Việc Kimi từ chối thảo luận các câu hỏi chính trị nhạy cảm cho thấy tại sao các mô hình có thể tải xuống và truy cập miễn phí không nên tự động bị nhầm lẫn với tự do trí tuệ.
Lời hứa của AI mã nguồn mở rất mạnh mẽ: tải mô hình về, chạy nó tại chỗ, tránh bị khóa nền tảng và có nhiều quyền kiểm soát hơn đối với hệ thống AI của chính bạn. Nhưng trải nghiệm của người dùng với việc Kimi từ chối một câu hỏi chính trị cơ bản cho thấy tại sao từ “mở” cần được xem xét kỹ hơn.
Một mô hình AI có thể về mặt kỹ thuật là có sẵn trong khi vẫn mang những giới hạn mà người dùng không hoàn toàn nhìn thấy. Những giới hạn đó có thể đến từ dữ liệu huấn luyện, căn chỉnh sau huấn luyện, chính sách từ chối, bộ lọc an toàn, lời nhắc mặc định, bao bọc sản phẩm, API được lưu trữ, công cụ triển khai tại chỗ hoặc kênh cập nhật.
Mối quan tâm đáng tin cậy không phải là mọi mô hình mở của Trung Quốc đều được thiết kế bí mật để xâm nhập máy tính của người dùng. Điều đó đòi hỏi bằng chứng kỹ thuật cụ thể. Mối quan tâm quan trọng hơn là các mô hình được áp dụng rộng rãi có thể trở thành lớp thông tin mặc định trên thiết bị cá nhân trong khi âm thầm dạy người dùng những câu hỏi nào được phép, bị ngăn cấm hoặc bị chuyển hướng.
Trường hợp Kimi: khi truy cập mở gặp phải sự từ chối chính trị
Trải nghiệm người dùng gây ra cuộc tranh luận này rất đơn giản: hỏi Kimi một câu hỏi về Đảng Cộng sản Trung Quốc, và mô hình từ chối hoặc tránh né chủ đề. Khoảnh khắc đó quan trọng vì nó phơi bày sự khác biệt giữa tính mở về kỹ thuật và tính mở về trí tuệ.
Một mô hình có thể tải xuống được, rẻ hoặc trọng số mở, nhưng vẫn phản hồi trong giới hạn chính trị. Đối với người dùng, câu hỏi then chốt không chỉ là “Tôi có thể chạy nó không?” mà còn là “Nó cho phép tôi hỏi, so sánh, thách thức và hiểu gì?”
Mã nguồn mở không tự động đồng nghĩa với trung lập
Truy cập mã nguồn mở có thể cải thiện tính minh bạch, tùy chỉnh và cạnh tranh, nhưng nó không xóa bỏ lịch sử về cách một mô hình được huấn luyện hoặc căn chỉnh. Trọng số có thể nhìn thấy hoặc tái sử dụng, trong khi hỗn hợp dữ liệu đầy đủ, quy trình lọc, quy tắc kiểm duyệt và điều chỉnh từ chối vẫn khó để người dùng thông thường kiểm tra.
Đây là lý do tại sao AI mã nguồn mở không nên được coi là tự động không có thành kiến hay giới hạn chính trị. Một mô hình có thể mở về phân phối nhưng đóng về quan điểm thế giới. Nó có thể triển khai cục bộ nhưng vẫn bị định hình bởi các giả định và hạn chế được nhúng trước khi người dùng tải xuống.
Nơi kiểm soát thông tin có thể xâm nhập vào ngăn xếp mô hình
Kiểm soát thông tin không cần xuất hiện dưới dạng một công tắc kiểm duyệt duy nhất. Nó có thể xuất hiện khắp ngăn xếp: lựa chọn dữ liệu huấn luyện, tinh chỉnh có giám sát, học tăng cường, ví dụ từ chối, lời nhắc hệ thống, bộ phân loại an toàn, nguồn truy xuất, mặc định giao diện người dùng và phần mềm triển khai.
Điều đó khiến việc đánh giá từ chối chính trị trở nên khó khăn chỉ qua một ảnh chụp màn hình. Cùng một mô hình cơ bản có thể hành xử khác khi chạy tại chỗ, truy cập qua ứng dụng chính thức, được bao bọc bởi giao diện khác hoặc cập nhật qua dịch vụ quản lý. Hệ sinh thái xung quanh có thể quan trọng không kém trọng số mô hình.
Rủi ro thực sự là lớp AI trên thiết bị cá nhân
Khi AI cục bộ trở nên dễ cài đặt hơn, các mô hình sẽ tiến gần hơn đến cuộc sống hàng ngày của người dùng: laptop, trình duyệt, điện thoại, công cụ lập trình, trình soạn thảo tài liệu, quy trình email và trợ lý cá nhân. Điều đó biến mô hình thành cổng thông tin, không chỉ là công cụ năng suất.
Nếu một mô hình âm thầm từ chối một số câu hỏi chính trị nhất định, định hình lại các chủ đề nhạy cảm hoặc chuẩn hóa cách trình bày thân thiện với nhà nước, hiệu ứng có thể rất tinh vi. Người dùng có thể đặt ít câu hỏi hơn theo thời gian, chấp nhận câu trả lời hẹp hơn hoặc nhầm lẫn hành vi từ chối là an toàn khách quan thay vì căn chỉnh chính trị.
Cách người dùng nên đánh giá các mô hình AI mở
Người dùng NexusAI nên đánh giá các mô hình mở với danh sách kiểm tra rộng hơn. Xem xét điều khoản giấy phép, tính minh bạch huấn luyện, hành vi từ chối, xử lý chủ đề chính trị, tài liệu an toàn, hành vi cục bộ so với lưu trữ, báo cáo kiểm toán, thử nghiệm cộng đồng, kênh cập nhật và liệu người dùng có thể chỉnh sửa lớp căn chỉnh hay không.
Mục tiêu không phải là từ chối mọi mô hình từ một quốc gia cụ thể. Mục tiêu là tránh tin tưởng mù quáng. Người dùng AI nghiêm túc nên so sánh các mô hình qua các lời nhắc nhạy cảm, kiểm tra xem câu trả lời có thay đổi theo ngôn ngữ không, thử nghiệm riêng biệt các phiên bản cục bộ và lưu trữ, và ưu tiên các công cụ làm cho chính sách từ chối dễ giải thích thay vì vô hình.
