AI tự học dịch thuật: Kỳ diệu nhưng cũng đầy rủi ro

Đây không phải là khoa học viễn tưởng, cũng không phải lời quảng cáo suông. Các nhà nghiên cứu đã ghi nhận các dạng năng lực đa ngôn ngữ “bất chợt xuất hiện” trong nhiều năm. Công trình của Google về dịch máy thần kinh đa ngôn ngữ cho thấy các mô hình được huấn luyện trên nhiều cặp ngôn ngữ có thể thực hiện dịch “zero-shot”. Tức là dịch giữa các cặp ngôn ngữ mà chúng chưa bao giờ được huấn luyện trực tiếp. Đó là một vết nứt lớn trong giả định cũ rằng mọi hướng dịch đều phải được dạy một cách tường minh. Kể từ đó, các mô hình ngôn ngữ lớn được huấn luyện trên các bộ dữ liệu khổng lồ tầm cỡ internet đã đẩy ý tưởng này đi xa hơn. Các mô hình như hệ thống kiểu GPT, các mô hình đa ngôn ngữ của Meta, và các mô hình mở như các biến thể của Llama đã cho thấy chúng thường có thể dịch, tóm tắt và trả lời câu hỏi bằng nhiều ngôn ngữ ngay cả khi dịch thuật không phải là nhiệm vụ duy nhất hay chính của chúng.

Bằng chứng rõ ràng nhất là ở các ngôn ngữ có nguồn tài nguyên dồi dào. Tiếng Anh, Tây Ban Nha, Pháp, Đức, Trung Quốc, Ả Rập và một số ngôn ngữ khác chiếm ưu thế trong các văn bản trực tuyến mà những hệ thống này tiếp nhận. Nghiên cứu từ các tổ chức bao gồm DeepMind, Google, Meta và các trường đại học lớn đã nhiều lần phát hiện ra rằng việc mở rộng quy mô huấn luyện đa ngôn ngữ sẽ cải thiện khả năng chuyển giao chéo giữa các ngôn ngữ. Nói một cách đơn giản, một mô hình học đủ nhiều về nhiều ngôn ngữ đôi khi có thể liên kết ý nghĩa giữa chúng mà không cần được "mớm" các ví dụ trực tiếp cho từng cặp. Kết quả có thể trông gần như kỳ diệu. Bạn chỉ cần yêu cầu hệ thống chuyển một ý tưởng từ ngôn ngữ này sang ngôn ngữ khác, và nó thường có thể làm được.

Nhưng chúng ta cần nhìn nhận một cách cẩn trọng dòng tít hấp dẫn rằng “AI có thể tự dạy mình dịch thuật”. Sự thật là: những mô hình này không học trong chân không. Chúng được huấn luyện trên kho văn bản khổng lồ do con người tạo ra, thường được lấy từ web, sách, mã nguồn và các kho dữ liệu lớn khác. Chúng không tự phát minh ra ngôn ngữ. Góc nhìn là: gọi đây là “tự học” là một cách nói tắt hữu ích, nhưng cũng có thể gây hiểu lầm. Điều thực sự xảy ra là mô hình đang trích xuất các quy luật từ việc tiếp xúc với nhiều ngôn ngữ một cách rộng rãi đến mức dịch thuật trở thành sản phẩm phụ của việc học ngôn ngữ nói chung. Điều này không lãng mạn như cách nói kia, nhưng về mặt thực tế nó có thể còn quan trọng hơn.

Tại sao điều này lại xảy ra? Vì dịch thuật không chỉ là ghép từ điển. Đó là việc khớp các quy luật về ý nghĩa, cú pháp, ngữ cảnh và kiến thức thế giới. Các mô hình lớn cực kỳ giỏi trong việc trích xuất quy luật khi được cung cấp đủ dữ liệu và sức mạnh tính toán. Nếu một hệ thống nhìn thấy cùng một tên riêng, sự kiện, sản phẩm, địa điểm và khái niệm lặp đi lặp lại qua nhiều ngôn ngữ, nó sẽ bắt đầu xây dựng các biểu diễn nội bộ để kết nối chúng. Các nhà nghiên cứu thường mô tả đây là một không gian ngữ nghĩa chung. Thuật ngữ này nghe có vẻ trừu tượng, nhưng ý tưởng rất đơn giản: mô hình bắt đầu coi các ý tưởng là thứ có thể “di chuyển” qua lại giữa các ngôn ngữ.

Điều đó làm thay đổi bài toán kinh tế của AI. Các hệ thống dịch thuật truyền thống đòi hỏi việc tuyển chọn dữ liệu song ngữ một cách cẩn thận, vốn tốn kém và thường khan hiếm đối với các ngôn ngữ nhỏ hơn. Nếu các mô hình đa dụng có thể học được một số khả năng dịch thuật từ văn bản đa ngôn ngữ hỗn hợp, các công ty có thể ra mắt sản phẩm nhanh hơn và rẻ hơn. Đó là lý do tại sao xu hướng này có ý nghĩa vượt xa phòng thí nghiệm. Nó ảnh hưởng đến tìm kiếm, dịch vụ khách hàng, kiểm duyệt mạng xã hội, thương mại xuyên biên giới, công cụ giáo dục và trợ lý giọng nói. Dịch thuật không còn là một tính năng độc lập. Nó đang trở thành một khả năng tích hợp sẵn của các hệ thống AI nói chung.

Có một câu chuyện hấp dẫn ở đây về sự dân chủ hóa. Trong trường hợp tốt nhất, các mô hình có thể khái quát hóa qua các ngôn ngữ có thể giúp nhiều người hơn tiếp cận internet bằng ngôn ngữ của riêng họ. Chúng có thể hỗ trợ dịch thuật chi phí thấp cho trường học, phòng khám, người di cư và các doanh nghiệp nhỏ. Ở những quốc gia có nhiều ngôn ngữ địa phương và nguồn tài nguyên kỹ thuật số hạn chế, điều đó rất có ý nghĩa. UNESCO và các tổ chức toàn cầu khác từ lâu đã cảnh báo về việc các ngôn ngữ có ít hiện diện trên không gian mạng đang bị loại trừ khỏi thế giới số. Nếu AI hạ thấp rào cản đó, lợi ích sẽ là rất thật.

Bây giờ là sự thật phũ phàng. Xu hướng tương tự cũng có thể đào sâu thêm sự bất bình đẳng. Các hệ thống này mạnh nhất ở nơi có nhiều dữ liệu và yếu nhất ở nơi cần chúng nhất. Nghiên cứu về xử lý ngôn ngữ tự nhiên đa ngôn ngữ đã nhiều lần chỉ ra một sự mất cân bằng tàn khốc: một số ít ngôn ngữ chiếm lĩnh dữ liệu, các tiêu chuẩn đánh giá và sự chú ý của giới kỹ sư. Các ngôn ngữ ít tài nguyên, ngôn ngữ bản địa và các phương ngữ thường bị xử lý kém hoặc bị bỏ qua. Một mô hình có thể tỏ ra thông thạo một ngôn ngữ phổ biến nhưng lại dịch rất tệ một ngôn ngữ địa phương. Hoặc nó có thể san phẳng ý nghĩa bản địa thành các dạng thức chuẩn hóa. Đây không phải là một chi tiết kỹ thuật nhỏ. Đây là một vấn đề về quyền lực. Ngôn ngữ mang theo luật pháp, bản sắc, văn hóa và lòng tin. Một bản dịch tồi trong bệnh viện, phòng xử án hay một văn phòng chính phủ không phải là một lỗi vô hại.

Còn một vấn đề khác mà ngành công nghiệp AI thích lướt qua. Nếu các mô hình học được các khả năng một cách gián tiếp, thì việc kiểm tra và kiểm soát sẽ trở nên khó khăn hơn. Các nhà phát triển có thể tinh chỉnh một hệ thống cho một mục đích nhưng cuối cùng lại gặp phải những khả năng hoặc các kiểu lỗi không mong muốn ở những mục đích khác. Đây không phải là bằng chứng về sự nguy hiểm trong mọi trường hợp, nhưng nó là một thách thức thực sự về quản trị. Nếu một công ty không thể giải thích rõ ràng hành vi ngôn ngữ nào xuất hiện từ dữ liệu và các bước huấn luyện nào, thì các nhà quản lý và người dùng sẽ chỉ còn lại một chiếc hộp đen được bọc trong lớp vỏ quảng cáo sản phẩm.

Câu trả lời không phải là hoảng loạn, và chắc chắn không phải là thổi phồng một cách mù quáng. Đó là sự minh bạch có kỷ luật. Các công ty nên công bố rõ hệ thống của họ được đánh giá đáng tin cậy trên những ngôn ngữ nào và những ngôn ngữ nào thì không. Điều này nghe có vẻ cơ bản vì nó thực sự cơ bản. Quá nhiều sản phẩm AI vẫn quảng cáo năng lực “đa ngôn ngữ” như thể điều đó có nghĩa là chất lượng đồng đều trên diện rộng. Thực tế không phải vậy. Các tiêu chuẩn đánh giá công khai nên bao gồm nhiều ngôn ngữ hơn, đặc biệt là những ngôn ngữ bị thiệt thòi trên không gian số. Chính phủ và các trường đại học nên đầu tư vào các bộ dữ liệu mở và công cụ đánh giá cho các ngôn ngữ ít được đại diện, với sự đồng ý và tham gia của cộng đồng địa phương. Nếu tương lai của dịch thuật đang được định hình bởi các mô hình khổng lồ, thì công chúng không nên phải chấp nhận một hệ thống chỉ được xây dựng xoay quanh những ngôn ngữ có lợi nhuận cao nhất thế giới.

Các nhà phát triển cũng cần ngừng giả vờ rằng chỉ quy mô lớn là đủ khôn ngoan. Đúng là các mô hình lớn hơn có thể khám phá ra những quy luật xuyên ngôn ngữ ấn tượng. Nhưng chúng cũng có thể hấp thụ định kiến, dịch sai các khái niệm nhạy cảm hoặc xóa bỏ sắc thái. Các dịch giả, nhà ngôn ngữ học và chuyên gia cộng đồng con người vẫn rất quan trọng. Trên thực tế, họ càng quan trọng hơn khi các hệ thống AI trông có vẻ đủ năng lực để đánh lừa người mua và các quan chức tin tưởng chúng một cách thái quá. Mối nguy hiểm không phải là AI dịch thuật vô dụng. Mối nguy hiểm là nó đủ hữu ích để bị triển khai một cách cẩu thả.

Câu chuyện cũ là máy móc dịch được vì con người dạy chúng một cách tường minh từng bước một. Câu chuyện mới thì phức tạp và mạnh mẽ hơn. Các mô hình AI có thể phát triển khả năng dịch thuật như một tác dụng phụ của việc học ngôn ngữ ở quy mô lớn. Đó là một đột phá kỹ thuật thực sự. Nó cũng có thể là một đường đứt gãy về chính trị và văn hóa. Khi một cỗ máy bắt đầu kết nối các ngôn ngữ mà không được chỉ dẫn trực tiếp, đó là một thành tựu có thật. Nhưng trách nhiệm đi kèm cũng có thật. Dịch thuật không bao giờ chỉ là chuyện con chữ. Nó là câu chuyện về ý nghĩa của ai sẽ tồn tại sau khi được chuyển ngữ.