<span class='text_page_counter'>(1)</span><div class='page_container' data-page=1>

<b>H</b>

<b>ộ</b>

<b>i th</b>

<b>ả</b>

<b>o</b>

<b>Trí tuệ</b>

<b>nhân tạ</b>

<b>o</b>

<b>v</b>

<b>à nhữ</b>

<b>ng v</b>

<b>ấn đề</b>

<b>đặ</b>

<b>t ra v</b>

<b>ới pháp luậ</b>

<b>t </b>

<b>và quyền con ngườ</b>

<b>i </b>

<b>Workshop</b>

<b>Artificial Intelligence:</b>

<b>Impacts on Law and Human Rights</b>

</div>
<span class='text_page_counter'>(2)</span><div class='page_container' data-page=2>

<b>MỤC LỤC </b>

<i><b>PHẦN 1 </b></i>

<b>TRÍ TUỆ NHÂN TẠO VÀ NHỮNG VẤN ĐỀ ĐẶT RA VỚI PHÁP LUẬT </b>

1. TRÍ TUỆ NHÂN TẠO: THỰC TRẠNG VÀ MỘT SỐ VẤN ĐỀ ĐẶT RA VỚI
CÁC QUỐC GIA ... 5

<i>NCS Nguyễn HồngHà</i>

(Khoa Luật - ĐHQG Hà Nội)
2. TRÍ TUỆ NHÂN TẠO VÀ TIẾP CẬN CÔNG LÝ ... 20

<i>TS. Nguyễn BíchThảo</i>

(Khoa Luật – ĐHQG Hà Nội)

3. MỘT SỐ TÁC ĐỘNG CỦA TRÍ TUỆ NHÂN TẠO TỚI NGHỀ LUẬT ... 29

<i>TS. Nguyễn VănQuân</i>

(Khoa Luật – ĐHQG Hà Nội)
4. CHÍNH SÁCH, PHÁP LUẬT HÌNH SỰ VIỆT NAM TRƯỚC THÁCH THỨC
CÁCH MẠNG CÔNG NGHIỆP LẦN THỨ TƯ ... 38

<i>PGS.TS. Trịnh TiếnViệt</i>

(Khoa Luật – ĐHQG Hà Nội)
5. CHÍNH SÁCH, PHÁP LUẬT CỦA HÀN QUỐC VỀ PHÁT TRIỂN, THÚC ĐẨY
NGHIÊN CỨU VỀ LĨNH VỰC TRÍ TUỆ NHÂN TẠO ... 59

<i>ThS. Phạm ThanhTùng</i>

(Khoa Luật – ĐHQG Hà Nội)

<i>NCS. Nguyễn ThịThu</i>

(Hàn Quốc)
6. TÁC ĐỘNG CỦA BLOCKCHAIN VÀ TRÍ TUỆ NHÂN TẠO TỚI LUẬT SỞ HỮU
TRÍ TUỆ NHỮNG GIÁ TRỊ THAM KHẢO CHO VIỆT NAM ... 68

<i>ThS. Đỗ ThịDiện</i>

(Khoa Dân sự - Trường Đại học Luật Huế)
7. TRÍ TUỆ NHÂN TẠO VÀ XU HƯỚNG ỨNG DỤNG TRÍ TUỆ NHÂN TẠO
TRONG HOẠT ĐỘNG HÀNH CHÍNH NHÀ NƯỚC Ở VIỆT NAM ... 80

<i>Trương Thế Nguyễn – Phạm VânAnh</i>

(Trường Chính trị tỉnh Sóc Trăng)
8. TƯ CÁCH PHÁP LÝ VÀ QUYỀN CỦA TRÍ TUỆ NHÂN TẠO MỘT SỐ VẤN
ĐỀ LÝ LUẬN VÀ THỰC TIỄN ... 95

<i>Đoàn VănNhật</i>

9. TRÁCH NHIỆM ĐẠO ĐỨC VÀ PHÁP LÝ VỀ ROBOT: MỘT SỐ VẤN ĐỀ LÝ
LUẬN, THỰC TIỄN ... 103

<i>NCS. Hồng Thị Bích Ngọc - PGS.TS Vũ CơngGiao</i>

10. TRÍ TUỆ NHÂN TẠO: GĨC NHÌN VÀ GIẢI PHÁP ... 113

<i>NCS Vũ ThịLinh</i>

(Đại học Luật Hà Nội)
11. HOẠT ĐỘNG LẬP PHÁP VỀ TRÍ TUỆ NHÂN TẠO CỦA HOA KỲ ... 126

<i>Nguyễn NgọcLan</i>

</div>
<span class='text_page_counter'>(3)</span><div class='page_container' data-page=3>

<i><b>PHẦN 2 </b></i>

<b>TRÍ TUỆ NHÂN TẠO </b>

<b>VÀ NHỮNG VẤN ĐỀ ĐẶT RA VỚI QUYỀN CON NGƯỜI</b>

12. TIẾN BỘ KHOA HỌC VÀ NHÂN QUYỀN: QUAN ĐIỂM VÀ NHỮNG NỖ
LỰC CỦA LIÊN HỢP QUỐC ... 139

<i>PGS.TS. Vũ Cơng Giao – Đồn VănNhật</i>

13. TRÍ TUỆ NHÂN TẠO VÀ NHỮNG YÊU CẦU ĐẶT RA VỚI VIỆC CỦNG CỐ
KHUNG PHÁP LUẬT QUỐC TẾ VỀ BẢO VỆ VÀ THÚC ĐẨY NHÂN QUYỀN ... 153

<i>NCS Lê Thị Thuý Hương - PGS.TS Vũ CơngGiao</i>

14. TÁC ĐỘNG CỦA TRÍ TUỆ NHÂN TẠO ĐỐI VỚI QUYỀN CON NGƯỜI ... 166

<i>PGS.TS. Đặng MinhTuấn</i>

(Khoa Luật ĐHQG Hà Nội)
15. KIỂM SOÁT HỆ THỐNG TRÍ TUỆ NHÂN TẠO NHẰM BẢO VỆ QUYỀN
CON NGƯỜI ... 178

<i>ThD. Nguyễn Thị HoàiPhương</i>

(Khoa Luật Hành chính, Đại học Luật Huế)
16. PHÁP LUẬT VỀ AN NINH CÁ NHÂN CỦA PHẠM NHÂN TRƯỚC TÁC
ĐỘNG CỦA CUỘC CÁCH MẠNG CÔNG NGHIỆP 4.0 ... 191

<i>NCS Nguyễn ĐứcHoà</i>

(Đại học Luật Hà Nội)
17. ỨNG DỤNG TRÍ TUỆ NHÂN TẠO VÀ TÁC ĐỘNG TỚI QUYỀN CON
NGƯỜI: GĨC NHÌN TỪ MƠ HÌNH ĐÁNH GIÁ TÍN NHIỆM XÃ HỘI (SCS) Ở
TRUNG QUỐC ... 202

<i>ThS. Bùi PhúChâu</i>

<i>TS. Nguyễn VănQuân</i>

18. TRÍ TUỆ NHÂN TẠO VÀ VẤN ĐỀ XÂM PHẠM QUYỀN CON NGƯỜI ... 215

<i>Ths. Đậu CôngHiệp</i>

Khoa Pháp luật Hành chính-nhà nước
Đại học Luật Hà Nội
19. QUYỀN ĐƯỢC LÃNG QUÊN TRONG KỶ NGUYÊN SỐ: THÁCH THỨC
CỦA ỨNG DỤNG TRÍ TUỆ NHÂN TẠO ... 223

<i>TS. Ngơ Thị Minh Hương </i>

Khoa Luật, Đại học Quốc gia Hà Nội
TS. Phạm Hải Chung
Học viện Báo chí và Tuyên truyền
20. HIỂU BIẾT, XÁC ĐỊNH, GIẢM THIỂU VÀ KHẮC PHỤC NHỮNG RỦI RO
VỀ QUYỀN CON NGƯỜI MÀ CUỘC CÁCH MẠNG CƠNG NGHIỆP 4.0, ĐẶC
BIỆT LÀ TRÍ TUỆ NHÂN TẠO, CÓ THỂ ĐẶT RA Ở VIỆT NAM ... 238

<i>Vũ NgọcBình</i>

Cố vấn Cao cấp - Viện Dân số, Gia đình và Trẻ em
(thuộc Liên hiệp các Hội Khoa học và Kĩ thuật Việt Nam)
21. TÁC ĐỘNG CỦA SỰ PHÁT TRIỂN VÀ ỨNG DỤNG CỦA TRÍ TUỆ NHÂN
TẠO ĐỐI VỚI VẤN ĐỀ VỀ PHÁP LÝ - CHATBOT - CÔNG CỤ HỖ TRỢ NGƯỜI
VIỆT NAM LAO ĐỘNG TẠI NƯỚC NGOÀI ... 250

</div>
<span class='text_page_counter'>(4)</span><div class='page_container' data-page=4>

<b>PHẦN 1 </b>

</div>
<span class='text_page_counter'>(5)</span><div class='page_container' data-page=5></div>
<span class='text_page_counter'>(6)</span><div class='page_container' data-page=6>

<b>TRÍ TUỆ NHÂN TẠO: THỰC TRẠNG </b>

<b>VÀ MỘT SỐ VẤN ĐỀ ĐẶT RA VỚI CÁC QUỐC GIA </b>

<i><b>NCS Nguyễn Hoàng Hà </b></i>

<i>(Khoa Luật ĐHQG Hà Nội) </i>

<b>Tóm tắt </b>

<i>Bài viết tổng hợp thông tin trong báo cáo phân tích của một số cơ quan </i>
<i>nghiên cứu uy tín trong đó làm rõ các vấn đề sau: Khái niệm và những đặc điểm cơ </i>
<i>bản của trí tuệ nhân tạo; Sự phát triển và triển vọng ứng dụng trí tuệ nhân tạo trên </i>
<i>thế giới trong thế kỷ 21; Những lợi ích của trí tuệ nhân tạo với nhân loại và những </i>
<i>thách thức của trí tuệ nhân tạo đặt ra với các quốc gia. Trên cơ sở đó, các tác giả </i>
<i>gợi mở một số vấn đề cần làm ở Việt Nam, đặc biệt trong lĩnh vực lập pháp, để tận </i>
<i>dụng những cơ hội và hố giải những thách thức của trí tuệ nhân tạo trên các lĩnh </i>
<i><b>vực chính trị, kinh tế, văn hoá, xã hội trong thời gian tới. </b></i>

<b>1. Khái niệm và những đặc điểm cơ bản của trí tuệ nhân tạo </b>

Cuộc Cách mạng công nghiệp 4.0 đang diễn ra sâu rộng trên thế giới, trong
đó bước đầu đạt được một số thành tựu to lớn trong lĩnh vực trí tuệ nhân tạo (AI) và
học máy mà hiện đang được áp dụng trên một loạt các ngành nghề như ngành y,
ngành tài chính, giao thông vận tải và thí điểm ở một số ngành công nghiệp khác.
Những phát triển này có thể sẽ có tác động sâu sắc đến nền kinh tế tồn cầu và mơi
trường an ninh quốc tế trong nhiều năm tiếp theo.

Giống như động cơ hơi nước, điện và động cơ đốt trong, AI là một công nghệ
cho phép ứng dụng khá đa dạng ở nhiều ngành nghề khác nhau. Các công nghệ trong

các cuộc cách mạng công nghiệp thứ nhất và thứ hai cho phép tạo ra máy móc
chuyên dụng với những nhiệm vụ cụ thể có thể thay thế lao động chân tay của con
người. Tuy nhiên, ngày nay, AI đang cho phép tạo ra những máy móc chuyên dụng
thay thế lao động nhận thức của con người cho nhiều nhiệm vụ cụ thể khác.

Cuộc cách mạng AI cũng có thể thay đổi cán cân sức mạnh toàn cầu và tiến
tới sẽ dẫn đến những thay đổi nền tảng cho nền kinh tế toàn cầu. Cũng giống như
than làm nhiên liệu chạy động cơ hơi nước và dầu làm nhiên liệu chạy động cơ đốt
trong, dữ liệu làm nhiên liệu chạy động cơ học tập bằng máy móc. Các quốc gia có
quyền truy cập vào dữ liệu tốt nhất, tài nguyên điện toán, vốn nhân lực và quá trình

đổi mới đang sẵn sàng tạo bước nhảy vọt trong kỷ nguyên của trí tuệ nhân tạo1_.

Đến nay vẫn chưa có một định nghĩa thống nhất về trí tuệ nhân tạo (AI), nhưng
đã có khá nhiều định nghĩa tạm thời tùy theo cách tiếp cận khác nhau. Theo Russell và

1_{Xem Paul Scharre and Michael C.Horowitz,}<i>_{Artificial Intelligence: What Every Policy-maker needs to}</i>

</div>
<span class='text_page_counter'>(7)</span><div class='page_container' data-page=7>

Norvig (2010), “<i>AI được định nghĩa là máy tính hoặc máy móc tìm cách hành động </i>
<i>hợp lý, suy nghĩ hợp lý, hành động như con người hoặc suy nghĩ như con người”2</i>_.

Cách tiếp cận đầu tiên trong bốn phương pháp nêu trên của Russell và Norvig
là tác nhân hợp lý, trong đó AI được thiết kế để đạt được mục tiêu thông qua nhận
thức và kết quả là hành động. Cách tiếp cận thứ hai, suy nghĩ hợp lý, dựa trên logic
chính thức. Theo cách tiếp cận này, AI được thiết kế để giải quyết một cách hợp lý
các vấn đề, suy luận và tối ưu hóa kết quả. Cách tiếp cận thứ ba, một hệ thống được
thiết kế để hành xử như con người, là hình thức trí thơng minh được khái niệm hóa và

sau đó được phổ biến thành <i>Thử nghiệm Turing</i>, bao gồm một bài kiểm tra xử lý

ngôn ngữ tự nhiên, tri thức, lý luận tự động và học tập. Cách tiếp cận thứ tư, mơ hình
hóa suy nghĩ của con người, được lấy cảm hứng từ khoa học nhận thức.

Nghiên cứu của Nilsson đưa ra một khái niệm rộng hơn về trí tuệ nhân tạo,

theo đó AI là: “<i>hoạt động làm cho máy móc trở nên thơng minh và trí thơng minh là </i>

<i>chất lượng cho phép một thực thể hoạt động phù hợp và có tầm nhìn xa trong mơi </i>
<i>trường của nó</i>”3_.

Ngồi việc xác định khái niệm chung về AI, các nhà nghiên cứu cũng phân
biệt giữa khái niệm AI theo nghĩa hẹp và nghĩa rộng. AI theo nghĩa hẹp đề cập đến
các ứng dụng cung cấp chuyên môn hoặc hoàn thành nhiệm vụ cụ thể theo miền,
trong khi theo nghĩa rộng đề cập đến một ứng dụng AI thể hiện trí thông minh
tương đương với con người, hoặc xa hơn, trong nhiều bối cảnh mà con người tương
tác. Mặc dù đã có những tiến bộ đáng kể trong việc phát triển AI vượt trội hơn con
người trong một số lĩnh vực cụ thể, một số nhà quan sát tin rằng AI theo nghĩa rộng
khó có thể đạt được trong vài thập kỷ tới.

Một cách tiếp cận khác để hiểu AI là bằng cách xem xét làn sóng công nghệ
đã phát triển, thay vì đưa ra một định nghĩa thống nhất và cụ thể. Launchbury
(2016) đưa ra khung phân tích khái niệm AI theo ba làn sóng, dựa trên sự khác biệt
về khả năng liên quan đến nhận thức, học tập, trừu tượng hóa và lý luận. Những làn
sóng này có thể được mô tả rộng rãi như sau:

<i>• Làn sóng thứ 1 - hệ thống dựa trên chun gia hoặc quy tắc;</i>

<i>• Làn sóng thứ 2 - hệ thống học tập, nhận thức và dự đoán thống kê và</i>

<i>• Làn sóng thứ 3 - khả năng trừu tượng hóa và lý luận, bao gồm khả năng </i>

<i>giải thích.</i>

Làn sóng đầu tiên của AI được thể hiện bằng kiến thức chuyên môn hoặc
tiêu chí được phát triển theo luật hoặc các nguồn có thẩm quyền khác và được mã

2_{Xem Stuart J. Russell and Peter Norvig,}<i>_{Artificial Intelligence: A Modern Approach}</i>_{, 3rd ed. (N.J.: Pearson, 2010).}
3_{Xem Nils J. Nilsson,}<i>_{The Quest for Artificial Intelligence: A History of Ideas and Achievement}</i>_.

</div>
<span class='text_page_counter'>(8)</span><div class='page_container' data-page=8>

hóa thành thuật toán máy tính, được gọi là hệ thống chuyên gia. Ví dụ, về các hệ
thống chuyên gia bao gồm các chương trình thực hiện lập kế hoạch hậu cần hoặc
chuẩn bị thuế. Các hệ thống chuyên gia rất mạnh về lý luận, vì chúng phản ánh
logic và các quy tắc được lập trình vào chúng. Các chuyên gia thuế hiểu các quy tắc
của mã số thuế và các quy tắc này có thể được lập trình thành phần mềm mang lại
một tờ khai thuế hoàn thành dựa trên các đầu vào được cung cấp. Các hệ thống sóng
đầu tiên tiếp tục mang lại lợi ích và là một lĩnh vực hoạt động của AI.

Làn sóng thứ hai công nghệ AI dựa trên học bằng máy móc, hoặc học thống
kê, bao gồm xử lý ngôn ngữ tự nhiên (ví dụ: nhận dạng giọng nói) và công nghệ thị
giác máy tính, trong số những công nghệ khác. Trái ngược với các hệ thống theo làn
sóng thứ nhất, các hệ thống làn sóng thứ hai được thiết kế để nhận thức và học hỏi.
Các hệ thống làn sóng AI thứ hai có khả năng phân loại và dự đốn sắc thái nhưng
khơng có khả năng suy luận theo ngữ cảnh ở mức tối thiểu. Ví dụ về hệ thống làn
sóng thứ hai bao gồm trợ lý kỹ thuật số kích hoạt bằng giọng nói, các ứng dụng hỗ trợ
nhân viên y tế trong việc chẩn đoán và lựa chọn các hướng điều trị phù hợp hoặc giúp
các phương tiện tự động lái, di chuyển các vật thể theo yêu cầu thực tế cuộc sống.

Làn sóng công nghệ AI thứ ba kết hợp các điểm mạnh của AI ở làn sóng thứ
nhất và thứ hai và thêm khả năng xử lý tinh tế theo ngữ cảnh, trừu tượng hóa và có
giải thích. Một ví dụ về làn sóng AI thứ ba là một con tàu có thể điều hướng trên
biển mà không cần sự can thiệp của con người trong một vài tháng trong khi cảm

nhận các tàu khác, điều hướng các tuyến đường biển và thực hiện các nhiệm vụ cần
thiết.phù hợp yêu cầu đề ra.

Theo Launchbury, chúng ta mới chỉ bắt đầu làn sóng công nghệ AI thứ ba và
cần tiếp tục nghiên cứu sâu hơn trước khi các công nghệ của làn sóng thứ ba trở nên
thịnh hành. Một phần quan trọng của làn sóng AI thứ ba sẽ là phát triển các hệ
thống AI không chỉ có khả năng thích ứng với các tình huống mới mà còn có thể
giải thích cho người dùng lý do đằng sau những quyết định này.

Ngày nay, hệ thống học máy là một hệ thống hộp đen mà người dùng
không thể hiểu cách thức hệ thống đưa ra quyết định hoặc khuyến nghị cụ thể, tại
sao quyết định có thể bị lỗi hoặc cách sửa lỗi. Mục tiêu của AI có thể giải thích là
phát triển các hệ thống học máy đưa ra những giải thích cho các quyết định và đề
xuất của họ và cho phép người dùng biết khi nào và tại sao hệ thống sẽ thành công
hay thất bại.

<b>2. Sự phát triển và triển vọng ứng dụng trí tuệ nhân tạo trên thế giới </b>
<b>trong thế kỷ 21</b>

</div>
<span class='text_page_counter'>(9)</span><div class='page_container' data-page=9>

quan đến trí tuệ nhân tạo, một số chính phủ đang nỗ lực phát triển các công cụ cần
thiết để thiết lập độ tin cậy của AI (bao gồm niềm tin, khả năng giải thích, xác nhận,
xác minh và bảo mật) cho các ứng dụng quan trọng của chính phủ và an ninh quốc
gia; và phát triển và củng cố hệ sinh thái AI.

Vì hệ thống AI có giá trị cao giúp con người đưa ra các quyết định lớn, nó
phải đảm bảo có độ tin cậy cao và phải được bảo mật. Niềm tin là một vấn đề quan
trọng sẽ thúc đẩy hoặc hạn chế những tiến bộ trong AI và ảnh hưởng đến việc áp
dụng và triển khai công nghệ này. Độ tin cậy trong việc triển khai các công nghệ AI
đòi hỏi sự hiểu biết về tính minh bạch của mơ hình, đơi khi được gọi là khả năng
giải thích cho người dung khác. Đó là khả năng của người dùng hiểu rõ cách thức

và lý do tại sao một thuật toán giúp đi đến một kết quả cụ thể.

Xác minh và xác nhận, mô phỏng, sử dụng nhiều lần và kiểm tra là các cơ
chế theo đó niềm tin được xây dựng và sự minh bạch của mơ hình được hiểu. Phản
hồi có thể giúp giảm thiểu sự không chắc chắn và xây dựng niềm tin. Dữ liệu là tài
sản quý giá, cần thiết cho tương lai của AI, đặc biệt trong các ứng dụng học máy đòi
hỏi đào tạo về tập dữ liệu, dữ liệu ảnh hưởng rất nhiều đến giá trị và chất lượng của

đầu ra thuật toán4_.

Tuy nhiên, việc ứng dụng thành cơng AI địi hỏi nhiều hơn là chỉ có dữ liệu
và các dung thuật toán. Một lực lượng lao động lành nghề, hiểu cặn kẽ các chính
sách và có tiêu chuẩn đạo đức tốt, là cần thiết để hiểu về các dữ liệu, các thuật toán
và các vấn đề mà AI đang được áp dụng. Một nền tảng kỹ thuật số mà trên đó các
thuật toán và dữ liệu được xây dựng, như quản lý và tích hợp cơ sở dữ liệu, là cần
thiết. Khi xem xét về AI, ta cần hiểu về các hệ sinh thái (hệ thống hỗ trợ).

Những tiến bộ của học máy kết hợp với dữ liệu sẵn có và sức mạnh tính
toán có nghĩa là AI có thể trả lời các câu hỏi hữu ích hơn về mặt ngữ nghĩa với tốc
độ phù hợp. Học máy đã được cải tiến và được kích hoạt bởi tính khả dụng và khả
năng mở rộng của điện toán đám mây, cho phép AI xử lý các tập dữ liệu lớn và
thực hiện nhiều thuật toán học. Nhiều giải pháp AI hiện tại triển khai học máy
cùng với phân tích dữ liệu, thị giác máy tính hoặc xử lý ngôn ngữ tự nhiên để thực
hiện nhận dạng mẫu, đặc biệt là trong các lĩnh vực mà con người có thể vật lộn,
chẳng hạn như các luồng dữ liệu có độ tin cậy thấp, tìm ra các mẫu yếu và vật lộn
với bộ dữ liệu khổng lồ. Giải pháp học máy là một trong những lợi thế lớn nhất
của AI, làm những việc mà con người không có thời gian hoặc năng lực để làm
hoặc làm kém hơn.

Nhiều ứng dụng của AI kết hợp học máy với các kỹ thuật khác như thị giác

4_{Xem tham khảo}<i>_{Artificial Intelligence and National Security – the Importance of the AI Ecosystem}</i>_{của tác}

</div>
<span class='text_page_counter'>(10)</span><div class='page_container' data-page=10>

máy tính5_{(ví dụ: nhận dạng khuôn mặt, xe tự lái), xử lý ngôn ngữ tự nhiên (ví dụ:}
trợ lý ảo, hỗ trợ trung tâm cuộc gọi) và phân tích dữ liệu (ví dụ: giám sát gian lận
thẻ tín dụng). Tận dụng học máy cho phép các tổ chức trích xuất giá trị theo những
cách mới từ dữ liệu nguồn, từ văn bản đến hình ảnh, video và âm thanh.

Việc chấp nhận AI địi hỏi nhiều hơn là các thuật tốn. Các tổ chức phải phát
triển một hệ sinh thái AI trong môi trường mà các thuật toán sống. Điều này bao
gồm lực lượng lao động có khả năng, thực tiễn và cấu trúc dữ liệu nền tảng, cơ sở
hạ tầng điện toán và mạng và chiến lược triển khai cho thấy khả năng ứng dụng của
AI vào các vấn đề. Do đó, AI đã được triển khai tối thiểu ở quy mơ bên ngồi lĩnh
vực cơng nghệ, nơi hệ sinh thái AI được phát triển tương đối tốt. Khi đánh giá mức
độ AI được áp dụng trong các trường hợp sử dụng, không giống như quyền tự chủ,
không có các số liệu và biện pháp sẵn sàng để đánh giá mức độ AI ở cấp độ hệ
thống. Các biện pháp đánh giá mức độ tích hợp các kỹ thuật AI vào giải pháp công
nghệ sẽ là biện pháp hữu ích cho cả khu vực công và khu vực tư để đánh giá tổ chức
nào đang áp dụng AI, nơi AI đang được triển khai và AI được sử dụng ở quy mô
nào. Để có thể tận dụng hết các thế mạnh của AI ở môi trường doanh nghiệp, các cơ
quan/tổ chức không chỉ cần có các chính sách ứng dụng AI mà cịn cần tạo mơi
trường phát triển hệ sinh thái AI cho doanh nghiệp.

<b>3. Những lợi ích của trí tuệ nhân tạo với nhân loại</b>

Các hệ thống AI dựa trên quy tắc đã xuất hiện trong nhiều thập kỷ, nhưng
những tiến bộ gần đây về dữ liệu lớn, sức mạnh tính toán và thuật toán cải tiến đã
dẫn đến những cải tiến đáng kể về khả năng AI. Do đó, các hệ thống AI tiên tiến
hơn đang di chuyển ra khỏi phòng thí nghiệm và vào thế giới thực. Đối với một số
ứng dụng, chẳng hạn như nhận dạng hình ảnh, các hệ thống AI đã thắng trong cuộc

đua với con người ở nhiều bài kiểm tra tiêu chuẩn6_{. Trong các trường hợp khác,}

chẳng hạn như dịch ngôn ngữ, các hệ thống AI hiện tại không hiệu quả như các dịch
giả giỏi nhất của con người nhưng đủ tốt để hữu ích trong một số cài đặt. Các hệ
thống AI có thể không cần phải đạt được hiệu suất siêu phàm để có giá trị. Tuy
nhiên, trong một số trường hợp, giá trị lợi thế của AI đến từ chi phí rẻ hơn, vận
hành nhanh hơn hoặc dễ dàng triển khai hơn ở quy mô lớn hơn.

1. Phân loại dữ liệu: Các hệ thống AI có thể được sử dụng để giúp phân loại

dữ liệu, từ hình ảnh đến thể loại bài hát đến hình ảnh và chẩn đoán y tế7_{. Trong}

5_{Thị giác máy tính (tiếng Anh: computer vision) là một lĩnh vực bao gồm các phương pháp thu nhận, xử lý}

ảnh kỹ thuật số, phân tích và nhận dạng các hình ảnh và, nói chung là dữ liệu đa chiều từ thế giới thực để
cho ra các thông tin số hoặc biểu tượng giúp ích cho quá trình đưa ra các quyết định. Nguồn: Wikipedia,
truy cập ngày 09.05.2019.

6_{Xem Paul Scharre and Michael C.Horowitz,}<i>_{Artificial Intelligence: What Every Policy-maker needs to}</i>

<i>know, </i>tldd, tr.9

7_{Nguồn: Christopher Mims, “Using Neural Networks to Classify Music,” MIT Technology Review, June 3,}

</div>
<span class='text_page_counter'>(11)</span><div class='page_container' data-page=11>

nhiều trường hợp, các hệ thống AI có thể phân loại dữ liệu đáng tin cậy và chính
xác hơn con người.

2. Phát hiện bất thường: Các hệ thống AI có thể giúp phát hiện hành vi bất

thường, chẳng hạn như các giao dịch tài chính gian lận hoặc phần mềm độc hại

mới8_{. Các hệ thống AI có thể tìm thấy sự bất thường mà chữ ký của chúng chưa}

được biết bằng cách phân tích các mơ hình hành vi thơng thường (tài chính, mạng
hoặc khác) và sau đó xác định hành vi mới nằm ngoài định mức. Các hệ thống này
có thể được sử dụng để giám sát các luồng dữ liệu lớn ở quy mô và theo thời gian
thực, theo những cách không khả thi đối với con người.

3. Dự đốn: Bằng cách tìm các mẫu trên các tập dữ liệu lớn, các hệ thống

AI có thể đưa ra dự đoán thống kê về hành vi trong tương lai. Các hệ thống loại này
đã được sử dụng thương mại thông thường, chẳng hạn như tự động điền cơng cụ tìm
kiếm và các đề xuất của Netflix và Amazon. Học máy cũng đã chứng minh giá trị

trong việc cải thiện dự báo thời tiết 9_{. Một số ứng dụng đưa ra các vấn đề đạo đức}

gai góc, chẳng hạn như sử dụng AI để dự đoán chính sách hoặc ước tính tuổi thọ

của bệnh nhân y tế trong chăm sóc cuối đời10_.

4. Tối ưu hóa: Hệ thống AI có thể được sử dụng để tối ưu hóa hiệu suất cho

các hệ thống và nhiệm vụ phức tạp. Ví dụ, DeepMind đã sử dụng học máy để tối ưu
hóa các trung tâm dữ liệu của Google để cải thiện hiệu quả sử dụng năng lượng,
giúp tiết kiệm 40% nguồn năng lượng cần thiết để làm mát và cải thiện hiệu suất

tổng thể năng lượng 15%11. Tóm lại, AI có thể mang lại một số lợi ích căn bản giúp

cải thiện kết quả kinh tế và tăng mức năng suất, cải thiện và giúp tăng cường việc ra

quyết định của con người và cung cấp những hiểu biết và giải pháp tiềm năng cho
các vấn đề kinh tế và xã hội phức tạp và cấp bách.

Li, Antoni B. Chan, and Andy HW. Chun, “Automatic Musical Pattern Feature Extraction Using
Convolutional Neural Network” (paper presented at the proceedings of the International
MultiConference of Engineers and Computer Scientists 2010, Hong Kong, March 17-19, 2010),
ng. org/publication/IMECS2010/IMECS2010_pp546-550. pdf; and Dave Fornell, “How
Artificial Intelligence Will Change Medical Imaging,” ImagingTechnologyNews.com, February 24,
2017, how-artificial-intelligence-will-change-medical-imaging.

8_{Nguồn: Efstathios Kirkos, Charalambos Spathis, and Yannis Monolopoulous, “Data Mining Techniques}

for the detection of fraudulent financial statements,” Expert Systems with Applications, 32 (2007),
995-1003, . auth.gr/papers/ESWA07ksm.pdf; and “DeepArmor: A cognitive approach to
endpoint protection,” SparkCognition.com,

9_{Xem Emilcy Hernández et al., “Rainfall Prediction: A Deep Learning Approach” (paper presented at the}

proceedings of the International Conference on Hybrid Artificial Intelligence Systems, Seville, Spain,
April 18-20, 2016), https:// link.springer.com/chapter/10.1007/978-3-319-32034-2_13.

10_{Xem Randy Rieland, “Artificial Intelligence Is Now Used to Predict Crime. But Is It Biased?,”}

Smithsonian.com, March 5, 2018,
and Anand Avanti et al., “Improving Palliative Care
with Deep Learning,” Preprint, submitted November 17, 2017,

11_{Xem Richard Evans and Jim Gao, “DeepMind AI Reduces Google Data Centre Cooling Bill by 40%,”}

</div>
<span class='text_page_counter'>(12)</span><div class='page_container' data-page=12>

<b>4. Những thách thức của trí tuệ nhân tạo đặt ra với các quốc gia </b>

Mặc dù có những ưu điểm như nêu trên, trí tuệ nhân tạo vẫn còn nhiều hạn
chế đáng kể. Các hệ thống AI hiện tại thường thiếu khả năng hiểu ngữ cảnh cho
hành vi của chúng, thích ứng linh hoạt với các tình huống mới lạ bên ngoài các
tham số thiết kế hoặc sử dụng những gì mọi người có thể nghĩ là "lẽ thường". Ví dụ,
một hệ thống AI nhận dạng hình ảnh đương đại có thể xác định chính xác các vật
thể trong một cảnh, nhưng nhìn chung sẽ vất vả kể một câu chuyện mạch lạc về
những gì đang xảy ra.

Tương tự, các hệ thống AI có thể xác định chính xác khuôn mặt và cảm xúc
của con người và theo dõi chính xác các chuyển động của cơ thể, nhưng sẽ không
thể kể một câu chuyện hợp lý giải thích các động lực cho hành vi của một người.
Kết quả là một hình thức giống như một người thông minh, nhưng hành vi lại rất
ngốc nghếch, khó hiểu. Các hệ thống AI có thể hoạt động tốt hơn nhiều so với con
người ở một số lĩnh vực nhưng lại thua trong việc thể hiện ý thức chung.

Ngoài những hạn chế, thách thức kể trên, các hệ thống AI hiện tại còn tồn tại
một số lỗ hổng và mối lo ngại về an toàn mà các nhà hoạch định chính sách cần tính
đến. Điều này đặc biệt quan trọng đối với các ứng dụng liên quan đến an ninh quốc
gia, nơi hậu quả của những sai lầm hoặc hành vi hacking đối thủ có thể nghiêm
trọng. Dưới đây là liệt kê một số thách thức:

<i><b>Tính dễ vỡ </b></i>

Bản chất hẹp của các hệ thống AI hiện tại có thể khiến trí thông minh của
chúng trở nên dễ vỡ. Không có khả năng hiểu bối cảnh rộng hơn hành động của
mình, các hệ thống AI có thể khơng hiểu khi bối cảnh đó thay đổi và hành vi của
mình khơng cịn phù hợp. Trong các cài đặt bị hạn chế như chương trình trị chơi,
điều này có thể ít xảy ra sự cố. Tuy nhiên, cài đặt trong thế giới thực, điều này có
nghĩa là các hệ thống AI có thể bị hỏng đột ngột và bất thường nếu môi trường hoặc

bối cảnh sử dụng chúng thay đổi. Hệ thống có thể chuyển từ siêu thông minh sang
siêu “ngớ ngẩn” ngay lập tức. Điều này có thể đúng ngay cả đối với các hệ thống
học tập. Do đó, việc giám sát và phán đoán của con người trong việc triển khai các
hệ thống AI là cần thiết nhằm phòng tránh hoặc giảm thiểu rủi ro về “tính dễ vỡ”.
Con người giám sát hoạt động của các hệ thống AI có thể can thiệp giúp ngăn chặn
hoặc thay đổi hoạt động của hệ thống nếu môi trường thay đổi và hệ thống đó bắt
đầu vận hành sai lệch.

<i><b>Năng lực dự đoán </b></i>

</div>
<span class='text_page_counter'>(13)</span><div class='page_container' data-page=13>

trở nên trầm trọng hơn khi các hệ thống AI được định hướng mục tiêu và/hoặc
tương tác với môi trường trong thế giới thực. Ví dụ, người dùng có thể không dự
đoán chính xác khi nào xe tự lái sẽ thay đổi làn đường hoặc thực hiện các thao tác
khác. Tương tự, ngay cả lập trình viên thiết kế chương trình máy tính chơi cờ cũng
có thể khơng dự đốn được chương trình cờ nào sẽ chơi. Trong cả hai ví dụ, được
đưa ra một bộ quy tắc chung về cách ứng xử, hệ thống AI được trao quyền xác định
hướng hành động tốt nhất để đạt được mục tiêu (lái xe đến đích; chiến thắng một
ván cờ) dựa trên các trường hợp cụ thể tại thời gian (môi trường lái xe; vị trí của
quân cờ trên bàn cờ). Thay vì là một nhược điểm, tính linh hoạt này chính xác là
điểm thiết kế một hệ thống AI - cho phép một cỗ máy xác định hướng hành động tốt
nhất để giải quyết vấn đề, với nhiều điều kiện môi trường tiềm năng. Tuy nhiên,
tính năng này của các hệ thống hỗ trợ AI có thể có vấn đề, tuy nhiên, nếu hành vi
của hệ thống nằm ngoài giới hạn của các loại hành động mà người dùng có thể
mong đợi hoặc mong muốn.

Các vấn đề hành vi khơng thể đốn trước có thể xảy ra ngay cả trong các hệ
thống không sử dụng máy học. Ví dụ, vào năm 2012, công ty thương mại tài chính
Knight Capital Group đã bị xóa sổ bởi một sự cố tài chính khiến thuật toán của họ

thực hiện 4 triệu giao dịch sai trong 45 phút, dẫn đến mất 460 triệu đô la12_{. Điều này}

xảy ra ngay cả khi Knight Capital Group tự động giao dịch các thuật toán tương đối
đơn giản so với các phương pháp AI tiên tiến hiện tại. Thử nghiệm và đánh giá tốt
hơn các hệ thống AI trong môi trường thực tế có thể giúp xác định trước các hành vi
này, nhưng thách thức này vẫn có thể là rủi ro đối với các hệ thống tự trị phức tạp
tương tác với môi trường trong thế giới thực.

<i><b>Khả năng giải thích </b></i>

Một số phương pháp AI gây khó khăn, ngay cả sau khi thực tế, để giải thích
nguyên nhân của hành vi của họ. Hành vi của các hệ thống dựa trên quy tắc
thường dễ hiểu, ít nhất là sau đó, bởi vì một hành vi nhất định có thể được truy trở
lại theo một quy tắc cụ thể hoặc tương tác của các quy tắc. Đối với các hệ thống
học tập, hành vi của hệ thống AI phụ thuộc vào kinh nghiệm trước đó hoặc dữ liệu
đào tạo. Thông tin mà các mạng thần kinh sâu sử dụng để xác định hình ảnh được
mã hóa trong cường độ của các kết nối trong mạng, ví dụ, không phải là một bộ
quy tắc có thể giải thích được. Một hệ thống nhận dạng hình ảnh AI có thể xác
định chính xác hình ảnh của xe buýt trường học, nhưng không thể giải thích được
các đặc điểm của hình ảnh khiến nó kết luận rằng hình ảnh là một chiếc xe buýt.
Bản chất “hộp đen” này của hệ thống AI có thể tạo ra thách thức cho một số ứng

12_{Tham khảo D7, “}<i>_{Knightmare: A DevOps Cautionary Tale}</i>_{,” Doug Seven, April 17, 2014,}

</div>
<span class='text_page_counter'>(14)</span><div class='page_container' data-page=14>

dụng. Chẳng hạn, việc chẩn đoán y tế AI có thể khơng đủ để chẩn đốn; các bác sĩ
có thể cũng muốn biết AI đang sử dụng chỉ số nào để làm điều đó. Nghiên cứu
thêm các phương pháp AI có thể giải thích là rất quan trọng để mở rộng các ứng

dụng tiềm năng cho các hệ thống AI 13_.

<i><b>Vấn đề an tồn khi học máy và tính dễ bị tổn thương </b></i>

Kỹ thuật học máy rất mạnh mẽ, nhưng có một số vấn đề an toàn tiềm ẩn có
thể phát sinh từ những thất bại ở bất kỳ giai đoạn nào của quá trình học tập. Hệ
thống học tập có thể tạo ra kết quả thiếu sót nếu mục tiêu của họ, hoặc chức năng
mục tiêu, được chỉ định không đúng. Điều này có thể xảy ra theo hai cách có thể: (i)
nếu mục tiêu không tính đến một số yếu tố quan trọng và do đó, việc theo đuổi mục
tiêu dẫn đến một số tác dụng phụ tiêu cực hoặc tác hại. Đơn cử thực tế thí nghiệm

về suy nghĩcủa một robot làm chức năng dọn dẹp vơ tình làm hỏng một lọ hoa bằng

thao tác đổ lọ hoa vì nó khơng được lập trình để tránh làm điều như vậy; (ii) mục
tiêu được chỉ định không đúng có thể gây ra vấn đề là nếu thuật toán tham gia vào
việc hack phần thưởng. Đây là khi máy học một hành vi về mặt kỹ thuật đáp ứng
mục tiêu của nó nhưng khơng phải là những gì người thiết kế dự định. Do đó, hệ

thống này đã hack chức năng phần thưởng của nó14_{. Đối với người quan sát, điều}

này thường trơng giống như hệ thống AI đang tìm ra kẽ hở để đáp ứng mục tiêu của
nó, nhưng không phải là ý định. Việc tiến hóa thường đơn giản hơn về mặt chức
năng để khai thác các lỗ hổng trong thước đo định lượng hơn là để đạt được kết quả
mong muốn thực tế. Chúng tôi thường gán cho sự sáng tạo cho các luật sư tìm thấy
sự tinh tế sơ hở pháp lý, và tiến hóa kỹ thuật số thường bực bội ở mánh khóe tương
tự. Những vấn đề an toàn này đặt ra câu hỏi về các ứng dụng an ninh quốc gia tiềm
năng của máy học. Ví dụ, một hệ thống an ninh mạng được giao nhiệm vụ bảo vệ
các mạng chống lại phần mềm độc hại có thể biết rằng con người là một nguồn
chính để giới thiệu phần mềm độc hại và khóa chúng (tác dụng phụ tiêu cực). Hoặc
đơn giản là có thể lấy máy tính ngoại tuyến để ngăn chặn mọi phần mềm độc hại
trong tương lai giới thiệu (hack phần thưởng). Mặc dù các bước này về mặt kỹ thuật
có thể đạt được các mục tiêu của hệ thống, nhưng chúng khơng phải là những gì các
nhà thiết kế dự định.

Vấn đề an toàn cũng có thể phát sinh từ các máy dữ liệu sử dụng để tìm hiểu.

13_{Xem: David Gunning, “}<i>_{Explainable Artificial Intelligence (XAI}</i>_{),” Defense Advanced Research Projects}

Agency, David Gunning,
“E<i>xplainable Artificial Intelligence (XAI</i>),” Lecture, ech.

edu/~alanwags/DLAI2016/(Gunning)%20IJCAI-16%20 DLAI%20WS.pdf; Wojciech Samek, Thomas
Wiegand, and Klaus-Robert Müller, “<i>Explaining Artificial Intelligence: Understanding, Visualizing and </i>
<i>Interpreting Deep Learning Models,</i>” submitted August 28, 2017,

Andreas Holzinger et al., “<i>What do we need to build explainable AI systems for the medical domain?</i>,”

submitted December 28, 2017, and Lisa

14_{Xem Anne Hendricks et al., “}<i>_{Generating Visual Explanations}</i>_{,” submitted March 28, 2016,}

</div>
<span class='text_page_counter'>(15)</span><div class='page_container' data-page=15>

Các hệ thống AI có thể phải chịu những thách thức tương tự như quá mức như các
mơ hình thống kê nói chung. Q mức dữ liệu là khi một hệ thống AI học bắt chước
chính xác dữ liệu đào tạo, thay vì các khái niệm cơ bản mà dữ liệu đào tạo đại diện,
do đó hệ thống thất bại khi áp dụng bên ngoài dữ liệu đào tạo. Một vấn đề khác là
đảm bảo sự mạnh mẽ cho những thay đổi trong đầu vào dữ liệu. Ngay cả khi một hệ
thống được đào tạo đúng cách trên một tập dữ liệu ban đầu, nếu môi trường thực tế
thay đổi, hệ thống có thể không thể thích nghi đầy đủ. Đây có thể là một vấn đề phổ
biến nếu dữ liệu được sử dụng để đào tạo một hệ thống học tập không thể hiện đầy
đủ dữ liệu mà nó sẽ phải đối mặt trong thế giới thực.

<i><b>Độ sai lệch </b></i>

Độ sai lệch (tiếng Anh là bias) so với tiêu chuẩn chung có thể phát sinh trong
các hệ thống AI theo nhiều cách khác nhau. Sai lệch không phải lúc nào cũng có
vấn đề, nhưng có thể phát sinh vấn đề trong một số trường hợp, theo cách mà một
hệ thống AI có thể có sự thiên vị khi chức năng mục tiêu phản ánh sự thiên vị (rõ
ràng hoặc ẩn) trên một phần của các nhà thiết kế. Nếu mục tiêu của hệ thống AI
phản ánh chính xác các giá trị của các nhà thiết kế, thì theo một nghĩa nào đó, nó là
một hệ thống được thiết kế tốt. Nhưng nếu những mục tiêu đó khơng được xã hội
mong muốn, thì có thể có những hậu quả có hại cho việc sử dụng hệ thống. Sai lệch
luôn là mối quan tâm đối với các ứng dụng an ninh quốc gia nơi dữ liệu đào tạo lệch
khỏi môi trường hoạt động thực tế. Ví dụ, rất khó để quân đội mô phỏng thực tế
chiến tranh thực sự. Điều này giới thiệu tiềm năng cho các hệ thống bị lệch, và có
khả năng theo cách mà các quân đội không khám phá cho đến khi chiến đấu. Sương
mù và ma sát của chiến tranh thực sự có nghĩa là có một số tình huống trong bất kỳ
trận chiến nào mà rất khó để đào tạo một AI để dự đoán, trong một trận chiến thực
tế, có thể có nguy cơ xảy ra lỗi và rất khó lường hết hệ quả.

<i><b>Tai nạn hệ thống </b></i>

AI cũng dễ bị lỗi hệ thống, xuất phát từ sự tương tác phức tạp giữa các yếu tố
của một hệ thống. Tai nạn hệ thống, có thể xảy ra trong bất kỳ hệ thống đủ phức tạp
nào, sẽ trở nên trầm trọng hơn trong môi trường cạnh tranh nơi các tác nhân không
được khuyến khích chia sẻ thuật toán của họ với nhau. Khi các hệ thống AI được
tham gia, sự tương tác giữa các thuật toán khác nhau có thể dẫn đến hành vi kỳ
quái, đôi khi với tốc độ siêu phàm.

</div>
<span class='text_page_counter'>(16)</span><div class='page_container' data-page=16>

<i><b>5. Xây dựng hệ sinh thái và cơ chế quản lý quốc gia về trí tuệ nhân tạo </b></i>

Hệ sinh thái AI bao gồm lực lượng lao động lành nghề và quản lý am hiểu;
khả năng kỹ thuật số để thu thập, xử lý và khai thác dữ liệu; nền tảng kỹ thuật kết
hợp niềm tin, an ninh và độ tin cậy của môi trường đầu tư và khung chính sách cần

thiết giúp AI phát triển15_.

Đầu tư vào các công nghệ cần thiết cho nghiên cứu cơ bản nền tảng và thích
ứng công nghệ AI với nhu cầu của chính phủ, cần phải đầu tư có hệ thống vào hệ
sinh thái AI để đảm bảo chính phủ có khả năng kỹ thuật số cơ bản để sử dụng AI.

Sự thiếu hụt trong khả năng kỹ thuật số của chính phủ, đã dẫn đến sự kết hợp
giữa nợ kỹ thuật và thiếu hụt lực lượng lao động làm hạn chế tiềm năng áp dụng AI.
Đầu tư là cần thiết trong những thứ như cơ sở hạ tầng mạng, thu thập dữ liệu và xử
lý dữ liệu. Không may, những khoản đầu tư này khơng hào nhống, nhưng việc
củng cố hệ sinh thái AI theo cách này là rất quan trọng để triển khai thành công AI.

Mặc dù có nhiều tiến bộ trong thời gian gần đây, hệ thống AI vẫn tồn tại nhiều
thách thức từ thực tiễn ứng dụng ở nhiều nước khác nhau, còn khó khăn trong chuyển
dịch hệ thống ở một số lĩnh vực, ngành ngay cả những lĩnh vực có liên quan chặt chẽ.

Việc chấp nhận AI đòi hỏi nhiều hơn là các thuật toán. Các tổ chức phải phát
triển một hệ sinh thái AI trong môi trường mà các thuật toán sống. Điều này bao
gồm lực lượng lao động có khả năng, thực tiễn và cấu trúc dữ liệu nền tảng, cơ sở
hạ tầng điện toán và mạng và chiến lược triển khai cho thấy khả năng ứng dụng của
AI vào các vấn đề.

Cả những người áp dụng AI trong khu vực công và khu vực tư đều phải học
cách coi thông tin là tài sản chiến lược, triển khai công nghệ phù hợp để tận dụng
thông tin đó, tích hợp với các hệ thống cũ và kết nối các cấu phần dữ liệu giữa các

đơn vị chức năng và trên toàn doanh nghiệp16_.

Việc áp dụng cơng nghệ AI địi hỏi phải có sẵn dữ liệu và sức mạnh tính

toán, được kích hoạt trên cơ sở nền tảng năng lực kỹ thuật số mà AI được triển khai.
Nền tảng năng lực kỹ thuật số hàm chứa việc quản lý cơ sở dữ liệu, các yêu cầu mới
về ghi và báo cáo dữ liệu, nhu cầu cạnh tranh về truy cập dữ liệu và bảo mật dữ
liệu, phần cứng và phần mềm tương xứng với nhu cầu sử dụng.

Việc quản lý thành cơng sử dụng cơng nghệ AI địi hỏi phải kết hợp các khả
năng AI vào cấu trúc kiểm soát của cơ quan/doanh nghiệp hiện có đồng thời giải

quyết các thách thức mới trong quá trình sử dụng17_.

15_{Xem tham khảo}<i>_{Artificial Intelligence and National Security – the Importance of the AI Ecosystem}</i>_{, tldd}<i>_,</i>_tr.1
16_Xem<i>_{Fintech Vs. Traditional Trade: Surviving the Digital Transition}</i>_{, Trade Finance, September 2016,}

Pdf? sfvrsn=0.

17_{Xem tham khảo}<i>_{Artificial Intelligence and National Security – the Importance of the AI Ecosystem}</i>_{của tác}

</div>
<span class='text_page_counter'>(17)</span><div class='page_container' data-page=17>

Quản lý AI đưa ra những thách thức cho các tổ chức ở mọi cấp độ, bao gồm
cả ở cấp chiến lược, hoạt động và chiến thuật. Phản hồi về quản lý AI chạy theo cả
hai hướng. Bài học rút ra từ thực tiễn AI thông báo chính sách chuyển từ cấp chiến
thuật lên cấp chiến lược thông qua cấp độ hoạt động, trong khi các chính sách bắt
buộc thông báo thay đổi trong thực tiễn AI chuyển từ cấp chiến lược sang cấp chiến
thuật qua cấp hoạt động cụ thể.

Ở cấp độ chiến lược của hệ sinh thái AI, xã hội và chính phủ định hình hệ
sinh thái tổng thể. Quốc hội ban hành luật pháp và các cơ quan hữu quan xây dựng
chính sách, đưa ra các hướng dẫn, tiêu chuẩn và chia sẻ các thực tiễn tốt giúp vận
hành các công nghệ AI. Các tiêu chuẩn sử dụng và tiêu chuẩn đạo đức được thiết
lập để định hình hệ sinh thái, hướng dẫn các thể chế vận hành ở cấp độ hoạt động và
chiến thuật.

Cấp độ hoạt động bao gồm các tổ chức hoặc thực thể áp dụng công nghệ AI
cho các miền hoặc không gian vấn đề của họ. Chuyển từ cấp chiến lược sang cấp độ
hoạt động, chính sách cung cấp tầm nhìn và định hướng cho các tổ chức trong việc
áp dụng công nghệ để đáp ứng các ưu tiên chiến lược. Phản hồi từ cấp độ hoạt động
đến cấp chiến lược thông báo cho các khu vực ứng dụng và thiết lập và hoàn thiện
tiêu chuẩn và thực hành tốt nhất.

Cấp độ chiến thuật của hệ sinh thái có định hướng tới người sử dụng. Cấp độ
này bao gồm người sử dụng đầu cuối, người quản lý và nhà nghiên cứu. Các cán bộ
ở cấp độ này thực hiện công nghệ theo mảng chức năng tổ chức hoặc không gian sử
dụng chuyên nghành. Chuyển từ cấp độ hoạt động xuống chiến thuật, hệ sinh thái
cho phép ứng dụng thông qua chế độ ưu đãi và giúp giảm bớt rủi ro. Các hoạt động
cấp chiến thuật sau đó giúp phản hồi cho cấp độ hoạt động cụ thể vì nó thông báo
về các chức năng và hạn chế của công nghệ AI, cũng như xác định các lĩnh vực
nghiên cứu mới hướng tới nâng cao năng lực hoàn thiện hơn.

Quản lý hoạt động AI cũng đồng nghĩa với việc giải quyết rủi ro của hệ sinh
thái qua từng cấp. Khả năng thích ứng với bối cảnh mới là một thuộc tính mà người
sử dụng phấn đấu vận hành các công nghệ AI, nhưng khả năng thích ứng cũng là
điều đáng lo ngại nhất, đặt ưu tiên cao cho việc quản lý hiệu quả hoạt động AI. Sự
bất cẩn trong các mạng phân tán lớn và các hệ thống phức tạp có thể có tác động
đáng kể và xếp tầng. Khi AI vận hành trên mạng, các hoạt động bảo mật mạng phải
được xem xét một cách cẩn trọng và khi cần tập trung liên tục khả năng cải tiến.
Một hệ sinh thái hoạt động ở nhiều cấp độ đòi hỏi phải có chính sách chấp nhận rủi
ro ở tất cả các cấp.

</div>
<span class='text_page_counter'>(18)</span><div class='page_container' data-page=18>

<i><b>6. Một số gợi mở cho Việt Nam </b></i>

Theo số liệu khảo sát từ Top 500 doanh nghiệp lớn nhất Việt Nam năm

201818_{, do Công ty Cổ phần Báo cáo đánh giá (VietNam Report) thực hiện, chỉ có}

13,6% doanh nghiệp cho biết đã đầu tư để đưa ứng dụng AI vào sản xuất kinh
doanh, 18,2% đang nghiên cứu và 18,2% dự định sẽ đầu tư trong 2-3 năm tới. Còn
lại có 40,9% chưa có dự định đầu tư và 9,1% không có ý định đầu tư. Bản thân
nhiều doanh nghiệp Việt Nam vẫn chưa đổi mới mơ hình sản xuất kinh doanh theo
hướng kỹ thuật số và trí tuệ nhân tạo. Thực trạng đánh giá được cho là khá đáng báo
động đối với cộng đồng doanh nghiệp Việt Nam nói chung và sức cạnh tranh của
500 doanh nhiệp được khảo sát nói riêng. Thách thức lớn không chỉ phát sinh từ
năng lực quản lý, tầm nhìn chiến lược của các doanh nghiệp và còn từ chính việc
cần đảm bảo luật pháp và các quy định quản lý các hệ thống được kích hoạt bởi AI
phải được quan tâm xây dựng, chính sách ban hành phải đầy đủ và việc áp dụng AI
không vi phạm quyền tự do dân sự đã được Hiến định.

Nhu cần phát triển khuôn khổ đạo đức để chi phối việc sử dụng AI ngày
càng trở nên cấp bách hơn bao giờ hết nhằm đảm bảo các hành động và quyết định
của các hệ thống AI có thể được giải thích thỏa đáng và được chấp nhận bởi những

người tương tác với các hệ thống đó. Theo Bộ Khoa học Công Nghệ19_{, Việt Nam}

cần chú ý đến 5 biện pháp ưu tiên khi hướng tới xác lập mục tiêu trong chiến lược

quốc gia về trí tuệ nhân tạo bao gồm: <i>Thứ nhất</i>, cần xác định đúng quy mô thị

trường AI Việt Nam hiện thời và theo kỳ vọng chiến lược của một quốc gia xếp

hạng 29 vào năm 2030, xếp hạng 20 vào năm 2050 tính theo GDP trên thế giới; <i>Thứ </i>

<i>hai,</i> cần xác định được chính xác các cơ hội và thách thức đối với sự phát triển AI;

<i>Thứ ba</i>, cần khảo sát, phân tích một cách khoa học các nội dung chiến lược AI quốc
gia của các nước trên thế giới. Chiến lược quốc gia phát triển AI Việt Nam cần đặt
nghiên cứu phát triển theo mục tiêu kinh doanh của doanh nghiệp có mục tiêu ngắn
hạn vào tổng thể, nghiên cứu cơ bản theo mục tiêu chiến lược phát triển đất nước

dài hạn của Chính phủ; <i>Thứ tư,</i> cần quan tâm tới năng lực hội nhập toàn cầu của các

doanh nghiệp Việt Nam, đặc biệt là các doanh nghiệp vừa và nhỏ; và <i>Thứ năm</i>,

nhân lực AI tài năng là nhân tố cốt lõi đảm bảo cho sự thành công phát triển AI và
nền kinh tế số Việt Nam.

Đứng trước các thách thức nêu trên, Việt Nam cần xác định:

(<i><b>a) Một con đường hướng tới tích lũy chun mơn kỹ thuật về AI ở tất cả </b></i>

<i><b>các cấp chính quyền</b></i>: Chiến lược quốc gia về trí tuệ nhân tạo phải tập trung năng

18_{Nguồn: Báo Việt Nam Net,}

nghiệp-viet-cham-chan-502604.html, truy cập ngày 10.05.2019.

19_{Nguồn: Báo Đầu tư Chứng Khoán,}

</div>
<span class='text_page_counter'>(19)</span><div class='page_container' data-page=19>

cao năng lực của không chỉ doanh nghiệp mà cả các cơ quan hành pháp giúp quản
trị hiệu quả thông qua việc xây dựng một mạng lưới nhiều chuyên gia hiểu và có thể
phân tích sự tương tác giữa các công nghệ AI, mục tiêu lập trình và các giá trị xã
hội tổng thể chung. Thiếu chuyên môn kỹ thuật để đánh giá sự an toàn hoặc các số
liệu khác, các quan chức hành pháp ở Trung ương và địa phương có thể từ chối cho

phép một ứng dụng có triển vọng, hoặc chỉ đơn giản là nhận lời của các nhà công
nghệ công nghiệp và bật đèn xanh cho một ứng dụng nhạy cảm chưa được thẩm
định, đánh giá tác động một cách đầy đủ.

<i><b>(b) Loại bỏ những trở ngại nhận thức và thực tế để nghiên cứu về sự công </b></i>
<i><b>bằng, bảo mật, quyền riêng tư và tác động xã hội của các hệ thống AI</b></i>: Nghiên

cứu bước đầu cơ sở pháp lý điều chỉnh các mối quan hệ xã hội nảy sinh trong quá
trình ứng dụng các hệ thống công nghệ AI, lên kế hoạch xây dựng khung pháp lý
toàn diện về lĩnh vực này. Nghiên cứu như vậy là rất quan trọng nhằm tránh các hệ
thống AI khi vận hành để lại các hậu quả vật chất không đáng có trong thực tiễn.

<i><b>(c) Tăng cường hợp tác chuyên sâu giữa các cơ quan quản lý Nhà </b></i>
<i><b>nước, các trường đại học và doanh nghiệp trong lĩnh vực thúc đẩy AI ở tất </b></i>

<i><b>cả các cấp</b></i>: Là một lĩnh vực mới và nhiều thách thức đối với Chính phủ, cụ thể

là các cơ quan quản lý Nhà nước về khoa học-công nghệ, cũng như các cơ quan
chính quyền nói chung, đòi hỏi vai trò “kiến tạo” mạnh mẽ ở mọi khía cạnh
(chính sách, môi trường đầu tư và nguồn lực) trong bối cảnh hợp tác chặc chẽ
với các trường đại học (trung tâm nghiên cứu chuyên sâu về AI) và các doanh
nghiệp ở mọi thành phần kinh tế (môi trường ứng dụng các công nghệ AI). Các
sáng kiến hợp tác về trí tuệ nhân tạo cần được ưu tiên đầu tư nghiên cứu hợp
tác với các Viện nghiên cứu trong khu vực và quốc tế, ưu tiên hàng đầu cho
hoạt động phát triển và chuyển giao cơng nghệ của các tập đồn kinh tế lớn, tập
đoàn Vin-Group là một trong những tập đoàn tư nhân đi đầu trong lĩnh vực
phát triển trí tuệ nhân tạo ở Việt Nam thông qua việc thành lập Viện nghiên
cứu trí tuệ nhân tạo (Vin-AI Research) vào ngày 17/04/2019. Viện xác định

mục tiêu trước mắt là: “<i>xây dựng một lực lượng nòng cốt các chuyên gia hàng </i>

</div>
<span class='text_page_counter'>(20)</span><div class='page_container' data-page=20>

<b>Tài liệu tham khảo: </b>

1. <i>Artificial Intelligence and Life in 2030</i>, 100-year Study on AI, Report of the
2015 Study Panel, September 2016.

2. Andrew P.Hunter, Lindsey R. Sheppard and Robert Karlen, <i>Artificial </i>
<i>Intelligence and National Security – The Importance of the AI Ecosystem, </i>

Report of the CSIS Defense-Industrial Initiatives Group, November 2018.
3. Paul Scharre and Michael C. Horowitz, <i>Artificial Intelligence – What Every </i>

<i>Policy-maker Needs to Know, </i>Center for a New American Security, June 2018.
4. Salima Benhamou et Lionel Janin, <i>Intelligence Artificielle Et Travail, </i>

Rapport Mars 2018.

5. <i>Artificial Intelligence: Opportunities and Implications for the Future of </i>
<i>Decision Making, </i>UK Government Office for Science, 2015.

6. Ekkehard Ernst, Rossana Merola and Daniel Samaan, <i>The Economics of </i>
<i>Artificial Inttelligence: Implications for the Future of Work,</i> ILO Research
Department Research Paper Series, 2018.

7. Báo Việt Nam Net,
nghiệp-viet-cham-chan-502604.html<i>, </i> truy
cập ngày 10.05.2019.

8. Báo Đầu tư Chứng Khoán,
truy cập

ngày 11.05.2019.

9. Anne Hendricks et al., “<i>Generating Visual Explanations</i>,” submitted March

28, 2016, pdf/1603.08507.pdf.

10. Tham khảo “<i>Knightmare: A DevOps Cautionary Tale</i>,” Doug Seven, April 17,

</div>

<!--links-->