When Properties Collide

📖 Nội dung bài học

Bạn sẽ học được gì

Thời gian ước tính: 25 phút

Đến cuối bài học này, bạn sẽ có thể:

Nhận ra rằng hầu hết các lỗi AI liên quan đến hai hoặc nhiều thuộc tính tương tác
Chẩn đoán các mẫu lỗi phổ biến (trích dẫn bịa đặt, trôi dạt trong hội thoại dài, toán học sai một cách tự tin, tiền đề tồi đồng ý) bằng cách xác định các thuộc tính nào đang hoạt động
Áp dụng một cách sửa lỗi nhắm mục tiêu dựa trên thuộc tính nào là yếu tố hạn chế

Chẩn đoán lỗi AI

(3 phút)

Bốn thuộc tính không hoạt động độc lập. Hầu hết các lỗi thực tế là hai trong số chúng giao nhau. Khi bạn có thể đặt tên cho hai thuộc tính nào, bạn biết nên tìm cách sửa lỗi nào.

Hai thuộc tính gặp nhau: chẩn đoán điều gì đã sai

Hầu hết các lỗi AI trong thế giới thực là hai thuộc tính gặp nhau cùng một lúc.

Next Token Prediction (Dự đoán Token Tiếp theo)

Tạo ra những gì nghe có vẻ đúng

Knowledge (Kiến thức)

Biết những gì nó đã được huấn luyện

Working Memory (Bộ nhớ làm việc)

Chú ý đến những gì ở gần

Steerability (Khả năng điều khiển)

Tuân theo chỉ dẫn lớn nhất

kéo hai thuộc tính gần nhau để xem điều gì xảy ra khi chúng va chạm

Những điểm chính

Lỗi trong thế giới thực thường là hai thuộc tính tương tác, không phải một.
Các cặp chẩn đoán để nhận biết:
- Next Token Prediction + Knowledge (chi tiết bịa đặt)
- Working Memory + Steerability (trôi dạt trong hội thoại dài)
Đặt tên cho các thuộc tính đang hoạt động hướng bạn trực tiếp đến cách sửa lỗi: xác minh chi tiết, cung cấp lại ngữ cảnh, chuyển sang thực thi mã hoặc mời phản hồi.
Động thái chẩn đoán này là Ứng dụng Phân biệt. Bạn đánh giá tốt hơn khi bạn biết loại sai nào bạn đang xem xét.

Bài tập

Bài tập: Chẩn đoán lỗi

Tại sao? Hầu hết các lỗi AI trong thế giới thực không phải là một thuộc tính hoạt động. Chúng là hai thuộc tính gặp nhau cùng một lúc. Đặt tên cho hai thuộc tính nào thay đổi hoàn toàn cách sửa lỗi.

Hãy nhớ lại kinh nghiệm của bạn với AI (bao gồm những gì bạn đã quan sát trong khóa học này). Xác định hai hoặc ba lần một đầu ra AI thực sự khiến bạn thất vọng hoặc ngạc nhiên. Đối với mỗi lần, hãy mô tả nó trong một hoặc hai câu: bạn đã hỏi gì, bạn nhận được gì, điều gì gây thất vọng hoặc ngạc nhiên.

Thực hiện từng sự kiện với AI. Mô tả những gì đã xảy ra và hỏi: "Dựa trên bốn thuộc tính (Next Token Prediction, Knowledge, Working Memory, Steerability), những thuộc tính nào có khả năng hoạt động ở đây và tại sao?"
Đánh giá chẩn đoán của nó so với những gì bạn biết bây giờ. Bạn có đồng ý không? Nếu không, hãy phản đối. (Hãy nhớ dấu vân tay nịnh bợ từ Bài học 3: AI có thể đồng ý với cách bạn đóng khung quá dễ dàng. Nếu bạn nghĩ nó sai, hãy nói như vậy.)
Đối với mỗi chẩn đoán, hãy hỏi: "Với chẩn đoán đó, cách sửa lỗi nhắm mục tiêu nhất là gì?" Nếu bạn có thể, hãy kiểm tra điều chỉnh ngay bây giờ trên một tác vụ tương tự.

Bây giờ hãy xem danh sách tác vụ Bài học 1 của bạn với tất cả các chú thích đã tích lũy (thẻ thuộc tính từ Bài học 2, điểm xác minh từ Bài học 4, cờ kiến thức từ Bài học 5, nhu cầu ngữ cảnh từ Bài học 6, câu lệnh mục tiêu từ Bài học 7). Đối với các tác vụ gây ra nhiều rắc rối nhất cho bạn, hãy đặt tên cho hai thuộc tính nào đã va chạm. Viết chẩn đoán bên cạnh mỗi tác vụ.

Suy ngẫm bài học

Việc đặt tên cho cặp thuộc tính có thay đổi cách sửa lỗi mà bạn sẽ tìm kiếm không? Trước khóa học này, bạn có thử một cách sửa lỗi khác (kém hiệu quả hơn) không?
Bạn nghĩ rằng bạn sẽ gặp cặp thuộc tính nào thường xuyên nhất trong công việc hàng ngày của mình?

Tiếp theo là gì

Trong bài học cuối cùng, chúng ta sẽ củng cố những gì bạn đã xây dựng, kết nối nó trở lại với khung tư duy 4D (4D Framework) như một hệ thống hoàn chỉnh và hướng bạn đến nơi để tìm hiểu sâu hơn.

Phản hồi

Khi bạn tiến bộ trong khóa học, chúng tôi rất muốn nghe từ bạn về cách bạn đang sử dụng các khái niệm từ khóa học trong công việc của mình, cộng với bất kỳ phản hồi nào bạn có thể có. Chia sẻ phản hồi của bạn tại đây.

Ghi nhận và giấy phép

Bản quyền 2026 Anthropic. Công trình gốc dựa trên Khung Năng lực AI do GS. Rick Dakan (Ringling College of Art and Design) và GS. Joseph Feller (University College Cork) phát triển. Phát hành theo giấy phép CC BY-NC-SA 4.0.

🔁 Bài học liên quan

Bài tiếp: Next Steps
Bài trước: Try it out
Cùng section: Next Steps
Thuộc lộ trình: Path B
Docs tham khảo: Glossary · Skills atlas · By use-case

📚 Nguồn & ghi nhận

Bài học gốc Anthropic Academy: https://anthropic.skilljar.com/ai-capabilities-and-limitations/456459
Crawl: — · Chuẩn hoá: 2026-05-01