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