AI Literacy
Năng lực hiểu biết về AI là kiến thức và khả năng đánh giá để hiểu, chất vấn và sử dụng AI hiệu quả. Các kỹ năng cốt lõi, khuôn khổ giáo dục và Điều 4 của Đạo luật AI EU.
Năng lực AI là kiến thức và khả năng phán đoán cần thiết để sử dụng trí tuệ nhân tạo hiệu quả: hiểu biết thực tế về cách hệ thống AI tạo ra đầu ra, thói quen đánh giá đầu ra một cách phản biện và khả năng quyết định khi nào nên dựa vào chúng. Giống như kỹ năng đọc hoặc tính toán, đây là kỹ năng phổ quát dành cho tất cả mọi người tiếp xúc với AI tại nơi làm việc, trường học hoặc ở nhà; kỹ năng này không đòi hỏi khả năng xây dựng hay lập trình model. Bài báo CHI năm 2020 của Duri Long và Brian Magerko đưa ra một định nghĩa được trích dẫn rộng rãi: các năng lực giúp mọi người đánh giá AI một cách phản biện, giao tiếp và cộng tác với AI, đồng thời sử dụng AI như một công cụ.
Người có năng lực AI hiểu rằng câu trả lời trôi chảy của một chatbot vẫn có thể sai, rằng hệ thống nhận diện khuôn mặt có thể hoạt động kém hơn với một số nhóm so với các nhóm khác, rằng một video chân thực có thể là deepfake, và việc chia sẻ tài liệu mật với trợ lý trực tuyến có thể làm lộ tài liệu đó. Những hiểu biết này dựa trên một số ít nguyên tắc áp dụng cho nhiều công cụ.
Hiểu biết về AI bao gồm những gì#
Hầu hết các khung năng lực tổ chức năng lực AI quanh ba khả năng. Hiểu biết là biết rằng các hệ thống học máy học các quy luật từ dữ liệu huấn luyện, nên hành vi của chúng phản ánh phạm vi bao phủ và những thiếu sót của dữ liệu; đồng thời, biết rằng AI tạo sinh tạo ra văn bản hoặc hình ảnh có vẻ hợp lý từ các quy luật đã học mà không kiểm tra tính xác thực. Đánh giá là đối chiếu đầu ra với các nguồn độc lập, nhận biết ảo giác và thiên lệch trong AI, đồng thời xem điểm tin cậy của model là ước tính riêng của model, vốn có thể chưa được hiệu chỉnh tốt. Sử dụng có trách nhiệm là quyết định nên chia sẻ dữ liệu nào, ai xem xét các quyết định có hệ quả đáng kể, khi nào cần công khai việc sử dụng AI và khi nào không nên giao nhiệm vụ cho AI.
Đối với trường học, khung năng lực AI của UNESCO dành cho học sinh, xuất bản năm 2024, nêu 12 năng lực thuộc bốn khía cạnh: tư duy lấy con người làm trung tâm, đạo đức AI, kỹ thuật và ứng dụng AI, cùng thiết kế hệ thống AI. Mỗi khía cạnh tiến triển từ hiểu biết về AI đến áp dụng và sáng tạo bằng AI. Khung Năng lực AI của OECD và Ủy ban châu Âu, hoàn thiện năm 2026 sau bản dự thảo năm 2025, chia năng lực thành bốn lĩnh vực: tương tác với AI, sáng tạo bằng AI, quản lý AI và định hình AI; khung này đóng góp cho đợt đánh giá PISA đầu tiên về năng lực truyền thông và AI vào năm 2029. Các khái niệm liên quan có điểm giao nhau: năng lực dữ liệu bao gồm diễn giải dữ liệu và thống kê, năng lực số bao gồm sử dụng công nghệ nói chung, còn kỹ thuật thiết kế prompt là một kỹ năng thực tiễn thuộc năng lực AI.
Hiểu biết về AI tại nơi làm việc và Đạo luật AI của EU#
Năng lực AI tại nơi làm việc trở thành vấn đề pháp lý ở Liên minh châu Âu khi Điều 4 của Đạo luật AI EU bắt đầu được áp dụng vào ngày 2 tháng 2 năm 2025. Đạo luật định nghĩa năng lực AI là các kỹ năng, kiến thức và hiểu biết giúp nhà cung cấp, bên triển khai và người bị ảnh hưởng đưa ra quyết định sáng suốt về việc triển khai hệ thống AI, đồng thời nhận thức được cơ hội, rủi ro và tác hại tiềm ẩn của hệ thống. Theo sửa đổi của Digital Omnibus về AI vào tháng 7 năm 2026, Điều 4 yêu cầu các tổ chức cung cấp hoặc triển khai hệ thống AI thực hiện biện pháp hỗ trợ năng lực AI cho nhân viên và những người khác vận hành các hệ thống đó thay mặt tổ chức, có xét đến kiến thức kỹ thuật, kinh nghiệm, trình độ học vấn của họ và bối cảnh sử dụng hệ thống, nhưng không phải bảo đảm một mức năng lực cụ thể cho từng cá nhân. Nghĩa vụ này áp dụng cho mọi hệ thống AI bất kể nhóm rủi ro, khiến đây trở thành một trong những yêu cầu có phạm vi rộng nhất của Đạo luật.
Điều 4 không quy định chương trình học hay chứng chỉ, vì vậy các tổ chức thường điều chỉnh quy mô đào tạo theo vai trò, lưu hồ sơ và tích hợp hoạt động này vào chương trình quản trị AI. Nhân viên hỗ trợ dùng chatbot cần biết cách nhận diện câu trả lời bịa đặt và loại dữ liệu khách hàng nào không được đưa vào prompt; điều này cũng giúp hạn chế AI ngầm. Kỹ sư chất lượng vận hành dây chuyền kiểm tra tự động cần hiểu về dương tính giả, âm tính giả và cách thiết lập ngưỡng làm thay đổi sự cân bằng giữa hai loại lỗi. Quản lý phê duyệt việc triển khai AI cần có đủ kiến thức nền để hỏi hệ thống đã được đánh giá như thế nào và dựa trên dữ liệu nào.
Xây dựng hiểu biết về AI qua thực hành#
Năng lực phát triển nhanh nhất thông qua trải nghiệm trực tiếp với một model khi model dự đoán đúng, sai và không chắc chắn. Chạy model phát hiện đối tượng Ultralytics YOLO26 đã được huấn luyện trước trên một ảnh với hai ngưỡng tin cậy giúp thể hiện rõ sự đánh đổi giữa precision và recall:
from ultralytics import YOLO
model = YOLO("yolo26n.pt")
# Run the same image at a permissive and a strict confidence threshold
for conf in (0.1, 0.7):
results = model("https://ultralytics.com/images/bus.jpg", conf=conf)
result = results[0]
print(f"conf={conf}: {result.verbose()}")
result.save(filename=f"bus_conf_{conf}.jpg")Ở ngưỡng 0.1, model phát hiện năm người, bao gồm một bounding box thứ hai có độ tin cậy thấp trên cùng một người đi bộ bị che khuất một phần, cùng một “biển báo dừng” thực ra là biển cấm đỗ xe. Ở ngưỡng 0.7, model giữ lại xe buýt và ba người nhìn thấy rõ nhưng bỏ sót người đi bộ bị cắt khỏi mép trái ảnh. So sánh hai ảnh đã lưu cho thấy ngưỡng quyết định hệ thống mắc loại lỗi nào—báo động giả và bỏ sót được ma trận nhầm lẫn thống kê—và thiết lập phù hợp phụ thuộc vào việc đối tượng bị bỏ sót hay báo động giả gây tốn kém hơn trong ứng dụng cụ thể.
Bài tập tương tự có thể thực hiện không cần code với học sinh nhỏ tuổi trong giáo dục AI: phân loại ảnh model gán nhãn đúng với ảnh model gán nhãn sai, rồi thảo luận lý do, giúp hình thành thói quen đặt câu hỏi về bằng chứng làm cơ sở cho đầu ra của AI.










