AI càng nói chuyện tự nhiên, nhà thông minh càng khó ra lệnh chính xác

Alexa+ được giới thiệu với mục tiêu giúp người dùng nói chuyện tự nhiên hơn với trợ lý ảo. Thay vì phải nói một câu cứng nhắc như “Alexa, giảm đèn Hue số 3 trong phòng ngủ 2 xuống 45%”, người dùng có thể nói “Alexa, vặn đèn xuống một chút”.

Nhưng khả năng hiểu câu nói đời thường không tự động biến trợ lý thành một bộ điều khiển đáng tin cậy. Hội thoại có thể chấp nhận việc diễn giải, hỏi lại hoặc ứng biến. Còn nhà thông minh thì không: người dùng muốn đúng chiếc đèn, đúng mức sáng, phản hồi ngay và lần nào cũng làm đúng.

Sự lệch pha nằm ở kiến trúc

Các trợ lý đời cũ thường hoạt động theo cách tương đối đơn giản: nhận diện một cụm từ hoặc ý định đã biết, sau đó gọi đúng tác vụ được lập trình sẵn. Một câu lệnh cụ thể như

set bedroom lamp brightness to 45%

Trợ lý dựa trên mô hình ngôn ngữ lớn (LLM) phải đưa ra nhiều quyết định trước khi thiết bị thực sự hành động. Nó cần suy luận người dùng muốn gì, xác định căn phòng hoặc thiết bị liên quan, hiểu ngữ cảnh, chọn tính năng có sẵn, tạo lệnh gọi API hoặc công cụ, rồi chuyển lệnh qua nền tảng nhà thông minh và các hệ thống tích hợp.

Mỗi bước trung gian lại mở ra một điểm có thể phát sinh lỗi: tên thiết bị bị hiểu nhầm, tham số không hợp lệ, thông tin trạng thái đã cũ, kết nối hết thời gian chờ hoặc một tích hợp nào đó thất bại. Mark Riedl, giáo sư tại Viện Công nghệ Georgia, mô tả rõ sự đánh đổi này: LLM hiểu được nhiều cách diễn đạt hơn, nhưng sự cởi mở đó cũng làm tăng cơ hội diễn giải sai.

Các hệ thống cũ chủ yếu dựa trên “ghép mẫu” — đối chiếu câu nói với một ý định đã được định nghĩa. Trong khi đó, các hệ thống dựa trên transformer tạo ra câu trả lời theo xác suất, nên cùng một kiểu yêu cầu có thể dẫn tới cách xử lý khác nhau.

Vì sao những lệnh đơn giản lại phơi bày điểm yếu?

Bật đèn nghe có vẻ là tác vụ quá đơn giản để có thể thất bại. Nhưng chính vì kết quả rất rõ ràng nên người dùng gần như không chấp nhận được câu trả lời “nghe có vẻ đúng” mà không làm thay đổi trạng thái thiết bị.

Trợ lý phải chọn đúng một mục tiêu, áp dụng đúng một giá trị và xác nhận thiết bị đã chuyển sang trạng thái mới. Nếu nó hiểu nhầm tên đèn, chọn sai khả năng điều khiển, chỉ bật một phần nhóm thiết bị hoặc nói đã hoàn tất dù chưa kiểm tra trạng thái thực tế, trải nghiệm lập tức bị xem là hỏng.

Đây là điểm khác biệt giữa trò chuyện và tự động hóa. Người dùng có thể thông cảm khi chatbot hỏi lại một câu mơ hồ. Nhưng họ sẽ khó chấp nhận việc ngữ cảnh “đi ngủ” không tắt đèn, không khóa cửa hoặc không chạy đủ các bước trong một quy trình đã thiết lập.

Amazon cũng phải đối mặt với bài toán tích hợp rất lớn: Alexa+ vừa dùng mô hình ngôn ngữ, vừa phải phối hợp với nhiều dịch vụ hiện có và hàng triệu thiết bị hỗ trợ Alexa. Các đánh giá cho thấy hệ thống mới có nhiều khả năng và linh hoạt hơn, nhưng vẫn gặp lỗi và hoạt động thiếu nhất quán ở những tác vụ cơ bản.

Bài kiểm tra của David Pogue nói lên điều gì?

David Pogue cho biết ông đã yêu cầu Alexa+ thực hiện 135 tác vụ và hệ thống chỉ hoàn thành đúng “chưa đến một nửa”. Đây là một bài kiểm tra thực tế của một người dùng, không phải nghiên cứu có kiểm soát trên toàn bộ người dùng Alexa+ hay mọi thiết bị được hỗ trợ. Vì vậy, con số này không nên được xem là tỷ lệ thành công chung của sản phẩm.

Dù vậy, kết quả vẫn là một tín hiệu sản phẩm đáng chú ý. Một trợ lý gia đình thất bại với tần suất gần như vậy sẽ khó tạo được niềm tin khi điều khiển đèn, bộ chỉnh độ sáng, nhạc, lịch trình hoặc các tác vụ lặp lại khác. Pogue cũng cho biết Alexa phiên bản cũ đáng tin cậy hơn với một số yêu cầu quen thuộc, trong đó có bật đèn và đặt mức sáng.

Điểm cốt lõi là “nhiều khả năng hơn” không đồng nghĩa với “đáng tin cậy hơn”. Một trợ lý có thể xử lý nhiều loại câu hỏi hơn trong hội thoại, nhưng lại trở nên kém dự đoán hơn ở nhóm lệnh hẹp mà người dùng thực hiện mỗi ngày.

Chậm vài giây cũng đủ khiến thiết bị có vẻ bị hỏng

Tốc độ không chỉ là yếu tố tiện lợi; nó là một phần của độ tin cậy trong nhà thông minh. Công tắc đèn không cần giải thích cách nó suy luận. Nó chỉ cần phản hồi.

Một số bài đánh giá cho biết Alexa+ có những yêu cầu mất tới 15 giây mới trả lời. Khi phải chờ quá lâu, người dùng không biết lệnh đang được xử lý, bị bỏ qua hay đã thực hiện nhưng chưa phản hồi. Việc phải nói lại lệnh càng làm cảm giác thiếu chắc chắn tăng lên.

Độ trễ kéo dài có thể là dấu hiệu cho thấy yêu cầu đang đi qua nhiều lớp hơn: suy luận từ xa, xử lý ngữ cảnh, điều phối tác vụ và gọi công cụ. Ngay cả khi thiết bị cuối cùng cũng phản hồi, trải nghiệm lúc này không còn giống việc sử dụng một món đồ gia dụng. Nó giống như đang chờ một dịch vụ quyết định xem người dùng thực sự muốn nói gì.

Apple cũng đứng trước bài toán tương tự

Các kế hoạch được đưa tin về HomePod và Apple TV cho thấy phần cứng nhà thông minh ngày càng gắn chặt với phần mềm trợ lý. Một số báo cáo cho biết Apple đang chuẩn bị hỗ trợ Siri theo hướng AI cho các sản phẩm này; mã nguồn trong bản thử nghiệm cũng cho thấy công ty đang tích cực phát triển tích hợp Siri thế hệ mới trên HomePod và Apple TV.

Một số nguồn khác nói Apple đã trì hoãn phần cứng HomePod và Apple TV mới trong lúc chờ trải nghiệm Siri thế hệ tiếp theo hoàn thiện. Tuy nhiên, đây vẫn là thông tin từ các báo cáo bên ngoài, chưa phải lịch phát hành được Apple xác nhận, nên cần được nhìn nhận thận trọng.

Điều đáng chú ý không nằm ở một ngày ra mắt cụ thể. Khi giá trị của loa thông minh phụ thuộc vào trợ lý AI mới, một trợ lý chưa hoàn thiện có thể kéo lùi cả sản phẩm phần cứng đi kèm. Điều đó làm tăng rủi ro khi công ty tung ra hệ thống gây ấn tượng trong bản trình diễn nhưng chưa đủ ổn định cho các thói quen gia đình hằng ngày.

Kiến trúc hợp lý: AI ở phía trước, điều khiển tất định ở phía sau

Không nhất thiết phải loại bỏ giao diện ngôn ngữ tự nhiên. AI tạo sinh vẫn rất hữu ích trong việc chuyển câu nói linh hoạt thành một ý định có cấu trúc. Vấn đề là không nên để một mô hình không bị ràng buộc trở thành trọng tài cuối cùng quyết định thiết bị sẽ làm gì.

Một kiến trúc đáng tin cậy hơn nên:

• chuyển yêu cầu thành lược đồ chặt chẽ gồm thiết bị, hành động và tham số;
• chỉ cho phép chọn những tính năng thực sự tồn tại trong ngôi nhà;
• từ chối lệnh mơ hồ hoặc không hợp lệ thay vì tự đoán;
• kiểm tra trạng thái thiết bị sau khi thực thi; và
• chuyển sang đường điều khiển tất định khi mô hình không chắc chắn hoặc không khả dụng.

Nghiên cứu về LLM trong môi trường nhà thông minh cũng cho thấy nhu cầu phải có các lớp bảo vệ này. Trong một thử nghiệm trên 13 mô hình, GPT-4o đạt tỷ lệ thành công 0% với các chỉ dẫn không hợp lệ dành cho nhiều thiết bị trong kịch bản được kiểm tra, ngay cả khi áp dụng các kỹ thuật như học trong ngữ cảnh, tạo tăng cường bằng truy xuất và tinh chỉnh mô hình. Kết quả này chỉ phản ánh một thiết lập thử nghiệm cụ thể, không phải hiệu suất sử dụng hằng ngày, nhưng nó cho thấy vì sao đầu ra của mô hình cần được xác thực trước khi điều khiển thiết bị thật.

“Khủng hoảng bản sắc” của loa thông minh AI

Amazon, Google và Apple đang cố gắng để một sản phẩm đáp ứng hai kỳ vọng gần như trái ngược nhau. Với vai trò người bạn trò chuyện, trợ lý AI có thể cởi mở, dài dòng và linh hoạt trước sự mơ hồ. Nhưng với vai trò trung tâm điều khiển gia đình, nó phải nhanh, yên lặng, nắm đúng trạng thái và chính xác đến mức nhàm chán.

Các hệ thống cũ gây khó chịu vì buộc người dùng phải học những câu lệnh cứng nhắc. Các hệ thống mới hứa hẹn xóa bỏ gánh nặng đó, nhưng ngôn ngữ tự nhiên chỉ là lớp giao diện. Đằng sau câu nói “giảm đèn phòng khách xuống một chút” vẫn là một hành động cụ thể: chọn đúng thiết bị, thay đổi đúng trạng thái và xác nhận kết quả.

Nếu các công ty không duy trì một lớp thực thi tất định bên dưới giao diện hội thoại, những trợ lý được quảng bá là “thông minh hơn” sẽ tiếp tục làm suy yếu thứ từng khiến điều khiển bằng giọng nói hữu ích: niềm tin. Việc phát hành sớm có thể giúp sản phẩm thu thập phản hồi, nhưng nếu quá trình thử nghiệm diễn ra trong những ngôi nhà của khách hàng trả tiền, người dùng đang phải gánh chi phí cho một kiến trúc chưa đạt độ tin cậy của một thiết bị gia dụng.