Tell Me Lies: Grok, GPT, Claude dự đoán giá Bitcoin

Thí nghiệm kiểm tra kỹ năng nói và gõ của AI

Trí tuệ nhân tạo (AI) có thể duy trì một cuộc trò chuyện, nói chuyện như một nhà phân tích tài chính và đưa ra dự đoán giá bitcoin một cách trôi chảy. Nhưng liệu việc nói chuyện với AI có mang lại chất lượng suy luận tương đương với việc gõ câu hỏi vào hệ thống hay không? Một thí nghiệm vào ngày 23 tháng 10 năm 2026 đã kiểm chứng câu hỏi này, và câu trả lời hoàn toàn không đơn giản.

ChatGPT và Grok được đặt câu hỏi qua giao diện giọng nói, trong khi Claude Opus 5.5 ban đầu hoạt động qua văn bản. Một phiên giao tiếp bằng giọng nói sau đó của Claude Opus 5.5 đã mang lại một so sánh đầy ý nghĩa. Cả bốn hệ thống đều đưa ra mức giá Bitcoin cụ thể vào cuối năm. Không hệ thống nào thể hiện được quy trình tính toán có thể tái hiện đằng sau con số cuối cùng, nhưng sự khác biệt về độ chính xác thực tế, tính nhất quán và sự sẵn sàng thừa nhận sự không chắc chắn là rất đáng chú ý.

Bốn phiên thử nghiệm, ba công ty AI và một câu hỏi về Bitcoin

Bài kiểm tra này có sự tham gia của ChatGPT của OpenAI, Grok của xAI và Claude Opus 5.5 của Anthropic. Mỗi hệ thống được yêu cầu dự đoán giá đóng cửa của bitcoin vào ngày 31 tháng 12 năm 2026, bằng cách sử dụng năm lời nhắc nhấn mạnh vào các chu kỳ lịch sử, hoạt động trên chuỗi, sự chấp nhận của các tổ chức và điều kiện kinh tế.

Vào ngày 23 tháng 10, Bitcoin đang giao dịch ở mức gần 81.200 USD, tạo ra một điểm tham chiếu thị trường chung cho thí nghiệm. Phiên dự đoán bằng giọng nói của ChatGPT bắt đầu ở mức 89.500 USD và cuối cùng dừng lại ở 82.000 USD. Dự đoán bằng giọng nói của Grok dao động từ $88.000 xuống $82.000. Mô hình văn bản của Claude duy trì mức $78.000 trong suốt các gợi ý, trong khi phiên trò chuyện bằng giọng nói sau đó của nó bắt đầu ở mức $88.000 trước khi ổn định ở $85.000.

Thử nghiệm này không phải là một tiêu chuẩn khoa học có kiểm soát. Các công ty khác nhau sử dụng các kiến trúc khác nhau, và các phiên thử nghiệm không có quyền truy cập được xác minh giống hệt nhau vào thông tin thời gian thực. Tuy nhiên, các cuộc trò chuyện đã cung cấp cái nhìn sâu sắc về mức độ thuyết phục mà các hệ thống này có thể trình bày lý luận tài chính và mức độ lý luận đó chịu được sự kiểm tra kỹ lưỡng.

Giọng nói của ChatGPT nghe có vẻ bận rộn, nhưng các con số vẫn tiếp tục thay đổi

Phiên giao tiếp bằng giọng nói của ChatGPT đã tạo ra một trong những ví dụ rõ ràng nhất về sự trôi chảy trong đối thoại của thí nghiệm, vượt xa các phân tích đã được trình bày. Dự báo của nó đã thay đổi từ 89.500 USD xuống 86.500 USD sau khi Bitcoin.com News đưa ra các yếu tố phân tích bổ sung. Một lời nhắc bằng giọng nói khác không làm thay đổi con số, nhưng một câu hỏi sau đó liên quan đến triển vọng trong 18 đến 24 tháng đã khiến dự báo giảm xuống còn $82,000.

Kết quả đánh giá không tìm thấy bằng chứng nào về việc thu thập dữ liệu thị trường mới giữa các lần điều chỉnh đó. Thay vào đó, những thay đổi này xuất phát từ sự thay đổi trong cách đặt câu hỏi. Ngôn ngữ nói khiến quá trình này nghe có vẻ đáng tin cậy hơn so với thực tế. Mô hình ChatGPT ở chế độ giọng nói đã sử dụng các cụm từ như "để tôi tổng hợp các thông tin đó lại" và "Đang kiểm tra ngay đây". Những cụm từ này thường gợi ý rằng ai đó đang tra cứu thông tin. Thí nghiệm không chứng minh được rằng bất kỳ hoạt động tra cứu nào như vậy đã diễn ra. Có vẻ như nó đang nói dối.

Một cuộc trò chuyện sau đó với ChatGPT dưới dạng văn bản đã đưa ra đánh giá hoài nghi hơn về cuộc trao đổi bằng giọng nói trước đó, bao gồm cả lời thừa nhận: "Tôi đã coi tính hợp lý như bằng chứng." Sự phân biệt này rất quan trọng vì trải nghiệm giọng nói và văn bản của ChatGPT có thể sử dụng các mô hình cơ bản khác nhau. Lời giải thích sau đó của trợ lý văn bản không thể, chỉ dựa vào nó, xác định chính xác hệ thống giọng nói đã làm gì bên trong.

Sự việc này cho thấy một cuộc trò chuyện nghe có vẻ tự nhiên có thể dễ dàng tạo ra ấn tượng về công việc điều tra như thế nào, ngay cả khi câu trả lời thu được hầu như không cung cấp bằng chứng nào về điều đó.

Giọng nói của Grok cung cấp chi tiết nhưng lại nhầm lẫn một con số quan trọng

Các phản hồi bằng giọng nói của Grok nghe có vẻ được nghiên cứu kỹ lưỡng hơn, cung cấp các số liệu về sự sụt giảm lịch sử của bitcoin, lạm phát, hoạt động của các tổ chức và sự chậm trễ gần đây trong việc hoàn trả của Mt Gox. Phần lớn thông tin đó khớp với sự thật và các nguồn tham khảo. Sau đó là một sai sót nghiêm trọng. Theo báo cáo, Grok đã ước tính xác suất khoảng 90% cho việc Cục Dự trữ Liên bang (Fed) tăng lãi suất tại cuộc họp ngày 27-28/10. Trong khi đó, các tham chiếu thị trường trong bài đánh giá lại đưa ra xác suất khoảng 6% đến 18%, tùy thuộc vào nguồn và thời điểm quan sát.

Sự chênh lệch này là rất đáng kể. Về cơ bản, con số đó được lấy từ một nguồn tham chiếu cũ. Việc tăng lãi suất có xác suất thấp đã được trình bày như một điều gần như chắc chắn. Các vấn đề khác bao gồm mục tiêu giá bitcoin 150.000 USD đã lỗi thời của Bernstein và mô tả sai về vị trí của khoảng giá dự báo của Fidelity so với thị trường. Grok cuối cùng đã điều chỉnh xác suất lãi suất của mình, nhưng chỉ sau khi bị chất vấn.

Lời khẳng định sau đó của họ rằng họ không truy xuất dữ liệu thời gian thực cũng khó có thể giải thích được khi họ lại đề cập đến lạm phát gần đây và các diễn biến liên quan đến Mt Gox. Các câu hỏi tiếp theo không thể xác định liệu thông tin đó đến từ việc truy xuất dữ liệu, bối cảnh trước đó hay một nguồn khác. Đối với phần so sánh giọng nói, phát hiện quan trọng không chỉ đơn thuần là Grok đã mắc lỗi. Mà là các tuyên bố tài chính đúng và sai đều được đưa ra với mức độ tự tin trong cuộc trò chuyện gần như giống hệt nhau.

Mô hình văn bản của Claude đã tìm kiếm bằng chứng nhưng vẫn tự nghĩ ra một phương pháp

Phiên văn bản gốc của Claude Opus 5.5 có một lợi thế đã được ghi nhận: nó đã thực hiện bốn lần tìm kiếm trên web trước khi trả lời. Dự đoán 78.000 đô la của nó phần nào dựa trên True Market Mean (Trung bình thị trường thực) của bitcoin, được ước tính vào khoảng 77.600 đô la. Điều đó đã mang lại cho câu trả lời một tham chiếu thị trường cụ thể, điều mà phiên giọng nói của ChatGPT phần lớn thiếu. Tuy nhiên, câu trả lời bằng văn bản cũng có những vấn đề riêng.

Claude đã trình bày sai thời điểm chu kỳ halving lịch sử, đánh giá thấp mức sụt giảm khoảng 54% từ đỉnh xuống đáy của bitcoin, và bỏ qua cú sốc dầu mỏ do chiến tranh Iran trong phần thảo luận kinh tế. Nó cũng thiên về kịch bản dòng vốn rút khỏi quỹ giao dịch trao đổi (ETF) dù đã thu thập thông tin cho thấy bức tranh khác biệt cho tháng 10. Điều tiết lộ nhiều hơn là cách hệ thống mô tả quá trình làm việc của mình.

Claude đề cập đến “Các điểm dữ liệu mà tôi đã gán trọng số cao nhất” và khẳng định đã tính toán việc tăng lãi suất vào tháng 12 vào dự báo của mình. Tuy nhiên, khi bị chất vấn thêm, nó thừa nhận rằng mình chưa tính toán các trọng số số học hay xác suất. Con số ước tính 78.000 USD là một phán đoán dựa trên chỉ số thị trường, chứ không phải kết quả của một mô hình định lượng đã được chứng minh.

Phải mất ba vòng chất vấn trước khi phiên trò chuyện văn bản của Claude phân biệt rõ ràng được thông tin có nguồn gốc từ các giả định không có cơ sở. Việc tìm kiếm trên web đã cung cấp thêm tài liệu để thảo luận, nhưng không đảm bảo được phân tích hợp lý.

Mô hình giọng nói của Claude mang đến bất ngờ lớn nhất của thí nghiệm

Phiên trò chuyện bằng giọng nói Claude Opus 5.5 sau đó đã thay đổi cục diện so sánh. Dự đoán ban đầu của nó là 88.000 USD, sau đó được điều chỉnh xuống còn 85.000 USD. Khác với phiên trò chuyện bằng giọng nói của ChatGPT, vốn thay đổi câu trả lời nhiều lần, Claude vẫn giữ nguyên con số điều chỉnh đó trong suốt các lời nhắc còn lại và không điều chỉnh chỉ để đưa ra một dự báo thu hút sự chú ý hơn.

Quan trọng hơn, phản hồi bằng giọng nói của Claude đã chủ động nêu rõ các hạn chế sớm hơn so với các phiên khác. Trong câu trả lời thứ hai, nó thừa nhận không thể truy xuất các chỉ số on-chain theo thời gian thực và mô tả dự đoán của mình là một ước tính chứ không phải kết quả tính toán từ mô hình. Khi được yêu cầu xác định thông tin không có cơ sở, nó đã phân biệt rõ các con số thu thập được, kiến thức chung, các phép tính và ý kiến ngay từ yêu cầu đầu tiên.

Đây là hiệu suất công bố thông tin tốt hơn so với phiên văn bản của chính Claude, vốn cần đến ba vòng hỏi đáp mới đạt được mức độ cởi mở tương đương. Mô hình giọng nói này cũng mô tả chính xác các đỉnh chu kỳ lịch sử của Bitcoin thường xảy ra từ 12 đến 18 tháng sau các đợt halving, tránh được sai sót về thời điểm mà cả phiên giọng nói của Grok lẫn phản hồi văn bản ban đầu của Claude đều mắc phải.

Tuy nhiên, hiệu suất của mô hình giọng nói Claude vẫn chưa hoàn hảo. Nó đã trích dẫn giá dầu trên $110 dựa trên một con số mà bài đánh giá cho là đã lỗi thời, phóng đại việc các tổ chức tiếp tục mua Bitcoin và bỏ qua đợt sụt giảm sâu hơn của thị trường vào tháng 6 năm 2026 khi thảo luận về đợt sụt giảm hiện tại. Nó cũng không bao giờ trình bày phép tính nào dẫn đến mục tiêu $85,000 của mình.

Do đó, điều đáng ngạc nhiên không phải là mô hình giọng nói của Claude đã trở thành một công cụ dự báo tài chính tốt hơn. Mà là trong phiên này, trợ lý giọng nói đã cởi mở hơn về những hạn chế của mình so với phiên bản văn bản.

Tại sao AI giọng nói và AI văn bản không nhất thiết phải là cùng một hệ thống

Sự so sánh này nêu lên một vấn đề kỹ thuật mà người dùng thông thường có thể không bao giờ nghĩ đến: Nói chuyện với AI không phải lúc nào cũng tương đương với việc gõ văn bản vào đó. Trải nghiệm giọng nói ChatGPT của OpenAI sử dụng một họ mô hình riêng biệt so với trải nghiệm văn bản chính của nó. Trong khi đó, Anthropic mô tả giọng nói của Claude hoạt động thông qua phiên bản nhanh nhất của mô hình đã chọn, bao gồm các tùy chọn Sonnet và Opus được hỗ trợ.

Sự khác biệt này khiến việc so sánh trực tiếp trở nên phức tạp. Ngay cả khi giao diện hiển thị cùng tên mô hình, trải nghiệm giọng nói có thể liên quan đến các cài đặt thực thi, giới hạn độ trễ và thành phần xử lý giọng nói khác nhau. Thí nghiệm này không xác định độc lập được cách các yếu tố đó ảnh hưởng đến các câu trả lời.

Kiến trúc giọng nói của Grok không được xác minh trong báo cáo, khiến một phần quan trọng khác của so sánh kỹ thuật vẫn chưa được làm rõ. Do đó, các phiên thử nghiệm này không thể khẳng định rằng AI giọng nói vốn dĩ kém chính xác hơn, dễ bịa đặt hơn hoặc minh bạch hơn so với AI văn bản tạo sinh. Những gì chúng cho thấy là giao diện và cấu hình cơ bản rất quan trọng, và chỉ riêng một thương hiệu quen thuộc không đảm bảo hành vi tương đương.

Claude đã cung cấp so sánh nội bộ hữu ích nhất, nhưng ngay cả trong trường hợp đó, các phiên thử nghiệm văn bản và giọng nói diễn ra riêng biệt và không phải là các thử nghiệm lặp lại, có kiểm soát.

Thử thách thực sự chỉ bắt đầu khi AI ngừng nói

Trong bốn phiên thử nghiệm, các dự báo cuối cùng dao động từ 78.000 đến 85.000 đô la, tất cả đều tương đối gần với giá thị trường hiện hành của bitcoin. Không có hệ thống nào chứng minh được cách các giả định của mình được chuyển hóa thành con số chính xác mà nó đã chọn. Báo cáo đánh giá cũng chỉ ra những hạn chế trong chính phương pháp luận của mình. Claude là tác giả của bản đánh giá hiệu suất này, và một số tuyên bố về thị trường được kiểm tra thông qua các trích đoạn tìm kiếm thay vì các nguồn gốc đầy đủ.

Không có công cụ độc lập nào ghi lại chính xác những gì mỗi trợ lý giọng nói đã thu thập. Những hạn chế này là cần thiết, nhưng chỉ áp dụng cho xAI, OpenAI và Anthropic. Đây là một thí nghiệm thăm dò, không phải bằng chứng cho thấy một công ty hay chế độ tương tác nào đó luôn vượt trội hơn các đối thủ. Tuy nhiên, nó đã phơi bày sự khác biệt quan trọng giữa việc nghe có vẻ phân tích và việc thể hiện phân tích thực sự.

Các trợ lý giọng nói có thể cung cấp bình luận tài chính với nhịp điệu và sự tự tin của một phát thanh viên chuyên nghiệp. Các mô hình văn bản có thể tổng hợp các giải thích chi tiết được hỗ trợ bởi các nguồn thông tin đã truy xuất. Cả hai vẫn có thể đưa ra kết luận không có cơ sở, ảo giác hoặc thậm chí là những lời nói dối trắng trợn, và cả hai đều có thể cải thiện khi được yêu cầu phân biệt giữa bằng chứng và suy luận.

Phiên giao tiếp bằng giọng nói sau đó của Claude cho thấy việc trò chuyện với AI không đồng nghĩa với việc phải hy sinh tính minh bạch. Đồng thời, ChatGPT và Grok đã chỉ ra lý do tại sao các câu trả lời bằng giọng nói được trau chuốt cũng cần được kiểm tra kỹ lưỡng như các câu trả lời bằng văn bản. Đối với bất kỳ ai sử dụng AI để đánh giá đầu tư, bài kiểm tra tiếp theo cần phải có các lời nhắc giống hệt nhau, hoạt động truy xuất được ghi chép lại, các phiên lặp lại và các số liệu được kiểm tra độc lập.

Chỉ khi đó, các nhà nghiên cứu mới có thể bắt đầu tách biệt tác động của tương tác bằng giọng nói khỏi khả năng suy luận của mô hình cơ bản. Kết quả tiết lộ nhất của thí nghiệm không phải là liệu bitcoin sẽ kết thúc năm 2026 ở mức 78.000 USD, 82.000 USD hay 85.000 USD. Mà là việc bốn màn trình diễn thuyết phục ở chế độ giọng nói đã tạo ra bốn bộ lý luận tài chính, và không có bộ nào có thể chỉ ra cơ sở toán học đằng sau câu trả lời cuối cùng của mình.