Một bài kiểm tra kinh điển trong tâm lý học vừa cho thấy một điểm yếu đáng ngạc nhiên của một số hệ thống trí tuệ nhân tạo (AI) tiên tiến nhất hiện nay. Kết quả nghiên cứu cho thấy cơ chế chú ý của AI có thể vận hành theo cách rất khác so với khả năng tập trung của con người.

Nhóm nghiên cứu do Suketu Patel dẫn đầu đã tìm hiểu cách các mô hình ngôn ngữ lớn (Large Language Models - LLMs) – công nghệ đứng sau các hệ thống như GPT-5, Claude và Gemini – xử lý một bài kiểm tra nhận thức nổi tiếng mang tên bài kiểm tra Stroop (Stroop task).

Kết quả cho thấy mặc dù AI có thể thực hiện rất tốt nhiều nhiệm vụ phức tạp, nhưng các mô hình này lại gặp khó khăn trong việc duy trì sự tập trung khi phải xử lý những thông tin gây nhiễu trong thời gian dài.

Bài kiểm tra Stroop là gì?

Bài kiểm tra Stroop là một thí nghiệm kinh điển trong tâm lý học, được sử dụng suốt nhiều thập kỷ để nghiên cứu khả năng chú ý và kiểm soát nhận thức của con người.

Trong bài kiểm tra này, người tham gia sẽ nhìn thấy các từ chỉ màu sắc như "đỏ", "xanh" hoặc "vàng", nhưng các từ này được in bằng những màu mực khác nhau.

Ở một số trường hợp, nội dung của từ và màu mực trùng khớp. Ví dụ, từ "đỏ" được in bằng mực màu đỏ.

Tuy nhiên, ở nhiều trường hợp khác, chúng lại không khớp nhau. Chẳng hạn, từ "đỏ" lại được in bằng mực màu xanh.

Nhiệm vụ của người tham gia là chỉ đọc tên màu của mực in, đồng thời bỏ qua nghĩa của từ.

Nghe có vẻ đơn giản nhưng thực tế đây là một thử thách đối với não bộ. Con người đã quá quen với việc đọc chữ một cách tự động, vì vậy để không bị nội dung của từ đánh lạc hướng, não phải sử dụng cái mà các nhà tâm lý học gọi là kiểm soát điều hành (executive control).

Đây là khả năng giúp con người tập trung vào mục tiêu, chống lại các yếu tố gây xao nhãng và kìm hãm những phản ứng mang tính tự động.

Thông thường, con người sẽ mất nhiều thời gian hơn một chút để trả lời khi màu mực và nội dung từ không trùng khớp – hiện tượng này được gọi là hiệu ứng Stroop (Stroop effect). Tuy nhiên, ngay cả khi bài kiểm tra kéo dài, hầu hết mọi người vẫn duy trì được độ chính xác cao và không quên yêu cầu của nhiệm vụ.

AI làm rất tốt ở giai đoạn đầu

Để xem các hệ thống AI hiện đại sẽ xử lý thử thách này như thế nào, nhóm nghiên cứu đã kiểm tra nhiều mô hình ngôn ngữ hàng đầu bằng các danh sách từ chỉ màu sắc.

Khi được cung cấp những danh sách ngắn gồm 5 từ, trong đó nghĩa của từ không trùng với màu mực, các mô hình AI cho kết quả rất ấn tượng.

GPT-4o đạt độ chính xác 91% trong các bài kiểm tra ngắn này. Claude 3.5 Sonnet cũng đạt kết quả rất cao.

Thoạt nhìn, điều đó cho thấy các hệ thống AI có khả năng làm theo yêu cầu, bỏ qua nội dung của từ và chỉ tập trung vào màu sắc.

Khi danh sách dài hơn, hiệu suất sụt giảm nghiêm trọng

Tuy nhiên, tình hình thay đổi rõ rệt khi nhóm nghiên cứu tăng độ dài của danh sách từ.

Độ chính xác của GPT-4o giảm từ 91% với danh sách 5 từ xuống còn 57% khi danh sách có 10 từ.

Khi số lượng từ tăng lên 40, độ chính xác chỉ còn 15%.

Claude 3.5 Sonnet cho thấy khả năng chống suy giảm tốt hơn. Mô hình này vẫn duy trì kết quả ổn định với các danh sách dài tới 20 từ. Tuy nhiên, khi phải xử lý danh sách gồm 40 từ, độ chính xác của nó cũng giảm mạnh xuống chỉ còn 24%.

Nhóm nghiên cứu cũng ghi nhận xu hướng tương tự ở GPT-5, Claude Opus 4.1 và Gemini 2.5.

Kết quả còn tệ hơn khi trong cùng một danh sách xuất hiện xen kẽ cả những từ có màu mực trùng khớp và không trùng khớp với nội dung.

Trong điều kiện đó, độ chính xác của AI đối với các mục không trùng khớp gần như giảm xuống về 0.

Vì sao con người và AI phản ứng khác nhau?

Kết quả nghiên cứu chỉ ra một khác biệt quan trọng giữa nhận thức của con người và cách các mô hình ngôn ngữ lớn xử lý thông tin.

Cũng giống như con người, AI được "huấn luyện" nhiều hơn trong việc nhận diện và hiểu ý nghĩa của từ ngữ so với việc xác định màu sắc. Điều này tạo ra xu hướng tự nhiên là tập trung vào nội dung của từ.

Tuy nhiên, con người có khả năng kìm hãm phản ứng tự động đó để tiếp tục thực hiện đúng nhiệm vụ được giao, ngay cả khi phải xử lý một chuỗi rất dài các mục.

Ngược lại, các mô hình ngôn ngữ ngày càng có xu hướng quay trở lại việc đọc nội dung của từ thay vì gọi tên màu sắc khi bài kiểm tra kéo dài.

Nói cách khác, AI dường như đánh mất mục tiêu ban đầu của nhiệm vụ.

Theo các nhà nghiên cứu, sự suy giảm này cho thấy cơ chế chú ý của các hệ thống AI dựa trên kiến trúc Transformer khác biệt căn bản so với hệ thống chú ý sinh học của bộ não con người.

Hé lộ những giới hạn của AI

Các mô hình ngôn ngữ lớn đã chứng minh khả năng vượt trội trong nhiều lĩnh vực như viết văn bản, lập trình, suy luận và đối thoại.

Tuy nhiên, nghiên cứu này cho thấy việc AI đạt hiệu suất cao không đồng nghĩa với việc nó xử lý thông tin theo cách giống con người.

Kết quả nghiên cứu cho thấy AI hiện đại có thể tồn tại những điểm yếu tiềm ẩn khi phải thực hiện các nhiệm vụ đòi hỏi duy trì sự tập trung trong thời gian dài, kiềm chế các phản ứng tự động và ghi nhớ liên tục những chỉ dẫn ban đầu.

Khi AI ngày càng được tích hợp sâu vào đời sống và công việc hằng ngày, việc hiểu rõ những giới hạn này có thể quan trọng không kém so với việc đánh giá các điểm mạnh của công nghệ.