Một cây gậy và một quả bóng có tổng giá 1,10 đô. Cây gậy đắt hơn quả bóng đúng 1 đô. Hỏi quả bóng giá bao nhiêu?
Nếu bạn bật ra ngay đáp án “10 xu” thì cũng đừng buồn — phần lớn chúng ta đều vậy. Đáp án đúng là 5 xu. Daniel Kahneman, nhà tâm lý học đoạt giải Nobel Kinh tế năm 2002, dùng câu đố này để mở đầu cuốn Tư duy nhanh và chậm: trong đầu chúng ta có hai hệ thống. System 1 nhanh, tự động, gần như không tốn sức. System 2 chậm, có chủ đích và tốn năng lượng. Vấn đề là System 2 khá “lười”, nên thường cứ để System 1 tự quyết.
Điều thú vị là ngành AI bây giờ đang lặp lại đúng sự phân chia này.
System 1, System 2: hai loại máy
Mấy năm qua, cuộc đua AI là cuộc đua của System 2: Claude, GPT, Gemini ngày càng giỏi suy luận nhiều bước, viết lách, code, phân tích. Rồi từ tháng 9/2026, một hướng đi thứ hai xuất hiện. TypeSafe AI ra mắt Jev, tự gọi nó là mô hình “System One” — tham chiếu thẳng tới Kahneman. (Cái tên Jev thì đặt theo nhà kinh tế học William Stanley Jevons.) Gần như cùng lúc, Convai Innovations công bố Laya: mã nguồn mở, khoảng 421 triệu tham số, đủ gọn để chạy ngay trên hạ tầng nội bộ.
Điểm chung của hai mô hình này: không viết một chữ nào — và đó là chủ đích thiết kế. Bạn đưa vào dữ liệu kèm câu hỏi đã định kiểu sẵn: có/không, chọn A/B/C, chấm điểm 1–5. Mô hình trả về lựa chọn kèm xác suất. Hết.
So sánh hai loại máy thì thế này:
System 2 (LLM đa năng) linh hoạt, hiểu ngữ cảnh sâu, giải thích được. Đổi lại, mỗi lần gọi đều đắt và chậm, đầu ra là văn bản còn phải xử lý thêm, và hỏi hai lần chưa chắc đã nhận cùng một câu trả lời.
System 1 (mô hình quyết định) trả kết quả trong vài chục đến vài trăm mili-giây, chi phí mỗi quyết định rất thấp, kết quả nhất quán. Chất lượng đo được bằng độ chính xác và độ hiệu chuẩn của xác suất. Nhược điểm: không giải thích được lý do, và chỉ giỏi với câu hỏi đóng.
System 1 muốn sửa lỗi lớn nhất của con người
Kahneman dành phần lớn cuốn sách để chỉ ra cái sai của System 1. Đầu tiên là quá tự tin. Thứ hai là WYSIATI — “những gì bạn thấy là tất cả”: ta kết luận dựa trên thông tin đang có trước mặt, phớt lờ những gì còn thiếu.
Các mô hình quyết định tham vọng sửa lỗi thứ nhất bằng xác suất được hiệu chuẩn: khi mô hình nói “80% chắc chắn”, nó phải đúng khoảng 80% số lần. Trực giác con người hiếm khi làm được điều này.
Còn lỗi WYSIATI thì máy cũng chưa thoát. Gặp dữ liệu quá khác với những gì đã học, mô hình có thể sai mà vẫn rất tự tin. Chính nhóm phát triển Laya cũng cảnh báo điều này: phải lọc đầu vào trước khi đưa cho mô hình, đừng chỉ dựa vào ngưỡng tự tin.
Khi nào trực giác đáng tin — của người lẫn của máy
Kahneman và Gary Klein từng cùng đi đến một kết luận: trực giác chuyên gia chỉ đáng tin khi đủ ba điều kiện — môi trường đủ quy luật, người đó được luyện tập đủ lâu, và nhận phản hồi nhanh, rõ ràng. Lính cứu hỏa lâu năm có trực giác tốt. Người dự đoán chứng khoán thì thường không.
Điều kiện để mô hình quyết định phát huy tác dụng cũng y hệt: việc lặp đi lặp lại, được định nghĩa rõ, có dữ liệu gán nhãn để “luyện tập”. Convai cũng nói thẳng: Laya là nền tảng để tinh chỉnh, không phải công cụ dùng ngay. Muốn có trực giác tốt, máy cũng phải được huấn luyện như người.
Trong cuốn sách sau đó, Noise (2021), Kahneman còn chỉ ra một căn bệnh nữa: nhiễu. Cùng một hồ sơ, hai chuyên viên thẩm định có thể kết luận khác nhau — thậm chí cùng một người, sáng và chiều đã quyết khác nhau. Sự nhất quán của System 1 chính là liều thuốc cho bệnh này.
Đưa vào ngân hàng thì dùng thế nào
1. Chống gian lận giao dịch. Đây là bài toán thuần System 1: mỗi lần quẹt thẻ hay chuyển khoản đều phải quyết trong tích tắc, không có thời gian để “nghĩ”. Mô hình quyết định chấm điểm rủi ro rồi rẽ ba nhánh: điểm thấp cho qua, điểm trung bình yêu cầu xác thực thêm, điểm cao tạm giữ. System 2 (LLM) chỉ vào cuộc ở nhánh bị giữ: đọc lịch sử giao dịch, tóm tắt lý do nghi ngờ để chuyên viên gọi xác minh với khách. Nói thật thì ngân hàng đã dùng machine learning truyền thống cho bài này từ lâu rồi — mô hình quyết định kiểu mới chỉ thực sự hơn khi đầu vào là văn bản phi cấu trúc, như nội dung chuyển khoản hay tin nhắn của khách.
2. Sàng lọc cảnh báo rửa tiền (AML). Hệ thống giám sát đẻ ra hàng nghìn cảnh báo mỗi ngày, phần lớn là báo động giả — không ai đọc xuể. System 1 (mô hình quyết định) xếp hạng ưu tiên từng cảnh báo để chuyên viên xử lý cái đáng xử trước. System 2 (LLM) tóm tắt chuỗi giao dịch và soạn nháp báo cáo giao dịch đáng ngờ. Chuyên viên tuân thủ là người quyết có báo cáo hay không.
3. Chăm sóc khách hàng. Mỗi yêu cầu gửi đến được xử lý hai bước: System 1 (mô hình quyết định) phân loại ý định, mức khẩn cấp, mức độ bức xúc rồi chuyển đúng bộ phận; System 2 (LLM) soạn câu trả lời theo ngữ cảnh. Khiếu nại nghiêm trọng thì đi thẳng tới con người — chỗ này không giao cho máy quyết.
4. Thẩm định tín dụng doanh nghiệp nhỏ. Ngược với ba bài trên, ở đây System 2 đi trước: LLM đọc báo cáo tài chính, hợp đồng rồi tóm tắt rủi ro bằng thứ ngôn ngữ con người hiểu được. System 1 (mô hình quyết định) chạy checklist cứng: hồ sơ đủ chưa, tỷ lệ nợ có vượt ngưỡng không. Cán bộ tín dụng ra quyết định cuối cùng. Ở đây có một ranh giới không được vượt: quyết định cấp hay từ chối tín dụng phải giải thích được với khách hàng và cơ quan quản lý — nên không bao giờ để một mô hình “không biết giải thích” quyết bước cuối.
Còn một điểm riêng cho ngân hàng: Laya chạy hoàn toàn được trên hạ tầng nội bộ. Với dữ liệu không được phép rời khỏi ngân hàng, đây là lợi thế mà mô hình chỉ có trên cloud khó sánh.
Quy tắc chọn mô hình
Trước khi chọn, tự hỏi ba câu: câu hỏi là đóng hay mở? Mỗi tháng cần quyết bao nhiêu lần? Quyết định đó có phải giải thích cho ai không?
Kiến trúc thực tế nhất hiện nay mô phỏng đúng bộ não Kahneman mô tả: System 1 chạy liên tục, xử lý phần lớn việc; System 2 chỉ vào cuộc khi gặp điều bất thường; con người giữ vai trò giám sát cuối cùng.
Vậy nên đừng hỏi bên nào mạnh hơn. Hãy hỏi: việc này cần AI nghĩ chậm hay quyết nhanh? Và khi quyết nhanh mà sai, ai sẽ là người kiểm tra?
Ghi chú: các số liệu về tốc độ và chi phí của Jev và Laya đều do nhà phát triển công bố, chưa có kiểm chứng độc lập.
Để lại một bình luận