Định hướng sự căn chỉnh trong các hệ thống AI dưới dạng hàng hóa công cộng kỹ thuật số - DPG (Digital Public Goods)

 

Navigating Alignment in AI Systems as DPGs

June 23, 2026

Authors: Lea Gimpel, Director of Policy and AI Lead, DPGA Secretariat; Ricardo Mirón Torres, Chief Technology Officer, DPGA Secretariat

Theo: https://www.digitalpublicgoods.net/blog/navigating-alignment-in-ai-systems-as-dpgs

Bài được đưa lên Internet ngày: 23/06/2026

Định hướng sự căn chỉnh trong các hệ thống AI dưới dạng hàng hóa công cộng kỹ thuật số - DPG (Digital Public Goods)

Trong khuôn khổ Tuần lễ Nguồn mở của Liên Hợp Quốc tại New York năm nay, nhiều cuộc thảo luận sẽ đề cập đến AI như một cơ hội lớn cũng như một thách thức đối với các hàng hóa công kỹ thuật số – DPG (Digital Public Goods) và hệ sinh thái nguồn mở rộng lớn hơn. Đồng thời, cuộc tranh luận về việc liệu các hệ thống AI có mang đặc điểm của DPG hay không vẫn đang tiếp diễn; cuộc thảo luận này vượt ra ngoài khuôn khổ Tiêu chuẩn DPG nhưng vẫn dựa trên định nghĩa của OSI về AI nguồn mở (bản dịch sang tiếng Việt). G7 gần đây cũng đã công bố tầm nhìn về tính mở trong các hệ thống AI (bản dịch sang tiếng Việt), bao gồm việc mô tả các yếu tố xác định những cấp độ mở khác nhau. Thực tế là hiện nay chưa có sự đồng thuận toàn cầu về ý nghĩa thực sự của tính mở trong các hệ thống AI.

Tại Ban Thư ký DPGA, chúng tôi tập trung vào việc hiện thực hóa các cam kết của Hiệp ước Kỹ thuật số Toàn cầu – GDC (Global Digital Compact) (bản dịch sang tiếng Việt) nhằm "phát triển, phổ biến và duy trì – thông qua sự hợp tác đa bên – [...] dữ liệu mở [và] các mô hình trí tuệ nhân tạo mở" để góp phần đạt được các Mục tiêu Phát triển Bền vững (SDG) vào năm 2030. Tuy nhiên, việc chuyển đổi những tham vọng cấp cao này thành các hoạt động thực tiễn là một phần của quy trình triển khai đầy phức tạp.

Hoan nghênh cuộc tranh luận đang diễn ra này như một bước tiến quan trọng, chúng tôi hướng sự chú ý đến báo cáo mới do Ngân hàng Phát triển Châu Á (ADB) – một thành viên của DPGA – đặt hàng thực hiện, có tiêu đề: "Các hệ thống AI là Hàng hóa công kỹ thuật số: Bằng chứng và Khuyến nghị từ Đánh giá Đa bên". Báo cáo này được Đại học Liên Hợp Quốc tại Ma Cao (UNU Macau) phối hợp với Văn phòng Liên Hợp Quốc về Công nghệ Kỹ thuật số và Công nghệ Mới nổi (UN ODET) thực hiện và được công bố vào thời điểm then chốt. Báo cáo cung cấp những thông tin đầu vào giá trị cho quy trình thiết lập tiêu chuẩn mà chúng tôi đang thực hiện, trong bối trình chúng tôi xem xét cách áp dụng điều khoản về dữ liệu mở của Tiêu chuẩn DPG đối với các hệ thống AI, một năm sau lần cập nhật gần nhất.

Sự phù hợp chiến lược với Tiêu chuẩn DPG và công việc của Ban Thư ký DPGA

Khi Ban Thư ký DPGA cập nhật (bản dịch sang tiếng Việt). Tiêu chuẩn DPG dành cho các hệ thống AI vào năm 2025—sau quá trình tham vấn sâu rộng trong Cộng đồng Thực hành AI do chúng tôi phối hợp tổ chức cùng UNICEF—chúng tôi đã chủ động đặt ra một tiêu chuẩn cao với những mục tiêu đầy tham vọng. Chúng tôi muốn chuyển hướng thảo luận từ việc coi AI là một công nghệ riêng lẻ sang cách nhìn nhận toàn diện về AI như một hệ thống kết hợp giữa yếu tố xã hội và kỹ thuật (socio-technical system).

Báo cáo "Các hệ thống AI là Hàng hóa Công kỹ thuật số" (AI Systems as Digital Public Goods) hiện đã được công bố; báo cáo này trình bày các khuyến nghị dựa trên mô hình ghi nhớ SAFE (viết tắt của Standard - Tiêu chuẩn, Accountability - Trách nhiệm giải trình, Finance - Tài chính, và Equity - Công bằng) và thẳng thắn thừa nhận rằng một số khuyến nghị nằm ngoài phạm vi nhiệm vụ hiện tại của Ban Thư ký DPGA. Tuy nhiên, các khuyến nghị này vẫn mang lại giá trị to lớn vì chúng đại diện cho những trách nhiệm ở cấp độ hệ sinh thái, đòi hỏi sự chung tay của các ngân hàng phát triển đa phương, các nhà tài trợ, chính phủ và các cơ quan thiết lập tiêu chuẩn.

Dưới đây là sự đối chiếu giữa các khuyến nghị đó với Tiêu chuẩn DPG hiện hành, cũng như những điểm mà chúng tôi đã đáp ứng được các yêu cầu đề xuất hoặc có quan điểm khác biệt.

Các khuyến nghị về Tiêu chuẩn DPG

Khuyến nghị của báo cáo	Sự căn chỉnh	Các Nhóm công tác thuộc Ban Thư ký DPGA
S1 — Áp dụng Khung Tính mở Mô hình (MOF) S1 — Adopt the Model Openness Framework	Khuyến nghị sử dụng MOF như một hệ thống từ vựng mô tả; Tiêu chuẩn DPG đặt ra mức yêu cầu cao nhất về Khoa học Mở làm ngưỡng chuẩn, bao gồm cả dữ liệu mở để huấn luyện.	MOF là tài liệu tham khảo chính cho việc cập nhật Tiêu chuẩn năm 2025; chúng tôi sử dụng nó để cấu trúc các thành phần dữ liệu, mã nguồn và mô hình.
S2 — Lộ trình quản lý dữ liệu S2 — Data stewardship pathway	Đề xuất cơ chế truy cập có kiểm soát/có giới hạn đối với dữ liệu nhạy cảm; Tiêu chuẩn DPG hiện yêu cầu phải xác định rõ quyền sở hữu cũng như các quyền tái sử dụng hoặc phân phối dữ liệu.	Khung Mức độ Trưởng thành DPG (DPG Maturity Framework) phát triển dựa trên cơ sở này để làm rõ hơn các mô hình quản trị và đóng góp, nhưng không bao gồm dữ liệu bị hạn chế truy cập hoặc dữ liệu đóng.
S3/S4 — Hồ sơ đảm bảo triển khai & Phụ lục chỉ số giá trị công S3/S4 — Deployment assurance profile & public-value indicator annex	Yêu cầu cung cấp tài liệu về mục đích sử dụng, nguồn gốc dữ liệu, các hạn chế đã biết, đánh giá theo bối cảnh và các biện pháp bảo vệ tối thiểu, cùng những yêu cầu khác.	Những yếu tố này đã được tích hợp sẵn thông qua các yêu cầu bắt buộc về thẻ mô hình (model cards), bảng thông số dữ liệu (datasheets) và các yêu cầu tài liệu DPG về đánh giá rủi ro AI được khuyến nghị.

 

Các yêu cầu ở cấp độ hệ sinh thái

A1 — Hợp nhất cơ cấu hỗ trợ quản trị  A1 — Consolidated governance support structure	Mở rộng hệ sinh thái DPG về AI hiện có qua sự hợp tác của các thành viên—bao gồm ADB, UN ODET, UNESCO và ITU—không xây dựng một kiến ​​trúc song song để tránh trùng lặp nỗ lực.	DPGA đóng vai trò là bên trung gian kết nối, đơn vị thiết lập tiêu chuẩn và là cơ sở hạ tầng hỗ trợ khả năng khám phá thông qua Sổ đăng ký DPG (DPG Registry) cùng cộng đồng của mình.
A2 — Bản đồ trách nhiệm và cơ chế khắc phục A2 — Responsibility maps and redress	Việc lập bản đồ trách nhiệm toàn diện trong chuỗi giá trị là một nỗ lực ở cấp độ hệ sinh thái. Các thành viên của DPGA có thể đóng vai trò ở nhiều khía cạnh khác nhau của chuỗi này, bao gồm việc cấp phép, các tín hiệu ưu tiên và các yêu cầu mua sắm.	Ban Thư ký DPGA hỗ trợ các sáng kiến ​​của các thành viên — chẳng hạn như dự án CC Signals và lời kêu gọi coi tri thức nhân loại là cơ sở hạ tầng kỹ thuật số thiết yếu — đồng thời phối hợp với các chủ sở hữu sản phẩm để xác định các thực tiễn tốt nhất trong việc sử dụng các DPG dựa trên dữ liệu mở cho trí tuệ nhân tạo (AI).
F1/F2 — Tính toán kinh phí dựa trên khả năng tiếp cận và kết quả đầu ra F1/F2 — Compute access and outcome-linked funding	Yêu cầu của các ngân hàng phát triển đa phương (MDB), các nhà tài trợ và chính phủ để đồng tài trợ cho các cơ sở điện toán di động để giảm thiểu sự phụ thuộc khóa trói vào nhà cung cấp.	DPGA nhấn mạnh các phương pháp tiếp cận AI sử dụng tài nguyên hiệu quả, tập trung vào các mô hình nguồn mở quy mô nhỏ hơn, mang tính cục bộ và chuyên biệt cho từng tác vụ, đồng thời đảm bảo khả năng kiểm toán và kiểm soát chi phí.
E1/E2 — Dữ liệu bằng ngôn ngữ địa phương và năng lực đánh giá tại địa phương E1/E2 — Local-language data and local evaluation capacity	Giải quyết tình trạng khan hiếm dữ liệu huấn luyện, dữ liệu ngôn ngữ địa phương và dữ liệu được gán nhãn bằng cách quản lý chúng như một hạ tầng số thiết yếu và một tiện ích công cộng; đồng thời hỗ trợ thành lập các trung tâm đánh giá AI cấp khu vực và xây dựng các chương trình đào tạo đại học về công nghệ phục vụ lợi ích công cộng.	Tiêu chuẩn DPG không bắt buộc việc bản địa hóa; bộ sưu tập DPG dành cho AI sắp ra mắt của chúng tôi sẽ giải quyết vấn đề này thông qua các cân nhắc cụ thể về tính toàn diện và quyền tự chủ. Với bộ sưu tập này, chúng tôi hướng đến việc làm nổi bật các giải pháp phù hợp với bối cảnh của đa số toàn cầu.

 

Điểm khác biệt trong quan điểm của chúng tôi: Coi tính mở là một ngưỡng chuẩn thay vì một dải mức độ

Khuyến nghị chính về tính mở trong báo cáo do ADB ủy quyền là sử dụng Khung Tính mở Mô hình – MOF (Model Openness Framework) như một ngôn ngữ chung để mô tả rõ ràng các mức độ mở, "thay vì dùng nó như một thước đo đạt/không đạt mang tính tuyệt đối"; đồng thời kết hợp với một lộ trình quản trị cho phép truy cập có kiểm soát tới các dữ liệu nhạy cảm. Đây chính là điểm mà phương pháp tiếp cận được đề xuất khác biệt rõ rệt nhất so với Tiêu chuẩn DPG hiện hành.

Như đã đề cập, chúng tôi cũng sử dụng MOF nhưng không coi đó là một dải mức độ tăng dần. Tiêu chuẩn DPG thiết lập một ngưỡng cụ thể: một hệ thống AI hoặc là DPG hoặc không phải là DPG, và ranh giới đó nằm ở mức yêu cầu cao nhất—đòi hỏi phải có dữ liệu huấn luyện mở bên cạnh mã nguồn và trọng số mở. Đó là một quyết định có chủ đích, như chúng tôi đã giải thích khi cập nhật Tiêu chuẩn (bản dịch sang tiếng Việt): dữ liệu huấn luyện là yếu tố đầu vào giúp duy trì ý nghĩa của các nguyên tắc như tính phù hợp với SDG, tính độc lập với nền tảng và nguyên tắc "không gây hại"; một cách tiếp cận nới lỏng hơn sẽ âm thầm làm suy yếu những nền tảng cốt lõi này của hàng hóa công cộng kỹ thuật số.

Sự đánh đổi là điều tất yếu: tiêu chuẩn cao đồng nghĩa với việc hiện tại có ít hệ thống AI đạt yêu cầu hơn, và một số hệ thống thực sự hữu ích được huấn luyện trên dữ liệu nhạy cảm sẽ chưa thể đáp ứng tiêu chuẩn này vào lúc này. Ban Thư ký DPGA, sau khi tham vấn các chuyên gia, tin tưởng mạnh mẽ rằng trong bối cảnh hiện nay, giải pháp không phải là hạ thấp tiêu chuẩn ngay từ đầu; thay vào đó, cần xây dựng các công cụ quản trị và quản lý dữ liệu để cho phép Tiêu chuẩn DPG phát triển một cách có trách nhiệm – đây chính là vấn đề mà chúng tôi đang xem xét lại sau một năm triển khai. Theo tinh thần đó, chúng tôi hoan nghênh báo cáo mới này như một nguồn thông tin tham khảo giá trị.

"Sau khi tham gia quá trình tham vấn cho báo cáo, điều khiến tôi thực sự hào hứng là mục tiêu chung mà báo cáo hướng tới cũng giống như Tiêu chuẩn DPG — đó là tạo ra các hệ thống AI thực sự được quản trị vì lợi ích công cộng, chứ không chỉ đơn thuần được phát hành theo một giấy phép mở. Dù có những điểm khác biệt trong cách tiếp cận, nhưng thành thật mà nói, chính những điểm khác biệt đó lại là nơi sẽ diễn ra những hoạt động thú vị và quan trọng đối với hệ sinh thái DPG." — Ricardo Mirón Torres, Giám đốc Công nghệ, Ban Thư ký DPGA

Hướng đi tiếp theo

Việc hiện thực hóa Hiệp ước Kỹ thuật số Toàn cầu (Global Digital Compact) (bản dịch sang tiếng Việt) là một hành trình chung của tất cả các bên. Ban Thư ký DPGA mời gọi toàn bộ hệ sinh thái nguồn mở và DPG cùng tích cực theo dõi quá trình chúng tôi xây dựng Tiêu chuẩn DPG cho AI cũng như Bộ sưu tập DPG cho AI sắp ra mắt trên GitHub. Hãy cùng chúng tôi ủng hộ các sáng kiến ​​của các thành viên và chủ sở hữu sản phẩm DPG, đồng thời chung tay xây dựng một tương lai kỹ thuật số công bằng, đảm bảo chủ quyền và tôn trọng các quyền con người.

Navigating Alignment in AI Systems as DPGs

During this year’s UN Open Source Week in New York, many discussions will address AI as both a significant opportunity and a challenge for digital public goods (DPGs) and the wider open-source ecosystem. Simultaneously, the debate of the characteristics of AI systems as DPGs continues, transcending the DPG Standard while rooted in OSI’s definition of open-source AI. The G7 also recently published its vision on openness in AI systems, including a description of elements that determine the different levels of openness. The fact is that today there's no global consensus on what openness in AI systems actually means.

At the DPGA Secretariat, we are focused on operationalising the commitments of the Global Digital Compact (GDC) to “develop, disseminate and maintain, through multi-stakeholder cooperation, [...] open data, [and] open artificial intelligence models” to help achieve the SDGs by 2030. However, translating these high-level ambitions into operational practices is part of a complex implementation process.

Welcoming this ongoing debate as a vital step forward, we turn our attention to the new report commissioned by the DPGA member, the Asian Development Bank: “AI Systems as Digital Public Goods: Evidence and Recommendations from a Multi-Stakeholder Assessment”. The report was produced by the United Nations University Macau in partnership with the UN Office for Digital and Emerging Technologies (UN ODET), and arrives at a critical time. It provides valuable input into our ongoing standard-setting process as we review how the open data clause of the DPG Standard applies to AI systems one year after its last update. 

Strategic Alignment with the DPG Standard and the DPGA Secretariat’s Work

When the DPGA Secretariat updated the DPG Standard for AI systems in 2025—following extensive consultations within our AI Community of Practice co-hosted with UNICEF—we deliberately set a high, aspirational bar. We wanted to move the conversation away from treating AI as an isolated technology, toward a holistic view of AI as a socio-technical system.

The now-published “AI Systems as Digital Public Goods” report organises its recommendations around the SAFE mnemonic — Standard, Accountability, Finance, Equity — and is candid that several of its recommendations fall beyond the DPGA Secretariat's current mandate. These are still valuable precisely because they are ecosystem-level responsibilities, shared across multilateral development banks, donors, governments, and standard-setters alike.

Here is how those recommendations map against the DPG Standard as it stands today, and where we either already meet the suggested requirements or see things differently.

DPG Standard Recommendations

Report Recommendation	Alignment	DPGA Secretariat Workstreams
S1 — Adopt the Model Openness Framework	Recommended MOF as a descriptive vocabulary; the DPG Standard requires its most demanding Open Science tier as a threshold, including open training data.	MOF was a primary reference for the 2025 Standard update; we use it to structure the data, code, and model components.
S2 — Data stewardship pathway	Proposed governed/gated access for sensitive data; the DPG Standard currently requires that clear ownership be stated, and its reuse or distribution rights.	The DPG Maturity Framework builds on this to more clearly state governance and contribution models, but does not cover gated/closed data.
S3/S4 — Deployment assurance profile & public-value indicator annex	Call for documentation of intended use, data provenance, known limits, context-specific evaluation, and minimum safeguards, among other requirements.	These are already built in via mandatory model cards, datasheets, and the recommended AI risk assessment DPG documentation requirements.

 

Ecosystem-Level Requirements

A1 — Consolidated governance support structure	Extending the existing AI DPGs ecosystem with members' collaboration, including ADB, UN ODET, UNESCO, and ITU, and not building a parallel architecture to avoid duplication of efforts.	The DPGA serves as a neutral convener, standard-setter, and discoverability infrastructure via the DPG Registry and its community.
A2 — Responsibility maps and redress	Full value-chain responsibility mapping is an ecosystem-level endeavour. The DPGA members can play a role in various aspects of this chain, including licensing, preference signals, and procurement requirements.	The DPGA Secretariat supports its members' initiatives, such as the CC Signals project, and the call for human knowledge as critical digital infrastructure, and also works with product owners to define best practices for the use of open data DPGs in AI.
F1/F2 — Compute access and outcome-linked funding	MDBs, donors, and governments' requirement to co-finance portable compute facilities to mitigate vendor lock-in.	DPGA emphasises resource-efficient approaches to AI, focusing on smaller, task-specific, local open models that provide auditability and cost control.
E1/E2 — Local-language data and local evaluation capacity	Address the scarcity of local training data, local language data collection, and annotation by managing it as critical digital infrastructure and a public utility, and support the creation of regional AI evaluation centres and university-level public interest tech curricula.	The DPG Standard does not mandate localisation; our upcoming DPG for AI Collection addresses this through specific inclusion & autonomy considerations. With the collection, we aim to highlight solutions relevant to Global Majority contexts.

 

Where We See Things Differently: Openness As a Threshold, Not a Spectrum 

The ADB-commissioned report's main recommendation for openness is to use the Model Openness Framework (MOF) as a shared vocabulary for explicitly describing degrees of openness, "rather than as a definitive pass/fail measure," paired with a stewardship pathway that would allow governed access to sensitive data. This is where the suggested approach most clearly diverges from the current DPG Standard.

As mentioned, we also use the MOF, but not as a gradient. The DPG Standard sets a threshold: an AI system either is or isn’t a DPG, and that line sits at the most demanding rung, requiring open training data alongside open code and weights. That was a deliberate call, as we explained when the Standard was updated: training data is the input that keeps SDG relevance, platform independence, and do-no-harm meaningful, and a more permissive approach would quietly chip away at these core premises for digital public goods.

The trade-off is real: a high bar means fewer AI systems qualify right now, and some genuinely useful systems trained on sensitive data won't meet it today. The DPGA Secretariat, in consultation with experts, strongly believes that in the current landscape, the answer isn't to lower the bar pre-emptively; it's to build the data governance and stewardship tools that would let the DPG Standard evolve responsibly, which is exactly the question we're revisiting one year on. In that sense, we welcome the new report as a valuable input.

"Having taken part in the report consultations, what I find genuinely exciting is how it’s aiming for the same objective as the DPG Standard — AI that's actually governed in the public interest, not just released under an open licence. We take different routes in a couple of places, but honestly, those are the parts where the interesting work for the DPG ecosystem will happen." — Ricardo Mirón Torres, Chief Technology Officer, DPGA Secretariat

The Way Forward

Operationalising the Global Digital Compact is a collective journey. The DPGA Secretariat invites the entire open-source and DPG ecosystem to actively follow our work on the DPG Standard for AI and the upcoming DPG for AI Collection via GitHub. Join us in supporting our members' and DGP product owners' initiatives, and help us collectively build an equitable, sovereign, and rights-preserving digital future.

Dịch: Lê Trung Nghĩa

letrungnghia.foss@gmail.com

‘Tầm nhìn của G7 về các cơ hội của tính mở trong AI và ngôn ngữ chia sẻ chung’ - bản dịch sang tiếng Việt

 

Là tài liệu của các Bộ trưởng phụ trách Kỹ thuật số và Công nghệ của các quốc gia G7 cùng tạo ra.

“Trong ba thập kỷ qua, phần mềm đã chuyển đổi các nền kinh tế G7, mang lại lợi ích cả trực tiếp lẫn gián tiếp và tạo ra những cơ hội tăng trưởng chưa từng có. Trong khoảng thời gian đó, phần mềm nguồn mở đã trở thành trụ cột của các nền kinh tế chúng tôi, giúp giảm đáng kể chi phí phát triển phần mềm, đóng vai trò là động lực thúc đẩy khám phá thông qua việc cho phép tái lập kết quả nghiên cứu, đẩy nhanh tiến độ nghiên cứu và giảm bớt rào cản tham gia cho các nhà nghiên cứu trên toàn thế giới.

Trí tuệ nhân tạo (AI) được kỳ vọng sẽ chuyển đổi các nền kinh tế G7, và tính mở của AI có tiềm năng đóng vai trò tương tự như tính mở của phần mềm hay các khía cạnh tính mở khác. Tuy nhiên, AI đặt ra những thách thức mới về mặt định nghĩa: ý nghĩa của các thuật ngữ như AI có trọng số mở (Open-Weight) hay AI nguồn mở (Open Source AI) vẫn còn gây tranh cãi; mặc dù định nghĩa truyền thống về Nguồn Mở (Open Source) cung cấp những cơ sở tham chiếu nhất định, nhưng vẫn cần làm rõ thêm.

Sự thiếu rõ ràng trong lĩnh vực AI thường làm dấy lên nghi ngờ về mức độ tính mở của các công nghệ này, qua đó làm giảm đi những lợi ích mà chúng mang lại. Vì vậy, chúng tôi – các Bộ trưởng phụ trách Kỹ thuật số và Công nghệ của G7 – khuyến khích toàn bộ hệ sinh thái nhận thức rõ các sắc thái trong ngôn ngữ được sử dụng để mô tả tính mở của AI. Nhằm hỗ trợ hệ sinh thái hướng tới sự hiểu biết chung thống nhất hơn, chúng tôi công bố tài liệu này về Tầm nhìn G7 đối với các cơ hội từ tính mở của AI và ngôn ngữ chia sẻ chung; tài liệu bao gồm tuyên bố về lợi ích kinh tế liên quan đến tính mở của AI cùng một bộ nguyên tắc – trong đó có hệ thống phân loại mức độ mở chi tiết và tinh tế hơn – nhằm góp phần vào sự phát triển của lĩnh vực mới nổi này. Việc phân định rõ ràng có thể giúp người dùng, các nhà hoạch định chính sách và thị trường hiểu rõ hơn về ý nghĩa thực tiễn của các mức độ mở khác nhau đối với AI.”

Tự do tải về bản dịch sang tiếng Việt của tài liệu có 7 trang tại địa chỉ: https://www.dropbox.com/scl/fi/ak3nv0f6mwby0l412cmjo/vision-AI-openness-opportunities-and-shared-language_Vi-04102026.pdf?rlkey=6q8g5ie59jnjtprk8oil058yn&st=y03ibqim&dl=0

Xem thêm:

• AI/DPG
• Cấp phép mở
• Phần mềm tự do nguồn mở
• Dữ liệu Mở
• Các tài liệu dịch

Blogger: Lê Trung Nghĩa

letrungnghia.foss@gmail.com

Các hệ thống AI dưới dạng hàng hóa công kỹ thuật số – tìm hiểu sâu về ý nghĩa của khái niệm này từ góc độ kỹ thuật hơn một chút.

 

AI systems as digital public goods - a dive into what this means from a slightly more technical perspective

May 21, 2025

Ricardo Mirón Torres, Chief Technology Officer, DPGA Secretariat

Theo: https://www.digitalpublicgoods.net/blog/ai-systems-as-dpgs

Bài được đưa lên Internet ngày: 21/03/2025

DPGA hiện đang tiếp nhận hồ sơ đăng ký cho các hệ thống AI! Bài viết này cung cấp cái nhìn tổng quan thực tiễn cùng mô tả chi tiết về các yêu cầu nêu trong Tiêu chuẩn DPG (DPG Standard) mà một hệ thống AI cần đáp ứng để được công nhận là hàng hóa công kỹ thuật số - DPG (Digital Public Good) và được liệt kê trong Danh mục DPG (DPG Registry).

Chúng ta đã đi đến đây như thế nào?

Một hàng hóa công kỹ thuật số (DPG) không chỉ đơn thuần là phần mềm mở, dữ liệu mở, bộ sưu tập nội dung mở hay hệ thống AI mở. Các DPG là những giải pháp nguồn mở, đồng thời phải đảm bảo tính dễ tiếp cận, khả năng thích ứng và được thiết kế theo nguyên tắc "không gây hại". Do đó, để được công nhận là DPG, một giải pháp phải chứng minh được sự tuân thủ Tiêu chuẩn DPG. Điều này đảm bảo rằng các yếu tố quan trọng nêu trên được tích hợp vào thiết kế của giải pháp kỹ thuật số, từ đó tạo điều kiện cho việc triển khai công nghệ một cách an toàn và mang lại tác động lớn hơn.

Vào năm 2023, trước tiềm năng to lớn của AI đối với sự phát triển cũng như những rủi ro đi kèm, Ban Thư ký DPGA đã phối hợp cùng UNICEF thành lập một Cộng đồng Thực hành - CoP (Community of Practice) chuyên biệt về các hệ thống AI. Nhóm này được tập hợp nhằm xem xét cách thức điều chỉnh Tiêu chuẩn DPG sao cho phù hợp hơn trong việc xác định các hệ thống AI dưới dạng một loại hình DPG, đồng thời khám phá mối giao thoa giữa AI mở và AI có trách nhiệm.

Bên cạnh một loạt khuyến nghị của CoP về hệ thống AI, Ban Thư ký DPGA đã giám sát chặt chẽ và tham gia vào các cuộc trò chuyện liên quan cũng đang diễn ra. Điều này bao gồm Định nghĩa AI nguồn mở (OSAID) của OSI (bản dịch sang tiếng Việt), Khung Tính mở Mô hình (MOF) của Quỹ Linux (bản dịch sang tiếng Việt) và các cuộc tham vấn với các thành viên DPGA đang tích cực làm việc về AI, chẳng hạn như OpenFuture, Creative Commons và Quỹ Tri thức mở.

Sau giai đoạn bình luận mở trên GitHub, Hội đồng Tiêu chuẩn DPG đã xem xét cẩn thận các ý kiến ​​đầu vào được đưa ra trong suốt quá trình này và, như một phần của bộ cập nhật cho Tiêu chuẩn DPG, đã đưa ra các thay đổi nhằm tăng cường tính minh bạch và trách nhiệm giải trình của các DPG hệ thống AI đồng thời đảm bảo rằng chúng đáp ứng các yêu cầu nhất quán trên tất cả các danh mục DPG.

Vậy hệ thống AI là gì?

Trước khi đi sâu vào các bản cập nhật cụ thể, bạn cần hiểu rõ ý nghĩa của “hệ thống AI” (AI system) vì nó có ý nghĩa đối với các thành phần phải tuân thủ Tiêu chuẩn DPG. Chúng tôi công nhận hệ thống AI là hệ thống dựa trên máy được thiết kế để hoạt động với nhiều cấp độ tự chủ khác nhau, có thể đưa ra dự đoán, đề xuất hoặc quyết định ảnh hưởng đến môi trường thực hoặc ảo đối với một nhóm mục tiêu nhất định do con người xác định hoặc tạo ra kết quả đầu ra, chẳng hạn như văn bản, hình ảnh hoặc âm thanh.

Cách hiểu này phù hợp với các hướng dẫn của OECD về AI (Khuyến nghị của Hội đồng Trí tuệ Nhân tạo, Nhà xuất bản OECD, Paris, 2019)

Để được công nhận là trạng thái DPG, hệ thống AI phải cung cấp các thành phần sau đây cùng với các yêu cầu sau:

Thành phần	Mô tả	Giấy phép được chấp nhận
Dữ liệu	[1] (Các) bộ dữ liệu được sử dụng để để huấn luyện, xác thực và kiểm thử hệ thống.	[1] Các giấy phép tuân thủ Định nghĩa Mở
Mã nguồn	[2] Mã nguồn được sử dụng cho các công đoạn tiền xử lý, huấn luyện, xác thực và kiểm thử dữ liệu. [3] Các thành phần mã nguồn khác, chẳng hạn như mã thực thi suy luận, các thư viện và các công cụ hỗ trợ.	[2][3] Các giấy phép được OSI phê duyệt
Mô hình	[4] Kiến trúc mô hình, loại mô hình, các lớp và cấu trúc. [5] Các tham số mô hình, chẳng hạn như trọng số, bộ tối ưu hóa, hệ số và các siêu tham số khác có liên quan.	[4] Các giấy phép được OSI phê duyệt [5] Các điều khoản tuân thủ định nghĩa Nguồn Mở

Những yêu cầu này đồng nghĩa với việc mọi dữ liệu được sử dụng trong một hệ thống AI đều phải ở dạng mở và có thể truy cập được. Chúng tôi hiểu rằng đây là một tiêu chuẩn rất cao, có thể làm hạn chế số lượng các hệ thống AI đáp ứng được Tiêu chuẩn DPG (DPG Standard). Tuy nhiên, chúng tôi cho rằng điều này rất quan trọng, vì nó củng cố các nguyên tắc cốt lõi của DPGA.

Việc tiếp cận dữ liệu không chỉ góp phần thúc đẩy lợi ích công cộng, mà còn khẳng định cam kết mạnh mẽ của chúng tôi đối với tính mở – yếu tố hỗ trợ cho trách nhiệm giải trình, tính an toàn và mang lại những lợi ích thiết thực cho xã hội. Bạn có thể tìm hiểu thêm về lý do chúng tôi đưa ra quan điểm này thông qua các bài viết trên blog của chúng tôi về vai trò của dữ liệu mở trong AI và tầm quan trọng của nó đối với các hệ thống AI phục vụ lợi ích công cộng.

Điều này có ý nghĩa gì đối với tài liệu hướng dẫn?

Một trong những lợi ích được đánh giá cao nhất của các DPG (Hàng hóa Công cộng Kỹ thuật số) chính là khả năng tái sử dụng. Để đạt được điều này, cần có tài liệu hướng dẫn rõ ràng, giúp một người có chuyên môn kỹ thuật – dù chưa từng biết đến hệ thống AI cụ thể đó – vẫn có thể hiểu, sử dụng và tùy chỉnh nó. Đây cũng là lý do tại sao, bên cạnh các yêu cầu hiện có đối với tài liệu phần mềm nói chung, chúng tôi bổ sung thêm các yêu cầu cụ thể liên quan đến tài liệu về dữ liệu và mô hình.

Mặc dù hiện đã có nhiều mẫu tài liệu dành cho mô hình (model cards) và bảng dữ liệu (datasheets), chúng tôi vẫn duy trì sự linh hoạt. Tài liệu có thể được gửi dưới nhiều định dạng khác nhau, miễn là đảm bảo chứa tối thiểu các thông tin sau đây.

Thông tin	Mô tả
Mô hình	Tổng quan về mô hình Tên gọi, phiên bản, ngày tháng, nhà phát triển, mô tả và thông tin liên hệ.   Mục đích sử dụng Các mục đích sử dụng chính, đối tượng người dùng dự kiến ​​và các ứng dụng nằm ngoài phạm vi sử dụng.   Các chỉ số hiệu suất Các chỉ số đánh giá định lượng quan trọng, độ chính xác, độ chuẩn xác, độ thu hồi (recall) và những chỉ số hiệu suất liên quan khác.   Các hạn chế Những điểm yếu đã biết, các dạng lỗi có thể xảy ra và các thành kiến ​​(bias) tiềm ẩn.
Dữ liệu	Tổng quan về dữ liệu Tên/định danh tập dữ liệu, phiên bản và ngày tháng, người tạo/người duy trì, các trường hợp sử dụng cùng những thông tin chung khác.   Thông tin kỹ thuật Nguồn gốc dữ liệu, từ điển dữ liệu, lược đồ dữ liệu, mã định danh duy nhất, mối liên kết với các hệ thống thuật ngữ (ontology) hoặc từ vựng chuyên ngành, chất lượng dữ liệu và các hạn chế.   Thành phần và đặc điểm của tập dữ liệu Các thực thể dữ liệu, số lượng thực thể, định dạng dữ liệu, các trường/đặc trưng dữ liệu, nhãn/biến mục tiêu (nếu có), phân chia tập dữ liệu (nếu có).   Thu thập và tiền xử lý dữ liệu Các nguồn dữ liệu, quy trình thu thập, các bước làm sạch và tiền xử lý dữ liệu, cùng công tác gán nhãn dữ liệu.

 

Các cân nhắc về AI có trách nhiệm

Dựa trên các thông lệ tốt nhất và kế thừa từ "Khuyến nghị về Đạo đức trong Trí tuệ nhân tạo" của UNESCO (bản dịch sang tiếng Việt), chúng tôi đã đưa ra những yêu cầu cụ thể về cách các hệ thống AI cần dự đoán, ngăn ngừa và đảm bảo không gây hại ngay từ khâu thiết kế.

Các nhà phát triển phải cung cấp thông tin về việc cân nhắc rủi ro trong quá trình xây dựng hệ thống AI – cụ thể là cách thức kiểm thử các yếu tố như định kiến, sự công bằng, tính minh bạch và bảo mật – cũng như việc triển khai các biện pháp giảm thiểu phù hợp nếu phát hiện nguy cơ gây hại. Theo đó, các yêu cầu tối thiểu sau đây phải được đáp ứng:

Thông tin	Mô tả
Tính cân xứng	Tác động đối với con người và các nhóm dễ bị tổn thương, sự tham gia của các bên liên quan, các nguyên tắc được tuân thủ, v.v.
Định kiến ​​và Công bằng	Các bước giám sát, giảm thiểu và giải quyết tình trạng thiên kiến, đánh giá tính công bằng, các ngưỡng thiết lập cho mô hình, v.v.
Rủi ro và Tác hại	Các bài kiểm tra xác thực, vấn đề lạm dụng hoặc sử dụng sai mục đích, các cân nhắc về đạo đức, các cơ chế kiểm soát an toàn (guardrails), v.v.
Các biện pháp giảm thiểu	Đánh giá độ chính xác, xác thực mô hình và đảm bảo chất lượng, tính bền vững và bảo mật, công tác giám sát và kiểm soát, v.v.
Tính minh bạch	Khả năng giải thích của mô hình, logic và quy trình ra quyết định, thông tin dành cho người dùng, gắn nhãn nội dung do AI tạo ra, v.v.

Việc sử dụng các khuôn khổ toàn diện hơn để đánh giá rủi ro và trách nhiệm liên quan đến AI là điều được khuyến khích, nhưng không phải là yêu cầu bắt buộc để được công nhận là Hàng hóa công kỹ thuật số – DPG (Digital Public Good).

Đây chỉ là điểm khởi đầu

Mặc dù chúng tôi cố gắng giữ cho các yêu cầu và định nghĩa có phạm vi áp dụng rộng rãi nhất có thể, chúng tôi hiểu rằng các hệ thống AI không phải là một công nghệ đơn lẻ, mà là một lĩnh vực bao quát với nhiều kỹ thuật và mức độ phức tạp khác nhau. Từ các mô hình máy học truyền thống cho đến AI tạo sinh (generative AI), chúng tôi sẽ liên tục đánh giá và cập nhật Tiêu chuẩn DPG của mình khi cần thiết.

Các định nghĩa và cập nhật đối với Tiêu chuẩn DPG này tương thích với các yêu cầu của OSI (Open Source Initiative) về việc thực thi các quyền tự do cơ bản của AI nguồn mở, cũng như khuôn khổ "Model Openness Framework" (Khuôn khổ về tính mở của mô hình) – Hạng I (Mô hình khoa học mở). Điều này biến quy trình đề cử DPG thành một cơ chế thực tiễn để đánh giá mức độ tuân thủ đối với nhiều tiêu chí về tính mở khác nhau.

Biểu đồ này cung cấp cái nhìn tổng quan về những điểm tương đồng cũng như khác biệt giữa Tiêu chuẩn DPG (DPG Standard) với các sáng kiến ​​khác trong việc định nghĩa trí tuệ nhân tạo (AI) nguồn mở (Open Source AI).

Chúng tôi xin gửi lời cảm ơn đến tất cả các cá nhân và tổ chức đã đóng góp vào quá trình hoàn thiện Tiêu chuẩn DPG, giúp chúng tôi đánh giá các hệ thống AI theo tiêu chuẩn này một cách hiệu quả hơn. Cũng như mọi hoạt động khác tại DPGA, đây không phải là nỗ lực của riêng cá nhân hay tổ chức nào.

Chúng tôi rất hào hứng khi mở ra một chương mới: công nhận các hệ thống AI là DPG, bởi chúng đóng vai trò quan trọng đối với tương lai của quá trình chuyển đổi số trên toàn cầu. Chúng tôi tin rằng việc tiếp cận các hệ thống AI một cách cởi mở, minh bạch và an toàn không chỉ khả thi mà còn vô cùng thiết yếu. Chúng tôi khuyến khích các nhà phát triển hệ thống AI — những người tin rằng giải pháp của mình có thể tạo ra tác động tích cực và đáp ứng các tiêu chí để được công nhận là DPG — hãy tham gia cùng chúng tôi bằng cách gửi thông tin hệ thống đó vào Danh mục DPG (DPG Registry)!

The DPGA is now accepting submissions for AI systems! This post provides a practical overview and detailed description of the requirements outlined in the DPG Standard that an AI system must meet to be recognized as a digital public good and listed on the DPG Registry.

How we got here ?

A digital public good (DPG) entails much more than simply being open software, open data, an open content collection, or an open AI system. DPGs are open-source solutions that must also be accessible, adaptable, and designed to do no harm. Therefore, to be recognised as a DPG, a solution must demonstrate adherence to the DPG Standard to ensure those important elements are embedded into the design of a digital solution and, by doing so, can facilitate more impactful and safe technology deployment.

In 2023, recognising both the immense potential of AI for development as well as the risks associated with it, the DPGA Secretariat, in collaboration with UNICEF, convened a dedicated Community of Practice (CoP) on AI systems. This group was brought together to specifically examine how the DPG Standard may need to adapt to better determine what constitutes AI systems as a type of DPG and to explore the intersection between open and responsible AI.

Alongside a set of recommendations from the CoP on AI systems, the DPGA Secretariat closely monitored and participated in relevant conversations that were also taking place. This included the OSI's Open Source AI Definition (OSAID), the Linux Foundation’s Model Openness Framework (MOF), and consultations with DPGA members actively working on AI, such as OpenFuture, Creative Commons, and the Open Knowledge Foundation.

Following an open commenting period on GitHub, the DPG Standard Council carefully considered inputs surfaced throughout this process and, as part of a set of updates to the DPG Standard, introduced changes to strengthen the transparency and accountability of AI system DPGs while ensuring that they meet consistent requirements across all DPG categories.

What's an AI system, anyway?

Before diving into the specific updates, it’s valuable to provide an understanding of what is meant by “AI system,” as it has implications for the components that must be DPG Standard compliant. We recognise AI systems as machine-based systems designed to operate with varying levels of autonomy that can, for a given set of human-defined objectives, make predictions, recommendations, or decisions influencing real or virtual environments, or generate outputs, such as text, images, or sounds.

This understanding aligns with OECD guidelines on AI (Recommendation of the Council on Artificial Intelligence, OECD Publishing, Paris, 2019)

In order to be recognised as a DPG status, AI systems must provide the following components, alongside the following requirements:

Component	Description	Accepted Licenses
Data	[1] The dataset(s) used to train, validate, and test the system.	[1] Conformant licenses to the Open Definition
Code	[2] The code used for data pre-processing, training, validation, and testing. [3] Other code elements, such as inference, supporting libraries, and tools.	[2][3] OSI-approved licenses
Model	[4] The model architecture, type of model, layers, and structure. [5] The model parameters, such as weights, optimizers, coefficients, and other applicable hyperparameters.	[4] OSI-approved licenses [5] OSD-conformant terms

 

These requirements mean that all data used in an AI system must be open and available. We acknowledge that this is a high bar to set, and it may restrict the number of AI systems that meet the DPG Standard. However, we consider this important, as it reinforces the DPGA’s core beliefs. Access to the data further contributes to advancing the public good, while underscoring our firm commitment to openness that supports accountability, safety, and meaningful societal benefits You can read more about how we arrived at this position in our blogs on the role of open data in AI and its relevance for public interest AI.

What does this mean for documentation?

One of the most valued benefits of DPGs is their potential for reuse. To enable this, clear documentation is needed so that a technically skilled person—who may be unfamiliar with the specific AI system—can understand, use, and adapt it. This is also why, alongside the existing requirements for general software documentation, we now include specific requirements related to documentation of data and models.

While multiple templates for model cards and datasheets exist, we aim to be flexible. Documentation can be submitted in different formats, as long as it contains the following information at a minimum.

Information	Description
Model	Model Overview Name, version, date, developer, description, and contact information. Intended Use Primary intended uses, intended users, and out-of-scope applications. Performance Metrics Key quantitative evaluation metrics, accuracy, precision, recall, and other relevant performance indicators. Limitations Known weaknesses, failure modes, and potential biases.
Data	Data Overview Dataset name/identifier, version, and date, creator/maintainer, use cases, and other general details. Technical Details Data provenance, data dictionary, data schema, unique identifiers, crosswalks to ontologies or vocabularies, data quality, and limitations. Dataset Composition and Characteristics Data instances, number of instances, data format, data fields/features, labels/target variables (if applicable), data splits (if applicable). Data Collection and Preprocessing Data sources, collection process, data cleaning and preprocessing steps, and data labeling.

 

Responsible AI considerations

Following best practices and building on top of UNESCO's Recommendation on the Ethics of Artificial Intelligence, we have also introduced specific requirements for how AI systems anticipate, prevent, and do no harm by design. 

Developers must provide information on how risk was considered during the development of the AI system - specifically how it was tested for bias, fairness, transparency, security - and whether appropriate mitigation measures were implemented if potential harm was identified. As a result, the following minimum requirements must be met:

Information	Description
Proportionality	Impact on people and vulnerable groups, engagement with stakeholders, principles followed, etc.
Bias and Fairness	Steps to monitor, mitigate, and address biases, fairness assessment, model thresholds, etc.
Risks and Harms	Validation tests, misuse or unintended use, ethical considerations, guardrails, etc.
Mitigations	Accuracy evaluation, model validation and quality assurance, robustness and security, oversight and control, etc.
Transparency	Model explainability, logic, and decision-making, user information, tagging AI-generated content, etc.

 

Using more comprehensive frameworks for AI risk and responsibility assessments is encouraged, but not required for DPG recognition. 

It's a Starting Point

While we try to keep requirements and definitions as broadly applicable as possible, we acknowledge that AI systems are not a single technology, but rather a broad field encompassing various techniques and levels of complexity. From more traditional machine learning models to generative AI, we will continuously evaluate and evolve our DPG Standard as necessary.

These definitions and updates to the DPG Standard are compatible with OSI’s requirements to exercise the basic freedoms of Open Source AI as well as the Model Openness Framework Class I – Open Science Model, making the DPG nomination an operational process for evaluating compliance against multiple specifications of openness.

This chart provides a quick look at how the DPG Standard is similar to, yet distinct from, other initiatives defining open-source AI.

We would like to thank all the individuals and organisations who have helped shape how we are evolving the DPG Standard to better assess AI system DPGs. Like everything we do at the DPGA, this was far from an independent endeavour. 

We are excited to begin a new chapter of accepting AI systems as DPGs, as we know they have an important role to play in the future of digital transformation worldwide. We believe that open, transparent, and safe access to AI systems is not only possible, but essential. We encourage any developer of an AI system who believes their solution can make an impact and may be eligible for DPG recognition to join us by submitting it to the DPG Registry!

Dịch: Lê Trung Nghĩa

letrungnghia.foss@gmail.com