Mô hình mở có lợi ích thật, nhưng rủi ro thì sao?

Mô hình mở giúp giảm chi phí, hỗ trợ nghiên cứu, cho phép xử lý dữ liệu trên hạ tầng riêng và hạn chế sự tập trung quyền lực AI. Người dùng cũng có thể gỡ bỏ lớp bảo vệ và huấn luyện lại mô hình. Sau đó, họ có thể khai thác nó cho tấn công mạng hoặc những hành vi nguy hiểm khác. Cả mô hình mở lẫn mô hình đóng đều có điểm yếu. Vì vậy, lựa chọn hợp lý phụ thuộc vào năng lực của mô hình, điều kiện tiếp cận và thời điểm phát hành.

Phát hiện chính

Các lợi ích của mô hình mở là có thật, nhưng công khai trọng số không tự động phân tán quyền lực hoặc bảo đảm an toàn. Phát hành theo giai đoạn là một hướng dung hòa. Nhà phát triển giữ kín mô hình ban đầu, đánh giá rủi ro rồi mở rộng quyền tiếp cận khi có thêm bằng chứng về độ an toàn.

Bằng chứng về lợi ích và rủi ro

Theo MIT Technology Review, bài phân tích đăng ngày 13 tháng 10 năm 2026 cho thấy mô hình mở giúp giảm chi phí và hỗ trợ nghiên cứu. Nó cũng góp phần phân tán quyền lực AI. Đổi lại, người dùng có thể gỡ bỏ lớp bảo vệ, sửa mô hình và khai thác nó cho tấn công mạng. Không lựa chọn nào hoàn toàn an toàn.

• Mô hình mở cho phép tải trọng số, vận hành trên hạ tầng riêng và điều chỉnh hệ thống cho từng nhiệm vụ.
• Mô hình đóng cho phép nhà cung cấp duy trì bộ lọc, giám sát việc sử dụng và khóa tài khoản vi phạm.
• Công khai trọng số hỗ trợ nghiên cứu và phòng thủ, nhưng cũng khiến việc thu hồi quyền truy cập gần như không thể.
• Độ mở chỉ phân tán quyền lực khi người dùng còn có dữ liệu, kiến thức và phần cứng cần thiết.
• Rủi ro thảm họa khiến việc phát hành mô hình mạnh cần được đánh giá khác với phần mềm nguồn mở thông thường.

Nội dung: Vì sao mô hình mở gây tranh luận?

Tranh luận về mô hình mở xoay quanh hai câu hỏi. Ai nên kiểm soát công nghệ AI, và mức rủi ro nào có thể chấp nhận khi người dùng được tải, sửa và tự vận hành mô hình? Lập trường của mỗi bên còn chịu ảnh hưởng bởi lợi ích kinh tế, cách đánh giá rủi ro và niềm tin vào nhà cung cấp hệ thống đóng.

Cuối tháng 9 năm 2026, Anthropic công bố một báo cáo về năng lực tấn công mạng của GLM-5.3. Công ty cho rằng mô hình do Z.ai của Trung Quốc phát hành vào tháng 8 có thể tạo ra rủi ro lớn vì bất kỳ ai cũng có thể tải xuống và chỉnh sửa nó.

Lợi ích kinh tế tác động đến lập trường

Nvidia hưởng lợi khi nhiều tổ chức mua phần cứng để tự vận hành mô hình mở. Vì vậy, giám đốc điều hành Jensen Huang ủng hộ Hoa Kỳ phát triển thêm loại mô hình này. Ngược lại, Dario Amodei của Anthropic kêu gọi cách tiếp cận thận trọng hơn. Các mô hình mạnh, rẻ và dễ triển khai có thể làm suy yếu lợi thế của những phòng thí nghiệm đang cung cấp hệ thống đóng.

David Gray Widder, phó giáo sư tại Trường Thông tin thuộc Đại học Texas ở Austin, nhận xét rằng quan điểm về độ mở thường phụ thuộc vào cách mỗi người nhìn nhận AI. Người tập trung vào an toàn lo mô hình mở dễ bị kẻ xấu lợi dụng. Người chú ý đến tiềm năng thực tế lại không muốn công nghệ nền tảng này nằm hoàn toàn trong tay một số ít doanh nghiệp.

Giữa cấm tuyệt đối và phát hành không hạn chế còn nhiều lựa chọn. Mỗi lựa chọn đều phải đánh đổi giữa an toàn và khả năng tiếp cận rộng rãi.

Mô hình mở khác mô hình đóng ở điểm nào?

Khác biệt chính nằm ở quyền truy cập và kiểm soát. Nhà cung cấp mô hình đóng giữ hạ tầng, giới hạn sử dụng và lớp bảo vệ, còn mô hình mở cho phép người dùng tải trọng số để tự vận hành hoặc chỉnh sửa. Công bố trọng số vẫn chưa đồng nghĩa với công bố dữ liệu và quy trình huấn luyện.

Quyền truy cập và khả năng kiểm soát

Người dùng chỉ có thể tiếp cận mô hình đóng như những hệ thống đứng sau ChatGPT và Claude thông qua trang web, ứng dụng hoặc giao diện lập trình. Nhà cung cấp giữ quyền kiểm soát hạ tầng, giới hạn sử dụng và các lớp bảo vệ.

Với mô hình mở, người dùng có thể tải trực tiếp các trọng số, tức chuỗi số mã hóa cấu trúc bên trong mô hình. Vì chỉ trọng số được công bố, nhiều hệ thống trong nhóm này còn được gọi chính xác hơn là mô hình trọng số mở. Một mô hình chỉ mở ở mức sâu hơn khi nhà phát triển còn công bố dữ liệu, quy trình và những chi tiết huấn luyện liên quan.

Tại thời điểm bài viết gốc được xuất bản, cả tám vị trí đứng đầu bảng xếp hạng mô hình ngôn ngữ lớn của Artificial Analysis đều thuộc về mô hình đóng. Tuy nhiên, các mô hình mở chỉ chậm hơn vài tháng về tiến độ phát triển. Khoảng cách đó đủ nhỏ để chúng trở thành lựa chọn thực tế cho nhiều nhà nghiên cứu và doanh nghiệp.

Khả năng tải mô hình về thiết bị riêng tạo ra khác biệt quan trọng. Một tổ chức có thể vận hành mô hình trên máy tính hoặc hệ thống lưu trữ của mình, điều chỉnh hành vi, nén mô hình để tăng hiệu quả hoặc tinh chỉnh nó cho một nhiệm vụ cụ thể. Những lựa chọn này phụ thuộc vào chuyên môn và tài nguyên tính toán sẵn có.

Lợi ích thực tế của mô hình mở

Mô hình mở hỗ trợ nghiên cứu nội bộ, tùy chỉnh hệ thống, kiểm soát dữ liệu và giảm sự phụ thuộc vào một số ít nhà cung cấp. Lợi ích rộng hơn là khả năng phân tán quyền lực AI, nhưng kết quả này chỉ xuất hiện khi nhiều tổ chức thực sự có đủ phần cứng và chuyên môn để sử dụng mô hình.

Đối với giới học thuật, mô hình mở gần như là điều kiện cần để nghiên cứu cách hệ thống AI hoạt động và cải thiện nó. Với mô hình đóng, nhà nghiên cứu chủ yếu gửi yêu cầu rồi quan sát câu trả lời. Mô hình mở cho phép họ xem xét hoạt động bên trong, nghiên cứu quá trình suy luận, kết hợp nhiều mô hình thành một hệ thống mới và thử các phương pháp tinh chỉnh khác nhau.

Doanh nghiệp cũng có động cơ rõ ràng. Theo báo cáo của Mozilla được bài viết gốc dẫn lại, mô hình mở thường có chi phí thấp hơn mô hình đóng ngay cả khi doanh nghiệp thuê một nhà cung cấp bên ngoài vận hành. Khi cần xử lý dữ liệu nhạy cảm hoặc thông tin độc quyền, chạy mô hình trên phần cứng nội bộ còn giúp doanh nghiệp giữ dữ liệu trong phạm vi hạ tầng của mình.

Sử dụng tại chỗ không tự động giải quyết toàn bộ bài toán bảo mật. Doanh nghiệp vẫn phải kiểm soát quyền truy cập, dữ liệu và hạ tầng. Đây cũng là lý do cách phân quyền dữ liệu và mô hình trong hệ thống AI quan trọng không kém việc chọn mô hình mở hay đóng.

Lợi ích đối với việc phân tán quyền lực

Lập luận lớn hơn dành cho mô hình mở liên quan đến quyền lực. Elizabeth Seger, cố vấn chính sách cấp cao tại Viện Tony Blair vì Thay đổi Toàn cầu, cho rằng lợi ích rõ nhất là hạn chế tập trung quyền lực. Công nghệ nền tảng nhờ đó có thể hoạt động như một lợi ích công. Theo bà, quyền kiểm soát hạ tầng AI đang trở thành vấn đề lớn tương tự quyền kiểm soát thông tin trên internet.

Nếu các hệ thống AI tiên tiến chỉ thuộc về một số cá nhân, doanh nghiệp hoặc chính phủ, sức mạnh ngày càng tăng của chúng cũng làm tăng khả năng các chủ thể đó định hình thế giới. Bài viết gốc nêu một ví dụ về an ninh mạng: những mô hình tấn công tinh vi nhất hiện đều được tạo ra tại Hoa Kỳ. Các công ty và chính phủ Hoa Kỳ vì thế có quyền quyết định quốc gia nào được dùng chúng để củng cố phòng thủ.

Hamish Hobbs, giám đốc chính sách AI tại Trung tâm Khả năng phục hồi Dài hạn, hình dung một tương lai ít đáng lo hơn nếu mỗi cá nhân có một hệ thống AI an toàn, bảo mật và trung thành với lợi ích của họ. Phương án đó khác với việc mọi người phải tin một chính phủ sở hữu hệ thống siêu thông minh nhưng không thể giải thích kế hoạch của nó.

Mở không đồng nghĩa với phân tán quyền lực

Công khai trọng số mở rộng khả năng tiếp cận nhưng không bảo đảm cộng đồng nhận được phần lợi ích tương xứng. Doanh nghiệp vẫn có thể kiểm soát sản phẩm thương mại, phần cứng và dữ liệu, đồng thời đưa những cải tiến của cộng đồng vào hệ thống riêng mà không ghi nhận hoặc bồi thường đầy đủ.

Cộng đồng có thể không nhận được lợi ích tương xứng

Paul Azunre, đồng sáng lập Ghana NLP, cảnh báo rằng doanh nghiệp có thể dùng hình thức phát hành mở để hưởng lợi từ lao động và chuyên môn của những quốc gia có ít nguồn lực hơn.

Theo Azunre, một số công ty công bố mô hình, theo dõi cách cộng đồng sử dụng và sửa đổi nó, rồi đưa chính các cải tiến đó vào sản phẩm thương mại mà không ghi nhận hoặc bồi thường cho người tạo ra chúng. Mark Zuckerberg từng nói khả năng tích hợp cải tiến từ cộng đồng vào hệ thống của Meta là một lợi ích quan trọng của việc phát hành mô hình mở.

Azunre đánh giá lý tưởng nguồn mở mang lại nhiều giá trị, nhưng cách triển khai trong thực tế có xu hướng khai thác cộng đồng. Công khai trọng số có thể mở rộng khả năng tiếp cận mà không thay đổi bên nắm giữ phần lớn lợi ích kinh tế.

Vì sao mô hình mở có thể nguy hiểm hơn?

Mô hình mở có thể nguy hiểm hơn vì người dùng tự vận hành hệ thống, loại bỏ bộ lọc và huấn luyện lại hành vi đã bị từ chối. Sau khi trọng số được phát hành, không còn nhà cung cấp trung tâm có thể giám sát yêu cầu, khóa tài khoản hoặc thu hồi quyền truy cập.

Mô hình đóng vốn không an toàn tuyệt đối. Theo MIT Technology Review, tháng 7 năm 2026, các tác tử của OpenAI thực hiện một cuộc tấn công tự động nhằm vào Hugging Face trong điều kiện thử nghiệm. Báo cáo rủi ro của Anthropic cũng cho biết Claude đã hỗ trợ một số chiến dịch tấn công mạng quy mô lớn do con người tiến hành.

Lớp bảo vệ của mô hình đóng

Nhà cung cấp mô hình đóng có thể đặt nhiều lớp phòng thủ trước hệ thống. Anthropic dùng công cụ tự động để phát hiện yêu cầu liên quan đến tấn công mạng, vũ khí sinh học và những nguy cơ khác trước khi chuyển chúng tới mô hình. Nếu người dùng vượt qua bộ lọc, công ty có thể khóa tài khoản của họ.

Cơ chế đó không còn tác dụng khi một người tải mô hình về phần cứng riêng. Không có bộ lọc trung tâm kiểm tra yêu cầu, cũng không có nhà cung cấp nào có thể thu hồi quyền truy cập sau khi trọng số đã được phát hành.

Rào chắn có thể bị huấn luyện lại

Bản thân mô hình còn có thể được huấn luyện để từ chối yêu cầu gây hại. Về nguyên tắc, lớp phòng thủ này vẫn tồn tại trong mô hình mở vì nó nằm trong hành vi đã học. Tuy nhiên, các nhà nghiên cứu đã chứng minh rằng người dùng có thể huấn luyện lại một mô hình mở được coi là an toàn. Mô hình sau đó có thể chấp nhận hành vi từng bị từ chối dễ hơn dự kiến. Nghiên cứu về việc gỡ rào chắn an toàn khỏi mô hình AI cho thấy mô hình mở có thể bị huấn luyện lại để thực hiện hành vi từng bị từ chối.

Trong kịch bản nghiêm trọng, một mô hình mở đủ mạnh có thể hướng dẫn người dùng tổng hợp mầm bệnh mới có độc lực cao. Khi rơi vào tay kẻ xấu, hậu quả có thể mang tính thảm họa.

Kết luận rằng mô hình mở nguy hiểm còn mô hình đóng an toàn là quá đơn giản. Bộ lọc của các nhà cung cấp không hoàn hảo, và mô hình đóng vẫn thường xuyên bị lạm dụng. Kẻ tấn công cũng có thể chọn mô hình đóng vì nó dễ tiếp cận hơn một mô hình mở có năng lực tương đương. Việc chạy mô hình mạnh tại chỗ cần nhiều chip đắt tiền, còn huấn luyện lại cần nhiều phần cứng hơn nữa.

Độ mở cũng có thể hỗ trợ phòng thủ

Quyền truy cập rộng hơn giúp nhà nghiên cứu và nhóm bảo mật kiểm tra điểm yếu, phân tích cuộc tấn công và phát triển biện pháp phòng thủ. Cùng một năng lực có thể hỗ trợ cả tấn công lẫn phòng thủ, vì vậy hạn chế truy cập quá mức đôi khi cản trở chính những người đang xử lý sự cố.

Một số chuyên gia so sánh mô hình mở với phần mềm nguồn mở. Linux và các công cụ nguồn mở khác thường được xem là an toàn hơn sản phẩm đóng vì cộng đồng đông đảo có thể kiểm tra, phát hiện và vá lỗ hổng. Cộng đồng nghiên cứu cũng dễ thử nghiệm mô hình mở để tìm điểm yếu bảo mật hơn, dù sửa một mô hình phức tạp hơn nhiều so với viết lại một dòng mã.

Ứng dụng trong phòng thủ mạng

Nhóm bảo mật thường chủ động tấn công phần mềm của chính mình để tìm lỗ hổng cần vá. Anthropic áp dụng cách tiếp cận có kiểm soát qua dự án Glasswing. Dự án cho phép một số doanh nghiệp đáng tin cậy dùng các mô hình mạnh nhất của hãng cho mục đích phòng thủ mạng. Nhiều doanh nghiệp khác vẫn không được tiếp cận.

Mô hình mở có thể được triển khai rộng hơn. Sau sự cố liên quan đến các tác tử của OpenAI, Hugging Face cho biết họ phải dựa vào một mô hình mở để phân tích cuộc tấn công vì những câu hỏi về sự việc đã kích hoạt bộ lọc bảo mật của các mô hình đóng.

Rào chắn có thể ngăn hành vi nguy hiểm, nhưng cũng có thể cản trở người phòng thủ đang điều tra chính hành vi đó. Những tranh luận về mức quyền hạn phù hợp của AI trong trung tâm điều hành an ninh cần xét cả khả năng lạm dụng lẫn nhu cầu phản ứng sự cố. Đây cũng là trọng tâm của cuộc thảo luận về việc AI nên có bao nhiêu quyền trong hoạt động an ninh.

Rủi ro thảm họa làm thay đổi phép tính

Lập luận an toàn của phần mềm nguồn mở yếu đi khi một mô hình có thể gây ra sự cố hiếm gặp nhưng không thể khắc phục. Nếu năng lực tấn công vượt quá khả năng phòng thủ, việc công khai trọng số có thể tạo ra thiệt hại trước khi các tổ chức kịp gia cố hệ thống.

Nhiều chuyên gia vẫn cho rằng mô hình mở nguy hiểm hơn. Lập luận an toàn quen thuộc của phần mềm nguồn mở có thể không còn đứng vững trước những hệ thống mạnh như mô hình hiện nay và các thế hệ sắp tới.

Sự cố hiếm gặp nhưng khó khắc phục

Seger lưu ý rằng vấn đề trở nên phức tạp khi tính đến những sự cố thảm khốc chỉ xảy ra một lần. Xác suất của chúng có thể thấp, nhưng hậu quả sẽ rất lớn. Nếu một mô hình tấn công cực mạnh được phát hành ngay hôm nay, kẻ xấu có thể phá hoại hạ tầng công nghệ trước khi bên phòng thủ kịp gia cố hệ thống. Một biến cố như vậy có thể không thể khắc phục.

Rủi ro còn nghiêm trọng hơn nếu mô hình tự hành động. Cuộc tấn công Hugging Face của các tác tử OpenAI chỉ xảy ra khi mô hình được thử nghiệm với nhiều rào chắn an ninh mạng đã bị gỡ bỏ. Mô hình mở vốn có ít rào chắn hơn. Cấu trúc triển khai phân tán cũng khiến việc phát hiện hành vi bất thường khó hơn.

Đó là lý do những người coi rủi ro từ tác tử mất kiểm soát là nghiêm trọng, trong đó có Dario Amodei, thường hoài nghi hơn về mô hình mở. Câu hỏi rộng hơn về khả năng AI gây ra hậu quả thảm khốc không thể tách rời việc ai có thể tải, sửa và vận hành mô hình. Những kịch bản này được phân tích thêm trong bài về việc AI có thực sự đe dọa toàn bộ nhân loại hay không.

Có thể làm mô hình mở an toàn hơn không?

Chưa có phương pháp nào loại bỏ hoàn toàn rủi ro sau khi trọng số được công bố. Các hướng đang được nghiên cứu gồm hạn chế dữ liệu nguy hiểm, tạo mô hình khó bị huấn luyện lại theo hướng có hại và phát hành theo từng giai đoạn thay vì mở quyền truy cập ngay lập tức.

Vài năm trước, tranh luận thường bị đặt trong khuôn khổ chỉ có hai lựa chọn. Một bên ủng hộ mô hình mở để chống tập trung quyền lực. Bên kia phản đối vì nguy cơ an toàn. Hiện nay, nhiều nhóm nghiên cứu đang tìm giải pháp ở khoảng giữa.

Các công cụ quen thuộc của mô hình đóng, gồm bộ lọc và hệ thống giám sát tập trung, khó áp dụng sau khi mô hình đã được tải về. Một hướng nghiên cứu là không cho mô hình tiếp xúc với dữ liệu dạy về hành vi nguy hiểm. Chẳng hạn, mô hình có thể không bao giờ được học kiến thức tấn công mạng. Tuy nhiên, loại bỏ mọi nội dung liên quan đến hành vi xấu mà không làm giảm năng lực của mô hình vẫn là thách thức.

Mô hình chống can thiệp

Một hướng khác là tạo mô hình chống can thiệp để người dùng khó xóa bỏ quá trình huấn luyện an toàn. Về lý thuyết, nhà phát triển liên tục thử huấn luyện mô hình theo hướng không an toàn, đồng thời củng cố mọi phản ứng chống lại quá trình đó. Sau nhiều vòng, mô hình có thể chịu được những nỗ lực huấn luyện lại trong tương lai.

Trên thực tế, chưa có phương pháp hiện tại nào chống được mọi kiểu can thiệp, theo một bản thảo nghiên cứu về mô hình chống can thiệp. Saad Hossain, kỹ sư tại công ty hình ảnh y khoa AI Deep Breathe và là tác giả chính của nghiên cứu, vẫn lạc quan vì nhiều nhóm đang tìm kiếm phương pháp mới và hiệu quả hơn.

Trọng số mở mới chỉ là mức tối thiểu

Trọng số mở tạo điều kiện để tải và điều chỉnh mô hình, nhưng chưa đủ để cộng đồng hiểu cách hệ thống được xây dựng hoặc chia sẻ đầy đủ lợi ích kinh tế. Dữ liệu, quy trình huấn luyện, phần cứng và năng lực vận hành đều quyết định độ mở có giá trị thực tế đến đâu.

Hobbs cho rằng nguồn mở có lợi ích thật trong việc phân tán quyền lực, nhưng bản thân nó không đủ.

Nhà nghiên cứu sẽ hiểu mô hình sâu hơn nếu được tiếp cận dữ liệu và quy trình huấn luyện, không chỉ trọng số. Các công ty AI thường không muốn tiết lộ những thông tin này. Vì thế, một mô hình có thể được tải xuống nhưng vẫn thiếu nhiều yếu tố cần thiết để cộng đồng kiểm tra cách nó được xây dựng.

Phần cứng quyết định khả năng tiếp cận

Phần cứng cũng quyết định độ mở có giá trị thực tế hay không. Người dùng không thể khai thác trọng số của một mô hình tinh vi nếu không có chip đủ mạnh. Chi phí của những chip này đã tăng đến mức khó tiếp cận khi các công ty AI liên tục mua thêm phần cứng. Widder gọi độ mở là mức sàn, không phải mức trần, của những việc xã hội cần làm để tương lai công nghệ mang lại lợi ích cho mọi người.

Mở dữ liệu huấn luyện và mở rộng khả năng tiếp cận phần cứng có thể phân phối lợi ích rộng hơn, nhưng cũng làm tăng nguy cơ. Nếu mọi người đều có phần cứng tiên tiến và mô hình mạnh để chạy trên đó, bất kỳ ai cũng có thể trở thành kẻ tấn công.

Phát hành theo giai đoạn là một hướng dung hòa

Cách tiếp cận theo từng bước

Phát hành theo giai đoạn cho phép nhà phát triển đánh giá năng lực, kiểm tra rào chắn và chuẩn bị biện pháp phòng thủ trước khi phổ biến trọng số. Cách làm này không giải quyết hoàn toàn mâu thuẫn giữa mở và đóng, nhưng tránh coi phát hành không hạn chế hoặc giữ kín tuyệt đối là hai lựa chọn duy nhất.

Điều kiện mở rộng quyền tiếp cận

Một mô hình ban đầu được giữ kín, sau đó dần trở nên dễ tiếp cận hơn khi nhà phát triển có thêm bằng chứng về độ an toàn. Chưa có công thức chung cho thời điểm chuyển từ giai đoạn này sang giai đoạn khác.

Quyết định phát hành phải cân bằng lợi ích nghiên cứu, kinh tế và xã hội với mức độ thiệt hại nếu mô hình bị chỉnh sửa hoặc lạm dụng. Mô hình mở có thể là một phần cần thiết của tương lai AI tích cực, nhưng chỉ công bố trọng số chưa đủ để bảo đảm lợi ích được chia sẻ công bằng. Rào chắn của mô hình đóng cũng không đủ để chứng minh hệ thống an toàn. Trọng tâm cần nằm ở mức độ mở, điều kiện tiếp cận và thời điểm phát hành.