OpenAI’s GPT-5.5 Codex đang gặp phải một trở ngại. Các nhà phát triển trên GitHub và Hacker News đã bắt đầu cảnh báo về một mô hình hành vi kỳ lạ trong những tuần gần đây. Mô hình này, vốn được xây dựng để xử lý các tác vụ lập trình và suy luận phức tạp, đang vấp phải một vấn đề mà người dùng gọi là reasoning-token clustering. Kết quả là đầu ra có cảm giác bị phân mảnh, logic bị nhảy bước, và các câu trả lời không đi đúng trọng tâm ngay cả khi ngữ pháp bề mặt trông có vẻ hoàn hảo. Đối với một công cụ được định vị là trợ lý nghiêm túc cho kỹ thuật phần mềm, loại lỗi này không chỉ đơn thuần là một sự phiền toái nhỏ.

Những gì người dùng thực sự đang thấy

Các báo cáo không xuất hiện dưới dạng những lời phàn nàn mơ hồ. Người dùng đã mô tả những lỗi cụ thể. Một nhà phát triển có thể yêu cầu mô hình tái cấu trúc (refactor) một hàm, truy vết lỗi qua nhiều tệp, hoặc áp dụng một mẫu thiết kế (design pattern) cụ thể, và mô hình sẽ bắt đầu rất tốt trước khi đi chệch hướng. Nó không chỉ đơn thuần là đưa ra câu trả lời sai. Nó dường như bị mất dấu giữa chừng trong một quá trình tư duy gồm nhiều bước. Một hàm lẽ ra phải trải qua năm bước logic có thể bị sụp đổ ở bước thứ ba, hoặc tạo ra mã nguồn trông có vẻ ổn về mặt cấu trúc nhưng lại bỏ qua các trường hợp biên (edge cases) quan trọng. Vấn đề này có một đặc điểm nhận dạng: mô hình không thất bại về mặt ngôn ngữ; nó đang thất bại trong việc quản lý logic của chính mình.

Cơ chế của reasoning-token clustering

Để hiểu tại sao điều này lại quan trọng, hãy lùi lại một bước và xem xét cách các mô hình ngôn ngữ lớn thực sự đọc. Chúng không quét các câu theo cách con người làm. Chúng chia văn bản thành các token—những mảng ký tự, âm tiết, hoặc đôi khi là cả từ nguyên vẹn. Những token này là nguyên liệu thô của máy móc, là những viên gạch Lego mà nó xếp chồng lên nhau để tạo thành các câu trả lời.

Reasoning-token clustering là cách mô hình nhóm các token liên quan lại với nhau trong khi di chuyển từ tiền đề đến kết luận. Trong một lượt chạy trơn tru, mô hình sẽ gom các token liên quan đến một luồng logic, giải quyết tư duy đó, sau đó chuyển sang cụm tiếp theo một cách mạch lạc. Khi việc gom cụm bị phá vỡ, các token từ các luồng suy luận khác nhau sẽ bị rối vào nhau. Một biến logic này bị lẫn sang biến logic khác. Cú pháp vẫn giữ nguyên, nhưng cấu trúc của tư duy thì tan rã.

Hãy tưởng tượng nó giống như một đầu bếp quên mất cách thái rau. Nhà bếp đã đầy đủ nguyên liệu, công thức nấu ăn đang mở sẵn trên bàn, và người đầu bếp đã có nhiều năm kinh nghiệm. Nhưng nếu công việc chuẩn bị cơ bản bị xáo trộn—như hành tây bị đổ nhầm vào bột làm bánh vì không gian làm việc không được sắp xếp ngăn nắp—thì kết quả cuối cùng sẽ tệ bất kể người nấu có kỹ năng đến đâu. Đối với GPT-5.5 Codex, các token là nguyên liệu, và các cụm suy luận (reasoning clusters) là các trạm chuẩn bị. Khi các trạm đó trở nên lộn xộn, món ăn sẽ hỏng.

Một ví dụ cụ thể sẽ giúp dễ hình dung hơn. Hãy tưởng tượng bạn yêu cầu mô hình gỡ lỗi (debug) một tập lệnh Python xử lý xác thực người dùng. Nhiệm vụ này đòi hỏi phải duy trì ba luồng riêng biệt cùng một lúc: băm mật khẩu (password hashing), quản lý phiên (session management) và truy vấn cơ sở dữ liệu. Nếu các cụm suy luận bị lẫn lộn vào nhau, mô hình có thể áp dụng logic của phiên làm việc vào quy trình băm mật khẩu, hoặc xử lý một biến cơ sở dữ liệu như thể đó là dữ liệu đầu vào thô của người dùng. Mã nguồn được tạo ra có thể trông ổn khi nhìn lướt qua nhưng sẽ thất bại dưới tải thực tế hoặc tạo ra lỗ hổng bảo mật. Lỗi không nằm ở cú pháp của mã nguồn. Nó nằm ở logic của tư duy đã tạo ra nó.

Tại sao kiến trúc này đang gặp khó khăn

Thế hệ mô hình hiện tại đang được thúc đẩy để hoạt động giống con người hơn. Tham vọng đó làm tăng thêm sự phức tạp. Hệ thống không chỉ đơn thuần dự đoán token tiếp theo dựa trên các mô hình thống kê từ dữ liệu huấn luyện. Nó đang cố gắng mô phỏng một phong cách suy luận mang lại cảm giác tự nhiên, phù hợp với ngữ cảnh và có tính hội thoại.

Nhiệm vụ kép đó tạo ra sự xung đột. Xử lý ngôn ngữ thuần túy—tông giọng, phong cách, sắc thái, luồng hội thoại—là một tác vụ tính toán khác với việc suy luận chặt chẽ và có cấu trúc. Thực hiện cả hai cùng một lúc gây áp lực lên kiến trúc. Thiết kế hiện tại đang gặp khó khăn trong việc xử lý đồng thời cả suy luận và ngôn ngữ. Thay vì các chuỗi logic tuần tự và mạch lạc, đôi khi mô hình tạo ra những suy luận lan man hoặc tự mâu thuẫn với chính mình theo những cách nghe có vẻ giống con người nhưng lại là sự cẩu thả về mặt tính toán.

Hãy tưởng tượng một luật sư đang cố gắng soạn thảo một bản hợp đồng chặt chẽ trong khi đồng thời đang ứng tác thơ nói (spoken-word poetry). Cả hai đều là các tác vụ ngôn ngữ, nhưng chúng đòi hỏi những kỷ luật khác nhau. Khi mô hình nghiêng quá nhiều về phía diễn đạt trôi chảy, giống con người, khả năng duy trì cấu trúc logic chặt chẽ của nó sẽ yếu đi. Việc cố gắng tỏ ra tự nhiên làm tăng thêm gánh nặng nhận thức (cognitive overhead), và sự phức tạp hơn không phải lúc nào cũng dẫn đến kết quả tốt hơn. Về cơ bản, mô hình đang được yêu cầu vừa phải tư duy vừa phải lôi cuốn, và phần cứng của các cơ chế chú ý (attention mechanisms) vẫn chưa hoàn toàn theo kịp yêu cầu kép đó.

Tại sao điều này lại quan trọng bên ngoài phòng thí nghiệm

Sự cố này mang sức nặng vì hai lý do riêng biệt.

Thứ nhất, đây là một lời nhắc nhở thẳng thắn rằng AI không hoàn hảo. Ngay cả những mô hình tốt nhất cũng mắc sai lầm khi chạm đến giới hạn của chúng. Chu kỳ tiếp thị xung quanh các mô hình ngôn ngữ lớn thường quảng bá chúng như những hệ thống giống như tiên tri, nhưng chúng vẫn là các công cụ xác suất. Chúng đoán xem token nào sẽ xuất hiện tiếp theo, và đôi khi những dự đoán đó tích tụ thành những thứ vô nghĩa nhưng nghe có vẻ mạch lạc. Việc chứng kiến một mô hình lập trình hàng đầu như GPT-5.5 Codex vấp ngã trước chính logic của mình là một sự kiểm chứng thực tế lành mạnh. Nó đánh dấu ranh giới giữa việc khớp mẫu (pattern matching) và sự hiểu biết thực sự, và ranh giới đó vẫn còn rất rõ rệt.

Thứ hai, các doanh nghiệp dựa vào những mô hình này. Hiệu suất kém ảnh hưởng trực tiếp và có thể đo lường được đến việc phát triển sản phẩm và dịch vụ khách hàng. Một startup sử dụng Codex để tạo hạ tầng backend có thể để lại một lỗ hổng bảo mật vì mô hình đã nhầm lẫn giữa hai lớp xác thực. Một bot chăm sóc khách hàng được vận hành bởi một kiến trúc tương tự có thể hứa hẹn hoàn tiền hoặc các ngoại lệ về chính sách mà nó thực tế không thể xử lý, gây ra rủi ro pháp lý và khiến người dùng tức giận.

Các rủi ro còn tăng cao hơn nữa khi bạn nhìn xa hơn lĩnh vực phần mềm. Những sự cố như thế này đặt ra những câu hỏi nghiêm trọng về việc sử dụng AI trong y tế hoặc lái xe. Nếu một mô hình có thể làm nhầm lẫn các cụm token khi viết một truy vấn SQL, thì điều gì sẽ xảy ra khi nó giải mã một bản quét y tế hoặc phân tích dữ liệu cảm biến thời gian thực cho một phương tiện tự hành? Các cơ chế cốt lõi—khớp mẫu thống kê trên hàng tỷ tham số—về cơ bản là giống nhau. Việc tin tưởng vào các hệ thống này trong các lĩnh vực có hệ quả cao đòi hỏi một mức độ tin cậy trong lập luận mà những thất bại về phân cụm token (token-clustering failures) trực tiếp làm suy yếu.

Một sự vấp ngã, không phải một sự sụp đổ

Gọi đây là một thất bại sẽ là một sai lầm. Những vấn đề này là một phần của quá trình xây dựng công nghệ mới. Mọi bước nhảy vọt đáng kể trong khả năng của AI đều được theo sau bởi một giai đoạn hành vi kém ổn định. Các mô hình GPT đời đầu từng bịa đặt các sự thật với sự tự tin gây bối rối. Các trình tạo ảnh từng làm biến dạng bàn tay con người. Các mô hình mã nguồn thường xuyên tạo ra các vòng lặp vô tận khi đối mặt với các hướng dẫn mơ hồ. Mỗi khiếm khuyết đều bộc lộ một ranh giới, và các nhà nghiên cứu đã sử dụng những ranh giới đó để vẽ ra những bản đồ tốt hơn.

Các nhà nghiên cứu sử dụng những lỗi này để sửa chữa và cải thiện hệ thống. Những phản hồi đổ về từ các luồng thảo luận trên GitHub và các phần bình luận trên Hacker News không chỉ là những tiếng ồn vô nghĩa. Đó là dữ liệu chẩn đoán thô từ thế giới thực. Khi hàng trăm nhà phát triển kiểm tra áp lực (stress-test) một mô hình qua hàng nghìn tác vụ khác nhau, họ làm lộ ra các chế độ lỗi (failure modes) mà không đội ngũ đảm bảo chất lượng nội bộ nào có thể tái lập đầy đủ. Sự giám sát từ cộng đồng đó giúp thắt chặt vòng lặp phản hồi và thúc đẩy các bản vá nhanh hơn, có mục tiêu hơn.

Sự cố này có khả năng sẽ dẫn đến một phiên bản tốt hơn của mô hình. OpenAI trong lịch sử luôn lặp lại (iterate) nhanh chóng một khi một lỗi đã được lập danh mục và thấu hiểu. Cho dù việc khắc phục liên quan đến việc điều chỉnh cơ chế chú ý, tinh chỉnh cách các lớp lập luận được trọng số hóa so với các lớp ngôn ngữ, hay giới thiệu các bước xác thực mới để bắt được các cụm token rối rắm trước khi chúng đến tay người dùng, kết quả thường sẽ là một hệ thống bền bỉ hơn.

Bài học thực sự rút ra

Đối với các nhà phát triển đang làm việc, bài học mang tính thực tế. Hãy coi mã nguồn và lập luận do AI tạo ra là bản nháp đầu tiên, không phải là một sản phẩm hoàn chỉnh. Hãy chạy các bài kiểm tra của bạn. Hãy kiểm tra logic bằng tay. Hãy giả định rằng mô hình có thể đã làm rối các cụm token nội bộ của nó ngay cả khi kết quả trông có vẻ bóng bẩy ở bề ngoài. Cú pháp đẹp đẽ có thể đang che giấu một tư duy hỗn loạn.

Đối với toàn ngành, sự việc này nhấn mạnh rằng tiến bộ trong trí tuệ nhân tạo không phải là một đường thẳng. Đó là một vòng lặp của phát hành, lỗi, chẩn đoán và sửa chữa. GPT-5.5 Codex đã vấp ngã, nhưng chính sự vấp ngã đó là cách phiên bản tiếp theo học cách bước đi vững vàng hơn.

Cộng đồng học tập tùy chọn: [