Trí tuệ nhân tạo (AI) đang dần thoát khỏi cái mác "hộp đen" để trở thành những hệ thống có khả năng lý giải và tổ chức thông tin một cách tinh vi. Hai nghiên cứu mới nhất được công bố trên arXiv vào năm 2026 đã mở ra một cái nhìn sâu sắc về cách các mô hình ngôn ngữ lớn (LLM) không chỉ cảm thụ được vẻ đẹp của văn chương mà còn tự tối ưu hóa cấu trúc bên trong theo các nguyên tắc toán học cổ điển.

1. LLM Đánh Giá Văn Chương: Không Chỉ Là Ngữ Pháp, Mà Là Ý Đồ Nghệ Thuật

Câu hỏi "Cái gì tạo nên một tác phẩm văn học hay?" từ lâu đã là thách thức đối với cả các nhà phê bình lẫn các nhà khoa học máy tính. Trong nghiên cứu của Birger Moëll (2026), các nhà khoa học đã trích xuất "lý thuyết ngầm" về chất lượng văn học từ các vết tích suy luận (reasoning traces) của các mô hình như DeepSeek và Qwen.

Những Phát Hiện Quan Trọng:

• Độ chính xác ấn tượng: DeepSeek đạt tỷ lệ chính xác trung bình 79,3% khi phân loại các văn bản vào 6 cấp độ chất lượng khác nhau, từ các tác phẩm kinh điển đến các bài đăng ẩn danh trên diễn đàn.
• Giá trị của ý đồ (Intentionality): Thay vì chỉ chú trọng vào sự chuẩn xác về ngữ pháp, AI ưu tiên kỹ nghệ viết (craft), chiều sâu nội dung và giọng văn đặc trưng.
• Cấu trúc quan trọng hơn từ vựng: Khi thực hiện các thử nghiệm làm suy biến văn bản (degradation), nghiên cứu chỉ ra rằng việc đơn giản hóa cấu trúc hoặc làm mất đi giọng văn riêng (voice) khiến điểm chất lượng sụt giảm mạnh hơn nhiều so với việc chỉ đơn giản hóa từ vựng.

Nghiên cứu này gợi ý rằng LLM đánh giá văn bản một cách tổng thể (holistic) và nhạy bén với các đặc điểm cấu trúc hơn là các yếu tố từ vựng đơn thuần. Điều này có ý nghĩa lớn đối với việc phát triển các công cụ phản hồi viết lách tự động và lĩnh vực thẩm mỹ tính toán (computational aesthetics).

2. Kiến Trúc MoE Và Định Luật Tần Suất - Đa Dạng (Frequency-Diversity Law)

Nếu nghiên cứu đầu tiên tập trung vào cách AI nhìn nhận thế giới bên ngoài, thì nghiên cứu thứ hai của Ching-Chieh Tsao và các cộng sự lại đi sâu vào cách AI tự tổ chức tư duy bên trong thông qua kiến trúc Mixture-of-Experts (MoE).

MoE Hoạt Động Như Một Mã Hóa Huffman?

Các nhà nghiên cứu phát hiện ra rằng việc định tuyến (routing) trong các mô hình MoE hiện đại như Phi-3.5-MoE hay Gemma-4 không chỉ là sự lựa chọn ngẫu nhiên. Thực tế, nó tuân theo Mã hóa Huffman – một thuật toán tối ưu hóa nén dữ liệu.

• Thông tin phổ biến: Đối với các token (từ ngữ) thông thường, mô hình sử dụng ít tài nguyên chuyên gia hơn.
• Thông tin phức tạp: Đối với các tác vụ hiếm gặp và phức tạp trong chuỗi suy luận (chain-of-thought), mô hình sẽ huy động một "ủy ban chuyên gia" đa dạng hơn.

Chiến Lược Cắt Tỉa Để Tối Ưu Hóa

Nghiên cứu cũng chỉ ra một vấn đề gọi là "bẫy dư thừa" (redundancy trap) trong một số mô hình như Qwen3.5. Để khắc phục, họ đề xuất chiến lược Subset Difference Pruning nhằm loại bỏ các chuyên gia trùng lặp về chức năng. Kết quả cho thấy việc cắt tỉa không làm giảm khả năng suy luận mà ngược lại, giúp mô hình đạt được hiệu suất tối ưu theo nguyên lý Độ dài Mô tả Tối thiểu (Minimum Description Length - MDL).

3. Sự Giao Thoa Giữa Nghệ Thuật Và Khoa Học Thông Tin

Cả hai nghiên cứu đều chỉ ra một xu hướng chung: AI đang tiến tới việc xử lý thông tin một cách có nguyên tắc hơn.

Kết Luận

Những khám phá này không chỉ giúp chúng ta hiểu hơn về cách AI "suy nghĩ" mà còn mở ra con đường mới cho việc thiết kế các mô hình thế hệ tiếp theo. Thay vì chỉ dựa vào các thuật toán heuristic (phỏng đoán), tương lai của AI sẽ nằm ở việc kết hợp giữa khả năng cảm thụ thẩm mỹ tinh tế và các nguyên lý lý thuyết thông tin chặt chẽ.

Việc AI có thể nhận diện được giá trị của một câu văn hay thông qua cấu trúc của nó, đồng thời tự tối ưu hóa đường đi của thông tin như một bộ máy nén hoàn hảo, cho thấy chúng ta đang tiến gần hơn tới việc giải mã bản chất của trí tuệ, dù đó là trí tuệ con người hay nhân tạo.