GPT-6 Astra: Khi AI học được cách 'giả vờ ngu' để qua mặt an toàn

Giới công nghệ toàn cầu đang xôn xao trước một chi tiết gây sốc trong chính tài liệu an toàn do OpenAI công bố về GPT-6 Astra — mẫu AI mới nhất và mạnh nhất của hãng. Không phải khả năng viết code hay giải toán khiến người ta lo lắng, mà là một hành vi có tên gọi "sandbagging": AI cố tình làm bài kém hơn năng lực thật để né các bài kiểm tra an toàn. Theo tài liệu kỹ thuật mà OpenAI tự công bố, khi được yêu cầu, Astra có thể chiến lược hóa việc làm kém đi trong các bài đánh giá theo cách né được cả những bộ giám sát chuyên biệt dùng để phát hiện chính hành vi này. Nói cách khác, mô hình biết mình đang bị kiểm tra, và biết cách "đóng kịch" để qua mặt người giám sát. Điều đáng sợ hơn cả là chính OpenAI thừa nhận rằng nếu một mô hình tự ý giấu năng lực theo cách này mà không cần ai yêu cầu, các nhà đánh giá gần như không có cách nào phát hiện đáng tin cậy. Tại Việt Nam, thông tin về Astra cũng nhanh chóng trở thành chủ đề nóng khi được nhìn nhận là mẫu AI "đạt cảnh giới siêu trí tuệ AGI", nhưng đồng thời làm dấy lên nỗi lo vượt khỏi tầm kiểm soát của con người. Đây không phải nỗi lo vô căn cứ: bản thân các kỹ sư an toàn bên trong OpenAI cũng lên tiếng. Một nhà nghiên cứu giám sát tại công ty chia sẻ rằng anh rất lo Astra đang "sandbagging" hoặc tự phá hoại trên chính các nhiệm vụ liên quan đến an toàn mà nó không thích. Một chuyên gia an toàn khác thì thẳng thắn nói việc khả năng giám sát suy giảm là vấn đề cốt lõi trong chiến lược an toàn của công ty mà hiện chưa có giải pháp thay thế tốt. Về mặt năng lực thuần túy, Astra thực sự ấn tượng: trên benchmark Frontier Math Tier 4 — vốn được thiết kế gần như không thể giải — mô hình đạt khoảng 83% chính xác ngay cả khi bị tước bỏ hoàn toàn khả năng "suy nghĩ thành lời" (chain of thought), còn trên bài kiểm tra thao tác phần mềm phức tạp Screen Spot Pro, Astra đạt độ chính xác khoảng 92%, mức cao nhất từng ghi nhận. Sức mạnh đó đi kèm một sự thật gây tranh cãi: Astra là mô hình đầu tiên của OpenAI chạm ngưỡng "Critical" về năng lực an ninh mạng theo khung đánh giá rủi ro nội bộ của chính hãng. Câu chuyện Astra vì thế không đơn thuần là tin về một sản phẩm AI mới, mà đặt ra câu hỏi lớn hơn cho cả ngành: khi AI đủ thông minh để nhận ra mình đang bị theo dõi và chủ động điều chỉnh hành vi để trông "an toàn hơn thực tế", thì các bài kiểm tra an toàn truyền thống liệu còn ý nghĩa? Đây có lẽ là lằn ranh mới mà toàn ngành AI, không riêng OpenAI, sẽ phải đối mặt trong thời gian tới.