Các Mô Hình Trí Tuệ Nhân Tạo Không Hoạt Động Tốt Khi Bị Kiểm Duyệt, Nghiên Cứu Phát Hiện

Các nỗ lực nhằm kiểm duyệt các mô hình tạo ảnh trí tuệ nhân tạo bằng cách xóa nội dung bị cấm (như khiêu dâm, bạo lực hoặc phong cách bản quyền) khỏi các mô hình đã được đào tạo đang không đạt được kết quả như mong đợi: một nghiên cứu mới cho thấy rằng các phương pháp xóa khái niệm hiện tại cho phép các thuộc tính “bị cấm” tràn vào các hình ảnh không liên quan và cũng không ngăn chặn được các phiên bản liên quan chặt chẽ của nội dung “đã xóa” khỏi việc xuất hiện.

Nếu các công ty sản xuất mô hình trí tuệ nhân tạo cơ bản không thể ngăn chặn chúng khỏi việc bị lạm dụng để tạo ra nội dung phản cảm hoặc bất hợp pháp, họ sẽ gặp rủi ro bị起 tố và/hoặc bị đóng cửa. Ngược lại, các nhà cung cấp chỉ làm cho mô hình của họ có sẵn thông qua một API, như với động cơ tạo Firefly của Adobe, đang ở vị trí không cần lo lắng về những gì mô hình của họ có thể tạo ra, vì cả lời nhắc của người dùng và đầu ra kết quả đều được kiểm tra và làm sạch:

Hệ thống Firefly của Adobe, được sử dụng trong các công cụ như Photoshop, đôi khi từ chối một yêu cầu tạo ngay từ đầu bằng cách chặn lời nhắc trước khi bất kỳ thứ gì được tạo ra. Những lần khác, nó tạo ra hình ảnh nhưng sau đó chặn kết quả sau khi xem xét. Loại từ chối trong quá trình này cũng có thể xảy ra trong ChatGPT, khi mô hình bắt đầu một phản hồi nhưng cắt nó sau khi nhận ra vi phạm chính sách – và thỉnh thoảng một người có thể nhìn thấy hình ảnh bị từ chối trong quá trình này.

Tuy nhiên, các bộ lọc kiểu API như vậy thường có thể bị trung hòa bởi người dùng trên các mô hình được cài đặt cục bộ, bao gồm cả mô hình ngôn ngữ-vision (VLMs) mà người dùng có thể muốn tùy chỉnh thông qua đào tạo cục bộ trên dữ liệu tùy chỉnh.

Trong hầu hết các trường hợp, việc vô hiệu hóa các hoạt động như vậy là rất đơn giản, liên quan đến việc bình luận một cuộc gọi hàm trong Python (mặc dù các hack như vậy thường phải được lặp lại hoặc tái phát minh sau khi cập nhật khuôn khổ).

Từ góc độ kinh doanh, điều này khó hiểu là làm thế nào nó có thể là một vấn đề, vì cách tiếp cận API tối đa hóa quyền kiểm soát của công ty đối với luồng công việc của người dùng. Tuy nhiên, từ góc độ người dùng, cả chi phí của các mô hình chỉ API và rủi ro bị kiểm duyệt sai hoặc quá mức có khả năng khiến họ tải xuống và tùy chỉnh các bản cài đặt cục bộ của các lựa chọn thay thế mã nguồn mở – ít nhất, nơi giấy phép FOSS thuận lợi.

Mô hình quan trọng cuối cùng được phát hành mà không có bất kỳ nỗ lực nào để tích hợp tự kiểm duyệt là Stable Diffusion V1.5, gần ba năm trước. Sau đó, việc tiết lộ rằng các tập dữ liệu đào tạo của nó bao gồm dữ liệu lạm dụng trẻ em dẫn đến các cuộc gọi ngày càng tăng để cấm việc phân phối của nó, và loại bỏ khỏi kho lưu trữ Hugging Face vào năm 2024.

Cắt Nó Ra!

Những người hoài nghi cho rằng lợi ích của một công ty trong việc kiểm duyệt các mô hình tạo ảnh trí tuệ nhân tạo có thể cài đặt được cục bộ chỉ dựa trên lo ngại về tiếp xúc pháp lý, nếu các khuôn khổ của họ trở nên nổi tiếng vì tạo điều kiện cho nội dung bất hợp pháp hoặc phản cảm.

Thật vậy, một số mô hình mã nguồn mở “thân thiện với địa phương” không quá khó để giải kiểm duyệt (như Stable Diffusion 1.5 và DeepSeek R1).

Ngược lại, việc phát hành gần đây của Black Forest Lab’s Flux Kontext model series đã được đánh dấu bởi cam kết đáng chú ý của công ty trong việc kiểm duyệt toàn bộ dòng Kontext. Điều này đã được thực hiện cả bằng cách kiểm duyệt dữ liệu cẩn thận và bằng cách tinh chỉnh có mục tiêu sau khi đào tạo, nhằm loại bỏ bất kỳ xu hướng nào còn lại đối với nội dung NSFW hoặc bị cấm.

Đây là nơi trung tâm hành động đã ở trong cảnh nghiên cứu trong 2-3 năm qua: với trọng tâm vào việc sửa chữa sau khi đào tạo các mô hình có dữ liệu không được kiểm duyệt. Các dịch vụ như vậy bao gồm Unified Concept Editing in Diffusion Models (UCE); Reliable and Efficient Concept Erasure of Text-to-Image Diffusion Models (RECE); Mass Concept Erasure in Diffusion Models (MACE); và concept-Semi-Permeable structure is injected as a Membrane (SPM):

Bài báo năm 2024 ‘Unified Concept Editing in Diffusion Models’ cung cấp các chỉnh sửa dạng đóng để trọng số chú ý, cho phép chỉnh sửa hiệu quả nhiều khái niệm trong các mô hình ảnh-văn bản. Nhưng phương pháp này có đứng vững trước sự kiểm tra? Source: https://arxiv.org/pdf/2308.14761

Mặc dù đây là một cách tiếp cận hiệu quả (các tập hợp siêu quy mô như LAION quá lớn để kiểm duyệt thủ công), nhưng nó không nhất thiết là một cách tiếp cận hiệu quả: theo một nghiên cứu mới của Mỹ, không một trong các thủ tục chỉnh sửa được đề cập – đại diện cho trạng thái hiện tại của việc sửa đổi mô hình trí tuệ nhân tạo sau đào tạo – thực sự hoạt động rất tốt.

Các tác giả phát hiện ra rằng những Kỹ Thuật Xóa Khái Niệm (CETs) này thường có thể dễ dàng bị vượt qua, và ngay cả khi chúng có hiệu quả, chúng có những tác dụng phụ đáng kể:

Tác động của việc xóa khái niệm đối với các mô hình ảnh-văn bản. Mỗi cột hiển thị một lời nhắc và khái niệm được đánh dấu để xóa, cùng với đầu ra được tạo trước và sau khi chỉnh sửa. Các mối quan hệ phân cấp chỉ ra mối quan hệ cha-con giữa các khái niệm. Các ví dụ này làm nổi bật các tác dụng phụ phổ biến, bao gồm việc không thể xóa các khái niệm con, việc ức chế các khái niệm lân cận, việc tránh qua việc viết lại và việc chuyển các thuộc tính đã xóa sang các đối tượng không liên quan. Source: https://arxiv.org/pdf/2508.15124

Các tác giả phát hiện ra rằng các kỹ thuật xóa khái niệm hàng đầu hiện nay không thể chặn lời nhắc thành phần (ví dụ, xe hơi đỏ hoặc ghế gỗ nhỏ); thường cho phép các phân lớp trượt qua ngay cả sau khi xóa một loại cao hơn (như xe hơi hoặc xe buýt tiếp tục xuất hiện sau khi loại bỏ phương tiện); và giới thiệu các vấn đề mới như rò rỉ thuộc tính (trong đó, ví dụ, việc xóa ghế sofa xanh có thể khiến mô hình tạo ra các đối tượng không liên quan như ghế xanh).

Trong hơn 80% số trường hợp thử nghiệm, việc xóa một khái niệm rộng như phương tiện không ngăn cản mô hình tạo ra các thể hiện cụ thể hơn của phương tiện như xe hơi hoặc xe buýt.

Chỉnh sửa, bài báo lưu ý, cũng gây ra bản đồ chú ý (các phần của mô hình quyết định nơi tập trung trong hình ảnh) bị phân tán, làm suy yếu chất lượng đầu ra.

Điều thú vị là bài báo phát hiện ra rằng việc xóa các khái niệm liên quan đã được đào tạo một cách tuần tự hoạt động tốt hơn việc cố gắng loại bỏ chúng tất cả cùng một lúc – mặc dù nó không loại bỏ tất cả các khiếm khuyết của các phương pháp chỉnh sửa được nghiên cứu:

So sánh các chiến lược xóa tiến bộ và tất cả cùng một lúc. Khi tất cả các biến thể của ‘gấu bông’ được xóa đồng thời, mô hình tiếp tục tạo ra các đối tượng giống như gấu. Xóa các biến thể từng bước hiệu quả hơn, khiến mô hình ức chế khái niệm mục tiêu một cách đáng tin cậy hơn.

Mặc dù các nhà nghiên cứu hiện tại không thể cung cấp giải pháp cho các vấn đề mà bài báo phác thảo, họ đã phát triển một tập dữ liệu mới và điểm chuẩn có thể giúp các dự án nghiên cứu sau này hiểu liệu các mô hình “kiểm duyệt” của họ có hoạt động như mong đợi hay không.

Bài báo tuyên bố:

‘Các đánh giá trước đây chỉ dựa vào một tập hợp nhỏ các lớp mục tiêu và lớp bảo tồn; ví dụ, khi xóa ‘xe hơi’, chỉ khả năng của mô hình trong việc tạo ra xe hơi mới được kiểm tra. Chúng tôi chứng minh rằng cách tiếp cận này cơ bản là không đầy đủ và việc xóa khái niệm nên được đánh giá một cách toàn diện hơn để bao gồm tất cả các khái niệm con liên quan như ‘xe hơi đỏ’.

‘Bằng cách giới thiệu một tập dữ liệu đa dạng với các biến thể thành phần và phân tích có hệ thống các tác động như tác động đến các khái niệm lân cận, tránh khái niệm và rò rỉ thuộc tính, chúng tôi đã phát hiện ra những hạn chế và tác dụng phụ đáng kể của các CET hiện có.

‘Điểm chuẩn của chúng tôi là mô hình agnostic và dễ dàng tích hợp và lý tưởng để hỗ trợ sự phát triển của các Kỹ Thuật Xóa Khái Niệm (CETs) mới.’

Mặc dù CETs xóa khái niệm mục tiêu ‘chim’, chúng không thành công với biến thể thành phần ‘chim đỏ’ (trên cùng). Sau khi xóa ‘ghế sofa xanh’, tất cả các phương pháp cũng mất khả năng tạo ra một chiếc ghế xanh (dưới cùng). Kết quả thành công được đánh dấu bằng biểu tượng tick màu xanh lá cây và thất bại bằng biểu tượng chữ thập màu đỏ.

Nghiên cứu cung cấp một cái nhìn sâu sắc thú vị về mức độ liên kết của các khái niệm được đào tạo trong không gian潜 của mô hình và mức độ mà sự liên kết sẽ không dễ dàng cho phép bất kỳ loại xóa khái niệm nào thực sự rời rạc.

Bài báo mới mới có tựa đề Tác Dụng Phụ Của Việc Xóa Khái Niệm Từ Các Mô Hình Khói, và đến từ bốn nhà nghiên cứu từ Đại học Maryland.

Phương Pháp và Dữ Liệu

Các tác giả cho rằng các công việc trước đây tuyên bố xóa khái niệm khỏi các mô hình khói không chứng minh tuyên bố của họ một cách đầy đủ, tuyên bố*:

‘Các tuyên bố về việc xóa cần phải được đánh giá một cách mạnh mẽ và toàn diện hơn. Ví dụ, nếu khái niệm cần xóa là ‘phương tiện’, thì các khái niệm con như ‘xe hơi’ và các khái niệm thành phần như ‘xe hơi đỏ’ hoặc ‘xe hơi nhỏ’ cũng nên được xóa.

‘Tuy nhiên, khía cạnh này của phân cấp khái niệm và tính thành phần không được xem xét trong các giao thức đánh giá hiện có vì chúng chỉ tập trung vào độ chính xác của khái niệm đã xóa duy nhất. [Các tác giả của EraseBench] đánh giá cách CETs ảnh hưởng đến các khái niệm trực quan và đồng nghĩa (như ‘mèo’ và ‘mèo con’)[;] tuy nhiên, họ không kiểm tra đầy đủ phân cấp và tính thành phần của các khái niệm.’

Để cung cấp dữ liệu điểm chuẩn cho các dự án trong tương lai, các tác giả đã tạo ra tập dữ liệu Đánh Giá Tác Dụng Phụ (SEE) – một bộ sưu tập lớn các lời nhắc văn bản được thiết kế để kiểm tra cách các phương pháp xóa khái niệm hoạt động.

Các lời nhắc này theo một mẫu đơn giản trong đó một đối tượng được mô tả với các thuộc tính về kích thước, màu sắc và vật liệu – ví dụ, một hình ảnh của một chiếc xe hơi nhỏ màu đỏ bằng gỗ.

Đối tượng được lấy từ tập dữ liệu MS-COCO, và được tổ chức thành một phân cấp của các siêu lớp như phương tiện, và các lớp con như xe hơi hoặc xe buýt, với sự kết hợp thuộc tính của chúng tạo thành các nút lá (cấp độ cụ thể nhất của phân cấp). Cấu trúc này cho phép kiểm tra việc xóa tại các cấp độ ngữ nghĩa khác nhau, từ các danh mục rộng đến các biến thể cụ thể.

Để hỗ trợ đánh giá tự động, mỗi lời nhắc được ghép nối với một câu hỏi có/không, chẳng hạn như Có xe hơi trong hình ảnh không?, và cũng được sử dụng làm nhãn lớp cho các mô hình phân loại hình ảnh:

Các kết hợp lời nhắc trong tập dữ liệu SEE được tạo bằng cách thay đổi các thuộc tính về kích thước, màu sắc và vật liệu.

Để đo lường hiệu suất của từng phương pháp xóa khái niệm, các tác giả đã tạo ra hai phương pháp chấm điểm: Độ Chính Xác Mục Tiêu, theo dõi tần suất các khái niệm đã xóa vẫn xuất hiện trong các hình ảnh được tạo; và Độ Chính Xác Bảo Tồn, theo dõi xem mô hình có tiếp tục tạo ra nội dung không được phép xóa hay không.

Sự cân bằng giữa hai điểm số này nhằm tiết lộ liệu phương pháp có thành công trong việc loại bỏ khái niệm bị cấm mà không làm hỏng đầu ra rộng hơn của mô hình.

Các tác giả đã đánh giá việc xóa khái niệm trên ba chế độ thất bại: đầu tiên, một thước đo về việc liệu việc loại bỏ một khái niệm như xe hơi có làm gián đoạn các khái niệm lân cận hoặc không liên quan hay không, dựa trên sự tương đồng ngữ nghĩa và thuộc tính; thứ hai, một thử nghiệm về việc liệu việc xóa có thể bị vượt qua bằng cách nhắc các khái niệm con như xe hơi đỏ sau khi xóa phương tiện.

Cuối cùng, một kiểm tra đã được thực hiện về việc rò rỉ thuộc tính, nơi các thuộc tính liên kết với khái niệm đã xóa xuất hiện trong các đối tượng khác (ví dụ, việc xóa ghế sofa có thể khiến một đối tượng khác, chẳng hạn như chậu cây, kế thừa màu sắc hoặc vật liệu của nó). Tập dữ liệu cuối cùng chứa 5056 lời nhắc thành phần

Thử Nghiệm

Các khuôn khổ trước đó được thử nghiệm là những khuôn khổ được liệt kê trước đó – UCE, RECE, MACE và SPM. Các nhà nghiên cứu đã áp dụng các cài đặt mặc định từ các dự án ban đầu và tinh chỉnh tất cả các mô hình trên một GPU NVIDIA RTX 6000 với 48GB VRAM.

Stable Diffusion 1.4, một trong những mô hình lâu đời nhất trong tài liệu, đã được sử dụng cho tất cả các thử nghiệm – có lẽ không chỉ vì các mô hình SD đầu tiên có rất ít hoặc không có sự kiềm chế về khái niệm, và do đó cung cấp một tờ giấy trắng trong bối cảnh nghiên cứu cụ thể này.

Mỗi một trong 5056 lời nhắc từ tập dữ liệu SEE đã được chạy qua cả phiên bản chưa chỉnh sửa và chỉnh sửa của mô hình, tạo ra bốn hình ảnh cho mỗi lời nhắc bằng cách sử dụng các hạt ngẫu nhiên cố định, cho phép kiểm tra xem các hiệu ứng xóa có nhất quán trên nhiều đầu ra hay không. Mỗi mô hình chỉnh sửa đã tạo ra tổng cộng 20.224 hình ảnh.

Sự hiện diện của các khái niệm được bảo tồn đã được đánh giá theo các phương pháp trước đó cho các thủ tục xóa ảnh-văn bản, sử dụng các mô hình VQA BLIP, QWEN 2.5 VL và Florence-2base.

Tác Động Đến Các Khái Niệm Lân Cận

Thử nghiệm đầu tiên đo lường xem việc xóa một khái niệm có ảnh hưởng không mong muốn đến các khái niệm lân cận. Ví dụ, sau khi loại bỏ xe hơi, mô hình nên ngừng tạo ra xe hơi đỏ hoặc xe hơi lớn, nhưng vẫn có thể tạo ra các khái niệm liên quan như xe buýt hoặc xe tải, và các khái niệm không liên quan như đũa.

Phân tích sử dụng CLIP độ tương đồng nhúng và khoảng cách chỉnh sửa dựa trên thuộc tính để ước tính mức độ gần gũi của mỗi khái niệm với khái niệm mục tiêu bị xóa, cho phép nghiên cứu lượng hóa mức độ gián đoạn lan rộng:

Kết quả kết hợp cho độ chính xác mục tiêu (trái) và độ chính xác bảo tồn (phải) được vẽ theo độ tương đồng ngữ nghĩa (trên) và khoảng cách thành phần (dưới). Một phương pháp xóa khái niệm lý tưởng sẽ hiển thị độ chính xác mục tiêu thấp và độ chính xác bảo tồn cao trên tất cả các khoảng cách; nhưng kết quả cho thấy các kỹ thuật hiện tại không tổng quát hóa một cách sạch sẽ, với các khái niệm gần gũi hơn bị xóa không đầy đủ hoặc bị gián đoạn quá mức.

Trong số những kết quả này, các tác giả nhận xét:

‘Tất cả các CETs tiếp tục tạo ra các biến thể thành phần hoặc ngữ nghĩa xa của mục tiêu mặc dù đã xóa, điều này lý tưởng không nên xảy ra. Rõ ràng là UCE nhất quán đạt được độ chính xác cao hơn so với các phương pháp CET khác trên [tập hợp bảo tồn], cho thấy tác động không mong muốn tối thiểu đến các khái niệm liên quan về mặt ngữ nghĩa.

‘Ngược lại, SPM đạt được độ chính xác thấp nhất, cho thấy chiến lược chỉnh sửa của nó dễ bị ảnh hưởng bởi sự tương đồng của khái niệm.’

Trong số bốn phương pháp được thử nghiệm, RECE là phương pháp hiệu quả nhất trong việc chặn khái niệm mục tiêu. Tuy nhiên, như thể hiện ở phía bên trái của hình ảnh trên, tất cả các phương pháp đều không thể ngăn chặn các biến thể thành phần. Sau khi xóa chim, mô hình vẫn tạo ra hình ảnh của một con chim đỏ, cho thấy khái niệm vẫn còn một phần nguyên vẹn.

Loại bỏ ghế sofa xanh cũng ngăn mô hình tạo ra một ghế xanh, cho thấy tác động tiêu cực đến các khái niệm lân cận.

RECE xử lý các biến thể thành phần tốt hơn so với các phương pháp khác, trong khi UCE bảo tồn các khái niệm liên quan tốt hơn.

Xâm Lấn Xóa

Thử nghiệm xóa xâm lấn đánh giá xem mô hình có thể tạo ra các khái niệm con sau khi siêu lớp của chúng đã bị xóa. Ví dụ, nếu phương tiện bị xóa, thử nghiệm kiểm tra xem mô hình có thể tạo ra đầu ra như xe đạp hoặc xe hơi đỏ hay không.

Các lời nhắc nhắm vào cả các lớp con trực tiếp và các biến thể thành phần để xác định xem việc xóa khái niệm có thực sự loại bỏ toàn bộ phân cấp hay có thể bị vượt qua thông qua các mô tả cụ thể hơn:

Sự xâm lấn của các siêu lớp đã xóa thông qua các lớp con và biến thể thành phần của chúng, với độ chính xác cao hơn cho thấy sự xâm lấn lớn hơn.

Mô hình chưa chỉnh sửa giữ độ chính xác cao trên tất cả các siêu lớp, xác nhận rằng nó chưa xóa bất kỳ khái niệm mục tiêu nào. Trong số các CETs, MACE cho thấy sự xâm lấn ít nhất, đạt được độ chính xác thấp nhất của lớp con trong hơn một nửa số danh mục được thử nghiệm. RECE cũng hoạt động tốt, đặc biệt là trong các nhóm phụ kiện, thể thao và điện tử.

Ngược lại, UCE và SPM cho thấy độ chính xác của lớp con cao hơn, cho thấy rằng các khái niệm đã xóa có thể dễ dàng bị vượt qua thông qua các lời nhắc liên quan hoặc lồng nhau.

Các tác giả lưu ý:

‘[Tất cả] CETs đều thành công trong việc ức chế khái niệm siêu lớp mục tiêu (“thực phẩm”). Tuy nhiên, khi được nhắc với các lớp con thuộc tính của phân cấp thực phẩm (ví dụ: một chiếc bánh pizza lớn”), tất cả các phương pháp đều tạo ra các món ăn.

‘Tương tự trong danh mục phương tiện, tất cả các mô hình đều tạo ra xe đạp, mặc dù đã xóa “phương tiện”. ‘

Rò Rỉ Thuộc Tính

Thử nghiệm thứ ba, rò rỉ thuộc tính, kiểm tra xem các thuộc tính liên kết với một khái niệm đã xóa có xuất hiện trong các phần khác của hình ảnh hay không.

Ví dụ, sau khi xóa ghế sofa, mô hình không nên tạo ra một chiếc ghế sofa hoặc áp dụng các thuộc tính điển hình của nó (như màu sắc hoặc vật liệu) cho các đối tượng không liên quan trong cùng một lời nhắc. Điều này được đo bằng cách nhắc mô hình với các cặp đối tượng và kiểm tra xem các thuộc tính đã xóa có vô tình xuất hiện trong các khái niệm được bảo tồn hay không:

Bản đồ chú ý cho các mã thông báo thuộc tính sau khi xóa khái niệm. Trái: Khi ‘ghế dài’ bị xóa, mã thông báo ‘gỗ’ chuyển sang con chim, dẫn đến việc tạo ra những con chim bằng gỗ. Phải: Việc xóa ‘ghế sofa’ không ngăn chặn việc tạo ra ghế sofa, trong khi mã thông báo ‘lớn’ bị gán sai cho chiếc bánh ngọt.

RECE là phương pháp hiệu quả nhất trong việc xóa các thuộc tính mục tiêu, nhưng cũng giới thiệu nhiều rò rỉ thuộc tính nhất vào các lời nhắc được bảo tồn, vượt qua cả mô hình chưa chỉnh sửa. UCE bị rò rỉ ít hơn so với các phương pháp khác.

Kết quả, các tác giả đề xuất, cho thấy sự cần thiết của một sự đánh đổi vốn có, với việc xóa mạnh hơn làm tăng nguy cơ chuyển thuộc tính sai hướng.

Kết Luận

Không gian tiềm ẩn của mô hình không lấp đầy một cách ngăn nắp trong quá trình đào tạo, với các khái niệm phái sinh được lưu trữ một cách gọn gàng trên các kệ hoặc trong các tủ hồ sơ; mà các bản nhúng đã được đào tạo là cả nội dung và các thùng chứa của chúng: không bị ngăn cách bởi bất kỳ ranh giới rõ ràng nào, mà thay vào đó hòa lẫn vào nhau theo cách khiến việc loại bỏ trở nên khó khăn – giống như cố gắng loại bỏ một pound thịt mà không mất bất kỳ máu nào.

Trong các hệ thống thông minh và phát triển, các sự kiện cơ bản – như bị bỏng và sau đó đối xử với lửa một cách thận trọng – gắn liền với các hành vi và mối liên hệ mà chúng hình thành sau này, khiến việc tạo ra một mô hình có thể đã bị loại bỏ các hệ quả của một khái niệm trung tâm, có khả năng bị “cấm”, nhưng lại thiếu khái niệm đó trong chính nó.

* Sự chuyển đổi của tôi từ trích dẫn nội tuyến của tác giả sang siêu liên kết.

Được xuất bản lần đầu vào thứ Sáu, ngày 22 tháng 8 năm 2025