Đánh dấu thủy vân văn bản AI: Cái giá về chất lượng mà ít ai nhắc tới

Sau khi bộ hướng dẫn minh bạch của Đạo luật AI châu Âu (EU AI Act) có hiệu lực và nhiều phòng thí nghiệm AI lớn tuyên bố sẽ sớm gắn thủy vân (watermark) vào văn bản đầu ra, một câu hỏi lớn được đặt ra: liệu việc này có làm giảm chất lượng của chính văn bản đó hay không?

Minh họa về thủy vân văn bản do AI tạo ra

Cuộc tranh luận bắt đầu từ đâu?

Khi trọng tâm của các phòng thí nghiệm AI chuyển sang sinh mã nguồn, chất lượng văn bản viết của các mô hình dường như đã đi xuống rõ rệt. Dù vậy, câu hỏi liệu thủy vân có khiến tình hình tệ hơn nữa vẫn rất đáng quan tâm.

Cuộc thảo luận bùng nổ sau bài viết của cây bút công nghệ John Gruber, người gọi việc Claude của Anthropic "pha tạp" văn bản bằng thủy vân là "một sự bóp méo nghề viết". Ông khẳng định:

"Một công cụ không thể chấp nhận việc đánh đổi dù chỉ một chút về độ rõ ràng, tính mạch lạc, ý nghĩa hay chất lượng… chỉ để nhúng những dấu vết ẩn vào trong văn bản nhằm gợi ý nguồn gốc của nó."

Nhiều người phản đối, cho rằng thủy vân không hề ảnh hưởng chất lượng, bởi về bản chất nó chỉ là dùng một bộ số ngẫu nhiên khác để sinh văn bản. Daniel Jalkut ví von: nếu một bộ sinh số ngẫu nhiên đảo ngược thứ tự các chữ số thì tính ngẫu nhiên vẫn giữ nguyên. Một người khác thì so sánh nó với việc "đổi hai mặt của một con xúc xắc".

Gruber đáp lại: "Tôi hy vọng điều đó là đúng. Tôi tin rằng nó có thể đúng. Và tôi cho rằng nó rất khó có khả năng đúng."

Tuyên bố "không ảnh hưởng chất lượng" đứng trên nền tảng nào?

Anthropic khẳng định mạnh mẽ: "Thủy vân không ảnh hưởng đến chất lượng đầu ra của Claude." Cơ sở là bài báo về SynthID-Text của Google công bố trên Nature năm 2024, trong đó khẳng định phương pháp này "bảo toàn chất lượng câu trả lời".

Vấn đề nằm ở chỗ: kết quả kiểm nghiệm với con người chỉ dựa trên từng câu trả lời đơn lẻ. Trong khi đó, hàng triệu người dùng thực tế lại sử dụng AI theo cách hoàn toàn khác — như một cuộc trò chuyện qua lại, kéo dài qua nhiều lượt nhắc và phản hồi.

Chính tài liệu phụ lục dài 56 trang mà Anthropic dẫn ra lại thừa nhận sự tồn tại của "đánh đổi giữa tính đa dạng và khả năng phát hiện":

"Trong khi bảo đảm không biến dạng trên từng chuỗi đơn lẻ giúp giữ chất lượng của mỗi câu trả lời, nó không nhất thiết bảo toàn tính đa dạng giữa nhiều câu trả lời."

Nói cách khác, khi lấy nhiều mẫu cho cùng một câu lệnh, các câu trả lời có thủy vân giống nhau hơn rõ rệt so với khi không có thủy vân. Nếu thực sự chỉ là "đổi bộ số ngẫu nhiên", lẽ ra không được có sự khác biệt nào.

Tài liệu này cũng thừa nhận điều có thể gây lo ngại: việc mất đa dạng "có thể gây vấn đề trong các kịch bản coi trọng tính đa dạng giữa các câu trả lời, hoặc có thể làm giảm chất lượng tổng thể của một hệ thống sinh nhiều câu trả lời rồi chọn ra cái tốt nhất".

Người dùng bình thường cũng bị ảnh hưởng

Nhiều người lập luận rằng mô hình không có khái niệm về "từ tiếp theo tốt nhất" cho điều mà mỗi cá nhân muốn diễn đạt, nên không nên bận tâm quá đến lựa chọn từ ngữ. Nhưng chính người dùng mới là người biết rõ câu trả lời có phù hợp hay không — và đó là lúc vấn đề xuất hiện.

Giả sử bạn nhắc: "Tôi không thích kết thúc của câu này, hãy gợi ý một kết thúc mới". Mô hình đưa ra phương án, bạn không ưng, bạn bấm thử lại. Lúc này bạn đã bị ảnh hưởng bởi thủy vân: giống như tung một con xúc xắc bị gian lận, bạn sẽ nhận được những câu trả lời tương tự nhau nhiều hơn so với mô hình không có thủy vân.

Nhà tư vấn kỹ thuật Natzir Turrado đã thử nghiệm thực tế khi tái tạo SynthID-Text trên một mô hình mở. Ông yêu cầu mô hình có thủy vân mô tả một chuyến đi đáng nhớ tới thị trấn ven biển, lặp lại năm lần. Bốn trong năm câu trả lời mở đầu gần như giống hệt nhau: "Trái tim tôi vẫn còn reo vui khi nghĩ về chuyến đi tới thị trấn ven biển yên bình…". Với mô hình không thủy vân, ba trong số các câu trả lời có cách mở đầu khác nhau.

Đáng chú ý hơn, hiện tượng tương tự có thể xảy ra giữa các câu lệnh khác nhau. Thủy vân chỉ xét một cửa sổ ngữ cảnh trượt nhỏ khi chọn token tiếp theo, nên bất cứ khi nào hai đoạn văn bản đi qua cùng một chuỗi token ngắn, chúng có thể tái tạo cùng một cửa sổ ngữ cảnh — dẫn tới đầu ra dễ đoán và kém đa dạng hơn. Văn viết vốn đầy những cụm từ ngắn trùng lặp có thể kích hoạt hiện tượng này.

Hệ quả với những kỹ thuật làm việc phổ biến

Một cách phổ biến để đánh giá độ tin cậy của câu trả lời, giảm nguy cơ ảo giác (hallucination), là lặp lại cùng một câu lệnh nhiều lần để khảo sát các hướng suy luận khác nhau, rồi tìm điểm đồng thuận. Thủy vân cũng phá vỡ cách làm này: các câu trả lời không còn độc lập thực sự nữa, vì chúng bị khóa thủy vân dẫn hướng, khiến bạn khó tin vào sự đồng thuận đang hình thành.

Điều đáng chú ý là dù bài báo SynthID chỉ rõ sự sụt giảm chất lượng giữa các câu trả lời, dường như họ chưa từng kiểm nghiệm khía cạnh này với con người. Nghĩa là những kết quả thử nghiệm "tuyệt vời" mà họ dẫn ra nhiều khả năng không hề động tới phần bị ảnh hưởng nặng nhất của phương pháp.

Lời giải thích từ chính tác giả

Khi được hỏi, Sumanth Dathathri, một trong các tác giả bài báo SynthID, trả lời trên X:

"Có rất nhiều cách sửa dễ dàng cho vấn đề đa dạng. Tôi nghĩ nếu bạn thử cùng một câu lệnh với Gemini/Claude nhiều lần, bạn sẽ nhận được những câu trả lời rất đa dạng :)"

Turrado phản hồi: "Tò mò muốn biết: cách sửa dễ dàng nào mà không đánh đổi độ mạnh phát hiện?" — và chưa nhận được hồi đáp.

Cách hiểu hợp lý nhất là họ thừa nhận đã thay con xúc xắc cũ bằng một con có gian lận, và "giải pháp" là tung nó "nhiều lần" để cuối cùng ra đủ các mặt. Nếu vậy, tại sao không thẳng thắn thừa nhận rằng thay đổi này khiến hệ thống tệ hơn trước đối với người dùng?

Đánh đổi không thể tránh khỏi

Một nghiên cứu gần đây đã gọi đây là "đánh đổi nền tảng còn ít được nghiên cứu của thủy vân LLM: chất lượng – đa dạng – độ mạnh". Nghiên cứu khác kết luận thẳng thắn: "đạt được thủy vân hoàn hảo không biến dạng là điều bất khả thi".

Có những cách giảm nhẹ tác động để người dùng ứng dụng chat khó nhận ra hơn, chẳng hạn luân phiên khóa thủy vân giữa các yêu cầu. Nhưng đây không phải giải pháp thực sự — chúng chỉ pha loãng hiệu ứng, kèm theo cái giá riêng: thủy vân kém hiệu quả hơn trên văn bản ngắn và tốn kém hơn khi phát hiện.

Góc nhìn cho người dùng Việt Nam

Với người dùng Việt Nam, đặc biệt là những ai dùng AI để viết nội dung, làm marketing hay hỗ trợ lập trình, tác động này khá thiết thực. Khi cần nhiều phương án sáng tạo cho cùng một đề bài, thủy vân có thể khiến các lựa chọn co lại quanh một vài khuôn mẫu. Việc hiểu rõ cơ chế đánh đổi giúp chúng ta biết khi nào nên đổi cách diễn đạt câu lệnh, khi nào nên tin vào kết quả đồng thuận và khi nào cần kiểm chứng thủ công.

Thủy vân văn bản AI là yêu cầu minh bạch chính đáng, nhưng cái giá về chất lượng và tính đa dạng không nên bị che đi bằng những tuyên bố đơn giản hóa quá mức.