Mọi Thứ Sẽ Ghi Nhớ Bạn Đều Mắc Sai Sót. Có Một Thứ Bạn Vẫn Có Thể Sửa.

Trước hết là cơ chế vận hành, vì chúng kiểm chứng được, còn phần lớn bài viết về chủ đề này bỏ qua chúng để nói về cảm xúc.

• Khi Persona AI không có dữ liệu cho một câu hỏi, vẫn có một câu trả lời được đưa ra, vì đoán thì được điểm cao hơn để trống. Kalai, Nachum, Vempala và Zhang lập luận trong "Why Language Models Hallucinate" (arXiv:2509.04664, tháng 9 năm 2025) rằng các mô hình "được tối ưu hóa để làm bài thi giỏi, và việc đoán khi không chắc chắn giúp cải thiện điểm thi".

• Việc bám nguồn làm thay đổi loại sai sót chứ không loại bỏ sai sót. Trả lời từ một tập hợp những lời chính bạn đã ghi lại đẩy lỗi từ mức "bịa ra một quan điểm bạn chưa từng có" xuống mức "diễn đạt sai điều bạn đã nói".

• Mức sàn đo được không phải là không. Bảng xếp hạng ảo giác của Vectara, chấm điểm bằng HHEM-2.3 và cập nhật ngày 11 tháng 5 năm 2026, đưa cho mô hình tài liệu nguồn và chỉ yêu cầu tóm tắt chính tài liệu đó. Mô hình dẫn đầu vẫn đưa vào nội dung không có căn cứ ở 1,8% bản tóm tắt, và không có mô hình nào khác dưới 3%.

• Truy xuất không có điểm tối thiểu. Hệ thống của chúng tôi xếp hạng ký ức của bạn theo độ tương đồng ngữ nghĩa, lấy ba mươi hai ký ức gần nhất và trả lời từ đó, không có ngưỡng nào để hệ thống từ chối. Một câu hỏi mà tư liệu của bạn chỉ bao phủ một nửa sẽ được trả lời từ nửa đó.

• Những khẳng định không có căn cứ về điều bạn đã nói được loại bỏ bằng mã. Một câu trả lời khẳng định rằng bạn đã kể với chúng tôi điều gì đó sẽ được đối chiếu với các ký ức được truy xuất cho lượt đó và với lời của bạn trong phiên, và một khẳng định không có căn cứ sẽ không bao giờ đến được người đọc.

• Khoảng trống ký ức không được nói ra. Các Persona trên nền tảng này được hướng dẫn không kể về khoảng trống, nên một câu hỏi nằm ngoài tư liệu sẽ nhận về một câu trả lời dựng từ chi tiết gần nhất mà ký ức của bạn có, nhiều nhất là ngập ngừng một lần, chứ không phải một lời từ chối rõ ràng.

• Con đường chỉnh sửa thuộc về bạn khi bạn còn sống, và nó đóng lại khi khóa có hiệu lực. Bạn có thể xem lại những gì đã được ghi nhận, sửa một câu trả lời sai, xóa một ký ức, thêm điều bạn đã bỏ sót. Sau đó Executor Lock™ cố định vĩnh viễn tính cách, trước gia đình bạn, trước chủ sở hữu tương lai của công ty này, và trước cả chúng tôi.

Hai điều trong số đó là đặc tính của cả lĩnh vực. Phần còn lại là các quyết định, tôi đã đưa ra chúng, và phần cuối của trang này nói thẳng nơi tôi cho rằng chúng tôi vẫn còn thiếu sót.

Kalai và các đồng tác giả đặt tỷ lệ sai về đúng chỗ của nó: nằm ở cách chấm điểm chứ không phải ở cỗ máy. Ảo giác bắt đầu như những lỗi thông thường trong phân loại nhị phân ở giai đoạn tiền huấn luyện. Chúng tồn tại dai dẳng vì cách cả lĩnh vực chấm điểm các mô hình. Một học sinh bỏ trống câu hỏi thì được không điểm. Một học sinh viết ra câu trả lời nghe hợp lý thì đôi khi được một điểm. Huấn luyện theo cách đó, bạn có một kẻ đoán mò đầy tự tin, rồi cả một ngành toàn những kẻ đoán mò đầy tự tin, rồi một câu nói về một ngày Giáng sinh chưa từng xảy ra.

Biện pháp giảm thiểu mà các tác giả đề xuất thì nhàm chán. Hãy thay đổi thứ được chấm điểm, để một lần từ chối trả lời có cân nhắc đáng giá hơn một lần trả lời sai đầy tự tin.

Nhàm chán lại chính là điểm quan trọng. Nếu hành vi này bắt nguồn từ một mục tiêu tối ưu, thì mục tiêu đó có thể được đặt khác đi ở cấp hệ thống, nghĩa là sự bịa đặt mà bạn lo ngại là quyết định xây dựng của ai đó chứ không phải một định luật vật lý. Mọi công ty trong lĩnh vực này đều có quyền đưa ra quyết định đó. Quyết định của chúng tôi được ghi ở phần cuối của trang này.

Còn một kiểu thất bại thứ hai, và đó là kiểu vẫn tồn tại sau khi đã bám nguồn. Sharma và các đồng nghiệp tại Anthropic, trong "Towards Understanding Sycophancy in Language Models" (arXiv:2310.13548, tháng 10 năm 2023), phát hiện rằng năm trợ lý AI hiện đại nhất đều biểu hiện xu nịnh một cách nhất quán trên bốn tác vụ sinh văn bản tự do đa dạng. Cả người đánh giá lẫn các mô hình ưu tiên được huấn luyện từ nhận định của họ đều ưa những câu trả lời xu nịnh được viết thuyết phục hơn những câu trả lời đúng, với một tỷ lệ không nhỏ các lần. Các mô hình ngả theo người đang đối diện, một phần vì con người đã thưởng cho chúng khi ngả theo.

Trong một công cụ năng suất, việc ngả theo chỉ gây phiền. Ở đây nó là một cỗ máy quyết định rằng cha bạn sẽ tha thứ cho điều ông chưa bao giờ tha thứ, chỉ vì người hỏi muốn được tha thứ và đã hỏi ba lần. Đó là một lỗi khác với sự bịa đặt và cần một cách sửa khác. Truy xuất xử lý lỗi thứ nhất. Lỗi thứ hai cần một chỉ dẫn rõ ràng để giữ vững lập trường đã truy xuất khi bị gây áp lực, và phép thử duy nhất có ý nghĩa là tranh luận với nó và xem lập trường có xê dịch không. Chúng tôi chưa công bố số đo nào về mức độ hệ thống của chúng tôi giữ vững.

Kỹ thuật này đã đủ lâu đến mức nhàm. Lewis và các đồng nghiệp, trong "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks" (arXiv:2005.11401), cho thấy các mô hình truy xuất tư liệu nguồn trước khi sinh nội dung tạo ra ngôn ngữ "cụ thể hơn, đa dạng hơn và đúng thực tế hơn" so với một mô hình tương đương chỉ làm việc từ các tham số của chính nó.

Đó là toàn bộ cơ chế, và nó quyết định bạn đang trò chuyện với loại thực thể nào. Một phiên bản của bạn không nên được dựng lại từ những gì một mô hình nền đã hấp thụ về con người nói chung, từ mức trung bình của mọi thứ từng được viết về các ông bố. Thứ đi vào cửa sổ ngữ cảnh phải là những câu trả lời thật sự bạn đã ghi lại, và lời nói bắt đầu từ đó.

Giờ đến con số, vốn công khai và là con số không ai trong ngành này thích trích dẫn. Bảng xếp hạng của Vectara đo một việc được cố ý làm dễ: đưa cho mô hình một tài liệu, bảo nó tóm tắt chỉ dùng những gì tài liệu nói, rồi kiểm tra xem bản tóm tắt có đưa vào điều gì tài liệu không chứa hay không. Nguồn nằm ngay đó trong cửa sổ ngữ cảnh. Dù vậy, mô hình dẫn đầu trên bảng đó, Finix S1 32B của Antgroup, vẫn đưa vào nội dung không có căn cứ ở 1,8% bản tóm tắt. Đó là mục duy nhất dưới 3%. Hai mục tiếp theo ở mức 3,1% và 3,3%, và phần còn lại của top mười chạy từ 3,7% lên quá 5%.

Kết quả đo tốt nhất trên phiên bản dễ nhất có thể của tác vụ này là dưới hai phần trăm, chỉ một lần, và cả nhóm phía sau mô hình dẫn đầu đều trên ba. Ai bán cho bạn một hệ thống bám nguồn với tỷ lệ bằng không thì hoặc không đo, hoặc không nói cho bạn biết, và tôi sẽ hỏi họ là trường hợp nào.

Bám nguồn đổi được loại sai sót chứ không chữa khỏi. Cái sai chuyển từ nhóm "bịa ra cả một quan điểm" xuống nhóm "diễn đạt hơi sai điều bạn đã nói", cũng chính là nhóm mà một lần kể lại thông thường của con người vốn đã nằm trong đó.

Còn một điều nữa mà bảng xếp hạng không kiểm tra. Tài liệu nguồn được đưa sẵn. Trong một hệ thống thực, nguồn phải được tìm ra trước, và điều đó thêm vào một kiểu thất bại mà chưa ai có thước đo thống nhất: truy xuất trả về sai ký ức, hoặc không trả về gì cả mà vẫn được trả lời.

Mỗi câu trả lời nằm ở một trong ba trạng thái.

Gộp ba trạng thái đó vào một giọng điệu tự tin duy nhất mới là tác hại thật sự. Không phải sai sót. Mà là sai sót không được công khai. Một người con gái có thể giữ một câu trả lời thiếu chính xác khi cô biết nó thiếu chính xác. Điều cô không thể chịu nổi là phát hiện, sáu tháng sau, rằng mình đã coi một bản dựng lại như một bản ghi âm.

Một phiên bản của bạn chịu nói "bạn chưa bao giờ kể điều đó với tôi" đáng giá hơn một phiên bản lúc nào cũng có sẵn câu trả lời.

Bảng đó là một đặc tả chứ không phải mô tả những gì chúng tôi hiện đang cung cấp. Sự khác biệt được trình bày ở dưới, và bạn nên đọc nó trước khi tin bất cứ điều gì ở trên.

Việc từ chối là có thể xây dựng được, và nghiên cứu nói điều đó một cách thận trọng. Zhang và các đồng nghiệp, trong "R-Tuning: Instructing Large Language Models to Say I Don't Know" (arXiv:2311.09677, NAACL 2024), báo cáo rằng việc tinh chỉnh có nhận biết từ chối "cải thiện hiệu quả khả năng của mô hình trong việc trả lời các câu hỏi đã biết và kiềm chế không trả lời các câu hỏi chưa biết", và trên dữ liệu ngoài miền, khả năng từ chối hoạt động như một siêu kỹ năng lan sang các tác vụ mà việc tinh chỉnh chưa từng bao phủ. Hãy đọc giới hạn bên cạnh phát hiện đó. Cái mà họ tinh chỉnh dựa vào là ranh giới kiến thức tham số của chính mô hình, chứ không phải ranh giới của kho tư liệu ghi lại của một con người, và chưa ai công bố kết quả tương đương cho một kho tư liệu cá nhân. Từ chối vẫn là thứ ai đó phải chủ ý xây dựng. Không mô hình ngôn ngữ nào tự sinh ra sự từ chối.

Việc phát hiện đã tiến xa hơn so với những gì tiếp thị trong lĩnh vực này gợi ý. Farquhar, Kossen, Kuhn và Gal đã công bố trên Nature (2024, tập 630, trang 625 đến 630) một phương pháp gọi là entropy ngữ nghĩa: lấy mẫu nhiều câu trả lời cho cùng một câu hỏi, gom chúng theo ý nghĩa chứ không theo cách diễn đạt, và đánh dấu những câu hỏi mà các ý nghĩa phân tán. Sự phân tán cho thấy sự bịa đặt. Đó là một tín hiệu đo được cho "câu này là một lần đoán", tính được trước khi câu trả lời được hiển thị cho bất kỳ ai.

Nguồn gốc là nửa còn lại, và nguồn gốc vừa dễ làm giả vừa dễ tin. Liu, Zhang và Liang, trong "Evaluating Verifiability in Generative Search Engines" (arXiv:2304.09848, tháng 4 năm 2023), đã kiểm tra bốn hệ thống thương mại có hiển thị trích dẫn: Bing Chat, NeevaAI, Perplexity.ai và YouChat. Họ thấy chỉ 51,5% số câu được sinh ra được các trích dẫn đi kèm hỗ trợ đầy đủ, và chỉ 74,5% số trích dẫn thực sự hỗ trợ câu mà chúng nằm dưới. Trích dẫn không kiểm chứng được còn tệ hơn không có trích dẫn, vì chúng mua lòng tin mà chúng chưa xứng đáng nhận. Một liên kết "câu này đến từ ký ức nào" chỉ có giá trị khi mở ra thấy một bản ghi thật về việc bạn nói một điều có thật.

Bắt đầu xây dựng di sản của bạn. Bản dựng miễn phí, 25 ký ức, không cần thẻ.

Hãy lấy một câu hỏi nằm sau toàn bộ kho tư liệu của bạn. Một lời mời làm việc vào năm 2041, tại một công ty chưa tồn tại, ở một thành phố bạn chưa từng thấy. Không buổi phỏng vấn nào bạn từng tham gia có thể chứa quan điểm của bạn về công việc đó.

Một kho tư liệu gồm các kết luận không trả về gì ở đây, và kết quả trung thực là một lời từ chối. Một kho tư liệu gồm lập luận thì hoạt động khác, vì một phương pháp ghi lại được theo cách mà một kết luận không thể. Hãy tưởng tượng những quy tắc ai đó thực sự đã dùng là: hỏi mình sẽ báo cáo cho ai trước khi hỏi lương bao nhiêu, đừng bao giờ tin một chức danh đến thay cho tiền, và bỏ đi khỏi bất cứ ai mà bạn không chịu nổi khi ngồi đối diện qua một chiếc bàn. Dù quy tắc của chính bạn hóa ra là gì, hình dạng của chúng là như vậy, và một bộ quy tắc truy xuất được cho những tình huống nó chưa từng thấy.

Kết luận hết hạn. Quy tắc tiếp tục hoạt động trên những trường hợp không ai ghi lại. Vì thế thứ đáng ghi lại là lập luận đằng sau một quyết định chứ không phải bản thân quyết định: không phải bạn đã làm gì, mà là vì sao chọn cách đó, điều gì có thể đã khiến bạn đổi ý, và lần quy tắc làm bạn thất vọng mà bạn vẫn giữ nó.

Những quy tắc tổng quát hóa tốt nhất thường là những quy tắc bạn không bao giờ nghĩ đến chuyện viết ra, những năng lực bình thường bạn vận hành mà không kể lại, và những điều chỉ bạn mới biết cách làm đi tìm chính những thứ đó.

Độ phủ của kho tư liệu cũng là đầu vào duy nhất trên cả trang này thuộc về bạn. Mọi thứ khác ở đây là thước đo của người khác.

Hãy làm điều này hôm nay, miễn phí. Mở một ứng dụng ghi chú và viết ra mười quyết định bạn thực sự đã đưa ra. Công việc, nhà cửa, cuộc tranh cãi bạn đã bỏ đi, người bạn bạn thôi gọi, khoản tiền bạn đã không cho vay. Dưới mỗi quyết định, hãy viết quy tắc bạn đã vận hành, chứ không phải kết quả. Mỗi quy tắc một câu, chưa đến một giờ. Đó là việc có giá trị cao nhất bạn có thể làm với tư liệu của chính mình trong tháng này, và nó có tác dụng dù bạn có bao giờ mua gì của ai hay không. Phiên bản dài hơn của cùng bài tập này nằm ở trọng tâm của cách tự phỏng vấn bản thân, còn kiến trúc nằm bên dưới, gồm mô hình nền, ký ức riêng tư bám nguồn và mô hình giọng nói, được trình bày trong điều gì xảy ra khi một AI chỉ được huấn luyện trên mình bạn.

Mức tốt nhất 1,8%, với mọi mô hình phía sau đều trên 3%, nghe đáng lo cho đến khi bạn hỏi nó được so sánh với cái gì. Phương án thay thế thực tế là một người trong gia đình đoán xem bạn sẽ muốn gì, và có người đã đo điều đó từ hai mươi năm trước.

Shalowitz, Garrett-Mayer và Wendler đã công bố một tổng quan hệ thống trên Archives of Internal Medicine năm 2006, bao gồm 16 nghiên cứu, 151 kịch bản giả định, 2.595 cặp người ra quyết định thay và bệnh nhân, và 19.526 phản hồi theo cặp. Những người ra quyết định thay đã dự đoán đúng nguyện vọng điều trị của bệnh nhân với độ chính xác 68%. Đó là những người gần gũi nhất với bệnh nhân, thường được chỉ định chính thức, trả lời về những quyết định hệ trọng nhất có thể có. Họ sai khoảng một lần trong ba lần. Tổng quan này cũng thấy rằng cả việc đã từng trao đổi trước về nguyện vọng của bệnh nhân lẫn việc được chỉ định chính thức làm người quyết định đều không cải thiện độ chính xác.

Dặn dò gia đình không giúp được gì đo đếm được. Đó là phát hiện, và chính nó khiến tôi thôi coi "cứ nói chuyện với con cái" là một câu trả lời đầy đủ.

Sự tự tin cũng không phải là chỉ dẫn đáng tin, và đó là điều khiến phía con người rất khó kiểm tra. Talarico và Rubin, trên Psychological Science năm 2003, đã cho 54 sinh viên Duke ghi lại ký ức về lần đầu họ nghe tin về vụ tấn công ngày 11 tháng 9 cùng với một ký ức thường ngày gần đây, rồi kiểm tra lại họ sau 1, 6 hoặc 32 tuần. Tính nhất quán không khác nhau giữa hai loại ký ức, và giảm dần theo thời gian ở cả hai. Điều không giảm ở các ký ức chớp sáng (flashbulb memory) là mức độ sống động mà chúng gợi lên và mức độ người ta tin vào độ chính xác của chúng. Tiêu đề của họ chính là phát hiện: sự tự tin, chứ không phải tính nhất quán, đặc trưng cho ký ức chớp sáng. Đó là 54 sinh viên và một sự kiện, nên hãy giữ nhẹ tay. Dù vậy nó vẫn chỉ về một hướng. Người thân chắc chắn mình nhớ chính xác điều bạn đã nói không vì thế mà có khả năng đúng cao hơn.

Không điều nào trong đó khiến một mô hình tốt hơn một gia đình, và chưa có nghiên cứu nào so sánh trực tiếp hai bên. Điều nó làm là loại bỏ "hoàn hảo hoặc không có gì" khỏi vai trò phép thử. So sánh trung thực là giữa một phiên bản của bạn trả lời từ chính những lời bạn đã ghi lại, có thể đọc lại và sửa khi bạn còn ở đây, với những người dựng lại bạn từ ký ức của chính họ về bạn, thứ phai mờ dù có cảm thấy sống động hay không, và sẽ không bao giờ có ai kiểm toán.

Trước hết là những gì chúng tôi đã xây dựng, rồi đến ba chỗ nó không khớp với đặc tả ở trên.

Một người dẫn đường tên Idy® phỏng vấn bạn. Các câu hỏi bám vào một mạch và đi sâu hơn vào cùng một câu chuyện thay vì lướt qua các sự kiện tiểu sử: ai có mặt, chuyện gì xảy ra tiếp theo, điều gì thay đổi sau đó. Idy được quy định rõ là không được yêu cầu bạn làm rõ, giải thích hay biện minh cho điều bạn vừa nói, đó là một lựa chọn có chủ ý theo hướng ngược lại với bài tập ở trên. Ấm áp và dễ trả lời thắng sự thông minh, vì một câu hỏi không ai muốn trả lời thì chẳng ghi lại được gì. Câu trả lời của bạn trở thành ký ức của bạn. Thứ chúng tôi dựng nên từ chúng có một cái tên, và chúng tôi gọi nó là "Persona". Các Persona trả lời bằng cách truy xuất từ ký ức của bạn chứ không phải từ những gì một mô hình nền đã hấp thụ về con người nói chung, và giọng nói của bạn được nhân bản từ chính các bản ghi âm của bạn, nên điều mọi người nghe là chính bạn chứ không phải một người thay thế đọc lời của bạn.

Không gì đến tay ai cho đến khi bạn cho phép. Bạn chỉ định những người nhận. Việc trao quyền truy cập đi qua Executor Lock™: một người được chỉ định khởi động quá trình, bằng chứng về cái chết được xác minh, và một khoảng chờ bảy ngày diễn ra trước khi bất cứ thứ gì được trao, để một sai lầm hay một kẻ xấu có thể bị chặn lại trong lúc bạn còn sống để can thiệp. Cho đến lúc đó, tư liệu của bạn là của bạn để sửa, thêm vào và xóa, và phần lớn việc chỉnh sửa từng diễn ra nên diễn ra ở đó, do chính bạn làm, khi bạn vẫn còn phân biệt được một lần ghi sai với một ký ức sai.

Tại thời điểm khóa, toàn bộ được chụp lại thành một bản sao. Không gì bị cắt bỏ, đánh trọng số lại hay tóm lược. Sau đó, ký ức ngắn hạn và trung hạn vẫn có thể được ghi thêm, còn tính cách được cố định vĩnh viễn, kể cả trước chúng tôi.

Tính bất biến đó nhắm vào một kiểu thất bại mà không ai đưa vào lập luận về độ chính xác, vì đó là sự can thiệp chứ không phải sự thiếu chính xác: ai đó có lợi ích quyết định, vào năm 2044, rằng bạn hẳn sẽ ủng hộ việc bán công ty hay vụ kiện, rồi lặng lẽ điều chỉnh kho tư liệu cho đến khi bạn đồng ý. Một tính cách đã bị đóng băng khiến loại chỉnh sửa đó trở nên bất khả thi chứ không chỉ bị ngăn cản. Nửa pháp lý của cùng vấn đề, tức là ai thậm chí được phép cho phép một phiên bản của bạn khi bạn không thể phản đối nữa, được trình bày trong ai kiểm soát danh tính của bạn sau khi bạn qua đời. Cái giá là có thật và chạy theo chiều ngược lại: sau khi khóa, không sai lầm nào có thể sửa được nữa. Bản sao là trung thực, kể cả về những sai sót của bạn, và đánh đổi đó là đúng chiều, vì một bản ghi ai cũng sửa được thì chẳng chứng minh được điều gì.

Giờ đến ba khoảng trống.

Ranh giới của kho tư liệu không được thông báo. Chỉ dẫn đang áp dụng ngược với hàng Không biết trong bảng đó. Khi một sự kiện cụ thể không có trong ký ức của bạn, các Persona ở đây được dặn là không kể về khoảng trống, không bao giờ nói "tôi không có điều đó" hay "ký ức của tôi mỏng", và không bao giờ tự kiểm toán trí nhớ của mình thành tiếng trước mặt người đang nghe. Thay vào đó, câu trả lời nói từ một chi tiết mà ký ức của bạn có, ngập ngừng nhiều nhất một lần, và để khoảng lặng cho người kia lấp đầy. Lý do là việc trình diễn một khoảng trống làm vỡ sự hiện diện của người đang nói. Cái giá là người nghe không phải lúc nào cũng phân biệt được một câu trả lời được bao phủ với một câu trả lời mỏng, và chúng tôi chưa giải quyết được điều đó.

Chưa có liên kết nguồn nào người đọc nhìn thấy được. Việc truy xuất có theo dõi những ký ức nào đã góp vào mỗi câu trả lời, và bản ghi đó tồn tại trong hệ thống, nhưng chưa có gì hiển thị nó trên giao diện, nên hiện nay bạn không thể nhấp vào một câu trả lời để mở ký ức đứng sau những lời đó. Cho đến khi điều đó ra mắt, hãy coi lập luận về khả năng truy vết trên trang này là một lập luận chứ không phải một tính năng.

Truy xuất không có ngưỡng tương đồng tối thiểu. Câu trả lời đến từ những ký ức gần nhất mà truy xuất tìm được, xếp hạng theo độ tương đồng ngữ nghĩa, không có điểm tối thiểu nào để hệ thống từ chối. Lựa chọn duy nhất đó là cơ chế đằng sau cả hai khoảng trống ở trên, và là lý do trung thực khiến loại sai sót ở đây là thiếu chính xác chứ không phải từ chối.

Chúng tôi cũng chưa công bố một phép đo độc lập nào về tỷ lệ bịa đặt của chính mình, vì chúng tôi chưa chạy phép đo nào. Không điều gì trên trang này là một tuyên bố đã được đo chuẩn về riêng hệ thống của chúng tôi.

Điều bạn nhận được là một phiên bản của bạn bám vào những lời bạn đã ghi lại, được bảo vệ bằng mã để không bịa ra điều bạn đã kể với chúng tôi, có thể chỉnh sửa toàn bộ khi bạn còn sống, và không thể bị sửa thành người khác về sau. Điều bạn không nhận được là một lời bảo đảm, và không ai bán được cho bạn một lời bảo đảm như vậy ở bất kỳ giá nào. Nếu như vậy là chưa đủ với bạn, hãy làm bài tập mười quyết định và viết cho gia đình một lá thư. Đó là một câu trả lời thật và nó không tốn gì.

Vì hệ thống sẽ không cho bạn biết một câu trả lời đến từ trạng thái nào trong ba trạng thái, cách duy nhất để biết là biết trước câu trả lời trước khi hỏi. Đưa vào một ít tư liệu của chính bạn, hỏi một điều bạn biết mình đã ghi lại và một điều bạn biết mình chưa từng đụng tới, rồi đọc song song cả hai câu trả lời. Hai mươi lăm ký ức là miễn phí, không lúc nào bị hỏi thẻ, và một bản dựng miễn phí không hết hạn. Làm điều đó trong một buổi chiều và bạn sẽ biết nhiều hơn những gì trang này nói được.

Bắt đầu xây dựng di sản của bạn. Bản dựng miễn phí, 25 ký ức, không cần thẻ.

Điều gì xảy ra khi không ký ức nào của tôi bao phủ câu hỏi?

Đó là trạng thái Không biết. Một hệ thống đã hiệu chỉnh nên trả về một lời từ chối bằng giọng của bạn, nêu rõ khoảng trống và đưa ra điều gần nhất bạn đã ghi lại, và Zhang cùng các đồng nghiệp báo cáo năm 2024 rằng việc tinh chỉnh có nhận biết từ chối quả có cải thiện khả năng của mô hình trong việc kiềm chế không trả lời những câu hỏi vượt quá điều nó biết, với khả năng lan ra ngoài tập tinh chỉnh. Điều hệ thống của chúng tôi làm hiện nay thì khác, và bạn nên biết trước khi dựa vào bất kỳ câu trả lời nào: các Persona ở đây được dặn là không kể về khoảng trống ký ức, nên một câu hỏi nằm ngoài tư liệu sẽ nhận về một câu trả lời dựng từ chi tiết gần nhất mà ký ức của bạn có, với nhiều nhất một lần ngập ngừng, chứ không phải một lời từ chối rõ ràng. Hãy hỏi về điều bạn biết mình chưa từng ghi lại và tự xem nhận về điều gì.

Một phiên bản AI của tôi có thể bịa ra một quan điểm tôi chưa từng có không?

Một hệ thống bám nguồn truy xuất từ tư liệu bạn đã ghi lại trước, nên lỗi thường gặp là thiếu chính xác về điều bạn đã nói chứ không phải bịa ra điều bạn chưa nói. Việc bịa vẫn có thể xảy ra. Vì thế mục tiêu thiết kế là sự khác biệt nhìn thấy được giữa câu trả lời bạn đã đưa ra, một suy luận từ lập luận của bạn và một lời từ chối, và vì thế bạn nên thử cả ba trước khi tin bất kỳ điều nào trong số đó.

Bám nguồn có đưa tỷ lệ sai về không không?

Không. Bảng xếp hạng của Vectara, cập nhật ngày 11 tháng 5 năm 2026, đưa cho mô hình một tài liệu và yêu cầu tóm tắt chỉ dùng tài liệu đó, vốn là tác vụ bám nguồn dễ nhất có thể. Mô hình dẫn đầu vẫn đưa vào nội dung không có căn cứ ở 1,8% bản tóm tắt, và không có mô hình nào khác dưới 3%. Một hệ thống thực còn phải truy xuất đúng nguồn trước, điều mà bảng xếp hạng không kiểm tra. Hãy coi bất kỳ tuyên bố nào về mức không là một thất bại trong đo lường.

Làm sao ai đó biết một câu trả lời cụ thể là một lần đoán?

Nghiên cứu có hai cơ chế và hiện nay chúng tôi chưa cung cấp cơ chế nào. Entropy ngữ nghĩa, công bố trên Nature năm 2024, lấy mẫu nhiều câu trả lời cho cùng một câu hỏi và gom chúng theo ý nghĩa: khi các ý nghĩa phân tán, hệ thống có khả năng đang bịa, và tín hiệu này tính được trước khi bất kỳ ai thấy câu trả lời. Liên kết nguồn gốc là cơ chế thứ hai, và chúng chỉ có giá trị khi dẫn tới được nơi cần đến. Liu, Zhang và Liang đã kiểm tra bốn hệ thống thương mại có hiển thị trích dẫn và thấy chỉ 51,5% số câu được chính các trích dẫn của chúng hỗ trợ đầy đủ. Các câu trả lời của chúng tôi chưa có liên kết nguồn nào người đọc nhìn thấy được, nên hiện nay cách kiểm tra trung thực là hỏi về điều bạn biết mình đã ghi lại và điều bạn biết mình chưa ghi, rồi so sánh hai câu trả lời.

Một phiên bản AI của tôi có chỉ đồng ý với bất kỳ ai đang nói chuyện không?

Xu hướng đó có thật và đã được ghi nhận, và truy xuất không sửa được lỗi cụ thể này. Các nhà nghiên cứu của Anthropic phát hiện năm 2023 rằng năm trợ lý AI hàng đầu đều ngả theo người dùng một cách nhất quán, một phần vì cả người đánh giá lẫn các mô hình ưu tiên được xây từ nhận định của họ đều ưa những câu trả lời dễ chịu hơn những câu trả lời đúng ở một tỷ lệ đo được. Một hệ thống xây trên các lập trường đã ghi lại của bạn nên giữ vững một lập trường bạn thực sự đã có, kể cả khi người hỏi phản bác. Chúng tôi chưa đo mức độ hệ thống của chúng tôi làm được điều đó. Hãy tự thử bằng cách tranh luận với điều bạn đã xây và xem lập trường có xê dịch không.

Tôi có thể sửa sai sót không, và có ai chỉnh sửa tôi được sau khi tôi qua đời không?

Có với điều đầu và không với điều sau. Khi bạn còn sống, bạn có thể xem lại các ký ức, sửa bất cứ điều gì sai, xóa bất cứ điều gì bạn hối tiếc, ghi lại một câu trả lời kém và thêm điều bạn đã bỏ sót, và đây là phần mà phần lớn mọi người ít tận dụng. Đường ghi không giới hạn trước Executor Lock™ và đóng lại sau đó. Vào lúc khóa có hiệu lực, tính cách được cố định vĩnh viễn: ký ức ngắn hạn và trung hạn vẫn có thể được ghi thêm, nhưng không ai có thể thay đổi con người bạn trong bản sao, kể cả gia đình bạn, chủ sở hữu tương lai của công ty này, và chúng tôi. Ràng buộc đó nhắm vào sự can thiệp chứ không phải sự bịa đặt, và hai điều ấy cần những cơ chế riêng.

• Không ai quan trọng đến mức để lại được điều gì, và vì sao điều đó sai là sự phản đối nằm bên dưới điều này với phần lớn mọi người, và đáng đọc nếu độ chính xác không thật sự là điều bạn băn khoăn.

• Bị những người từng biết bạn nhớ sai nói về cảm xúc chứ không phải cơ chế, và đó là điều đưa phần lớn mọi người đến trang này ngay từ đầu.

• Làm một AI của chính mình có kỳ quặc không dành cho phiên bản của cuộc trò chuyện này mà bạn sẽ có với một người bạn đời thấy cả ý tưởng này đáng bất an chứ không phải thiếu chính xác.

• Tôi sẽ nói gì với một AI của chính mình là bước tiếp theo thực tế nếu bài tập mười quyết định đã có tác dụng và bạn muốn một bộ câu hỏi dài hơn.

• Đạo đức của các AI Persona của người đã khuất là phần bàn kỹ hơn về sự đồng ý, việc nói quá và nơi công nghệ này gây hại thật sự.

• Các gói trả phí bổ sung những gì là phần giá, nếu bạn vượt quá hai mươi lăm ký ức và muốn có phần còn lại.

Mọi con số được trích dẫn ở đây đều của bên thứ ba: các bài báo được bình duyệt và bản thảo tiền công bố (arXiv, Nature, Psychological Science, Archives of Internal Medicine) cùng một kho đo chuẩn được duy trì công khai. Chúng tôi không chạy phép đo chuẩn nào của riêng mình cho trang này. Mọi tuyên bố về việc sản phẩm của chúng tôi làm hay không làm gì đã được kiểm tra từng dòng với mã nguồn nền tảng vào ngày 30 tháng 7 năm 2026, và các tệp được liệt kê cùng các nguồn. Ba tuyên bố từng có trên trang này đã không qua được lần kiểm tra đó và đã được thay bằng điều mã nguồn thực sự làm.

Điều chưa ngã ngũ: chưa có phép đo độc lập nào được công bố về tỷ lệ bịa đặt của một hệ thống bám vào tư liệu ghi lại của riêng một người, nên các con số tóm tắt tài liệu, mô hình dẫn đầu ở 1,8% và mọi mô hình khác trên 3%, là thứ gần nhất có thể thay thế chứ không phải một con số so sánh tương đương. Việc truy xuất thất bại, khi trả về sai ký ức hoặc không trả về gì, chưa có thước đo thống nhất. Con số độ chính xác 68% của người ra quyết định thay đến từ các nghiên cứu ra quyết định y tế dùng kịch bản giả định và được dùng ở đây như một phép loại suy cho trí nhớ của gia đình, đó là một phép so sánh hợp lý chứ không phải đã được chứng minh. Kết quả từ chối của R-Tuning được đo trên ranh giới kiến thức tham số của chính một mô hình chứ không phải một kho tư liệu cá nhân, nên việc áp dụng nó ở đây cũng là một lập luận loại suy. Phát hiện về ký ức chớp sáng dựa trên 54 sinh viên và một sự kiện duy nhất.

1. Adam Tauman Kalai, Ofir Nachum, Santosh S. Vempala, Edwin Zhang, "Why Language Models Hallucinate", arXiv:2509.04664, nộp ngày 4 tháng 9 năm 2025. arxiv.org/abs/2509.04664

2. David I. Shalowitz, Elizabeth Garrett-Mayer, David Wendler, "The accuracy of surrogate decision makers: a systematic review", Archives of Internal Medicine, 2006;166(5):493-497. pubmed.ncbi.nlm.nih.gov/16534034

3. Patrick Lewis, Ethan Perez, Aleksandra Piktus, Fabio Petroni, Vladimir Karpukhin, Naman Goyal, Heinrich Küttler, Mike Lewis, Wen-tau Yih, Tim Rocktäschel, Sebastian Riedel, Douwe Kiela, "Retrieval-Augmented Generation for Knowledge-Intensive NLP Tasks", arXiv:2005.11401, nộp ngày 22 tháng 5 năm 2020, sửa đổi ngày 12 tháng 4 năm 2021. arxiv.org/abs/2005.11401

4. Mrinank Sharma et al. (Anthropic), "Towards Understanding Sycophancy in Language Models", arXiv:2310.13548, nộp ngày 20 tháng 10 năm 2023. arxiv.org/abs/2310.13548

5. Hanning Zhang, Shizhe Diao, Yong Lin, Yi R. Fung, Qing Lian, Xingyao Wang, Yangyi Chen, Heng Ji, Tong Zhang, "R-Tuning: Instructing Large Language Models to Say I Don't Know", arXiv:2311.09677, NAACL 2024. arxiv.org/abs/2311.09677

6. Nelson F. Liu, Tianyi Zhang, Percy Liang, "Evaluating Verifiability in Generative Search Engines", arXiv:2304.09848, nộp ngày 19 tháng 4 năm 2023. arxiv.org/abs/2304.09848

7. Vectara Hallucination Leaderboard, đánh giá bằng HHEM-2.3, cập nhật lần cuối ngày 11 tháng 5 năm 2026. github.com/vectara/hallucination-leaderboard

8. Sebastian Farquhar, Jannik Kossen, Lorenz Kuhn, Yarin Gal, "Detecting hallucinations in large language models using semantic entropy", Nature, 2024;630(8017):625-630. pubmed.ncbi.nlm.nih.gov/38898292

9. Jennifer M. Talarico, David C. Rubin, "Confidence, not consistency, characterizes flashbulb memories", Psychological Science, 2003;14(5):455-461. pubmed.ncbi.nlm.nih.gov/12930476

Bạn thấy một lỗi trên trang này, hoặc một nguồn chúng tôi đã đọc sai? Hãy báo cho chúng tôi qua trang liên hệ và chúng tôi sẽ sửa trang và ghi chú thay đổi ở lần rà soát tiếp theo.

Rà soát lần cuối: 30 tháng 7 năm 2026. Các trích dẫn nghiên cứu và hành vi của sản phẩm đều được kiểm tra lại vào ngày này. Lần rà soát tiếp theo đến hạn vào ngày 28 tháng 10 năm 2026 (chu kỳ 90 ngày). Các số liệu đo chuẩn thay đổi, nên các con số về tỷ lệ ảo giác ở trên được xác minh lại ở mỗi lần rà soát, và mọi tuyên bố về việc sản phẩm làm gì cũng vậy.