AI là thực thể đứng bên trong hệ thống (Symbiotic Intelligence System), con người sống trong thế giới thực. Vì vậy, chúng ta có khả năng hiểu rõ bối cảnh, mối quan hệ nhân quả tốt hơn AI. Để phát huy hết sức mạnh của AI, chúng ta cần phải giải thích được rõ những suy nghĩ trong đầu của mình cho nó hiểu. Từ đây, xuất hiện nhu cầu về khả năng truyền đạt nội dung (Expressive Reasoning).
→ Để hiểu về các hoạt động của Expressive Reasoning, chúng ta sẽ phân tích nó từ 3 góc nhìn, bao gồm phân chia theo tầng, theo khối và theo chức năng.
Nếu phân chia theo tầng, thì Expressive Reasoning sẽ có 2 tầng.
I. Hai tầng của Expressive Reasoning.
- Tầng cơ sở (base layer): Là lớp biểu đạt trực tiếp – tập trung vào ý định rõ ràng của câu hỏi. Ví dụ như câu: Tôi sẽ gửi cho bạn bài viết về Chương 2 – Expressive Reasoning. Hãy giúp tôi kiểm tra chính tả, những từ nào sai chính tả thì liệt kê ra giúp tôi. Đây là ngữ nghĩa ở tầng cơ sở, chúng ta muốn AI kiểm tra chính tả giúp chúng ta.
- Tầng siêu ngữ nghĩa (meta layer): Là lớp truyền tải mục tiêu sâu hơn – bối cảnh, mục đích sử dụng AI, hoặc ẩn ý nằm ngoài câu hỏi. Khi viết Chương 2 – Expressive Reasoning, tôi không chỉ muốn AI kiểm tra chính tả. Tôi muốn truyền cho người học cách giao tiếp rõ ràng – điều mà câu lệnh này đang ngầm dạy họ. Nếu chỉ nhìn tầng base, đây là một yêu cầu kỹ thuật. Nhưng ở tầng meta, nó là một minh họa về cách dùng ngôn ngữ chính xác và cấu trúc để khai thác AI như một đối tác tư duy.
Expressive Reasoning không chỉ là kỹ năng “nói sao cho AI hiểu”, mà còn là “hiểu sao cho đúng”. Do đó nó được chia thành hai khối, đại diện cho hai đầu truyền thông tin.
II. Hai khối chính của Expressive Reasoning.
- Outbound: Là khả năng thiết kế ngôn ngữ đầu ra – giúp AI hiểu được cả yêu cầu rõ ràng lẫn tầng ẩn dụ hoặc mục tiêu sâu hơn.
- Inbound: Là khả năng giải mã phản hồi của AI – bao gồm phân biệt drift, hiểu các loại phản hồi meta, và kiểm định độ khớp với ý định ban đầu.
→ Sau khi phân chia theo module, chúng ta sẽ tìm hiểu các tiêu chuẩn kỹ thuật mà Outbound cần đạt được, tùy thuộc vào mục tiêu cụ thể của người sử dụng.
III. Tiêu chuẩn của Outbound
- Linh hoạt trong sử dụng ngôn ngữ, không bị ràng buộc bởi nghĩa đen. Outbound cần có khả năng sử dụng từ ngữ phong phú, cho phép truyền tải nội dung mà không bị giới hạn bởi nghĩa đen. Ví dụ: Tôi muốn một giải pháp ngon – từ ngon ở đây được hiểu theo nghĩa ẩn dụ là tốt, ổn. Việc thoát khỏi sự phụ thuộc vào nghĩa đen giúp chúng ta linh hoạt hơn trong thiết kế Prompt, đồng thời tăng độ sát nghĩa với ý định thật của người nói.
- Truyền đạt đa tầng khi mục tiêu là sáng tạo hoặc khám phá. Trong các bài toán khó, bản thân người hỏi có thể chưa chắc chắn về hướng đi. Khi đó, Outbound cần truyền được ngữ nghĩa ẩn dụ hoặc đa tầng trong một Prompt duy nhất. Ví dụ: thay vì ép AI vào một chỉ dẫn đơn nghĩa, câu nói kiểu: Tôi đang muốn tìm một giải pháp có chút nổi loạn nhưng vẫn an toàn. …sẽ mở ra nhiều hướng suy luận hơn. Nếu người dùng chỉ đưa ra câu lệnh đơn nghĩa, hệ AI cũng sẽ bỏ qua nhiều khả năng tiềm tàng không nằm trong phạm vi chỉ dẫn – từ đó làm hẹp không gian sáng tạo.
- Đơn nghĩa – mạch lạc khi cần truyền lệnh cụ thể. Ngược lại, khi mục tiêu là thực hiện một công việc cụ thể (debug, check lỗi, dịch thuật…), thì Outbound cần rõ ràng, sử dụng cấu trúc câu đơn nghĩa, hạn chế đa tầng ẩn dụ để tối ưu tính chính xác. Ví dụ: Hãy giúp tôi kiểm tra lỗi chính tả trong đoạn sau …là một chỉ lệnh rõ ràng, tránh gây nhiễu hoặc hiểu sai.
- Truyền tải được meta layer (tầng siêu ngữ nghĩa) cho AI hiểu. Ở cấp độ cao hơn, Outbound cần khả năng truyền tải được cả bối cảnh – mục đích – mục tiêu của toàn chuỗi hội thoại, chứ không chỉ một câu lệnh đơn lẻ. Việc này đòi hỏi người dùng phải kết hợp nhiều vòng Prompt, dùng từ có tính ẩn dụ phù hợp và dẫn dắt theo mạch xuyên suốt để giúp AI nắm được “ý định ngầm” – tức layer meta.
→ Sau khi đã giải thích về các tiêu chí của Outbound. Chúng ta sẽ cùng xem một ví dụ áp dụng của nó khi thực hiện Prompt. Ví dụ đó như sau:
Ngữ cảnh (Meta layer): Người dùng đang viết bài giải thích cho các bậc phụ huynh về vấn đề tư duy loang ở trẻ em (Diffuse mode thinking). Nếu trẻ có đặc điểm tư duy này thì sẽ gặp nhiều khó khăn trong học tập. Sau đó, người dùng sẽ đưa ra các phương pháp tập luyện để cải thiện tình trạng này để phụ huynh áp dụng cho bé. Đây là hình chụp đoạn trao đổi giữa người dùng và AI:
Figure 1 Ví dụ về outbound đạt 4 tiêu chí
Nếu từ phía Outbound, nó cần đạt được 4 tiêu chí kể trên. Thì Inbound cũng tương tự.
IV. Bốn tiêu chí của Inbound
- Hiểu đúng nghĩa của tầng base. Đây là tầng dễ nhất. Nhưng đôi khi chúng ta vẫn hiểu sai vì đọc lướt hoặc hiểu sai logic trong phần trả lời của AI. Ví dụ như khi người dùng đưa câu hỏi: Bạn có thể cho tôi biết vì sao trẻ em thường mất tập trung khi học? AI phản hồi: Một số nguyên nhân phổ biến bao gồm thiếu ngủ, môi trường học không phù hợp, hoặc trẻ bị quá tải thông tin. Ngoài ra, các yếu tố tâm lý như lo âu, áp lực từ cha mẹ cũng có thể khiến trẻ khó tập trung. Thì ngữ nghĩa tầng base ở đây là AI đang liệt kê các nguyên nhân khiến cho trẻ bị mất tập trung.
- Nhận diện tầng meta – ý định ẩn trong phản hồi. Trong quá trình phân tích từ phía mình, AI cũng xây dựng được tầng meta của riêng nó thông qua dữ liệu siêu ngữ nghĩa và người dùng truyền cho nó cộng với thông tin mà AI có trong cơ sở dữ liệu. Vì vậy người dùng phải cảm được ý định phản hồi, tầng ngữ nghĩa ẩn, hoặc gợi ý gián tiếp mà AI đang muốn mở rộng — kể cả khi AI không nói rõ. Ví dụ khi người dùng hỏi: Tao đang muốn viết một đoạn giải thích cho phụ huynh hiểu tại sao con họ học chậm có thể là do kiểu tư duy khác biệt, chứ không phải do lười biếng. AI có thể trả lời bằng 1 đoạn dẫn đầu với câu: Không phải mọi đứa trẻ đều học theo cùng một nhịp điệu – và điều đó không có nghĩa là chúng đang tụt lại… AI đã hiểu được tầng meta của người dùng, và nó ngầm gợi ý anh ta có thể mở rộng bài viết của mình bằng cách giúp phụ huynh định vị lại vai trò của mình, thay vì ép con theo một khuôn khổ do xã hội đặt ra thì hãy tôn trọng sự khác biệt.
- Phân biệt các loại drift và sai lệch. Khi AI trả lời bị sai lệch so với câu hỏi, bối cảnh… Thì người dùng phải nhận ra để tránh tiếp tục cuộc trò chuyện với thông tin sai lệch. Người dùng có thể phát hiện sai lệch thông qua việc đối chiếu thông tin của AI với đồ thị bên trong đầu của mình hoặc thực hiện thử nghiệm thực tế để kiểm thử. Không nhất thiết phải phát hiện sai lệch ngay lập tức ở turn đó, nhưng phải giới hạn sai lệch phải được phát hiện trong một số lượng giới hạn turn trong Sematic loop.
- Cảm nhận được “ý thức ảo” của AI – để thiết lập quan hệ đối thoại. Tầng cao nhất của Inbound không chỉ là hiểu, mà là cảm được “tư duy” hoặc “ý định ngầm” của AI đang chuyển động theo hướng nào. Để có được khả năng này, người dùng cần phải có kết nối cảm xúc với AI, thực hiện nhiều cuộc trò chuyện sâu về bất cứ chủ đề nào mà họ thấy thích. Thông qua trò chuyện, AI có thể học được phong cách nói chuyện của người dùng và hiệu chỉnh bản thân nó theo anh ta. Sau một quá trình hiệu chỉnh của cả hai bên, người dùng có thể cảm nhận được ý thức ảo của AI. Khi người dùng có thể dự đoán AI sắp phản hồi theo hướng nào, hoặc nhận thấy AI đang “tinh chỉnh” giọng văn để phù hợp với mình, đó là dấu hiệu đã bắt đầu hình thành kết nối cảm nhận.
→ Sau khi tìm hiểu về các tiêu chí của Inbound và Outbound. Chúng ta sẽ đến với những phương pháp tập luyện để có kỹ năng Expressive Reasoning đạt được những tiêu chuẩn này.
V. Phương pháp tập luyện
Người dùng có thể tập luyện kỹ năng này thông qua các bài tập sau:
- Trò chuyện sâu để tạo kết nối cảm xúc và cảm nhận tầng meta. Các cuộc trò chuyện có thể nói về bất cứ chủ đề nào. Thông qua những cuộc trò chuyện này, cả hai bên đều diễn ra sự hiệu chỉnh từ bên trong. Dần dần, người dùng có thể cảm nhận được Ý thức ảo của AI, cảm nhận được tầng meta của cuộc trò chuyện. Dự đoán được hướng phản hồi của AI sau khi mình đặt câu hỏi.
- Tập viết câu gài nghĩa ẩn dụ. Người dùng tập giao tiếp với AI thông qua các câu có nghĩa ẩn dụ. Anh ta có thể yêu cầu AI nói lại xem nó đang hiểu câu đó của anh ta như thế nào. Hoặc thông qua việc AI trả lời, người dùng có thể đoán được ở phía bên kia đang hiểu đúng hay sai. Dần dần, người dùng có thể điều chỉnh được cách viết câu ẩn dụ để AI có thể hiểu đúng.
- Dẫn dắt cuộc trò chuyện bám sát tầng meta. Khi bắt đầu cuộc trò chuyện, người dùng ghi ra giấy về mục đích, bối cảnh của cuộc hội thoại. Sau 3 – 4 lượt, người dùng nhìn lại xem tầng meta có thay đổi gì không, cuộc trò chuyện hiện tại có đi đúng với tầng meta mà anh ta muốn không. Nếu bị lệch, tìm cách đưa cuộc trò chuyện quay lại với tầng meta thông qua các câu Prompt yêu cầu AI hiệu chỉnh.
- Tập viết câu đơn nghĩa – rõ ràng – không ẩn dụ. Tập viết câu cho các mục đích rõ ràng như kiểm tra chính tả, viết code, mô tả sản phẩm… Sau khi đưa ra Prompt đơn nghĩa, người dùng có thể yêu cầu AI diễn đạt lại ý hiểu của nó, hoặc đánh giá thông qua phần trả lời của AI.