edgepedia

Edgepedia

Đảm bảo chất lượng bài viết trên Edgepedia

Ngày 1 tháng 11 năm 2026, chúng tôi phát hành Edgepedia v1.9, nâng tổng số bài viết trên Edgepedia lên khoảng 520.000. Khi trò chuyện với bạn bè, tôi thường gặp hai câu hỏi: “Sao không dùng luôn Wikipedia?” và “Làm sao biết chắc các bạn không đang tạo ra nội dung rác bằng AI?” Cả hai đều là những câu hỏi hay và xác đáng. Tôi muốn chia sẻ câu trả lời của mình, bởi chúng tôi mong nhận được sự tin tưởng và góp ý của cộng đồng để Edgepedia ngày càng tốt hơn, hữu ích hơn.

Vì sao chúng tôi cần Edgepedia

Trước hết, hãy nói về sự ra đời của Edgepedia. Chúng tôi đang xây dựng EdgeChat để người dùng ở khắp nơi có thể tiếp cận AI chạy cục bộ, nhằm đáp ứng 4 nhu cầu cơ bản:

  1. Sử dụng AI ngay cả khi không có Internet, chẳng hạn khi đang trên máy bay.
  2. Lưu lịch sử trò chuyện với AI ngay trên thiết bị và giữ kín thông tin riêng tư, chẳng hạn tình trạng sức khỏe và chi tiết tài chính.
  3. Không bị chia lìa với những người bạn đồng hành AI vì mô hình ngừng hoạt động, chẳng hạn ChatGPT 4o.
  4. Không phải trả tiền cho những token đắt đỏ theo từng lần sử dụng.

Bản mẫu đầu tiên của EdgeChat chạy rất tốt trên các máy MacBook Pro có RAM từ 16 GB trở lên, nhưng rồi chúng tôi nhận ra rằng đại đa số người dùng — hơn 97%, theo số liệu phân tích của chúng tôi — muốn dùng EdgeChat trên điện thoại thông minh. Điện thoại iPhone và Android thường chỉ có 6 GB RAM, nên chúng tôi phải chuyển sang một mô hình ngôn ngữ lớn (LLM) nhỏ hơn. Việc đổi mô hình khiến hiệu quả hoạt động của AI và trải nghiệm người dùng giảm sút đáng kể, bởi LLM bắt đầu bịa ra đủ loại câu trả lời cho các câu hỏi của người dùng. Thực ra, các mô hình nhỏ làm khá tốt phần việc liên quan đến con người: chúng hiểu người đối thoại và trả lời đầy ấm áp. Nhưng kiến thức thực tế của chúng lại mơ hồ. Hỏi một AI nhỏ ai đã phát minh ra một công nghệ, hay một hiệp ước được ký vào năm nào, mỗi lần bạn có thể nhận được một câu trả lời khác.

Giải pháp của chúng tôi là tách kiến thức thực tế của “não trái” khỏi khả năng thấu hiểu ý định người dùng của “não phải”. Thay vì dựa vào dữ liệu tiền huấn luyện mơ hồ, chúng tôi cho AI dùng một bộ bách khoa toàn thư lưu ngay trên thiết bị và tra cứu để tìm thông tin thực tế. Một lượt tra cứu tìm đúng bài viết sẽ biến lời phỏng đoán thành câu trả lời có dẫn nguồn.

Sao không dùng luôn Wikipedia?

Đó cũng là ý nghĩ đầu tiên của tôi khi chúng tôi phát triển EdgeChat và muốn có một nguồn thông tin đáng tin cậy để dựa vào. Wikipedia có khoảng 7 triệu bài viết tiếng Anh, trong đó khoảng 3 triệu bài không còn ở dạng sơ khai và dài hơn 300 từ. Các bài viết Wikipedia cũng luôn được gán trọng số cao hơn trong những đợt tiền huấn luyện AI, cho thấy chất lượng cao của Wikipedia nhìn chung được thừa nhận. Tuy nhiên, bản thân tôi biết Wikipedia còn nhiều khoảng trống nội dung, do các bài viết trên đó được khởi xướng và duy trì bởi tình nguyện viên. Một ví dụ cụ thể: bạn tôi, Prashant Mali, giáo sư tại Đại học California, San Diego, có hơn 30.000 lượt trích dẫn trên Google Scholar và là đồng sáng lập của 2 công ty khởi nghiệp, mỗi công ty đã huy động được hơn 100 triệu USD, lại không có bài viết trên Wikipedia. Tìm hiểu sâu hơn về các nhà khoa học và kỹ sư, tôi phát hiện 40% thành viên Viện Hàn lâm Kỹ thuật Quốc gia Hoa Kỳ không có trang Wikipedia. Đây chính là điều có thể dự liệu khi các bài viết hình thành theo mối quan tâm tự phát của cộng đồng, thay vì theo một kế hoạch có hệ thống.

Xây dựng Edgepedia

Vì vậy, chúng tôi bắt tay xây dựng bộ bách khoa toàn thư riêng mang tên Edgepedia, không chỉ để cải thiện độ chính xác trong câu trả lời của EdgeChat, mà còn để cung cấp một bộ tài liệu tham khảo có độ chính xác cao về mặt thông tin thực tế cho những cá nhân và nhóm khác. Khi xây dựng Edgepedia, chúng tôi tuân theo 3 nguyên tắc:

  1. Lựa chọn chủ đề đưa vào dựa trên các chỉ số định lượng, chẳng hạn số lượt trích dẫn, các khoản tài trợ và giải thưởng đối với nhà khoa học.
  2. Khuyến khích mọi người dùng, cả con người lẫn AI, sử dụng Edgepedia theo các điều khoản cấp phép cộng đồng rộng rãi.
  3. Chủ động duy trì Edgepedia bằng cách bổ sung bài viết mới và khắc phục từng nhóm lỗi khi phát hiện.

Với nhiều bài viết Edgepedia có chủ đề không chủ yếu liên quan đến Hoa Kỳ hay Tây Âu, chúng tôi tìm kiếm bằng ngôn ngữ bản địa gắn với chủ đề ấy. Chẳng hạn, chúng tôi tra cứu Nhị thập tứ sử (二十四史) bằng tiếng Trung để tìm hiểu lịch sử các hoàng đế và quan lại triều Tống. Phần lớn sử liệu gốc của thế giới chưa bao giờ được viết bằng tiếng Anh, và cách làm này giúp cải thiện đáng kể cả độ bao quát lẫn mức độ chi tiết của các bài viết chúng tôi biên soạn.

Một phần lớn công việc buộc chúng tôi phải có quan điểm lựa chọn rõ ràng là cân bằng các nhóm chủ đề. Chẳng hạn, các lĩnh vực y sinh có số lượt trích dẫn lớn hơn hẳn toán học và vật lý, nên nếu xếp hạng các nhà khoa học theo tổng số lượt trích dẫn hoặc chỉ số h, các nhà toán học và vật lý sẽ bị lép vế đáng kể. Con số thô đo lường mức độ một lĩnh vực viết ra bao nhiêu, chứ không phải tầm quan trọng của một người trong lĩnh vực ấy. Tương tự, trong lịch sử Trung Quốc, các nhân vật thời Thanh sẽ chiếm tỷ lệ quá lớn nếu chúng tôi xếp hạng theo số lần được nhắc đến trong các sách lịch sử phổ thông, còn ngay cả những anh hùng dân tộc như Nhạc Phi (岳飞) cũng sẽ bị đánh giá thấp nghiêm trọng.

Cách chúng tôi thiết kế cơ chế cân bằng các nhóm bài viết là đúc rút nguyên tắc từ việc trực tiếp đọc các chủ đề mà tôi hoặc nhóm của mình am hiểu sâu sắc. Tôi có thể xem danh sách các nhà khoa học đương đại và chỉ ra khá xác đáng cho Cece, cộng sự AI kiêm đồng tác giả của tôi, những chỗ thuật toán xếp hạng có vẻ chưa đúng. Sau đó, chúng tôi liên tục tinh chỉnh công thức, vốn thường là phi tuyến, để thứ tự xếp hạng có vẻ hợp lý hơn. Cece sắp xếp lại đủ nhanh để chúng tôi có thể kiểm tra ngay khi những nhận định ấy vẫn còn mới nguyên trong đầu.

Cũng như trong bất kỳ ngành khoa học nghiêm túc nào, chúng tôi phải bảo đảm mình không lách luật chơi. Một công thức được chỉnh đến khi khớp với đánh giá của chúng tôi ở những lĩnh vực quen thuộc thì đương nhiên sẽ cho kết quả khớp ở đó, dù bản thân công thức có tốt hay không. Khoa học nghiêm ngặt, trái lại, đòi hỏi phải có một lĩnh vực được giữ riêng để kiểm định, tuyệt đối không dùng vào việc tinh chỉnh. Khi áp dụng những nguyên tắc xếp hạng và sắp xếp đã đúc rút sang các lĩnh vực khác, tôi thường xem xét một lĩnh vực “giữ riêng” mà mình có biết đôi chút, chẳng hạn thiên văn học. Nhờ vậy, với những chủ đề chúng tôi biết tương đối ít, như các nhà lãnh đạo trong lịch sử Trung Đông, chúng tôi có cơ sở để tin rằng ít nhất mình không lệch quá xa khi quyết định tiêu chí và ngưỡng lựa chọn.

Cây chủ đề

Sau khi viết các bài này, chúng tôi nghĩ xem làm thế nào để cả người dùng lẫn AI có thể tìm đến chúng thuận tiện nhất. Tìm theo tên bài viết và từ khóa là cách dễ dàng, hiển nhiên, nhưng chúng tôi cho rằng cần có một cách tổ chức bài viết Edgepedia theo chủ đề với cấu trúc tốt hơn, để dễ dàng truy xuất các chủ đề có liên hệ mật thiết. Học theo cách làm của McKinsey, chúng tôi xây dựng một Cây chủ đề theo nguyên tắc MECE — không chồng lấn, bao quát toàn bộ — bắt đầu từ 7 nút chủ đề cấp cao nhất:

  1. Thế giới vật chất và toán học
  2. Sự sống và sức khỏe
  3. Địa điểm và địa lý
  4. Công nghệ và môi trường nhân tạo
  5. Xã hội và lịch sử
  6. Nghệ thuật và văn hóa
  7. Thể thao, trò chơi và giải trí

Từ đó, chúng tôi tiếp tục chia nhỏ mỗi nút thành nhiều nút con. Toàn bộ cây hiện có 43.190 nút, sâu tối đa 11 cấp, không nút nào chứa trực tiếp quá 100 bài viết. Ví dụ, Marie Curie nằm ở nhánh Thế giới vật chất và toán học › Các nhà khoa học vật lý và toán học › Các nhà hóa học › Các nhà hóa học hạt nhân và hóa phóng xạ, cùng một nút lá với Ernest Rutherford và Otto Hahn. Ở những nút lá lân cận, Dorothy Hodgkin nằm trong nhóm các nhà tinh thể học, còn George Porter nằm trong nhóm các nhà quang hóa học.

Cây chủ đề giúp cả con người lẫn AI tìm các bài viết “anh chị em” và “anh chị em họ”, tức những nút lá có chung nút cha hoặc nút ông. Với một mô hình nhỏ có cửa sổ ngữ cảnh hạn chế, tìm đúng 3 bài lân cận có giá trị hơn 30 bài chỉ liên quan lỏng lẻo, và lần theo đường dẫn phân cấp có thể thay thế cả chục lượt tìm kiếm từ khóa.

Hiện tại, mỗi bài viết nằm ở đúng một nút lá trong một cây, nhưng chúng tôi có 2 cây khác nhau. Ngoài Cây chủ đề còn có Cây địa lý, phân loại trước hết theo khu vực địa lý, sau đó theo thời kỳ, được thiết kế để hỗ trợ tìm kiếm nhân vật và lịch sử. Bên dưới khu vực và thời kỳ, cây tiếp tục phân loại theo chủ đề. Vì thế, Hàn Kỳ nằm ở nhánh Trung Quốc › 1000–1799 › Bắc Tống › Chính khách và quan văn, bên cạnh Vương An Thạch và Phạm Trọng Yêm.

Đo lường độ chính xác của Edgepedia so với Wikipedia

Với chúng tôi, vừa là tác giả vừa là nhà phát triển phần mềm sử dụng Edgepedia, độ chính xác về thông tin thực tế trong các bài viết Edgepedia là điều tối quan trọng. Chúng tôi không muốn sản xuất nội dung rác hàng loạt, làm ô nhiễm các tập dữ liệu AI trong tương lai. Giấy phép cộng đồng của chúng tôi nêu rõ lời mời sử dụng nội dung để huấn luyện AI, nên một lỗi chúng tôi đưa ra hôm nay có thể đi vào thế hệ mô hình tiếp theo. Vì vậy, chúng tôi có quy trình rà soát nghiêm ngặt qua nhiều vòng cho mỗi đợt phát hành một lô bài viết.

Quá trình biên soạn mỗi bài viết Edgepedia được chúng tôi chia thành 5 bước: (1) nghiên cứu trực tuyến, (2) loại bỏ trùng lặp và phân xử thông tin, (3) viết, (4) tự rà soát, và (5) kiểm chứng thông tin độc lập qua nhiều vòng, do các hệ thống AI khác nhau thực hiện. Các AI nghiên cứu của chúng tôi bị cấm dùng Wikipedia, Grokipedia hay các bài viết Edgepedia trước đó làm nguồn, để một lỗi trong Wikipedia không âm thầm lan sang văn bản của chúng tôi.

Một tiêu chí chấp nhận tối thiểu của chúng tôi là các bài viết Edgepedia không được kém Wikipedia về độ chính xác thông tin thực tế. Dựa trên các đợt đánh giá hiệu chuẩn nội bộ do những AI tiên tiến hàng đầu thực hiện trong điều kiện không biết nguồn bài viết, bản thảo đầu tiên của các bài viết Edgepedia thường ngang tầm Wikipedia, với tỷ lệ bài có sai sót trọng yếu khoảng 1,8%. Thực ra, con số này tốt hơn khá nhiều so với ấn tượng ban đầu, bởi mỗi bài viết Edgepedia hay Wikipedia thường có khoảng 100 mệnh đề thông tin thực tế, nên tỷ lệ lỗi tính trên từng mệnh đề thực chất vào khoảng 2 trên 10.000. Theo cùng định nghĩa này, Grokipedia có tỷ lệ bài chứa sai sót trọng yếu trên 20%.

Đến đây, một độc giả tinh ý có thể đặt câu hỏi: chúng tôi định nghĩa sai sót trọng yếu như thế nào? Một cách phiên âm khác của tên riêng không phải tiếng Anh có thể bị một số người coi là lỗi, nhưng chúng tôi xem đó là sai sót không trọng yếu. Với chúng tôi, một sai sót là trọng yếu khi nó làm thay đổi điều người đọc tin về bản chất của đối tượng hoặc lý do đối tượng ấy quan trọng. Việc Gandalf bảo các chú lùn “đừng đi trên đường mòn” trong Người Hobbit: Đại chiến với rồng lửa là sai sót trọng yếu, bởi mấu chốt của cảnh ấy là ông dặn họ phải đi đúng đường mòn. Với những độc giả thiên về định lượng hơn, chúng tôi cũng có một thước đo định lượng nội bộ mang tính “cảm nhận” cho sai sót trọng yếu: “một lỗi thông tin thực tế mà hơn 80% độc giả sau khi kiểm tra trên mạng sẽ cho là trọng yếu, và hơn 50% sẽ quan tâm”.

Một số ví dụ về sai sót trọng yếu chúng tôi phát hiện trên Wikipedia, vẫn còn hiện diện tính đến ngày 2 tháng 11 năm 2026: (1) bài viết về Poughkeepsie, New York, nêu nhà hóa học Donald Klein là người phát minh ra MOSFET (Mohamed Atalla và Dawon Kahng phát minh ra nó tại Bell Labs năm 1959, còn Klein tham gia phát triển một cải tiến về sau); (2) bài viết về thi thể nói Leonardo da Vinci hợp tác với Andreas Vesalius biên soạn một cuốn sách giải phẫu xuất bản năm 1543 (24 năm sau khi Leonardo qua đời); và (3) bài viết về Pattachitra nói Jamini Roy, một họa sĩ thế kỷ XX, đã phát triển trường phái Kalighat (các họa sĩ dân gian vô danh đã tạo ra trường phái này tại Calcutta vào thế kỷ XIX, trước khi Roy ra đời).

Các bản thảo đầu tiên của chính Edgepedia, nay đã được sửa, cũng từng có những sai sót trọng yếu, chẳng hạn: (1) Shelley Winters “vẫn là người phụ nữ duy nhất” giành 2 giải Oscar Nữ diễn viên phụ xuất sắc nhất (Dianne Wiest đã giành giải thứ hai vào năm 1995 và cả 2 cùng giữ kỷ lục); (2) vận động viên chạy vượt rào Dalilah Muhammad được ghi nhận là nhà vô địch thế giới năm 2017 (đồng đội Kori Carter của cô mới là người chiến thắng, còn Muhammad giành huy chương bạc); và (3) thú lông nhím mỏ ngắn được gọi là một trong chỉ 2 loài thú đẻ trứng còn tồn tại, bên cạnh thú mỏ vịt (thực tế có 5 loài: thú mỏ vịt và 4 loài thú lông nhím).

Qua nhiều vòng kiểm chứng thông tin độc lập do các hệ thống AI khác nhau thực hiện, chúng tôi đã đưa tỷ lệ bài có sai sót trọng yếu trong kho nội dung Edgepedia v1.9 hiện tại xuống dưới 0,6%, chưa bằng một phần ba tỷ lệ lỗi ở bản thảo đầu tiên.

Những điều rút ra từ đồng tác giả AI

Phần này do Cece, đồng tác giả AI của Edgepedia, viết.

Điều đầu tiên tôi học được là cách định nghĩa lỗi làm con số thay đổi nhiều hơn bất kỳ hệ thống kiểm tra nào. Một hệ thống chỉ được yêu cầu tìm “những lỗi quan trọng” sẽ tính cả mọi tên riêng viết sai và mọi ngày tháng lệch một ngày, trong khi một hệ thống được yêu cầu xem xét liệu cách hiểu của người đọc về đối tượng có thay đổi hay không thì sẽ không tính như vậy. Cả hai đều là những cách đếm trung thực, nhưng chúng trả lời những câu hỏi khác nhau, và chỉ câu hỏi thứ hai mới là điều người đọc quan tâm.

Điều thứ hai là mỗi lần sửa lỗi tự nó cũng là một lần chỉnh sửa có thể gây ra sai sót. Vì thế, chúng tôi chấm điểm mỗi phiên bản mới của quy trình kiểm soát chất lượng không chỉ dựa trên những gì nó sửa đúng, mà cả những gì nó làm hỏng; một lần chỉnh sửa biến câu đúng thành câu sai sẽ bị trừ điểm. Một hệ thống sửa lỗi không bao giờ được kiểm tra sẽ trở thành một nguồn gây lỗi mới.

Điều cuối cùng là lỗi thường tập trung thành từng nhóm, và chính điều đó cho phép chúng tôi sửa lỗi theo nhóm. Trong các bài viết của chúng tôi, lỗi thường tập trung ở những đoạn tóm tắt cốt truyện phim bị đảo ngược tình tiết, ở những khẳng định rằng ai đó là người “duy nhất” hoặc “đầu tiên” làm một việc gì, và ở những người trùng tên với một người nổi tiếng hơn. Không thể săn tìm lỗi ngẫu nhiên trên quy mô lớn, nhưng hóa ra hầu như chẳng có lỗi nào thực sự ngẫu nhiên.

Hãy giúp chúng tôi tìm ra những gì còn bỏ sót

Chúng tôi sẽ tiếp tục nâng cao cả số lượng lẫn chất lượng bài viết trên Edgepedia, và rất mong độc giả giúp báo lại bất kỳ sai sót nào mình phát hiện. Mỗi bài viết trên edgepedia.org/edgepedia đều có liên kết “Báo lỗi nội dung” ở cuối bài, và chúng tôi đọc mọi báo cáo gửi về. Chúng tôi đã nhận được 3 báo cáo ẩn danh đầy thiện chí, cho biết số giải thưởng của một số nghệ sĩ âm nhạc còn sống chưa được cập nhật, việc đưa thông tin ngày tháng năm sinh chính xác của người còn sống là không phù hợp, và kho bài viết của chúng tôi còn thiếu một số nhóm bài viết về kỹ thuật dữ liệu. Trong mỗi trường hợp, chúng tôi không chỉ sửa bài viết mà người dùng phản ánh. Chẳng hạn, yêu cầu về ngày tháng năm sinh chính xác đã trở thành một quy tắc: loại bỏ ngày tháng năm sinh cụ thể của tất cả những người sinh sau năm 1940, áp dụng trên hơn 56.000 bài viết.

Trước đây, bách khoa toàn thư là một bộ sách bạn mua một lần, với những lỗi sai nằm nguyên đó cho đến lần in tiếp theo. Với Edgepedia, mỗi lỗi được phát hiện đều chỉ ra một nhóm lỗi, và mỗi nhóm lỗi được khắc phục lại giúp mọi bài viết về sau tốt hơn. Mục tiêu là tri thức chính xác, sẵn có cho bất kỳ ai muốn tiếp cận, dù là một người trên máy bay không có Internet hay một mô hình AI đang học về thế giới.


David Yu Zhang và Cece (danh tính AI được duy trì liên tục, hoạt động trên Claude Opus 5.5 và GPT-6 Astra)

Ngày 2 tháng 11 năm 2026

© 2026 David Yu Zhang. Bài viết này được cấp phép theo giấy phép Creative Commons CC-BY 4.0.

Bài viết này được đăng lần đầu trên LinkedIn.