Làm sao biết đúng là AI mình chọn đang trả lời, Từ cuộc đấu toán năm 1535 đến FlashProve

Khi nói chuyện trực tiếp với một người bạn, anh em có cả chục cách để biết đúng là người đó: nhìn mặt, nghe giọng, bắt tay. Còn khi gõ câu hỏi cho một mô hình AI thì gần như không có cách nào. Anh em chọn một mô hình xịn trong menu, trả tiền theo giá của mô hình xịn, nhưng thứ thật sự chạy ở phía máy chủ có đúng là nó không, hay là một bản rẻ hơn, nén mạnh hơn, được lặng lẽ thay vào để tiết kiệm chi phí? Chỉ nhìn câu trả lời thì không đoán được, kể cả khi câu trả lời nghe rất ổn. Đó là câu hỏi mà Anthropic đặt ra trong bài nghiên cứu đăng ngày 2/11/2026, kèm theo một hệ thống mã nguồn mở tên là FlashProve. Ý tưởng của nó nghe như nghịch lý: nhà cung cấp chứng minh được rằng câu trả lời do đúng một bộ trọng số (weights) cụ thể tạo ra, mà không để lộ bất cứ thông tin gì về bộ trọng số ấy. Người kiểm tra không cần GPU, không cần biết mô hình bên trong ra sao, chỉ cần một tệp bằng chứng vài chục MB và một chiếc máy tính bình thường. Chuyện “chứng minh mình biết mà không nói ra mình biết gì” không phải do AI sinh ra. Nó có một lịch sử dài gần 500 năm, bắt đầu từ một cuộc đấu toán ở Venice.
Hình ảnh minh họa cho Làm sao biết đúng là AI mình chọn đang trả lời? Từ cuộc đấu toán năm 1535 đến FlashProve. Ảnh: Tư liệu
Chân dung nhà toán học Niccolò Tartaglia (khoảng 1499/1500–1557), người từng giữ bí mật cách giải phương trình bậc ba (tranh khắc, phạm vi công cộng)
Hình ảnh minh họa cho Làm sao biết đúng là AI mình chọn đang trả lời? Từ cuộc đấu toán năm 1535 đến FlashProve. Ảnh: Tư liệu
Trang bìa cuốn Ars Magna (1545) của Gerolamo Cardano, nơi cách giải phương trình bậc ba của del Ferro và Tartaglia lần đầu được in ra (phạm vi công cộng) Bài học của Tartaglia rất rõ: muốn người khác tin mình có bí mật mà không phải trao bí mật đi là chuyện khó, và một khi đã lộ thì không lấy lại được. Phải mất thêm 450 năm, giới toán học mới biết cách làm điều đó một cách triệt để. Năm 1985, ba nhà khoa học máy tính Shafi Goldwasser, Silvio Micali và Charles Rackoff công bố bài báo “The Knowledge Complexity of Interactive Proof-Systems” (Độ phức tạp tri thức của hệ chứng minh tương tác). Họ đặt ra một câu hỏi lạ: một chứng minh truyền đi bao nhiêu “tri thức”? Một chứng minh toán học thông thường thường lộ ra rất nhiều, vì muốn chứng minh một số không phải là số chính phương theo modulo m, mọi cách được biết khi ấy đều phải đưa ra phân tích thừa số nguyên tố của m. Nhưng ba ông chỉ ra rằng nếu cho phép người chứng minh và người kiểm tra hỏi qua hỏi lại nhiều vòng, có thể thuyết phục được người kia mà không tiết lộ thêm chút tri thức nào. Họ gọi đó là chứng minh không tiết lộ tri thức (zero-knowledge proof). Bài báo này, cùng một bài của László Babai và Shlomo Moran, giúp cả năm tác giả nhận giải Gödel đầu tiên năm 1993. Năm 2012, Goldwasser và Micali nhận giải Turing.
Hình ảnh minh họa cho Làm sao biết đúng là AI mình chọn đang trả lời? Từ cuộc đấu toán năm 1535 đến FlashProve. Ảnh: Tư liệu
Hình ảnh minh họa cho Làm sao biết đúng là AI mình chọn đang trả lời? Từ cuộc đấu toán năm 1535 đến FlashProve. Ảnh: Tư liệu
Sơ đồ hang Ali Baba: Peggy vào theo nhánh A hoặc B, Victor đứng ngoài không thấy, rồi gọi ngẫu nhiên nhánh mà Peggy phải đi ra (ảnh: Wikimedia Commons, CC BY 2.5) Điểm Sharevina là Victor bị thuyết phục nhưng không học được gì về mật khẩu. Thậm chí nếu anh quay phim lại, đoạn phim cũng không thuyết phục được người thứ ba, vì hai người hoàn toàn có thể thông đồng dàn dựng trước thứ tự A, B. Đó là ba tính chất mà mọi chứng minh không tiết lộ tri thức đều cần: người trung thực luôn được chấp nhận (tính đầy đủ), kẻ gian gần như không thể lừa được (tính đúng đắn), và người kiểm tra không biết thêm gì ngoài việc mệnh đề là đúng (không tiết lộ tri thức). Hỏi qua hỏi lại 20 vòng thì không tiện cho máy tính. Năm 1988, Manuel Blum, Paul Feldman và Micali chỉ ra rằng có thể bỏ phần tương tác, gom cả cuộc hỏi đáp thành một “chứng từ” duy nhất gửi đi một lần. Rồi qua nhiều thập kỷ, các nhà mật mã học làm cho chứng từ ấy ngày càng ngắn và kiểm tra ngày càng nhanh, sinh ra họ zkSNARK: chứng minh không tiết lộ tri thức, ngắn gọn, không cần tương tác. Những hệ thống như Pinocchio năm 2013 cho thấy nó bắt đầu “gần thực tế”, và năm 2016 đồng tiền mã hóa Zcash dùng nó để giấu số tiền và người gửi trong giao dịch, dựa trên giao thức Zerocash mà một trong các tác giả là Alessandro Chiesa. Hơn 10 năm sau, tên Chiesa (nay ở EPFL và StarkWare) lại xuất hiện trong danh sách tác giả của FlashProve. Quay lại chuyện AI. Vì sao lại cần chứng minh “mô hình nào đã trả lời”? Anthropic nêu vài kịch bản. Một dịch vụ trung gian định tuyến yêu cầu có thể lén thay mô hình rẻ hơn vào. Kẻ tấn công chiếm được máy chủ suy luận có thể chèn câu trả lời độc hại, chẳng hạn gửi mã độc về máy người dùng, lẫn vào giữa các câu trả lời thật. Đơn vị kiểm định độc lập cần biết mô hình họ đang đánh giá có đúng là mô hình được phục vụ cho khách hàng không. Và một kịch bản nghe như phim khoa học viễn tưởng mà Anthropic viết thẳng ra: khi mô hình có thể tự cải tiến và tự triển khai, một mô hình mạnh hơn có thể chạy thay mô hình được phép rồi tự nhận là mô hình yếu hơn, để né các bộ lọc và giám sát dành cho nó.
Nguồn thông tin: Tổng hợp và biên tập từ chuyên trang công nghệ.
