Năm 2026, một model có thể viết code, dịch 40 ngôn ngữ, đọc hợp đồng và lập kế hoạch du lịch trong cùng một cửa sổ chat. Điều đó khiến nhiều người nói “gần AGI rồi”. Nhưng khả năng rộng trên nhiều loại văn bản không giống với trí tuệ tổng quát, và nhầm hai thứ này là cách nhanh nhất để hứa với khách hàng một thứ bạn không giao được.
Với kỹ sư AI, phân biệt AI và AGI không phải triết lý suông. Nó quyết định phạm vi task bạn nhận, cách bạn viết eval, và cách bạn thiết kế khi model sai.
Mục lục
Cập nhật 2026: ba điều làm khái niệm này rối hơn
- Context 1 triệu token tạo cảm giác “hiểu tất cả”. GPT-6 Astra, Claude Opus 5.5, Gemini 4 Argon đều nhận được lượng tài liệu khổng lồ trong một request. Nhưng context là bộ nhớ làm việc tạm thời, không phải khả năng học lâu dài: hết request là hết.
- Agent làm model trông tự chủ hơn. Vòng lặp ReAct, tool qua MCP, framework như LangGraph 1.x hay Microsoft Agent Framework 1.x khiến hệ thống “tự làm việc”. Nhưng mọi hành động vẫn nằm trong tập tool bạn cấp; ngoài tập đó, nó không tồn tại.
- “General-purpose AI” trong luật không phải AGI. EU AI Act dùng khái niệm GPAI (áp dụng từ 02/08/2025) cho model nền dùng chung, hoàn toàn khác nghĩa “trí tuệ tổng quát”. Đọc đúng thuật ngữ pháp lý giúp bạn không hứa sai trong tài liệu sản phẩm.
Narrow và general: khác nhau ở trục nào
AI hiện tại là narrow theo nghĩa mạnh nhất của từ này: nó được tối ưu cho một phân phối nhiệm vụ, và mọi thứ ngoài phân phối đó là suy giảm không đoán trước. AGI, nếu tồn tại, là hệ thống chuyển giao kỹ năng sang nhiệm vụ chưa từng gặp mà không cần dữ liệu huấn luyện mới, và tự xác định được khi nào nó không đủ năng lực.
Điểm dễ nhầm: năng lực và tính tổng quát là hai trục độc lập. Một hệ thống có thể vượt con người ở một nhiệm vụ cụ thể (năng lực cao) và bằng 0 ở nhiệm vụ hàng xóm (tổng quát thấp). Ngược lại, một hệ thống tầm thường ở mọi việc vẫn có thể gọi là “general” theo nghĩa hẹp của từ. Vì vậy câu “model này thông minh hơn người” gần như luôn thiếu vế: thông minh hơn ở đâu, trong điều kiện nào, đo bằng gì.
Có bốn trục nên tách khi đánh giá:
| Trục | Hệ thống 2026 | AGI giả thuyết |
|---|---|---|
| Phạm vi nhiệm vụ | Rộng nhưng hữu hạn, do dữ liệu và tool quyết định | Mọi nhiệm vụ nhận thức con người làm được |
| Học lâu dài | Không cập nhật trọng số sau khi deploy | Học từ ít dữ liệu, giữ được kinh nghiệm |
| Tự đánh giá | Không calibrated; tự tin không tương ứng độ đúng | Biết mình không biết, chủ động hỏi |
| Chuyển giao | Chuyển giao trong phân phối giống lúc train | Chuyển giao sang lĩnh vực hoàn toàn mới |
Bảng này cũng là danh sách việc bạn phải làm thay cho model: giới hạn phạm vi, cung cấp bộ nhớ ngoài, kiểm tra độ tin cậy, và viết đường escalate. Không có trục nào trong bốn trục đó mà một model hiện tại tự lo được.
Vì sao hệ thống trông “general” mà vẫn narrow
Một model, nhiều task, vẫn là nhiều phân phối hẹp. Model nền học trên lượng văn bản khổng lồ nên biểu diễn được rất nhiều loại nhiệm vụ. Nhưng “nhiều” không phải “mọi”: khi task của bạn khác biệt về cấu trúc — dữ liệu bảng, quy trình nội bộ, quy tắc ngành — model không suy ra được, và bạn phải bù bằng context hoặc tool.
Context là đòn bẩy, không phải trí nhớ. Nhồi 300 trang tài liệu vào một request giúp model trả lời đúng hôm nay, nhưng request sau nó không nhớ gì. Hệ thống “nhớ” là do bạn viết: lưu state, tóm tắt, truy vấn lại. Nếu bạn không viết, không có trí nhớ nào tồn tại.
Tool mở rộng tầm với, không mở rộng hiểu biết. Một agent có 20 tool qua MCP trông rất đa năng, nhưng nó vẫn chỉ làm được những gì 20 tool đó cho phép, theo thứ tự nó đoán được. Cấp thêm tool không làm nó hiểu thêm về lĩnh vực; nó chỉ làm bề mặt lỗi rộng hơn.
Tự tin không calibrated. Model trả lời sai với cùng giọng điệu như khi đúng. Đây là lý do các hệ thống production phải có kiểm tra đầu ra, trích dẫn nguồn và ngưỡng escalate — không phải vì thiếu tinh tế, mà vì không có tín hiệu tin cậy nào đi kèm câu trả lời.
Đánh giá bằng LLM khác không sửa được điều đó. LLM-as-judge có bias vị trí, bias độ dài, tự ưu tiên model cùng họ và phụ thuộc cách viết rubric. Điểm judge là tín hiệu, không phải chân lý; dùng nó làm cổng duy nhất cho quyết định quan trọng là tự lừa mình.
Benchmark và giới hạn của chúng
Benchmark là công cụ so sánh, không phải chứng chỉ tổng quát. Bốn giới hạn cần nhớ:
- Bão hòa. Khi mọi model đầu bảng đều đạt gần trần, benchmark mất khả năng phân biệt. Điểm cao không còn nghĩa là tốt hơn cho task của bạn.
- Nhiễm dữ liệu. Benchmark công khai có thể đã nằm trong dữ liệu huấn luyện. Điểm cao trên bộ cũ không chứng minh năng lực mới; hãy giả định mọi bộ công khai đều bị “nhìn thấy” ít nhất một phần.
- Đơn nhiệm vụ. Benchmark đo một task tại một thời điểm. Sản phẩm là chuỗi task có ràng buộc thời gian, chi phí và quyền hạn — không có benchmark nào đo hộ bạn.
- Chọn mẫu theo pass@k. Với agent, pass@k = 1 − C(n−c,k)/C(n,k) đo “có một lần đúng trong k lần thử”. Con số này cao hơn nhiều so với tỷ lệ đúng của một lần chạy duy nhất, nên nó thường bị dùng để thổi phồng độ ổn định.
Vì thế bộ eval của bạn mới là benchmark thật: 30–50 case lấy từ log sản phẩm, có nhãn, chạy trong CI. Công cụ có thể là DeepEval 4.3.3, promptfoo 0.125.1, Ragas 0.4.3 cho RAG, Inspect AI 0.3.288 cho agentic eval; nhưng bộ case mới là tài sản, không phải framework.
Đoạn code dưới minh họa lý do “general” thường là ảo giác thống kê: điểm tổng hợp đẹp, điểm từng task rất khác nhau.
# File: eval/generality.py
from math import comb
def pass_at_k(n: int, c: int, k: int) -> float:
"""Xác suất có ít nhất 1 mẫu đúng trong k lần thử (n mẫu, c đúng)."""
if n - c < k:
return 1.0
return 1 - comb(n - c, k) / comb(n, k)
RESULTS = {
"summarize": (20, 18), # (n, c)
"classify": (20, 19),
"sql": (20, 12),
"extract": (20, 16),
"negotiate": (20, 3),
}
def report():
total_n = sum(n for n, _ in RESULTS.values())
total_c = sum(c for _, c in RESULTS.values())
print(f"aggregate: {total_c / total_n:.2f}")
for task, (n, c) in sorted(RESULTS.items(), key=lambda kv: kv[1][1]):
print(f"{task:10s} {c / n:.2f} pass@5={pass_at_k(n, c, 5):.2f}")
report()
# aggregate: 0.68 <- trông "khá ổn"
# negotiate 0.15 pass@5=0.56 <- nhưng đây là task bạn cần
Con số tổng hợp 0,68 không sai, chỉ vô dụng. Một model “làm được mọi thứ” luôn có một task mà nó làm rất tệ; câu hỏi đúng là task nào, và bạn có phát hiện ra không.
Vì sao timeline AGI là suy đoán
Không có định nghĩa vận hành thống nhất cho AGI, nên không có phép đo. Không có phép đo thì không có mốc thời gian kiểm chứng được — mọi tuyên bố “AGI trong 2 năm/10 năm” đều là kịch bản, không phải dự báo kỹ thuật.
Ba lý do cụ thể. Thứ nhất, tiến bộ hiện tại chủ yếu đến từ quy mô dữ liệu, chất lượng dữ liệu và năng lực suy luận tại thời điểm gọi — không phải từ một cơ chế học mới. Nới context từ 128K lên 1M là tiến bộ thật, nhưng nó không chứng minh được khả năng chuyển giao ra ngoài phân phối. Thứ hai, chi phí là ràng buộc vật lý: reasoning token tính như output, request trên 272K token bị phụ phí ở OpenAI, và mỗi bước agent là một lần gọi model. Thứ ba, các lab có động cơ thương mại để dùng từ “AGI” rộng rãi; một thông cáo không phải bằng chứng.
Cách đọc đúng: coi AGI là một hướng nghiên cứu mở, không phải một tính năng trong roadmap sản phẩm. Nếu một nhà cung cấp hoặc một khách hàng dùng từ đó để định giá, hãy hỏi họ ba câu: định nghĩa vận hành là gì, đo bằng bộ case nào, và hệ thống xử lý thế nào khi nó không đủ năng lực.
Hệ quả thực tế cho kỹ sư AI
Thiết kế cho task có biên. Mỗi tính năng cần một câu mô tả phạm vi: đầu vào nào thuộc, đầu vào nào không, và khi không thuộc thì trả về gì. Đây là thứ khiến sản phẩm dùng được, không phải việc model thông minh đến đâu.
Viết eval theo task, không theo cảm giác. Một bộ case chung có thể che mất task yếu nhất. Tách báo cáo theo từng task, đặt ngưỡng riêng, và theo dõi p95 thay vì trung bình.
Đặt đường escalate rõ. Khi độ tin cậy thấp, model phải chuyển cho người hoặc cho công cụ tất định. Không có đường này, mọi lỗi sẽ thành lỗi của sản phẩm.
Không hứa AGI, hứa kết quả đo được. Thay vì “trợ lý AI hiểu toàn bộ doanh nghiệp”, nói “trả lời 80% câu hỏi trong bộ 50 case, phần còn lại chuyển cho người, p95 dưới 3 giây”. Câu thứ hai là một cam kết; câu thứ nhất là một khẩu hiệu.
Đừng xây “general assistant” không phạm vi. Đây là lỗi phổ biến của các dự án mới: một chatbot không giới hạn chủ đề, không tool, không eval. Nó luôn trả lời được, và luôn không đáng tin. Thu hẹp phạm vi là cách tăng chất lượng rẻ nhất.
2027: điều gì có thể thay đổi, điều gì không
Năng lực sẽ tiếp tục tăng: context rẻ hơn, tool nhiều hơn, agent ổn định hơn. Nhưng ba đặc tính narrow ở trên — không học lâu dài, không calibrated, không tự biết giới hạn — là việc của kiến trúc hệ thống, không phải của thế hệ model tiếp theo. Nếu bạn chờ model tự giải quyết, bạn sẽ chờ rất lâu.
Checklist trước khi nhận một dự án “AI tổng quát”
- Viết định nghĩa vận hành cho “thành công” và một bộ 30 case đo được.
- Liệt kê đầu vào ngoài phạm vi và hành vi mong muốn cho từng loại.
- Tách báo cáo eval theo task; đặt ngưỡng riêng cho task quan trọng nhất.
- Thiết kế escalate và fallback trước khi thiết kế giao diện.
- Ghi rõ trong tài liệu sản phẩm rằng hệ thống là narrow, không phải AGI — người dùng và pháp lý đều cần điều đó.
Đọc tiếp: Kỹ sư AI là gì để có định nghĩa vai trò, Kỹ sư AI và Kỹ sư ML để phân vai trong đội, và kiểm thử đối kháng cho ứng dụng LLM để kiểm tra giới hạn thật của hệ thống.
