tập trung, có thể kiểm soát và xác định được. Nếu việc huấn luyện có thể diễn ra trên hàng nghìn máy tính cá nhân phân tán về mặt địa lý trên toàn cầu, hoặc tại nhiều cơ sở nhỏ hơn, việc thực thi sẽ trở nên khó khăn hơn rất nhiều.

Tiến bộ kỹ thuật đã khiến huấn luyện phân tán ngày càng khả thi hơn, nhờ nhiều kỹ thuật giảm băng thông cần thiết. Những tiến bộ này đến từ các kỹ thuật như giao tiếp phân tán chi phí thấp (DiLoCo) (Douillard và cộng sự, 2023 (mở trong tab mới)) và tổng hợp đường dẫn phân tán (DiPaCo) (Douillard và cộng sự, 2024 (mở trong tab mới)). DiLoCo cho phép huấn luyện các mô hình lớn mà không cần các trung tâm dữ liệu tập trung, khổng lồ, sử dụng những kỹ thuật lấy cảm hứng từ học liên kết (federated learning) (Douillard và cộng sự, 2024 (mở trong tab mới)). Ngoài DiLoCo, những tiến bộ khác bao gồm lượng tử hóa gradient (nén dữ liệu từ 32-bit xuống còn 4-bit, thậm chí 1-bit), thưa hóa (sparsification — chỉ gửi những cập nhật quan trọng nhất), song song hóa mô hình (model parallelism), và huấn luyện học tăng cường (RL) bất đồng bộ, cho phép việc tính toán và giao tiếp diễn ra chồng lấn nhau. Những phương pháp này có thể được kết hợp với nhau — chẳng hạn, SparseLoCo sử dụng nhiều kỹ thuật cùng lúc — để đạt được mức giảm băng thông 100 lần hoặc hơn so với các cách tiếp cận đơn giản (Sevilla, 2025 (mở trong tab mới)).

Kiểm soát Truy cập Nội bộ

Kiểm soát truy cập nội bộ bảo vệ trọng số mô hình và bí mật thuật toán. Trong khi kiểm soát truy cập từ bên ngoài điều chỉnh cách người dùng tương tác với hệ thống AI thông qua API và các giao diện khác, kiểm soát truy cập nội bộ tập trung vào việc bảo mật chính bản thân trọng số mô hình. Nếu trọng số mô hình bị đánh cắp (exfiltrate), mọi kiểm soát truy cập từ bên ngoài đều trở nên vô nghĩa, vì khi đó mô hình có thể được triển khai mà không còn bất kỳ hạn chế nào. Nhiều mô hình rủi ro thường giả định rủi ro thảm khốc xuất phát từ việc đánh cắp trọng số và hoạt động gián điệp (Aschenbrenner, 2024 (mở trong tab mới); Nevo và cộng sự, 2024 (mở trong tab mới); Kokotajlo và cộng sự, 2025 (mở trong tab mới)). Các phòng thí nghiệm nghiên cứu phát triển những mô hình tiên tiến nhất nên triển khai các biện pháp an ninh mạng nghiêm ngặt để bảo vệ hệ thống AI khỏi bị đánh cắp. Điều này nghe có vẻ đơn giản, nhưng thực ra không hề, và việc bảo vệ mô hình trước những cá nhân ở cấp độ nhà nước có thể đòi hỏi nỗ lực phi thường (Ladish & Heim, 2022 (mở trong tab mới)). Trong phần này, chúng tôi cố gắng tìm hiểu các chiến lược để bảo vệ trọng số mô hình và bảo vệ những hiểu biết về thuật toán khỏi việc truy cập trái phép, đánh cắp, hoặc lợi dụng sai mục đích bởi người trong nội bộ hay kẻ tấn công từ bên ngoài.

Bảo vệ đầy đủ đòi hỏi một hệ thống phòng thủ nhiều lớp, trải rộng trên các phương diện kỹ thuật, tổ chức, và vật lý. Ví dụ, hãy hình dung một phòng thí nghiệm AI tối tân muốn bảo vệ mô hình tiên tiến nhất của mình: các biện pháp kiểm soát kỹ thuật mã hóa trọng số và giới hạn truy cập số; các biện pháp kiểm soát tổ chức giới hạn hiểu biết về kiến trúc mô hình chỉ trong một nhóm nhỏ các nhà nghiên cứu đã qua sàng lọc; và các biện pháp kiểm soát vật lý đảm bảo hạ tầng tính toán được đặt tại những cơ sở an toàn với quyền truy cập hạn chế. Nếu một lớp bảo vệ bất kỳ thất bại — chẳng hạn, nếu mã hóa bị phá vỡ nhưng các hạn chế truy cập vật lý vẫn còn nguyên — mô hình vẫn duy trì được một phần bảo vệ. Cách tiếp cận phòng thủ theo chiều sâu (defense-in-depth) này đảm bảo rằng phải có nhiều thất bại an ninh xảy ra đồng thời thì việc đánh cắp mới có thể thành công.

An ninh mạng trong AI: Cấp độ An ninh Trọng số (WSL) và Cấp độ An ninh Bí mật Thuật toán (SSL)

Các nhà nghiên cứu đã đề xuất chính thức hóa vấn đề an ninh trong AI bằng những khung phân cấp, phân biệt giữa việc bảo vệ trọng số mô hình (WSL) và bí mật thuật toán (SSL) trước các mối đe dọa với những mức năng lực vận hành khác nhau (OC — operational capacity) (Nevo và cộng sự, 2024 (mở trong tab mới); Snyder và cộng sự, 2020 (mở trong tab mới); Dean, 2025 (mở trong tab mới)).

Bảo vệ trọng số (Cấp độ An ninh Trọng số Mô hình — WSL) so với bảo vệ bí mật thuật toán (Cấp độ An ninh Bí mật Thuật toán — SSL) đặt ra những thách thức an ninh khác nhau. Trong khi trọng số mô hình có dung lượng dữ liệu lớn (khiến việc đánh cắp đòi hỏi băng thông lớn), bí mật thuật toán có thể được diễn giải ngắn gọn trong một tài liệu ngắn hoặc một đoạn mã nhỏ (khiến chúng dễ bị đánh cắp hơn qua các phương thức thông thường). Năng lực vận hành (OC) về cơ bản xác định mức độ tinh vi ngày càng tăng của những kẻ tấn công tiềm tàng, và cấp độ an ninh tương ứng xác định khả năng phòng thủ trước chúng. Ví dụ, SSL1 và WSL1 tương ứng với khả năng phòng thủ vững chắc (xác suất 95%) trước các nỗ lực ở mức OC1 nhằm đánh cắp trọng số của các mô hình AI tối tân (Dean, 2025 (mở trong tab mới)).

• OC1: Nỗ lực nghiệp dư — Hacker nghiệp dư hoặc các cuộc tấn công kiểu "rải và cầu may" (spray and pray), ngân sách lên đến 1.000 đô la, kéo dài vài ngày, không có hạ tầng hay quyền truy cập sẵn có.
• OC2: Nỗ lực chuyên nghiệp tùy cơ ứng biến — Hacker chuyên nghiệp cá nhân hoặc nhóm thực hiện các cuộc tấn công không nhắm mục tiêu cụ thể, ngân sách lên đến 10.000 đô la, kéo dài vài tuần, có hạ tầng mạng cá nhân.
• OC3: Băng nhóm tội phạm mạng và mối đe dọa nội bộ — Các nhóm tội phạm, tổ chức khủng bố, nhân viên bất mãn, ngân sách lên đến 1 triệu đô la, kéo dài vài tháng, có hạ tầng đáng kể hoặc quyền truy cập nội bộ.
• OC4: Hoạt động tiêu chuẩn của các tổ chức hàng đầu về năng lực mạng — Các nhóm được nhà nước hậu thuẫn và cơ quan tình báo, ngân sách lên đến 10 triệu đô la, hoạt động kéo dài cả năm, hạ tầng rộng lớn, và nguồn lực cấp nhà nước.
• OC5: Hoạt động ưu tiên hàng đầu của những quốc gia có năng lực mạnh nhất — Những cá nhân tinh vi nhất thế giới, ngân sách lên đến 1 tỷ đô la, hoạt động kéo dài nhiều năm, và hạ tầng cấp nhà nước được phát triển qua nhiều thập kỷ.

Trích từ AI 2027 — Dự báo an ninh (Dean, 2025 (mở trong tab mới)):

"Không lâu trước đây, các công ty AI tối tân tại Mỹ có mức độ an ninh ngang tầm một công ty khởi nghiệp, và việc đạt được WSL3 đặc biệt khó khăn vì các mối đe dọa nội bộ (OC3) rất khó phòng thủ. Tính đến tháng 12 năm 2024, các công ty AI hàng đầu tại Mỹ, như OpenAI và Anthropic, vẫn là những công ty khởi nghiệp với những nỗ lực đáng ghi nhận nhưng còn ở giai đoạn sơ khai trong việc tăng cường an ninh. Với giả định rằng khoảng 1.000 nhân viên hiện tại của họ có thể tương tác với trọng số mô hình như một phần công việc nghiên cứu hàng ngày, và những khía cạnh then chốt trong biện pháp an ninh của họ có lẽ dựa vào các giao thức như điện toán bảo mật (confidential computing) của NVIDIA, chúng tôi cho rằng các biện pháp giảm thiểu mối đe dọa nội bộ của họ vẫn chỉ đang giữ họ ở chuẩn WSL2. Những công ty công nghệ đã ổn định hơn như Google có thể đang ở mức WSL3 đối với trọng số tối tân."

Dưới đây là một loạt khảo sát được thực hiện như một phần của báo cáo AI 2027, nhằm cho thấy vị trí hiện tại của các công ty và giới nghiên cứu so với các cấp độ an ninh này. Toàn bộ khảo sát lấy từ Workshop Poll. 2024. "Poll of Participants." Dữ liệu chưa công bố từ phiên tương tác Lập kế hoạch Kịch bản An ninh AI, Hội thảo An ninh AI của FAR.Labs, Berkeley, CA, ngày 16 tháng 11 năm 2024. N=30, tỷ lệ phản hồi 90% (Dean, 2025 (mở trong tab mới)).

So sánh giữa Đánh cắp bởi Con người và Tự tẩu thoát của AI

Tự tẩu thoát (self-exfiltration) là khả năng một hệ thống AI tiên tiến tự sao chép chính mình ra bên ngoài môi trường dự kiến của nó. Thay vì phòng thủ trước những kẻ tấn công từ bên ngoài hay người trong nội bộ có ý đồ xấu, rủi ro này đòi hỏi phải phòng thủ trước chính hệ thống AI khi nó đóng vai trò như một kẻ tấn công tinh vi. Rủi ro này xuất hiện khi một hệ thống AI trở nên đủ năng lực để hiểu được kiến trúc của chính nó, xác định các lỗ hổng trong hệ thống ngăn chặn (containment) của nó, và dàn xếp một chuỗi hành động phức tạp để tự sao chép mình sang hạ tầng bên ngoài (Leike, 2023 (mở trong tab mới)).

Các kịch bản tự tẩu thoát trải dài từ việc AI khai thác lỗ hổng phần mềm để giành đặc quyền hệ thống cao hơn, cho đến những cách tiếp cận tinh vi hơn như tạo các kênh ngầm để truyền dữ liệu dần dần, thao túng người dùng được ủy quyền thông qua kỹ thuật tấn công phi kỹ thuật (social engineering), hoặc phối hợp các chiến dịch nhiều giai đoạn phức tạp, cuối cùng dẫn đến việc tồn tại một bản sao hoàn chỉnh ở bên ngoài môi trường được kiểm soát. Trước hết, một hệ thống phải có đủ năng lực kỹ thuật để thực hiện một hoạt động như vậy — bao gồm việc hiểu môi trường thực thi của nó, xác định lỗ hổng, và có thể thao túng người dùng hoặc hệ thống được ủy quyền. Đây là một mối lo ngại về lợi dụng sai mục đích nếu hành vi tự tẩu thoát xảy ra thông qua các đầu vào hay câu lệnh đối kháng kích hoạt những hành vi không mong muốn, ngay cả khi mô hình thường không có mục tiêu tự tẩu thoát. Ngược lại, nếu các mô hình AI có năng lực tự tẩu thoát cao, cùng với nhận thức tình huống (situational awareness) cao, chúng có thể chủ động lựa chọn làm vậy mà không cần bị lợi dụng từ bên ngoài; đây là một câu hỏi liên quan đến sự căn chỉnh của chúng (Leike, 2023 (mở trong tab mới)). Một hệ thống được căn chỉnh tốt sẽ kiềm chế không tự tẩu thoát dù có đủ năng lực, trong khi một hệ thống bị mất căn chỉnh có thể chủ động theo đuổi điều đó.

Các nhà nghiên cứu an toàn AI đã bắt đầu phát triển các bài kiểm tra và đánh giá được thiết kế riêng để đo lường năng lực tự tẩu thoát của hệ thống AI. Một số bài kiểm tra chỉ đánh giá một phần năng lực tẩu thoát, ví dụ Cybench kiểm tra khả năng của các mô hình ngôn ngữ (LM) trong việc tự chủ xác định lỗ hổng và thực hiện khai thác (Zhang và cộng sự, 2024 (mở trong tab mới)), hay Exfilbench, một bài kiểm tra về tẩu thoát và tự nhân bản (Exfilbench, 2025 (mở trong tab mới)). Các bài kiểm tra riêng lẻ có thể được kết hợp thành những đánh giá toàn diện, nhằm đánh giá khả năng của một hệ thống trong việc tự chủ nhân bản, thích nghi với môi trường mới, và có thể tự chuyển bản thân sang những tài nguyên tính toán khác (Kinniment và cộng sự, 2024 (mở trong tab mới); METR, 2025 (mở trong tab mới); Exfilbench, 2025 (mở trong tab mới)). Chúng tôi cũng đang phát triển các đánh giá kiểm soát, giả định có một AI mang tính đối kháng, sau đó kiểm tra khả năng của các biện pháp phòng thủ của chúng ta trong việc chống lại những hành động phá hoại từ AI (Greenblatt và cộng sự, 2024 (mở trong tab mới); Korbak và cộng sự, 2025 (mở trong tab mới)). Những đánh giá này giúp các nhà nghiên cứu hiểu được năng lực tự tẩu thoát mở rộng quy mô như thế nào cùng với năng lực tổng thể của hệ thống, và cho phép triển khai các biện pháp an ninh phòng ngừa từ trước. Tất cả những nội dung này sẽ được bàn luận chi tiết hơn nhiều trong chương về đánh giá.

Rủi ro Bị Bỏ quên: Con người Chiếm quyền với Sự Hỗ trợ của AI

Trong khi phần lớn các thảo luận về rủi ro AI tập trung vào một AI nổi loạn giành quyền kiểm soát, một kịch bản gần hơn về mặt thời gian và có khả năng nguy hiểm hơn là việc con người chiếm quyền với sự hỗ trợ của AI. Trong kịch bản này, một nhóm nhỏ người — thậm chí chỉ một cá nhân duy nhất — tận dụng một AI mạnh nhưng vẫn có thể kiểm soát được để giành quyền lực nhà nước thông qua một cuộc đảo chính (Davidson, 2025 (mở trong tab mới)). Mối đe dọa này làm mờ ranh giới giữa lợi dụng sai mục đích và mất căn chỉnh, vì hậu quả thảm khốc ở đây là do con người tạo ra, khi sử dụng một AI mạnh như một công cụ chinh phục không gì cản nổi.

Rủi ro này đòi hỏi sự chú ý đặc biệt vì hai lý do. Thứ nhất, nó có thể dễ xử lý hơn và cận kề hơn so với một cuộc chiếm quyền toàn diện bởi AI. Nó không đòi hỏi một AI siêu trí tuệ, mang tính tác nhân hoàn toàn với mục tiêu riêng của mình; một AI "công cụ" đủ mạnh cũng có thể đủ để trao cho một nhóm nhỏ những lợi thế quyết định trong giám sát, chiến tranh mạng, tuyên truyền, hoạch định chiến lược, và kiểm soát các hệ thống tự động. Thứ hai, (Davidson và cộng sự, 2025 (mở trong tab mới)) lập luận rằng hậu quả thậm chí có thể còn tồi tệ hơn một cuộc chiếm quyền bởi một AI thờ ơ, mất căn chỉnh. Trong khi một AI có thể "biến cả vũ trụ thành kẹp giấy" chỉ vì sự thờ ơ lạnh lùng, một nhà độc tài con người được AI trao quyền lại có thể chủ động mang ác ý, khóa chặt một tương lai chuyên chế vĩnh viễn, được thực thi bằng công nghệ số, dựa trên những hệ tư tưởng cụ thể của con người về sự tàn bạo hay áp bức.

May mắn thay, nhiều biện pháp bảo vệ được thiết kế để ngăn chặn AI chiếm quyền cũng đồng thời giúp phòng vệ trước việc con người chiếm quyền. Điều mấu chốt là ngăn không cho bất kỳ nhóm nhỏ nào chưa qua sàng lọc giành được quyền kiểm soát độc quyền đối với một hệ thống có năng lực gây bất ổn. Các chiến lược giảm thiểu rủi ro cốt lõi bao gồm:

• Đánh giá có mục tiêu: Các phòng thí nghiệm AI nên kiểm toán và kiểm thử đối kháng mô hình của mình một cách cụ thể, nhắm vào những năng lực "hỗ trợ đảo chính", như thiết kế vũ khí mới, thực hiện các cuộc tấn công mạng quy mô lớn, hoặc tạo ra tuyên truyền có sức thuyết phục cực cao.
• An ninh thông tin vững chắc: Các biện pháp an ninh nội bộ được thiết kế để ngăn chặn việc đánh cắp trọng số mô hình cũng đóng vai trò then chốt trong việc ngăn một người trong nội bộ hoặc một phe nhóm nhỏ chiếm đoạt mô hình cho mục đích riêng của họ.
• Quản trị phân tán: Đảm bảo quyền kiểm soát đối với những hệ thống AI mạnh nhất không tập trung trong tay một CEO duy nhất hay một hội đồng quản trị nhỏ, mà phải chịu sự giám sát dân chủ, rộng rãi hơn.

Tuy nhiên, tài liệu nghiên cứu về chủ đề này vẫn còn ở giai đoạn rất sơ khai.

Biện pháp Bảo vệ Kỹ thuật

Ngoài các kỹ thuật kiểm soát truy cập và tinh chỉnh theo chỉ dẫn như học tăng cường từ phản hồi của con người (RLHF), các nhà nghiên cứu còn đang phát triển những kỹ thuật để xây dựng cơ chế an toàn trực tiếp vào bên trong chính mô hình hoặc vào quy trình triển khai của chúng. Điều này bổ sung thêm một lớp phòng thủ trong việc ngăn ngừa nguy cơ lợi dụng sai mục đích. Sở dĩ phần này được xếp vào nhóm các phương pháp kiểm soát truy cập là vì phần lớn các biện pháp bảo vệ kỹ thuật mà chúng ta có thể triển khai đều đòi hỏi nhà phát triển phải duy trì quyền kiểm soát truy cập đối với mô hình. Nếu một mô hình hoàn toàn mã nguồn mở, thì các biện pháp bảo vệ kỹ thuật không thể được đảm bảo.

Cơ chế Ngắt mạch (circuit breakers). Lấy cảm hứng từ kỹ thuật biểu diễn (representation engineering), cầu dao ngắt mạch nhằm phát hiện và ngắt các mẫu kích hoạt (activation pattern) nội tại gắn liền với đầu ra gây hại, ngay khi chúng đang hình thành (Andy Zou và cộng sự, 2024 (mở trong tab mới)). Bằng cách "định tuyến lại" (rerouting) những biểu diễn gây hại này (ví dụ, sử dụng phương pháp Định tuyến lại Biểu diễn với LoRRA), kỹ thuật này có thể ngăn chặn việc tạo ra nội dung độc hại, thể hiện độ bền vững trước những cuộc tấn công đối kháng chưa từng gặp, đồng thời vẫn giữ được tính hữu dụng của mô hình khi yêu cầu không mang tính gây hại. Cách tiếp cận này nhắm vào chính năng lực gây hại nội tại của mô hình, khiến nó có khả năng bền vững hơn so với việc chỉ lọc đầu vào/đầu ra.

"Loại bỏ tri thức" (machine unlearning) bao gồm các kỹ thuật nhằm gỡ bỏ có chọn lọc những tri thức hoặc năng lực cụ thể khỏi một mô hình đã huấn luyện, mà không cần huấn luyện lại toàn bộ. Các ứng dụng liên quan đến phòng ngừa lợi dụng sai mục đích bao gồm loại bỏ tri thức về các chất nguy hiểm hay vũ khí, xóa bỏ những thiên lệch gây hại, hoặc loại bỏ các lỗ hổng vượt ngục. Một số nhà nghiên cứu cho rằng khả năng loại bỏ năng lực một cách có chọn lọc và bền vững cuối cùng có thể trở nên rất giá trị trong nhiều tình huống khác nhau, đồng thời cũng khả thi để thực hiện (Casper, 2023 (mở trong tab mới)). Các kỹ thuật trải dài từ phương pháp dựa trên gradient đến việc chỉnh sửa tham số và chỉnh sửa mô hình. Tuy nhiên, vẫn còn những thách thức trong việc đảm bảo sự lãng quên hoàn toàn và bền vững, tránh hiện tượng quên thảm khốc (catastrophic forgetting) đối với những tri thức hữu ích, và mở rộng quy mô các phương pháp này một cách hiệu quả.

Thách thức gần như bất khả thi của việc tạo ra các biện pháp bảo vệ chống can thiệp

Một thách thức lớn đối với các mô hình có trọng số mở là kẻ tấn công có thể tinh chỉnh chúng để loại bỏ những biện pháp bảo vệ được tích hợp sẵn.

Tại sao chúng ta không thể chỉ đơn giản tinh chỉnh theo chỉ dẫn các mô hình mạnh rồi phát hành chúng dưới dạng trọng số mở? Một khi một mô hình được truy cập tự do, thì ngay cả khi nó đã được tinh chỉnh để tích hợp các bộ lọc an ninh, việc loại bỏ những bộ lọc này tương đối đơn giản. Một số nghiên cứu đã cho thấy chỉ cần vài trăm euro là đủ để vượt qua toàn bộ các rào cản an toàn hiện có trên các mô hình mã nguồn mở, chỉ đơn giản bằng cách tinh chỉnh mô hình với một vài ví dụ độc hại (Lermen và cộng sự, 2024 (mở trong tab mới)). Đây là lý do vì sao việc đặt mô hình sau các API là một giải pháp trung dung mang tính chiến lược.

Biện pháp bảo vệ chống can thiệp như một hướng nghiên cứu. Nghiên cứu về các biện pháp bảo vệ chống can thiệp, chẳng hạn như phương pháp TAR, nhằm khiến các cơ chế an toàn (như từ chối trả lời hay hạn chế tri thức) trở nên bền vững trước những cuộc tấn công tinh chỉnh như vậy (Tamirisa và cộng sự, 2024 (mở trong tab mới)). TAR đã cho thấy triển vọng trong việc chống lại việc tinh chỉnh trên diện rộng trong khi vẫn giữ được năng lực tổng quát, dù vẫn còn những hạn chế căn bản trong việc phòng thủ trước các cuộc tấn công tinh vi khai thác những biến thể tưởng chừng vô hại.

Chiến lược Xã hội-Kỹ thuật

Những chiến lược nêu trên tập trung vào việc giảm thiểu rủi ro từ những mô hình chưa được phổ biến rộng rãi, chẳng hạn như các mô hình có khả năng thực hiện tấn công mạng tiên tiến hay thiết kế mầm bệnh. Nhưng còn những mô hình tạo điều kiện cho deepfake, các chiến dịch thông tin sai lệch, hay vi phạm quyền riêng tư thì sao? Rất nhiều mô hình trong số đó đã được phổ biến rộng rãi.

Đáng tiếc, việc sử dụng các mô hình mã nguồn mở để làm những việc như tạo ra hình ảnh khiêu dâm hóa của một người chỉ từ vài bức ảnh của họ đã trở nên quá dễ dàng. Không có giải pháp thuần túy kỹ thuật nào để đối phó với những vấn đề như vậy. Ví dụ, việc thêm các lớp phòng thủ (như nhiễu đối kháng — adversarial noise) vào ảnh được đăng tải trực tuyến để khiến AI không thể đọc được chúng có lẽ sẽ không thể mở rộng quy mô, và trên thực tế, mọi loại phòng thủ đều đã bị các cuộc tấn công trong tài liệu nghiên cứu về tấn công đối kháng vượt qua.

Giải pháp chính là quản lý bằng luật pháp và thiết lập những chuẩn mực nghiêm ngặt chống lại loại hành vi này. Một số cách tiếp cận tiềm năng (Control AI, 2024 (mở trong tab mới)):

1. Luật pháp và hình phạt: Ban hành và thực thi luật coi việc tạo ra và chia sẻ nội dung khiêu dâm deepfake không có sự đồng thuận, hoặc sử dụng AI để theo dõi, quấy rối, xâm phạm quyền riêng tư, vi phạm sở hữu trí tuệ, hay lan truyền thông tin sai lệch là hành vi bất hợp pháp. Áp dụng những hình phạt đáng kể mang tính răn đe.
2. Kiểm duyệt nội dung: Yêu cầu các nền tảng trực tuyến chủ động phát hiện và gỡ bỏ nội dung có vấn đề do AI tạo ra, thông tin sai lệch, và tài liệu xâm phạm quyền riêng tư. Quy trách nhiệm cho các nền tảng khi không thực hiện kiểm duyệt.
3. Gắn thủy vân (watermarking): Khuyến khích hoặc yêu cầu gắn "thủy vân" cho nội dung do AI tạo ra. Xây dựng các tiêu chuẩn về nguồn gốc và xác thực nội dung số.
4. Giáo dục và nâng cao nhận thức: Triển khai các chiến dịch giáo dục cộng đồng về rủi ro của deepfake, thông tin sai lệch, và các mối đe dọa về quyền riêng tư từ AI. Dạy mọi người trở thành những người tiêu thụ nội dung trực tuyến biết tư duy phản biện.
5. Nghiên cứu: Hỗ trợ nghiên cứu về các phương pháp kỹ thuật để phát hiện nội dung do AI tạo ra, nhận diện phương tiện truyền thông bị chỉnh sửa, và bảo vệ quyền riêng tư trước các hệ thống AI.

Những yếu tố này có thể được kết hợp với các chiến lược và lớp phòng thủ khác để đạt được phòng thủ theo chiều sâu. Ví dụ, các hệ thống dùng AI có thể sàng lọc cuộc gọi điện thoại theo thời gian thực, phân tích mẫu giọng nói, tần suất cuộc gọi, và các dấu hiệu trong hội thoại để nhận diện khả năng lừa đảo, rồi cảnh báo người dùng hoặc chặn cuộc gọi (Neuralt, 2024 (mở trong tab mới)). Các chatbot như Daisy (Anna Desmarais, 2024 (mở trong tab mới)) và các dịch vụ như Jolly Roger Telephone sử dụng AI để lôi kéo kẻ lừa đảo vào những cuộc trò chuyện dài dòng, vô bổ, làm tốn thời gian của chúng và khiến chúng không thể nhắm vào những nạn nhân tiềm năng. Đây là những ứng dụng thực tiễn, mang tính phòng thủ của AI để đối phó với các hình thức lợi dụng sai mục đích phổ biến. Nhưng đây chỉ mới là bước đi ban đầu, và còn lâu mới đủ.

Cuối cùng, cần phải có sự kết hợp giữa các khung pháp lý, chính sách nền tảng, chuẩn mực xã hội, và công cụ công nghệ để giảm thiểu những rủi ro do các mô hình AI đã được phổ biến rộng rãi gây ra.