Vì sao mọi LLM đều vẽ chim bồ nông giống hệt nhau?

Khi yêu cầu các mô hình ngôn ngữ lớn (LLM) tạo một ảnh SVG về chú chim bồ nông đang đạp xe, kết quả trả về gần như giống hệt nhau giữa các mô hình. Hiện tượng này được gọi là "sụp đổ đa dạng" (diversity collapse) — một vấn đề ngày càng được giới nghiên cứu quan tâm nhưng ít được thảo luận công khai.

Một bài kiểm tra tưởng chừng đơn giản

Bài thử nghiệm do Simon Willison thực hiện — yêu cầu LLM vẽ chim bồ nông đạp xe — đã trở thành một phép thử kinh điển để quan sát khả năng sinh tạo hình ảnh của AI. Điều đáng chú ý không nằm ở việc mô hình có vẽ được hay không, mà ở chỗ hầu hết chúng đều cho ra cùng một phong cách, cùng một bố cục, cùng một cách thể hiện.

So sánh kết quả các mô hình

Trong khi đó, nếu để con người tự do sáng tạo, chúng ta sẽ có vô vàn biến thể khác nhau về dáng chim, tư thế đạp xe, góc nhìn, màu sắc và phong cách.

Các biến thể đa dạng của con người

Sụp đổ đa dạng: vấn đề ít ai nói tới

Hiện tượng này không chỉ giới hạn ở tranh vẽ. Vấn đề cốt lõi là: các mô hình AI hiện đại, dù được huấn luyện trên kho dữ liệu khổng lồ, lại có xu hướng hội tụ về một "điểm trung bình" an toàn thay vì đưa ra những lựa chọn thực sự độc đáo.

Nguyên nhân đến từ nhiều yếu tố:

• Học tăng cường từ phản hồi con người (RLHF) thường thưởng cho câu trả lời "đúng và an toàn", vô tình triệt tiêu sự khác biệt.
• Dữ liệu huấn luyện ngày càng bị pha loãng bởi chính nội dung do AI tạo ra, tạo vòng lặp phản hồi thu hẹp không gian sáng tạo.
• Tối ưu hóa theo xác suất khiến mô hình chọn những phương án phổ biến nhất thay vì phương án thú vị nhất.

Sự đa dạng không phải là chi tiết phụ. Đó là thước đo cho thấy mô hình thực sự hiểu vấn đề hay chỉ đang sao chép khuôn mẫu.

Đo lường sự sáng tạo: Design Creativity Bench

Một nhóm nghiên cứu đã cụ thể hóa vấn đề này thành phép đo định lượng với Design Creativity Bench — bộ đánh giá khả năng sáng tạo của AI trong các tác vụ thiết kế giao diện người dùng (UI).

Nhóm đã thử nghiệm 16 mô hình tiên tiến trên 80 tác vụ UI mở, mỗi tác vụ được điều chỉnh cho hai lĩnh vực sản phẩm khác nhau, kèm theo các mẫu tham chiếu từ nhà thiết kế con người. Thay vì chỉ đo một chỉ số chất lượng duy nhất, họ đánh giá ba chiều:

• Tính độc đáo (Originality): Thiết kế của mô hình khác biệt đến mức nào so với các mô hình khác cùng nhận một yêu cầu.
• Biên độ sáng tạo (Creative Range): Mô hình điều chỉnh quyết định thiết kế ra sao khi lĩnh vực sản phẩm thay đổi.
• Tính phù hợp (Appropriateness): Giao diện tạo ra có đáp ứng đúng yêu cầu chức năng hay không.

Kết quả cho thấy khoảng cách đáng kể: mô hình dẫn đầu là GPT-6 Astra của OpenAI đạt 65,5 điểm, trong khi mức tham chiếu của nhà thiết kế con người là 92,3 điểm.

Thứ hạng	Mô hình	Điểm sáng tạo
—	Tham chiếu con người	92,3
01	GPT-6 Astra	65,5
02	GPT-6.1 Sol	63,7
03	Grok 4.7	62,2
04	Gemini 3.8 Flash	60,6

Ý nghĩa với người dùng và nhà phát triển Việt Nam

Với cộng đồng công nghệ trong nước, hiện tượng này đáng lưu tâm ở vài điểm:

• Các startup và agency thiết kế dùng AI để tạo giao diện nhanh cần hiểu rằng đầu ra của mô hình có thể na ná nhau, khó tạo dấu ấn thương hiệu riêng.
• Lập trình viên dùng AI sinh mã nên chủ động đa dạng hóa yêu cầu, thay đổi ngữ cảnh và ràng buộc đầu vào để tránh rơi vào "khuôn mẫu mặc định" của mô hình.
• Việc đánh giá mô hình không nên chỉ dựa trên độ chính xác hay tính năng, mà cần thêm các tiêu chí về độc đáo và khả năng thích ứng theo bối cảnh.

Câu chuyện "chim bồ nông không mặc quần áo" vì thế không chỉ là một trò vui trên mạng. Nó phản ánh một giới hạn thực sự của AI hiện tại: khả năng tạo ra cái mới thay vì chỉ tái tổ hợp những gì đã thấy. Và đó có thể là một trong những thách thức lớn nhất còn lại trên con đường tiến tới trí tuệ nhân tạo thực sự sáng tạo.