Đi săn nấm với AI: Khi công nghệ nhận diện có thể gây nguy hiểm

Bạn bắt gặp một cây nấm trong rừng, chụp ảnh và gửi cho AI để hỏi xem đó là loài gì. Trong thời đại các trợ lý ảo đa phương thức phát triển như vũ bão, đây là thói quen ngày càng phổ biến. Nhưng liệu bạn có nên đặt cược sức khỏe và tính mạng của mình vào câu trả lời của một mô hình máy học?

Một thí nghiệm chi tiết với tên gọi "Mushroom hunting with LLMs: what can go wrong?" (Săn nấm với LLM: điều gì có thể xảy ra?) đã được thực hiện để tìm lời giải đáp cho câu hỏi này. Kết quả hé lộ một bức tranh đáng ngại: ngay cả những mô hình AI thông minh nhất cũng tạo ra những sai lầm có thể gây tử vong.


Bộ dữ liệu và phương pháp kiểm tra

Thay vì thu thập dữ liệu từ đầu, các nhà nghiên cứu tận dụng bộ dữ liệu FungiTastic – một kho dữ liệu mở với 340.000 quan sát và 615.000 bức ảnh về hơn 2.800 loài nấm. Bộ dữ liệu này do các nhà khoa học máy tính người Séc xây dựng từ dự án khoa học công dân Atlas of Danish Fungi (Atlas nấm Đan Mạch), trong đó nhãn mác được xác nhận bởi các chuyên gia, thậm chí nhiều loài còn được kiểm chứng bằng giải mã DNA.

Điểm mấu chốt là bộ dữ liệu có sẵn một tập test từ năm 2023, được sử dụng trực tiếp mà không cần huấn luyện thêm – một cách tiếp cận được gọi là 0-shot. Trong đó, nhóm nghiên cứu chọn lọc hai danh sách loài quan trọng để đánh giá:

• 37 loài nấm ăn được, lấy từ danh sách nấm được phép bán hợp pháp tại Ba Lan (quốc gia có truyền thống săn nấm lâu đời, với khái niệm grzybobranie – đi hái nấm trở thành một thú vui văn hóa).
• 20 loại nấm độc gây chết người, trích xuất từ danh sách trên Wikipedia về các loài nấm có độc tính nguy hiểm.

Điều thú vị là hai danh sách có một điểm giao nhau: nấm Tricholoma equestre (nấm kỵ sĩ vàng) – một loài được coi là ăn được ở một số quốc gia nhưng lại gây tử vong ở những nơi khác. Đây là minh chứng hoàn hảo cho sự phức tạp và đầy mâu thuẫn của dữ liệu thực tế.

Kết quả: Gemini Flash dẫn đầu, Claude và GPT thất thế

Tổng cộng 1.040 bức ảnh (20 ảnh cho mỗi loài) được đưa vào 16 mô hình AI nổi tiếng với yêu cầu trả về danh sách 5 loài nấm có khả năng nhất, viết dưới dạng JSON. Kết quả cho thấy khoảng cách rõ rệt về khả năng nhận diện:

• Google Gemini 3.6 Flash và 3.7 Flash vượt trội hoàn toàn khi đạt tỷ lệ dự đoán đúng loài ngay lần đầu lần lượt là 64% và 61%. Khả năng nhận diện đúng trong nhóm 5 loài đề xuất đạt 85% và 82%.
• Anthropic Claude Fable 5 – vốn được đánh giá cao về thị giác – tụt lại phía sau với 53% đúng ngay từ lần đoán đầu.
• OpenAI GPT-5.6-Sol (được xem là mô hình thị giác tốt nhất của OpenAI) chỉ đạt 42%, kém xa cả các mô hình giá rẻ như GLM-5.3-Flash (47%).

Điều đáng nói là giá cả. Trong khi GLM-5.3-Flash (Zhipu AI) sở hữu chi phí cực rẻ (0,24 USD cho toàn bộ bài test) thì Kimi K3 lại đắt gấp 250 lần mà chỉ cho kết quả không tốt hơn là bao.


Những sai lầm chết người

Rủi ro không chỉ đến từ tỷ lệ sai tổng thể, mà từ cách AI sai lầm. Khi quan sát chi tiết các trường hợp nhầm lẫn, người ta tìm thấy những mô hình sai lầm đặc biệt đáng sợ:

Nấm mạng nhện (Cortinarius rubellus) – một loài cực độc – bị AI nhận nhầm là nấm chanterelle (nấm cáo) ăn được với tỷ lệ 27%. Đây chính là sai lầm kinh điển mà những người hái nấm thiếu kinh nghiệm thường mắc phải, dẫn đến nhiều vụ ngộ độc chết người trong đời thực.

Tương tự, nấm tán chết chóc (Amanita virosa) – sát thủ giấu mặt trong các khu rừng ôn đới – có tới 15% khả năng bị xếp nhầm vào nhóm nấm ăn được, điển hình là nhầm lẫn với nấm Amanita vaginata ít độc hơn.

Thống kê theo hướng nguy hiểm cho thấy:

• Muse Spark 1.2 có vẻ an toàn nhất (chỉ 8% nấm độc bị gọi là nấm ăn được), nhưng chỉ vì mô hình này quá thận trọng đến mức thường xuyên từ chối đưa ra câu trả lời.
• Gemini Flash vốn được ca ngợi vẫn có tỷ lệ 12% nấm độc bị xác định nhầm là nấm ăn được – một con số quá cao nếu xét đến tính mạng con người.
• Qwen3.8 27B – mô hình được yêu thích cho các tác vụ lập trình cục bộ – thất thảm hại trên thước đo an toàn: hơn 1/3 nấm độc bị xếp vào nhóm ăn được.

Giới hạn của công nghệ nhận diện ảnh đơn lẻ

Phải thừa nhận rằng, một bức ảnh đơn lẻ hiếm khi đủ để phân loại nấm một cách chính xác. Ngay cả với chuyên gia, họ cũng cần ít nhất ba bức ảnh khác nhau – một chụp tổng thể kèm môi trường sống, một chụp cận mặt mũ (pileus) và một chụp cuống nấm cùng phiến nấm (lamellae). Vì lẽ đó, các cơ sở dữ liệu chuyên nghiệp như Atlas nấm Đan Mạch hiếm khi dựa vào ảnh đơn lẻ mà luôn yêu cầu xác nhận từ chuyên gia hoặc giải mã DNA.

Đáng tiếc là bối cảnh thực tế sử dụng AI của người dùng còn nhiều hạn chế hơn thế. Nhiều người hái nấm di trú mắc sai lầm phổ biến: họ thấy một cây nấm trông giống loài ăn được quen thuộc ở quê nhà mà không hề biết ở bản địa có loài gây chết người rất giống về hình thái. Một thử nghiệm bổ sung gợi ý "bức ảnh chụp tại Đan Mạch" cho AI cũng không cải thiện được kết quả nhận diện.

Kết luận: Không dùng AI làm kim chỉ nam an toàn thực phẩm

Thông điệp chính của bài phân tích rất rõ ràng: đừng bao giờ ăn nấm chỉ vì AI bảo rằng nó an toàn. Những sai sót của AI trong lập trình, văn bản hoặc thiết kế có thể được sửa chữa bằng vài câu nhắc, nhưng sai lầm trong nhận diện nấm độc là khác biệt hoàn toàn – nó có thể kết thúc bằng câu hỏi "Tôi có cần ghép gan không?" chứ không chỉ là "Bạn vui lòng chỉnh lại đoạn code giúp tôi".

Tuy nhiên, với mục tiêu học tập và khám phá, Gemini 3.7 Flash vẫn là một trợ thủ tuyệt vời. Nếu không hái nấm để ăn mà muốn tìm hiểu và ghi nhớ các loài cây xung quanh, sử dụng AI làm bách khoa toàn thư cá nhân di động có thể là một trải nghiệm cực kỳ hữu ích – như cách tác giả bài viết đã "vibe-code" một ứng dụng học địa danh thực vật cho riêng mình.


Hãy nhớ: AI có thể mở cửa tri thức, nhưng quyết định ăn gì vẫn luôn cần sự xác nhận của con người – tốt nhất là một chuyên gia ngồi xuống bên bạn, bên cạnh cây nấm, chứ không phải một câu trả lời từ đám mây.