AI có trọng số mở và AI mã nguồn mở: Khác nhau như thế nào?

AI có trọng số mở cung cấp các tham số của mô hình đã huấn luyện theo một giấy phép, trong khi AI mã nguồn mở, theo nghĩa rộng hơn, hàm ý quyền truy cập và các quyền tự do đối với phần mềm, dữ liệu, tài liệu và quy trình phát triển.

AI có trọng số mở cần được giải thích chính xác, vì tên gọi này xác định một luồng thông tin, lựa chọn huấn luyện, cơ chế vận hành hoặc ranh giới quản trị cụ thể. Coi thuật ngữ này đồng nghĩa với “AI tiên tiến” sẽ khiến các tuyên bố không thể kiểm chứng. Hướng dẫn này theo sát khái niệm từ đầu vào và các giả định cho đến kết quả có thể quan sát, rồi kiểm tra cách hiểu tắt dễ bị nhầm lẫn nhất.

AI có trọng số mở: Định nghĩa, ranh giới và mục đích

AI có trọng số mở cung cấp các tham số của mô hình đã huấn luyện theo một giấy phép, trong khi AI mã nguồn mở, theo nghĩa rộng hơn, hàm ý quyền truy cập và các quyền tự do đối với phần mềm, dữ liệu, tài liệu và quy trình phát triển. Định nghĩa này bao hàm ba cam kết thực tiễn: có một đầu vào xác định được, có một phép biến đổi hoặc quyết định đặc trưng cho AI có trọng số mở, và có một kết quả có thể được đánh giá dựa trên mục tiêu đã nêu. Nếu thiếu một trong những yếu tố đó, nhãn này có thể chỉ mô tả một nguyện vọng chứ không phải một cơ chế đã được triển khai.

Năng lực, an toàn, bảo mật và quản trị có liên hệ với nhau nhưng trả lời những câu hỏi khác nhau. Một hệ thống có năng lực vẫn có thể thiếu bảo mật; một quy trình tuân thủ vẫn có thể dựa trên các phép đo yếu; một chuẩn đánh giá vững chắc vẫn có thể không phù hợp với một triển khai cụ thể. Với AI có trọng số mở, cách nhìn toàn hệ thống này rất quan trọng, bởi hiệu năng có thể do dữ liệu, giao diện, phần cứng, quyền hạn và con người xung quanh quyết định, ngay cả khi mô hình nền tảng không thay đổi. Vì vậy, một lời giải thích hữu ích cần phân biệt hành vi mà mô hình đã học với sản phẩm quyết định khi nào, ở đâu và với thẩm quyền nào hành vi đó được sử dụng.

Cách hiểu tắt dễ gây nhầm lẫn nhất là gắn nhãn nhị phân, theo đó mọi mô hình có thể tải xuống đều hoàn toàn là mã nguồn mở. Cách hiểu này có thể có một đặc điểm dễ nhận thấy giống với AI có trọng số mở, nhưng lại làm thay đổi mối quan hệ nhân quả: cần có bằng chứng khác để xác lập thành công, những nguồn lực khác sẽ chi phối chi phí, và những biện pháp kiểm soát khác sẽ giúp ngăn ngừa tác hại. Vì vậy, ranh giới ở đây mang tính vận hành chứ không phải thuật ngữ.

Bản đồ vận hành AI có trọng số mở qua năm giai đoạn

Sơ đồ này là bản đồ nhân quả cô đọng về AI có trọng số mở, không phải tuyên bố rằng mọi cách triển khai đều sử dụng năm thành phần phần mềm. Một số hệ thống gộp các giai đoạn, còn những hệ thống khác lặp lại chúng theo vòng lặp. Bản đồ vẫn hữu ích vì buộc mỗi thay đổi về thông tin hoặc thẩm quyền phải có chủ thể chịu trách nhiệm, đầu vào, đầu ra và phép kiểm tra.

1. Xác định những thành phần nào thực sự được công bố: Đầu vào và giả định trong AI có trọng số mở

Ở giai đoạn này của AI có trọng số mở, hệ thống phải xác định những thành phần nào thực sự được công bố. Câu hỏi hữu ích không chỉ là thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, thay đổi trạng thái nào và bằng chứng nào cho thấy thay đổi đó hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với nhãn nhị phân cho rằng mọi mô hình có thể tải xuống đều hoàn toàn là mã nguồn mở, đồng thời tái tạo kết quả trong cùng các điều kiện đã nêu.

Quá trình chuyển giao sang giai đoạn AI có trọng số mở này bắt đầu từ mục tiêu đã nêu và nên kết thúc bằng một kết quả có thể hỗ trợ việc đọc các quyền được cấp và hạn chế theo giấy phép. Hãy ghi lại những điểm chưa chắc chắn, các phương án bị loại bỏ, việc sử dụng nguồn lực và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới này. Dấu vết đó giúp các nhóm phát hiện liệu trọng số có thể tăng cường khả năng kiểm soát và kiểm toán mà không làm lộ dữ liệu huấn luyện hoặc cấp quyền không hạn chế hay không, trước khi cùng điểm yếu ấy dẫn đến một kết quả có hệ quả đáng kể.

2. Đọc các quyền được cấp và hạn chế theo giấy phép: Cách biểu diễn hay quyết định trong AI có trọng số mở

Ở giai đoạn này của AI có trọng số mở, hệ thống phải đọc các quyền được cấp và hạn chế theo giấy phép. Câu hỏi hữu ích không chỉ là thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, thay đổi trạng thái nào và bằng chứng nào cho thấy thay đổi đó hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với nhãn nhị phân cho rằng mọi mô hình có thể tải xuống đều hoàn toàn là mã nguồn mở, đồng thời tái tạo kết quả trong cùng các điều kiện đã nêu.

Bước chuyển tiếp sang giai đoạn AI có trọng số mở này bắt đầu bằng việc xác định những tạo tác nào thực sự được phát hành và nên kết thúc bằng một kết quả có thể hỗ trợ đánh giá khả năng tái lập và tính minh bạch. Hãy ghi lại những điểm chưa chắc chắn, các phương án bị bác bỏ, việc sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới đó. Dấu vết này giúp các nhóm phát hiện liệu trọng số có thể tăng cường khả năng kiểm soát và kiểm tra mà không làm lộ dữ liệu huấn luyện hoặc cấp quyền không giới hạn, trước khi cùng một điểm yếu gây ảnh hưởng đến một đầu ra có hệ quả đáng kể hay không.

3. Đánh giá khả năng tái lập và tính minh bạch: Chuyển đổi đặc trưng trong AI có trọng số mở

Ở giai đoạn này của AI có trọng số mở, hệ thống phải đánh giá khả năng tái lập và tính minh bạch. Điều cần đặt câu hỏi không chỉ là thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, làm thay đổi trạng thái nào và bằng chứng nào chứng minh thay đổi đó là hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với một nhãn nhị phân cho rằng mọi mô hình có thể tải xuống đều hoàn toàn là mã nguồn mở, đồng thời tái lập kết quả trong cùng những điều kiện đã nêu.

Bước chuyển tiếp sang giai đoạn AI có trọng số mở này bắt đầu bằng việc đọc các quyền và hạn chế trong giấy phép, và nên kết thúc bằng một kết quả có thể hỗ trợ đánh giá bảo mật và khả năng kiểm soát khi triển khai. Hãy ghi lại những điểm chưa chắc chắn, các phương án bị bác bỏ, việc sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới đó. Dấu vết này giúp các nhóm phát hiện liệu trọng số có thể tăng cường khả năng kiểm soát và kiểm tra mà không làm lộ dữ liệu huấn luyện hoặc cấp quyền không giới hạn, trước khi cùng một điểm yếu gây ảnh hưởng đến một đầu ra có hệ quả đáng kể hay không.

4. Đánh giá bảo mật và khả năng kiểm soát khi triển khai: Ranh giới hạn chế và xác minh trong AI có trọng số mở

Ở giai đoạn này của AI có trọng số mở, hệ thống phải đánh giá bảo mật và khả năng kiểm soát khi triển khai. Điều cần đặt câu hỏi không chỉ là thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, làm thay đổi trạng thái nào và bằng chứng nào chứng minh thay đổi đó là hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với một nhãn nhị phân cho rằng mọi mô hình có thể tải xuống đều hoàn toàn là mã nguồn mở, đồng thời tái lập kết quả trong cùng những điều kiện đã nêu.

Bước chuyển tiếp sang giai đoạn AI có trọng số mở này bắt đầu bằng việc đánh giá khả năng tái lập và tính minh bạch, và nên kết thúc bằng một kết quả có thể hỗ trợ đối chiếu các tuyên bố về mức độ mở với mục đích sử dụng dự kiến. Hãy ghi lại những điểm chưa chắc chắn, các phương án bị bác bỏ, việc sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới đó. Dấu vết này giúp các nhóm phát hiện liệu trọng số có thể tăng cường khả năng kiểm soát và kiểm tra mà không làm lộ dữ liệu huấn luyện hoặc cấp quyền không giới hạn, trước khi cùng một điểm yếu gây ảnh hưởng đến một đầu ra có hệ quả đáng kể hay không.

5. Đối chiếu các tuyên bố về mức độ mở với mục đích sử dụng dự kiến: Đầu ra, phản hồi và quy tắc dừng trong AI có trọng số mở

Ở giai đoạn này của AI có trọng số mở, hệ thống phải đối chiếu các tuyên bố về mức độ mở với mục đích sử dụng dự kiến. Điều cần đặt câu hỏi không chỉ là thao tác đó có diễn ra hay không, mà còn là nó sử dụng thông tin nào, làm thay đổi trạng thái nào và bằng chứng nào chứng minh thay đổi đó là hợp lệ. Người đánh giá cần có khả năng phân biệt thao tác này với một nhãn nhị phân cho rằng mọi mô hình có thể tải xuống đều hoàn toàn là mã nguồn mở, đồng thời tái lập kết quả trong cùng những điều kiện đã nêu.

Bước chuyển tiếp sang giai đoạn AI có trọng số mở này bắt đầu bằng việc đánh giá bảo mật và khả năng kiểm soát khi triển khai, và nên kết thúc bằng một kết quả có thể hỗ trợ hoạt động giám sát hoặc đưa ra quyết định cuối cùng. Hãy ghi lại những điểm chưa chắc chắn, các phương án bị bác bỏ, việc sử dụng tài nguyên và mọi biện pháp kiểm soát do con người hoặc phần mềm áp dụng tại ranh giới đó. Dấu vết này giúp các nhóm phát hiện liệu trọng số có thể tăng cường khả năng kiểm soát và kiểm tra mà không làm lộ dữ liệu huấn luyện hoặc cấp quyền không giới hạn, trước khi cùng một điểm yếu gây ảnh hưởng đến một đầu ra có hệ quả đáng kể hay không.

Đọc sơ đồ AI có trọng số mở theo chiều xuôi để hiểu quy trình sản xuất, và theo chiều ngược để chẩn đoán sự cố. Phân tích xuôi đặt câu hỏi một giai đoạn cung cấp đầu vào cho giai đoạn kế tiếp như thế nào. Phân tích ngược bắt đầu từ một kết quả không chính xác, chậm, tốn kém hoặc không an toàn, rồi lần theo giả định trước đó đã khiến vấn đề xảy ra. Thường chính lần truy ngược này giúp nhóm phát hiện lỗi quyết định đã xuất hiện trước cả khi mô hình tạo ra bất kỳ thứ gì.

Ví dụ minh họa về AI có trọng số mở

Một nhóm có thể chạy riêng tư các trọng số có thể tải xuống nhưng vẫn không có bộ dữ liệu cần thiết để tái lập mô hình.

Ví dụ này hữu ích vì có thể gắn AI có trọng số mở với các đầu vào, trạng thái trung gian và kết quả có thể quan sát được, thay vì đánh giá nó qua một màn trình diễn trau chuốt. Một phép thử nghiêm ngặt sẽ xây dựng các tình huống thông thường, khó và cố ý gây hiểu lầm xoay quanh kịch bản đó, giữ lại một đường cơ sở không sử dụng kỹ thuật này, đồng thời ghi nhận cả hiệu suất trung bình lẫn mức độ nghiêm trọng của từng lỗi riêng lẻ.

Hãy thay đổi một giả định trong ví dụ AI có trọng số mở rồi lặp lại phân tích. Loại bỏ một đầu vào bắt buộc, đưa vào một tín hiệu mâu thuẫn, giới hạn năng lực tính toán, thay đổi nhóm người dùng hoặc buộc hệ thống phải từ chối đưa ra kết luận. Một cơ chế chỉ thành công trong một màn trình diễn được sắp đặt cẩn thận duy nhất chưa chứng minh được rằng nó có thể khái quát hóa sang môi trường vận hành.

AI có trọng số mở và lối tắt phổ biến nhất

AI có trọng số mở thường bị giản lược thành một nhãn nhị phân, theo đó mọi mô hình có thể tải xuống đều được xem là hoàn toàn mã nguồn mở. Cách giản lược này xóa nhòa chính ranh giới làm nên khái niệm đó. Điều này có thể khiến người mua so sánh những sản phẩm không tương đồng, nhà nghiên cứu phóng đại điều mà một thử nghiệm chứng minh được, còn đơn vị vận hành thì theo dõi sai tín hiệu sau khi triển khai.

Phép so sánh cũng cần xác định đơn vị phân tích. Một bài nghiên cứu về AI có trọng số mở có thể chỉ xem xét một mô hình hoặc thuật toán, trong khi một dịch vụ đã triển khai còn bổ sung các thành phần truy xuất, định tuyến, lưu vào bộ nhớ đệm, chính sách, danh tính, giao diện người dùng và giám sát. Hai sản phẩm có thể dùng cùng một thuật ngữ nổi bật nhưng triển khai những phần khác nhau trong hệ thống đó. Hãy xác định thành phần nào thực hiện phép biến đổi mang tính định nghĩa và những thành phần nào khác cần thiết để đạt được kết quả được báo cáo.

Vì sao AI có trọng số mở quan trọng trong các hệ thống AI hiện nay

AI có trọng số mở hiện nay rất quan trọng vì các hệ thống AI đang được cung cấp ngữ cảnh lớn hơn, nhiều phương thức đầu vào hơn, năng lực tính toán khi chạy lớn hơn, quyền truy cập công cụ rộng hơn và khả năng kết nối sâu hơn với các quyết định của tổ chức. Trong những điều kiện đó, điều từng có vẻ chỉ là một chi tiết nghiên cứu có thể quyết định độ trễ, bảo mật, khả năng tiếp cận, chi phí môi trường, chất lượng sản phẩm hoặc trách nhiệm giải trình pháp lý.

Thước đo phù hợp không phải là liệu AI có trọng số mở có thể tạo ra một kết quả ấn tượng hay không. Điều quan trọng là liệu kỹ thuật đó có cải thiện một kết quả đáng kể trong các điều kiện mang tính đại diện và làm được điều đó hiệu quả hơn một phương pháp cơ sở đơn giản hơn hay không. Hãy báo cáo phân bố kết quả, các nhóm lỗi, độ trễ ở phần đuôi, mức sử dụng tài nguyên và các nhóm đối tượng bị ảnh hưởng, thay vì gộp mọi kết quả thành một giá trị trung bình.

Hãy xác định tác nhân, bối cảnh, tài sản, những người bị ảnh hưởng, bằng chứng và quyết định trước khi chọn biện pháp kiểm soát. Đánh giá lại khi mô hình, dữ liệu, công cụ, khu vực pháp lý hoặc môi trường vận hành thay đổi. Khi áp dụng riêng cho AI có trọng số mở, nguyên tắc này giúp bằng chứng có thể được sử dụng ở nơi khác: một nhóm khác có thể đánh giá liệu lợi ích được tuyên bố có khả năng vẫn đạt được với một mô hình, ngôn ngữ, nền tảng phần cứng, tập dữ liệu, nhóm người dùng hoặc mức chấp nhận rủi ro khác hay không.

Những lợi ích AI có trọng số mở có thể mang lại

Lý do thuyết phục nhất để sử dụng AI có trọng số mở là khả năng giải quyết trực tiếp điểm nghẽn mà nó được thiết kế để xử lý. Tùy vào cách triển khai, lợi ích có thể thể hiện ở khả năng bám sát dữ liệu nền tốt hơn, biểu diễn trung thực hơn, khả năng khái quát hóa được cải thiện, độ trễ thấp hơn, giảm luân chuyển dữ liệu trong bộ nhớ, trách nhiệm giải trình rõ ràng hơn hoặc ranh giới an toàn hơn giữa đề xuất của mô hình và hành động thực tế.

Lợi ích cần được diễn đạt dưới dạng quyết định và chỉ số đo lường. “Thông minh hơn” không phải là tiêu chí nghiệm thu đối với AI có trọng số mở. Một mục tiêu hữu ích có thể nêu rõ tỷ lệ lỗi trong các trường hợp khó, khả năng khôi phục sau khi gặp bằng chứng mâu thuẫn, chi phí tại một phân vị lưu lượng truy cập, thời gian con người cần để rà soát, mức độ hiệu chỉnh hoặc tỷ lệ hành động nằm trong giới hạn thẩm quyền đã xác định.

Chế độ thất bại định nghĩa AI có trọng số mở

Hạn chế cốt lõi là trọng số có thể tăng cường khả năng kiểm soát và khả năng kiểm toán mà không tiết lộ dữ liệu huấn luyện hay cấp các quyền không hạn chế. Đây không phải là một vấn đề có thể để đến sau rồi mới liệt kê khi quá trình phát triển đã hoàn tất. Ngay từ đầu, vấn đề này cần định hình việc thu thập dữ liệu, kiến trúc, quyền hạn, đánh giá, các điều kiện phê duyệt phát hành và hoạt động giám sát đối với AI có trọng số mở.

Biện pháp kiểm soát đối với AI trọng số mở chỉ hữu ích nếu được áp dụng trước khi xảy ra hậu quả tốn kém hoặc không thể đảo ngược. Hãy xác định dấu hiệu báo trước sớm nhất có thể quan sát được, đặt ra ngưỡng hoặc quy tắc, chỉ định người chịu trách nhiệm và kiểm thử khả năng khôi phục. Tùy trường hợp sử dụng, khôi phục có thể là từ chối đưa ra kết quả, chuyển sang hệ thống đơn giản hơn, yêu cầu thêm bằng chứng, chuyển vấn đề cho con người xử lý, khôi phục phiên bản mô hình trước đó hoặc dừng hoàn toàn một hành động.

Kế hoạch đánh giá AI trọng số mở

Hãy bắt đầu đánh giá AI trọng số mở bằng cách xác định quyết định mà bằng chứng cần hỗ trợ. Hãy xác định đối tượng sử dụng, hậu quả của một kết quả sai, thông tin thực sự có sẵn tại thời điểm đưa ra quyết định và phương án thay thế đơn giản nhất nhưng vẫn đáng tin cậy. Cách này giúp tránh tình trạng coi điểm chuẩn là mục tiêu chỉ vì nó dễ triển khai.

Hãy dùng một tập kiểm thử chưa từng được sử dụng để so sánh có kiểm soát, sau đó xác thực AI trọng số mở trong môi trường vận hành theo từng giai đoạn. Đánh giá ngoại tuyến giúp so sánh các biến thể; chế độ chạy ngầm, triển khai thử cho một nhóm nhỏ, giới hạn tốc độ hoặc các bước phê duyệt cho thấy lưu lượng truy cập thực tế, vòng lặp phản hồi và con người làm thay đổi hành vi như thế nào. Giai đoạn triển khai cần có điều kiện dừng rõ ràng, thay vì mặc định rằng mọi cải tiến đều đáng được triển khai toàn diện.

Hãy quản lý phiên bản của các đầu vào cần thiết để tái tạo AI trọng số mở: dữ liệu nguồn, bước tiền xử lý, bộ mã hóa token hoặc bộ mã hóa, trọng số mô hình, cấu hình, lời nhắc hoặc chính sách, chỉ mục truy xuất, tập đánh giá, các giả định về phần cứng và mã phục vụ mô hình, nếu phù hợp. Nếu không có thông tin truy xuất nguồn gốc, nhóm sẽ không thể xác định kết quả thay đổi là do kỹ thuật, môi trường hay một chỉnh sửa không được chú ý trong quy trình xử lý dữ liệu.

Cuối cùng, hãy xác định phát hiện nào sẽ bác bỏ tuyên bố rằng AI trọng số mở mang lại lợi ích. Nếu không có kết quả nào có thể làm thay đổi quyết định áp dụng, thì việc đánh giá chỉ là hoạt động tiếp thị. Các ngưỡng chấp nhận được xác định trước và một tập xác nhận được lưu giữ sẽ biến quá trình này thành hoạt động thu thập bằng chứng.

Những câu hỏi cần đặt ra trước khi áp dụng AI trọng số mở

• Mục tiêu: AI trọng số mở được kỳ vọng giải quyết nút thắt nào có thể đo lường được?
• Cơ chế: Sự chuyển đổi đặc thù diễn ra ở giai đoạn nào trong năm giai đoạn?
• Đường cơ sở: Kết quả này ra sao khi so với cách phân loại nhị phân, theo đó mọi mô hình có thể tải xuống đều là mã nguồn mở hoàn toàn, hoặc với một phương án thay thế đơn giản hơn?
• Bằng chứng: Đã kiểm thử những trường hợp thông thường, khó, đối kháng và thuộc các nhóm nhỏ nào?
• Vận hành: Khi mở rộng quy mô, sẽ phát sinh những chi phí nào về độ trễ, bộ nhớ, năng lực tính toán, năng lượng, bảo trì và rà soát?
• Rủi ro: Nhóm sẽ xác định bằng cách nào liệu trọng số có thể tăng cường khả năng kiểm soát và kiểm toán mà không làm lộ dữ liệu huấn luyện hoặc cấp các quyền không giới hạn?
• Khôi phục: Hệ thống có thể từ chối đưa ra kết quả, chuyển sang phương án dự phòng, khôi phục phiên bản trước đó hoặc chuyển vấn đề lên cấp cao hơn trước khi gây hại không?

Nguồn chính để tìm hiểu về AI trọng số mở

Những nguồn tham khảo có thẩm quyền để tìm hiểu về các thành phần trong hệ thống AI bao quanh AI trọng số mở bao gồm Khung quản lý rủi ro AI của NIST, tổng quan về Đạo luật AI của Ủy ban châu Âu và hướng dẫn của OWASP về tấn công chèn lời nhắc. Hãy đọc các tài liệu này cùng với tài liệu hướng dẫn dành cho đúng mô hình, tập dữ liệu, phần cứng và khu vực pháp lý liên quan. Nguồn thông tin chung có thể giải thích cơ chế, nhưng chỉ bằng chứng gắn với từng trường hợp triển khai mới có thể xác định một cách triển khai cụ thể có phù hợp hay không.

Những điều cần nhớ về AI trọng số mở

AI trọng số mở là một cơ chế được xác định rõ trong một hệ thống kỹ thuật-xã hội rộng lớn hơn. Giá trị của nó nằm ở việc cải thiện một kết quả cụ thể trong những điều kiện rõ ràng, chứ không phải ở chính nhãn gọi. Sơ đồ năm giai đoạn giúp làm rõ luồng thông tin, phần so sánh xác định những gì không thuộc phạm vi của khái niệm này, còn lộ trình kiểm soát cho thấy người vận hành có trách nhiệm có thể can thiệp ở đâu.

Nguyên tắc thực tiễn khi sử dụng AI trọng số mở là xác định mục tiêu, so sánh với một đường cơ sở đáng tin cậy, kiểm thử tình huống thất bại quan trọng nhất và lưu giữ bằng chứng cần thiết để theo dõi thay đổi. Khi có đủ những yếu tố này, khái niệm sẽ trở thành một lựa chọn về kỹ thuật và quản trị có thể được đánh giá. Nếu thiếu chúng, đó vẫn chỉ là một cái tên đầy hứa hẹn gắn với một rủi ro vận hành chưa rõ.