{"slug":"vi-sao-quizzman-khong-dung-ai-tu-hoc-quy-luat-am-van","title":"Vì sao Quizzman không dùng AI để tự học quy luật âm vận?","summary":"Historical Phonology cần giải thích & kiểm chứng, không chỉ dự đoán: Rule Engine giữ đường suy luận; AI hỗ trợ OCR/audit/gợi ý pattern — không quyết định quy luật.","excerpt":"Historical Phonology cần giải thích & kiểm chứng, không chỉ dự đoán: Rule Engine giữ đường suy luận; AI hỗ trợ OCR/audit/gợi ý pattern — không quyết định quy luật.","markdown":"Series 2 · Bài 11 — Không dùng AI tự học quy luật. [Bài 10](https://wiki.quizzman.com/wiki/vi-sao-parser-khang-hy-kho-hon-parser-html-reverse-engineering)\n\n# Vì sao Quizzman không dùng AI để tự học quy luật âm vận?\nTrong thời đại trí tuệ nhân tạo, nhiều người cho rằng chỉ cần đưa hàng triệu dữ liệu cho AI là máy tính sẽ tự học được mọi quy luật ngôn ngữ. Điều này đúng với nhiều lĩnh vực như nhận dạng hình ảnh, dịch máy hay tổng hợp văn bản. Tuy nhiên, đối với **âm vận học lịch sử (Historical Phonology)**, bài toán lại hoàn toàn khác. Quizzman Fanqie Engine không sử dụng AI để tự phát hiện hay tự tạo ra các quy luật âm Hán Việt. Thay vào đó, engine được xây dựng trên các quy luật đã được nghiên cứu, kiểm chứng và mô hình hóa từ các công trình học thuật. Đây không phải là hạn chế của AI, mà là một lựa chọn có chủ đích nhằm đảm bảo tính minh bạch và khả năng kiểm chứng của hệ thống.\n# AI rất giỏi, nhưng không phải bài toán nào cũng giống nhau\nTrí tuệ nhân tạo đã đạt được những thành tựu rất lớn.\n\nVí dụ:\n\nnhận dạng giọng nói;\nnhận dạng chữ viết;\ndịch ngôn ngữ;\ntìm kiếm ngữ nghĩa;\ntạo văn bản;\nphân loại hình ảnh.\nNhững bài toán này đều có một điểm chung.\n\nĐó là:\n\nRất nhiều dữ liệu\n\n↓\n\nHọc xác suất\n\n↓\n\nDự đoán kết quả\nĐây là thế mạnh của AI hiện đại.\n\n# Nhưng âm vận học lịch sử là một bài toán khác\nGiả sử chúng ta có hàng nghìn chữ Hán cùng âm Hán Việt.\n\nAI hoàn toàn có thể học được rằng:\n\n德\n\n↓\n\nđức\n國\n\n↓\n\nquốc\n學\n\n↓\n\nhọc\nNhưng điều mà các nhà nghiên cứu thực sự muốn biết lại là:\n\n**Vì sao những chữ này lại đọc như vậy?**\nĐây không còn là bài toán dự đoán.\n\nĐây là bài toán **giải thích**.\n\n# Dự đoán và giải thích là hai việc khác nhau\nGiả sử AI dự đoán:\n\n某字\n\n↓\n\nquốc\nCâu hỏi tiếp theo sẽ là:\n\nTại sao?\n\nNếu AI chỉ trả lời:\n\nVì dữ liệu huấn luyện thường như vậy.\nThì điều đó chưa đủ đối với một nghiên cứu ngôn ngữ học.\n\nTrong âm vận học lịch sử, người nghiên cứu cần biết:\n\nthanh mẫu nào tạo ra phụ âm đầu;\nvận nào tạo ra nguyên âm;\nvì sao có âm cuối -c;\nvì sao thuộc thanh sắc;\nquy luật nào được áp dụng.\nNói cách khác.\n\nKhông chỉ cần **đúng**.\n\nMà còn phải **giải thích được**.\n\n# Rule Engine luôn có đường suy luận\nMột điểm quan trọng của Quizzman Fanqie Engine là:\n\nMỗi kết quả đều có thể truy ngược.\n\nVí dụ.\n\n國\n\n↓\n\n德紅切\n\n↓\n\nThanh mẫu\n\n↓\n\nVận\n\n↓\n\nNhiếp\n\n↓\n\nMiddle Chinese\n\n↓\n\nQuy luật\n\n↓\n\nquốc\nNgười nghiên cứu có thể kiểm tra từng bước.\n\nNếu một bước sai.\n\nCó thể sửa đúng bước đó.\n\nĐây là điều rất quan trọng trong nghiên cứu khoa học.\n\n# AI thường khó chỉ ra quy luật cụ thể\nGiả sử AI học được rằng:\n\nThông nhiếp\n\n↓\n\n-c\nLiệu AI có thể trả lời:\n\nquy luật này áp dụng cho bao nhiêu phần trăm dữ liệu?\nngoại lệ là gì?\nngoại lệ xuất hiện vì lý do lịch sử nào?\nquy luật này có còn đúng nếu thay đổi thanh mẫu?\ncó bị ảnh hưởng bởi đẳng hay khai hợp không?\nThông thường.\n\nMột mô hình AI sẽ rất khó trả lời đầy đủ những câu hỏi này.\n\nTrong khi đó.\n\nRule Engine được xây dựng chính từ những câu hỏi như vậy.\n\n# Một quy luật phải có chứng cứ\nTrong Quizzman Fanqie Engine.\n\nKhông có quy luật nào được thêm chỉ vì:\n\n\"Có vẻ đúng.\"\nMột quy luật chỉ được đưa vào engine khi trải qua quy trình:\n\nKhảo sát\n\n↓\n\nThống kê\n\n↓\n\nĐối chiếu học thuật\n\n↓\n\nMô hình hóa\n\n↓\n\nAudit\n\n↓\n\nRegression\nNói cách khác.\n\nMỗi quy luật đều có chứng cứ.\n\nĐây là điều rất quan trọng trong ngôn ngữ học lịch sử.\n\n# AI rất khó phân biệt quy luật và ngoại lệ\nHãy tưởng tượng chúng ta có dữ liệu:\n\n95%\n\n↓\n\n-c\n5%\n\n↓\n\n-ch\nAI có thể học được cả hai.\n\nNhưng AI rất khó tự trả lời:\n\n5% này là ngoại lệ?\nhay là một quy luật khác?\nhay là lỗi dữ liệu?\nhay là một lớp Hán Việt cổ?\nĐây là quyết định mang tính học thuật.\n\nKhông thể chỉ dựa vào xác suất.\n\n# Quizzman không chống lại AI\nĐôi khi có người hiểu nhầm rằng:\n\nKhông dùng AI nghĩa là phủ nhận AI.\n\nĐiều đó hoàn toàn không đúng.\n\nQuizzman sử dụng AI ở rất nhiều nơi.\n\nVí dụ:\n\nOCR chữ Hán;\ntìm kiếm ngữ nghĩa;\nphân loại dữ liệu;\nhỗ trợ phân tích;\nhỗ trợ viết tài liệu;\nhỗ trợ phát hiện các trường hợp đáng nghi để con người kiểm tra.\nNói cách khác.\n\nAI là một **công cụ hỗ trợ nghiên cứu**.\n\nKhông phải người quyết định quy luật.\n\n# Quy luật vẫn do con người xây dựng\nTrong Quizzman Fanqie Engine.\n\nCác quy luật được xây dựng từ:\n\nQuảng Vận;\nTập Vận;\nKhang Hy Tự Điển;\nNguyễn Tài Cẩn;\nVương Lực;\nBaxter–Sagart;\ncùng nhiều công trình nghiên cứu về Middle Chinese.\nSau khi được kiểm chứng.\n\nNhững quy luật này mới được chuyển thành thuật toán.\n\nMáy tính thực hiện các quy luật đó với tốc độ rất cao và trên quy mô rất lớn.\n\nNhưng bản thân quy luật vẫn là kết quả của quá trình nghiên cứu ngôn ngữ học.\n\n# AI và Rule Engine có thể bổ sung cho nhau\nThực tế.\n\nAI và Rule Engine không phải hai hướng đối lập.\n\nChúng có thể kết hợp rất hiệu quả.\n\nVí dụ.\n\nAI có thể giúp:\n\nphát hiện những trường hợp bất thường;\ngợi ý các nhóm dữ liệu có cùng đặc điểm;\ntìm kiếm các pattern tiềm năng;\nhỗ trợ kiểm tra dữ liệu quy mô lớn.\nSau đó.\n\nCác nhà nghiên cứu sẽ:\n\nkiểm chứng;\nđối chiếu với tài liệu;\nxác định nguyên nhân;\nquyết định có nên hình thành một quy luật mới hay không.\nĐây là cách Quizzman nhìn nhận vai trò của AI trong nghiên cứu âm vận học.\n\n# Điều quan trọng không phải AI hay Rule Engine\nĐiều quan trọng nhất không nằm ở việc sử dụng công nghệ nào.\n\nMà nằm ở khả năng **kiểm chứng**.\n\nNếu một hệ thống đưa ra kết quả, người nghiên cứu cần trả lời được:\n\nQuy luật nào đã được áp dụng?\nChứng cứ học thuật nằm ở đâu?\nCó thể tái hiện lại quá trình suy luận hay không?\nKhi xuất hiện dữ liệu mới, có thể đánh giá lại quy luật đó hay không?\nĐó là những yêu cầu rất cơ bản của nghiên cứu khoa học.\n\n# Quizzman lựa chọn khả năng giải thích thay vì \"hộp đen\"\nQuizzman Fanqie Engine không được xây dựng để cạnh tranh với AI.\n\nNgược lại, dự án tận dụng AI ở nhiều công đoạn khác nhau, từ xử lý dữ liệu đến hỗ trợ nghiên cứu. Tuy nhiên, đối với phần cốt lõi là **mô hình hóa quy luật âm vận**, Quizzman lựa chọn một hướng đi khác: xây dựng các quy luật có thể đọc, có thể kiểm chứng và có thể giải thích.\n\nTrong ngôn ngữ học lịch sử, một kết quả chỉ thực sự có giá trị khi người nghiên cứu biết **vì sao** nó đúng. Vì vậy, thay vì để AI tự \"học\" các quy luật từ dữ liệu rồi đưa ra kết quả như một hộp đen, Quizzman sử dụng AI như một trợ lý nghiên cứu, còn phần suy luận cuối cùng vẫn dựa trên những quy luật đã được kiểm chứng bởi các công trình học thuật và được hiện thực hóa thành thuật toán. Chính điều này giúp Fanqie Engine vừa giữ được tính khoa học, vừa đảm bảo khả năng truy vết và giải thích của từng kết quả.\n","html":"\n

Trong thời đại trí tuệ nhân tạo, nhiều người cho rằng chỉ cần đưa hàng triệu dữ liệu cho AI là máy tính sẽ tự học được mọi quy luật ngôn ngữ. Điều này đúng với nhiều lĩnh vực như nhận dạng hình ảnh, dịch máy hay tổng hợp văn bản. Tuy nhiên, đối với âm vận học lịch sử (Historical Phonology), bài toán lại hoàn toàn khác. Quizzman Fanqie Engine không sử dụng AI để tự phát hiện hay tự tạo ra các quy luật âm Hán Việt. Thay vào đó, engine được xây dựng trên các quy luật đã được nghiên cứu, kiểm chứng và mô hình hóa từ các công trình học thuật. Đây không phải là hạn chế của AI, mà là một lựa chọn có chủ đích nhằm đảm bảo tính minh bạch và khả năng kiểm chứng của hệ thống.

\n

AI rất giỏi, nhưng không phải bài toán nào cũng giống nhau

\n

Trí tuệ nhân tạo đã đạt được những thành tựu rất lớn.

\n

Ví dụ:

\n\n

Những bài toán này đều có một điểm chung.

\n

Đó là:

\n
Rất nhiều dữ liệu\n\n↓\n\nHọc xác suất\n\n↓\n\nDự đoán kết quả
\n

Đây là thế mạnh của AI hiện đại.

\n

Nhưng âm vận học lịch sử là một bài toán khác

\n

Giả sử chúng ta có hàng nghìn chữ Hán cùng âm Hán Việt.

\n

AI hoàn toàn có thể học được rằng:

\n
德\n\n↓\n\nđức
\n
國\n\n↓\n\nquốc
\n
學\n\n↓\n\nhọc
\n

Nhưng điều mà các nhà nghiên cứu thực sự muốn biết lại là:

\n

Vì sao những chữ này lại đọc như vậy?

\n

Đây không còn là bài toán dự đoán.

\n

Đây là bài toán giải thích.

\n

Dự đoán và giải thích là hai việc khác nhau

\n

Giả sử AI dự đoán:

\n
某字\n\n↓\n\nquốc
\n

Câu hỏi tiếp theo sẽ là:

\n

Tại sao?

\n

Nếu AI chỉ trả lời:

\n

Vì dữ liệu huấn luyện thường như vậy.

\n

Thì điều đó chưa đủ đối với một nghiên cứu ngôn ngữ học.

\n

Trong âm vận học lịch sử, người nghiên cứu cần biết:

\n\n

Nói cách khác.

\n

Không chỉ cần đúng.

\n

Mà còn phải giải thích được.

\n

Rule Engine luôn có đường suy luận

\n

Một điểm quan trọng của Quizzman Fanqie Engine là:

\n

Mỗi kết quả đều có thể truy ngược.

\n

Ví dụ.

\n
國\n\n↓\n\n德紅切\n\n↓\n\nThanh mẫu\n\n↓\n\nVận\n\n↓\n\nNhiếp\n\n↓\n\nMiddle Chinese\n\n↓\n\nQuy luật\n\n↓\n\nquốc
\n

Người nghiên cứu có thể kiểm tra từng bước.

\n

Nếu một bước sai.

\n

Có thể sửa đúng bước đó.

\n

Đây là điều rất quan trọng trong nghiên cứu khoa học.

\n

AI thường khó chỉ ra quy luật cụ thể

\n

Giả sử AI học được rằng:

\n
Thông nhiếp\n\n↓\n\n-c
\n

Liệu AI có thể trả lời:

\n\n

Thông thường.

\n

Một mô hình AI sẽ rất khó trả lời đầy đủ những câu hỏi này.

\n

Trong khi đó.

\n

Rule Engine được xây dựng chính từ những câu hỏi như vậy.

\n

Một quy luật phải có chứng cứ

\n

Trong Quizzman Fanqie Engine.

\n

Không có quy luật nào được thêm chỉ vì:

\n

"Có vẻ đúng."

\n

Một quy luật chỉ được đưa vào engine khi trải qua quy trình:

\n
Khảo sát\n\n↓\n\nThống kê\n\n↓\n\nĐối chiếu học thuật\n\n↓\n\nMô hình hóa\n\n↓\n\nAudit\n\n↓\n\nRegression
\n

Nói cách khác.

\n

Mỗi quy luật đều có chứng cứ.

\n

Đây là điều rất quan trọng trong ngôn ngữ học lịch sử.

\n

AI rất khó phân biệt quy luật và ngoại lệ

\n

Hãy tưởng tượng chúng ta có dữ liệu:

\n
95%\n\n↓\n\n-c
\n
5%\n\n↓\n\n-ch
\n

AI có thể học được cả hai.

\n

Nhưng AI rất khó tự trả lời:

\n\n

Đây là quyết định mang tính học thuật.

\n

Không thể chỉ dựa vào xác suất.

\n

Quizzman không chống lại AI

\n

Đôi khi có người hiểu nhầm rằng:

\n

Không dùng AI nghĩa là phủ nhận AI.

\n

Điều đó hoàn toàn không đúng.

\n

Quizzman sử dụng AI ở rất nhiều nơi.

\n

Ví dụ:

\n\n

Nói cách khác.

\n

AI là một công cụ hỗ trợ nghiên cứu.

\n

Không phải người quyết định quy luật.

\n

Quy luật vẫn do con người xây dựng

\n

Trong Quizzman Fanqie Engine.

\n

Các quy luật được xây dựng từ:

\n\n

Sau khi được kiểm chứng.

\n

Những quy luật này mới được chuyển thành thuật toán.

\n

Máy tính thực hiện các quy luật đó với tốc độ rất cao và trên quy mô rất lớn.

\n

Nhưng bản thân quy luật vẫn là kết quả của quá trình nghiên cứu ngôn ngữ học.

\n

AI và Rule Engine có thể bổ sung cho nhau

\n

Thực tế.

\n

AI và Rule Engine không phải hai hướng đối lập.

\n

Chúng có thể kết hợp rất hiệu quả.

\n

Ví dụ.

\n

AI có thể giúp:

\n\n

Sau đó.

\n

Các nhà nghiên cứu sẽ:

\n\n

Đây là cách Quizzman nhìn nhận vai trò của AI trong nghiên cứu âm vận học.

\n

Điều quan trọng không phải AI hay Rule Engine

\n

Điều quan trọng nhất không nằm ở việc sử dụng công nghệ nào.

\n

Mà nằm ở khả năng kiểm chứng.

\n

Nếu một hệ thống đưa ra kết quả, người nghiên cứu cần trả lời được:

\n\n

Đó là những yêu cầu rất cơ bản của nghiên cứu khoa học.

\n

Quizzman lựa chọn khả năng giải thích thay vì "hộp đen"

\n

Quizzman Fanqie Engine không được xây dựng để cạnh tranh với AI.

\n

Ngược lại, dự án tận dụng AI ở nhiều công đoạn khác nhau, từ xử lý dữ liệu đến hỗ trợ nghiên cứu. Tuy nhiên, đối với phần cốt lõi là mô hình hóa quy luật âm vận, Quizzman lựa chọn một hướng đi khác: xây dựng các quy luật có thể đọc, có thể kiểm chứng và có thể giải thích.

\n

Trong ngôn ngữ học lịch sử, một kết quả chỉ thực sự có giá trị khi người nghiên cứu biết vì sao nó đúng. Vì vậy, thay vì để AI tự "học" các quy luật từ dữ liệu rồi đưa ra kết quả như một hộp đen, Quizzman sử dụng AI như một trợ lý nghiên cứu, còn phần suy luận cuối cùng vẫn dựa trên những quy luật đã được kiểm chứng bởi các công trình học thuật và được hiện thực hóa thành thuật toán. Chính điều này giúp Fanqie Engine vừa giữ được tính khoa học, vừa đảm bảo khả năng truy vết và giải thích của từng kết quả.

→ Series 2 · Bài 12: Quizzman Fanqie Engine và Ontology ngôn ngữ: Khi Hán Việt, Pinyin và Middle Chinese cùng thuộc về một hệ tri thức

","tags":["Chữ Hán","Lập trình","Ngôn ngữ","Phiên thiết","Thuật toán"],"author":"System Legacy","publishedAt":"2026-07-15T09:03:03.414Z","updatedAt":"2026-07-17T02:35:44.460Z","published_at":"2026-07-15T09:03:03.414Z","updated_at":"2026-07-17T02:35:44.460Z","view_count":10,"canonical":"https://wiki.quizzman.com/wiki/vi-sao-quizzman-khong-dung-ai-tu-hoc-quy-luat-am-van","url":"https://wiki.quizzman.com/wiki/vi-sao-quizzman-khong-dung-ai-tu-hoc-quy-luat-am-van","markdownUrl":"https://wiki.quizzman.com/api/articles/vi-sao-quizzman-khong-dung-ai-tu-hoc-quy-luat-am-van.md","apiUrl":"https://wiki.quizzman.com/api/articles/vi-sao-quizzman-khong-dung-ai-tu-hoc-quy-luat-am-van"}