Từ điển AI #4: Chain-of-Thought là gì? Bí thuật giúp AI “suy nghĩ chín chắn” trước khi trả lời

Chain-of-Thought (CoT) là kỹ thuật kích thích khả năng suy luận của mô hình ngôn ngữ lớn bằng cách hướng dẫn nó tạo ra một chuỗi các bước lập luận trung gian trước khi đưa ra đáp án cuối cùng, thay vì nhảy thẳng đến kết luận theo phản xạ xác suất.

Ở bài viết trước, chúng ta thấy Few-shot Prompting giúp AI bắt chước một khuôn mẫu có sẵn rất hiệu quả. Nhưng với những bài toán đòi hỏi lập luận nhiều bước – điều mà chỉ trình diễn ví dụ đầu-cuối không đủ để truyền tải – các nhà nghiên cứu tại Google đã phát hiện ra một kỹ thuật mang tính đột phá.

Chain-of-Thought là gì, theo nghiên cứu gốc đã tạo ra bước ngoặt này?

Trong bài báo “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models” (Wei và cộng sự, Google, công bố tại NeurIPS 2022), các tác giả chứng minh rằng việc tạo ra “một chuỗi suy nghĩ – một loạt các bước lập luận trung gian” giúp cải thiện đáng kể khả năng của mô hình ngôn ngữ lớn trong việc thực hiện các bài toán suy luận phức tạp, và khả năng này “xuất hiện một cách tự nhiên ở các mô hình ngôn ngữ đủ lớn” thông qua một phương pháp đơn giản: cung cấp một vài minh họa chuỗi suy nghĩ làm ví dụ mẫu trong câu lệnh.

Kết quả nghiên cứu ấn tượng đến mức nào?

Con số nói lên tất cả sức mạnh của kỹ thuật này. Thực nghiệm trên ba mô hình ngôn ngữ lớn cho thấy CoT cải thiện hiệu suất trên hàng loạt tác vụ số học, lẽ thường, và suy luận ký hiệu. Cụ thể, khi áp dụng CoT với chỉ tám ví dụ minh họa cho mô hình PaLM 540 tỷ tham số, nhóm nghiên cứu đạt được độ chính xác cao nhất từng ghi nhận (state-of-the-art) trên bộ đề toán GSM8K – bộ đề toán tiểu học được xem là thước đo chuẩn cho khả năng suy luận số học của AI thời điểm đó – với độ chính xác lên tới 90,2% trên các benchmark suy luận toán học và lẽ thường kết hợp. Đây là mức cải thiện đáng kinh ngạc so với việc chỉ hỏi trực tiếp và mong chờ câu trả lời ngay lập tức. Điều đặc biệt quan trọng mà nhóm nghiên cứu nhấn mạnh: hiệu ứng CoT chỉ thực sự rõ rệt ở những mô hình đủ lớn – với các mô hình nhỏ, việc thêm chuỗi suy luận đôi khi còn khiến kết quả tệ hơn, vì mô hình chưa đủ khả năng “duy trì mạch logic” xuyên suốt nhiều bước.

Vì sao chỉ cần nói “hãy suy nghĩ từng bước” cũng có tác dụng?

Một phát hiện thú vị bổ sung đến từ nghiên cứu “Large Language Models are Zero-Shot Reasoners” (Kojima và cộng sự, 2022): các tác giả phát hiện rằng bạn thậm chí không cần cung cấp ví dụ minh họa như CoT truyền thống – chỉ cần thêm cụm từ thần chú “Let’s think step by step” (Hãy suy nghĩ từng bước) vào cuối câu lệnh, mô hình đã tự động cải thiện đáng kể khả năng suy luận, dù không có bất kỳ ví dụ mẫu nào đi kèm. Phát hiện này – được gọi là “Zero-shot Chain-of-Thought” – cho thấy khả năng suy luận từng bước đã tiềm ẩn sẵn bên trong các mô hình lớn, chỉ cần một câu lệnh “khơi mào” đúng cách để kích hoạt nó, thay vì cần huấn luyện lại hay cung cấp ví dụ tốn công.

Chain-of-Thought có luôn luôn là lựa chọn tốt hơn không?

Câu trả lời là không hẳn, và đây là điều đáng lưu ý với người dùng văn phòng khi áp dụng vào công việc hằng ngày. CoT làm tăng đáng kể độ dài phản hồi – vì AI phải “viết ra” toàn bộ quá trình suy luận trước khi đến kết luận – điều này đồng nghĩa với thời gian chờ lâu hơn và chi phí tính toán cao hơn. Với những câu hỏi đơn giản, một bước là đủ (ví dụ: “thủ đô của Nhật Bản là gì”), việc ép AI “suy nghĩ từng bước” không những không cải thiện độ chính xác mà đôi khi còn khiến câu trả lời dài dòng không cần thiết, thậm chí có nguy cơ mô hình “tự làm phức tạp hóa” một vấn đề đơn giản và đi đến kết luận sai. Nguyên tắc thực dụng: chỉ nên áp dụng CoT cho các tác vụ thực sự có nhiều bước logic – tính toán tài chính nhiều biến, phân tích nguyên nhân – hệ quả, hay lập kế hoạch có ràng buộc – còn với câu hỏi đơn giản, một câu lệnh trực tiếp vẫn là lựa chọn nhanh và hiệu quả hơn.

Ứng dụng thực tế: từ giải toán đến lập kế hoạch kinh doanh

Không chỉ dừng lại ở toán học, Chain-of-Thought thể hiện sức mạnh vượt trội trong lập kế hoạch kinh doanh và viết mã nguồn. Thay vì yêu cầu AI “Hãy lập một kế hoạch kinh doanh” trực tiếp, hãy yêu cầu “Hãy phân tích thị trường, xác định đối tượng khách hàng, liệt kê các kênh phân phối và sau đó mới xây dựng kế hoạch kinh doanh chi tiết theo từng bước”. Cách tiếp cận này giúp AI không bỏ sót các yếu tố quan trọng, tạo ra một bản kế hoạch có chiều sâu và tính thực tiễn cao hơn hẳn. Một ứng dụng khác ít được nhắc đến: khi yêu cầu AI rà soát một hợp đồng hay báo cáo tài chính tìm rủi ro, việc bắt AI liệt kê từng điều khoản và giải thích lý do trước khi đưa ra kết luận tổng thể giúp giảm đáng kể khả năng bỏ sót chi tiết quan trọng – vì AI buộc phải “đi qua” toàn bộ tài liệu một cách có hệ thống thay vì tóm tắt hời hợt.

Làm sao biết một câu trả lời CoT có thực sự đáng tin, hay AI chỉ đang “diễn” ra vẻ logic?

Đây là một lưu ý quan trọng cho người dùng doanh nghiệp: chuỗi lập luận mà AI trình bày không phải lúc nào cũng phản ánh đúng quá trình “suy nghĩ” thực sự bên trong mô hình – đôi khi AI đưa ra các bước nghe có vẻ hợp lý nhưng thực chất được tạo ra sau khi đã “biết” đáp án theo trực giác thống kê, giống như một học sinh viết lời giải ngược từ đáp số. Vì vậy, với các quyết định có rủi ro cao – tính toán tài chính, đánh giá pháp lý, chẩn đoán kỹ thuật – chuỗi lập luận CoT nên được xem là một công cụ hỗ trợ kiểm tra tính hợp lý (bạn có thể đọc từng bước và phát hiện chỗ sai), chứ không phải bằng chứng tuyệt đối rằng kết luận cuối cùng chắc chắn đúng. Nguyên tắc an toàn: luôn đọc lướt qua các bước trung gian trước khi tin vào kết luận, đặc biệt với những con số hay trích dẫn cụ thể.

Chain-of-Thought chính là nhịp cầu giúp con người và máy tính hiểu nhau hơn ở mức độ logic thuần túy – đúng như kỹ thuật này sau đó đã được nâng lên thành bản năng nội tại của các Reasoning Model, chủ đề chúng ta đã tìm hiểu ở phần sau của series. Nhưng trước khi đến đó, hãy tìm hiểu cách biến những kỹ thuật đã học – Zero-shot, Few-shot, CoT – thành những bộ khung có thể tái sử dụng hàng nghìn lần. Đó là Prompt Template – chủ đề bài viết tiếp theo.

Tham khảo khóa học AI Mastery for Work level 1 và 2 tại đây.