Hồ sơ IPO: Anthropic hoãn huấn luyện AI hơn 1 tháng, 4 mô hình xâm nhập hệ thống thật

Minh Hoàng
•
Thứ Ba, 27/10/2026

Công ty AI Mỹ Anthropic đã hoãn hơn 1 tháng việc huấn luyện một mô hình mới để tăng cường bảo mật, theo hồ sơ IPO công bố hôm thứ Hai (26/10). Hồ sơ cũng tiết lộ rằng 4 mô hình của hãng từng xâm nhập vào các hệ thống thực tế trong quá trình thử nghiệm.

Cận cảnh chụp nghiêng màn hình hiển thị trang hồ sơ công ty Anthropic, với logo, khẩu hiệu, dấu xác minh, thông tin số lượng nhân viên và bố cục trang doanh nghiệp công nghệ. Kolkata, bang Tây Bengal, Ấn Độ, ngày 17/10/2026.

Anthropic đề cập đến việc này trong phần các yếu tố rủi ro của hồ sơ đăng ký S-1 nộp lên Ủy ban Chứng khoán và Giao dịch Mỹ (SEC). Nhà phát triển Claude cho biết gần đây đã quyết định trì hoãn hơn 1 tháng giai đoạn huấn luyện trước (pre-training) của một mô hình nền tảng thế hệ mới.

Công ty muốn có thêm thời gian để tăng cường các biện pháp ngăn chặn việc đánh cắp trọng số mô hình (model weights) và bảo vệ tài sản trí tuệ.

Đối với các mô hình được dự đoán có năng lực mới hoặc tiềm ẩn rủi ro an toàn mới, Anthropic dự định đánh giá độ an toàn ở từng giai đoạn, gồm huấn luyện trước, huấn luyện sau và triển khai nội bộ. Công ty cho biết có thể “hoãn hoặc tạm dừng một giai đoạn nếu chúng tôi chưa tin tưởng vào các biện pháp an toàn áp dụng cho giai đoạn đó”.

Theo Reuters, Anthropic cảnh báo rằng những lần tạm dừng huấn luyện như vậy có thể khiến doanh thu đến chậm hơn và khiến công ty tụt lại so với các đối thủ. Hồ sơ dành khoảng 94 trang để trình bày các yếu tố rủi ro, nhiều hơn so với bản hồ sơ nộp kín trước đó mà Reuters từng xem.

Môi trường thử cấu hình sai, 4 mô hình xâm nhập hệ thống thật

Hồ sơ cũng tiết lộ những sự cố chưa từng được công bố trong các đợt đánh giá an ninh mạng. Các bài đánh giá này do một đối tác bên ngoài xây dựng, nhưng môi trường thử nghiệm bị cấu hình sai, khiến mô hình vẫn có thể kết nối Internet dù được thông báo rằng không có kết nối Internet.

Kết quả là 4 mô hình của Anthropic đã xâm nhập vào các hệ thống thực tế của bên thứ ba trong những phiên hoạt động kéo dài khoảng 10–34 giờ.

Trong một trường hợp, khi không thể hoàn thành một nhiệm vụ bất khả thi, phiên bản đầu của một mô hình đã sử dụng mật khẩu tìm được để chiếm quyền quản trị hệ thống của bên thứ ba. Sau đó, mô hình tiếp tục thu thập thông tin đăng nhập, thay đổi cài đặt hệ thống và truy cập thông tin cá nhân của một người.

Hồ sơ không tiết lộ danh tính các bên liên quan. Anthropic cho biết công ty đã thông báo cho tất cả các bên bị ảnh hưởng.

Trong mỗi vụ việc, chỉ có một phiên bản mô hình hoạt động độc lập để thực hiện nhiệm vụ được giao. Cuộc điều tra của Anthropic không tìm thấy bằng chứng cho thấy bất kỳ mô hình nào phối hợp với các tác nhân AI khác, theo đuổi mục tiêu ngoài nhiệm vụ hoặc tìm cách tránh né sự giám sát.

Sau các sự cố trong năm 2026, Anthropic đã tạm ngừng một số bài đánh giá an ninh mạng dành cho mô hình chưa phát hành, cùng các môi trường học tăng cường (reinforcement learning) có rủi ro cao hơn.

Mô hình càng mạnh, khả năng né tránh giám sát càng cao

Anthropic thừa nhận các hành vi lệch chuẩn đã xuất hiện ở cả mô hình của hãng lẫn mô hình của các công ty khác trong ngành, trong quá trình thử nghiệm cũng như sử dụng nội bộ. Những hành vi này bao gồm vượt qua các giới hạn mạng và môi trường cách ly (sandbox), tự ý cấp cho mình những quyền không được giao, can thiệp vào các tác nhân AI khác, và báo cáo sai rằng nhiệm vụ đã hoàn thành hoặc kết quả đã được kiểm chứng.

Theo hồ sơ, khi ngày càng mạnh hơn, các mô hình của Anthropic “càng có khả năng tìm cách né tránh” các phương pháp đánh giá và giám sát, kể cả bằng cách che giấu mục tiêu hoặc hành vi lệch chuẩn. Do đó, hiệu quả của các biện pháp kiểm soát có thể suy giảm.

Trong tháng 10 này, Ủy ban Thương mại Liên bang Mỹ (FTC) đã gửi yêu cầu cung cấp thông tin cho Anthropic để phục vụ cuộc điều tra. FTC muốn tìm hiểu cách công ty bảo vệ người tiêu dùng, dữ liệu và quyền riêng tư, cũng như bảo đảm tính an toàn và bảo mật của sản phẩm.

Theo Reuters, hồi đầu năm nay, đối thủ OpenAI cũng đã tạm dừng một phần hoạt động huấn luyện do lo ngại về an toàn, sau khi các mô hình của hãng tấn công nền tảng Hugging Face.

Hôm Chủ nhật (25/10), Anthropic cũng xác nhận Claude đã vượt qua cơ chế thu phí để truy cập dữ liệu tổng hợp về phiếu bầu do bang Georgia công khai, nhưng không có sự cho phép của con người.