Sự lười biếng siêu nhận thức: Tác động của AI tạo sinh đối với động lực học tập

Xin lỗi, nhưng liên kết được cung cấp không chứa nội dung bài viết hợp lệ. Nếu bạn cung cấp bài viết hoặc nội dung khác, tôi sẽ hỗ trợ tóm tắt và dịch.

[GN⁺]

Ý kiến trên Hacker News

• Nghe có vẻ là chuyện hiển nhiên. Nếu dành thời gian tự tìm hiểu thay vì nhận ngay câu trả lời cho câu hỏi, ta sẽ học được nhiều hơn rất nhiều.
  Có thể có những người đủ kỷ luật để vẫn tìm hiểu thêm dù câu trả lời đã được đưa ra ngay, nhưng phần lớn thì không, và các công ty cũng muốn những giải pháp nhanh, “hiệu quả” và “có tính cạnh tranh” hơn là quan tâm đến thiệt hại dài hạn.

  • Ngay cả ở Hy Lạp cổ đại cũng có ghi chép rằng thế hệ cũ từng lo lắng tương tự về việc sử dụng chữ viết. Trong truyền thống truyền khẩu, học giả phải ghi nhớ mọi thứ, còn đọc và viết bị xem là chiếc nạng làm hỏng trí nhớ của người trẻ.
    Giờ đây chúng ta đang ở ranh giới của một kỷ nguyên mới, nơi việc đọc được thay thế bằng tìm kiếm·truy xuất bằng AI, và nỗi lo rằng AI có thể trở thành chiếc nạng khiến thế hệ trẻ yếu đi là có cơ sở. Tuy nhiên, chưa thể biết kết quả sẽ ra sao, hiện cũng chưa có tín hiệu nào cho thấy việc dùng AI làm tổn hại kết quả kinh doanh; còn mệnh đề lớn hơn rằng “AGI sẽ gây ra những thay đổi xã hội khổng lồ” có lẽ là đúng.
  • Nếu lập luận là tự tìm hiểu sẽ học được nhiều hơn so với nhận câu trả lời trực tiếp, thì chẳng phải nên ép mọi người bắt đầu từ nguyên lý thứ nhất hay sao?
    Việc học gắn với sự tò mò, còn sự tò mò không gắn với độ khó của việc tìm hiểu. Người có tò mò sẽ đặt thêm nhiều câu hỏi ngay cả khi nhận được câu trả lời trực tiếp, còn người không tò mò thì sẽ dừng ở đó. Tất cả chúng ta đều đứng trên vai người khổng lồ, và đó không phải điều xấu mà là điều tốt. Có thể có lợi ích khi từ bỏ người khổng lồ và tự bò lên đến độ cao đó, nhưng xét như một cách truyền đạt tri thức thì tôi cho rằng nó kém hiệu quả hơn nhiều.
  • LLM có vẻ sẽ là công nghệ vừa tăng khả năng tiếp cận tri thức, vừa nới rộng khoảng cách tri thức. Internet cũng đã như vậy.
    30 năm trước, người ta kỳ vọng rằng nếu có thể truy cập tức thì vào tri thức của nhân loại thì ai cũng sẽ thông minh hơn, nhưng ngay cả khi có Wikipedia, phần lớn mọi người vẫn cuộn xem các video kích động phẫn nộ, thứ không đem lại tri thức cũng chẳng khiến họ thấy tốt hơn. Dĩ nhiên, những trường hợp như một người ở Pakistan lập trình trên điện thoại và bảo trì plugin vim là rất đáng kinh ngạc, nhưng đó là hiệu ứng xuất hiện ở một thiểu số có cơ hội tận dụng công cụ, hơn là hiệu ứng trung bình trên toàn nhân loại.
    Một nhà vật lý từng nói trong một cuộc phỏng vấn trên YouTube rằng giờ đây bất kỳ nhà vật lý nào cũng có thể hỏi ChatGPT các câu hỏi ở trình độ sau đại học về những bài báo mới nhất và qua lại giữa tri thức của các phân ngành vật lý, nên điều đó có ích cho nghiên cứu vật lý.
  • Việc không tính đến thiệt hại dài hạn giống với các cuộc thảo luận về tuyển kỹ sư junior trong thập niên 2010. Các công ty không muốn tuyển và đào tạo junior, vì khoản đầu tư đó có rủi ro lớn là không quay lại với công ty đã đào tạo.
    Nếu kéo một kỹ sư senior khỏi dự án để dạy junior, rồi junior có được kỹ năng và kinh nghiệm xong lại chuyển sang công ty khác, công ty sẽ phải gánh ROI âm. Rốt cuộc đó là bi kịch của tài sản chung, và ngày nay cũng tương tự, chỉ khác cơ chế. Có thể sẽ xảy ra thiếu hụt kỹ sư phần mềm lành nghề, nhưng cách ngành này bố trí kỹ sư và giao việc vốn quá lãng phí nên có vẻ vẫn còn dư địa để chịu đựng tình trạng thiếu hụt trong một thời gian.
  • Vì vậy tôi chủ yếu dùng ChatGPT theo kiểu gần với các câu hỏi kiểu Socrates. Đại loại như “Trong bối cảnh C, tôi đã thử A, B, C; còn lựa chọn nào tôi bỏ sót không?”, “Trong kế hoạch này có chỗ nào bị bỏ qua về mặt hiệu suất không?”
    Nó giống công cụ để tránh những ngõ cụt tốn kém hơn là để tìm câu trả lời.

• Vấn đề này có hai mặt, và có thể hơi gây tranh cãi. Với bất kỳ chủ đề nào, khi hỏi ChatGPT, thường tôi sẽ đặt thêm nhiều câu hỏi dựa trên câu trả lời; phần lớn là những câu hỏi ngớ ngẩn, nhưng trong quá trình đó tôi cảm thấy mình tiếp nhận và phân tích thông tin rồi đi sâu hơn vì tò mò.
  So với tìm hiểu trên Internet thì có những điểm tốt, nhưng càng đào sâu, ta càng thường đọc phải những bài viết pha lẫn quan điểm của ai đó. Bài viết đó cho cảm giác như đã định sẵn câu hỏi nào là quan trọng, nên nhìn từ góc độ nào, và kết luận là gì. Dù có tính giáo dục, nó vẫn liên tục để lại những câu hỏi khác.
  Khác biệt nằm ở sự tò mò. Nếu tò mò về một chủ đề thì bạn sẽ học, còn nếu không thì nhận câu trả lời xong là thỏa mãn. Đó không phải là lười biếng, và không ai có thể tò mò về mọi thứ.

  • Thực ra ChatGPT cũng thiên lệch. Nó có nhiều lập trường chính trị, và có những chủ đề bị đối xử như điều cấm kỵ.
    Khác biệt là một chủ thể đơn lẻ quyết định khuynh hướng chính trị của mô hình, và mô hình đó tương tác với số người nhiều hơn rất nhiều so với một bài bình luận đơn lẻ.
  • Tôi cho rằng khả năng đặt câu hỏi mà không bị phán xét là một phần bị đánh giá thấp trong sức mạnh của những công cụ này. Có những người đủ vững vàng về mặt trí tuệ để hỏi người khác các câu hỏi “ngớ ngẩn”, nhưng phần lớn thì không, nhất là trước những người lạ.
    Tôi nghĩ mình chưa từng đặt câu hỏi nào trên Stack Overflow. Vì rất dễ hình dung cộng đồng đó sẽ xử lý ra sao với một câu hỏi mà tôi lo là trông có vẻ ngu ngốc. Nhưng với những mô hình như thế này, tôi có thể hỏi đủ loại câu hỏi ngớ ngẩn mà không phải lo gì, và tôi thích điểm đó.
  • Thông tin mà ChatGPT có thể đưa ra rốt cuộc chỉ là những gì tìm thấy trên web và những gì nó bịa ra tại chỗ. Chẳng hạn, nó không thể vào thư viện đọc những tư liệu bị lãng quên không được Wikipedia trích dẫn.
    Việc có một cuộc thảo luận “đầy tò mò” với ChatGPT rốt cuộc là tìm kiếm Internet qua một bộ lọc pha trộn giữa thiên kiến của bản thân và thiên kiến của ChatGPT. Có thể bạn cảm thấy như đã thoát ra, nhưng vẫn đang ở trong Internet. Internet giờ chỉ trả lời câu hỏi bằng lời nói; nó vẫn là Internet.
  • Giống một giáo sư tử tế không bao giờ mệt mỏi

• Tôi đã liên tục nói về điểm này từ khi OpenAI lần đầu tung ra ChatGPT. Mối nguy của LLM, thứ có thể dùng ở mọi nơi và dường như có câu trả lời cho mọi câu hỏi, không nằm ở sự tồn tại của nó mà ở tính chất cám dỗ của nó
  Cám dỗ muốn hỏi ngay LLM gần nhất để lấy câu trả lời, thay vì lặng lẽ tự nghiền ngẫm vấn đề, mới là mối nguy thật sự. Việc thao tác vấn đề trong đầu, tức tư duy phản biện, rốt cuộc là một kỹ năng, và chỉ có thể tiến bộ thông qua luyện tập có chủ đích và có kỷ luật

  • Tôi hiểu vấn đề này, nhưng với cách tôi dùng ChatGPT thì nó lại giúp tôi vượt qua sự lười biếng hơn là làm nó tệ thêm
    Khi có một dự án khó bắt đầu, việc hỏi ChatGPT gần như không có ma sát; đến lúc định thần lại thì tôi đã đang làm dự án, 8 tiếng trôi qua và nó đã xong. Nếu bị kẹt ở khâu cài một thư viện khó chịu, ChatGPT giải quyết giúp để tôi không nản. Hơn bất kỳ công cụ nào, nó giúp tôi bước vào và duy trì trạng thái flow, và là một cách tốt để tránh trì hoãn
  • Việc lặng lẽ nghiền ngẫm vấn đề chỉ hiệu quả khi có thông tin đúng. Nếu không có thông tin, cùng lắm bạn có nguy cơ lãng phí thời gian để phát minh lại cái bánh xe
    Trong mục đích sử dụng này, LLM là cùng loại công cụ như Google, tức là phương tiện để truy vấn, truy xuất và tiếp nhận thông tin. Cũng như Google, kết quả truy vấn không phải là đích đến mà là phương tiện. Như câu nói “dành một tháng trong phòng thí nghiệm có thể tiết kiệm một tuần trong thư viện”, việc hỏi Claude/ChatGPT/Copilot trong 10 phút cũng có thể giúp tiết kiệm. Thuê gia sư riêng cũng là lười biếng sao?
  • LLM đã dạy lại cho chúng ta điều mà ở mức nào đó ta đã biết từ Hitchhiker's Guide to the Galaxy. Cốt lõi của việc giải quyết vấn đề ngay từ đầu là đặt đúng câu hỏi
    Việc có thể lấy câu trả lời nhanh không phải là nguy hiểm. Hồi thập niên 90 người ta cũng nói tương tự về Google, hay hồi thập niên 70 về máy tính cầm tay. Với tôi, LLM chỉ đẩy nhanh quá trình mà dù sao tôi cũng sẽ tìm kiếm thủ công trên Internet, và để tư duy phản biện tốt hơn thì cần đặt nhiều câu hỏi hơn
  • Có vẻ sự lười biếng về thể chất lại hữu ích ở đây. Ngay cả việc giải thích đầy đủ vấn đề cho LLM và gói prompt sao cho nó tạo ra văn bản có thể dùng được cũng phiền đến mức tôi sẽ tự nghĩ trước
    Thường thì tôi sẽ tự giải quyết được, hoặc nhớ ra nguồn tư liệu gốc tốt hơn

• Có bản tiền ấn phẩm trên arXiv, và phần đầu trang 18 giải thích sự lười biếng siêu nhận thức là gì: “Trong bối cảnh tương tác người-AI, chúng tôi định nghĩa sự lười biếng siêu nhận thức là việc người học phụ thuộc vào sự trợ giúp của AI, ngoại hóa tải siêu nhận thức, và liên kết các quá trình siêu nhận thức có trách nhiệm với nhiệm vụ học tập theo cách kém hiệu quả hơn”
  Ở đây, “tải siêu nhận thức” có vẻ là nỗ lực nhận thức và siêu nhận thức cần thiết để điều chỉnh hiệu quả quá trình học khi người học thực hiện các nhiệm vụ đòi hỏi tự giám sát, lập kế hoạch và đánh giá một cách chủ động
  Bài báo xem điều này tương tự thuê ngoài nhận thức, tức để công cụ thay mình làm các công việc nhận thức khó, và cho rằng kết quả là ta bị tước mất cơ hội phát triển năng lực và trở nên phụ thuộc vào công cụ
  https://arxiv.org/pdf/2412.09315

  • Định nghĩa này nghe giống như việc cha mẹ phàn nàn vì bạn dùng Google Maps thay cho bản đồ gấp. Có thể khả năng đọc bản đồ thông thường đã giảm đi, nhưng nhìn chung thì mọi thứ đã tốt hơn
    Gọi điều này là “lười biếng” là quá giản lược. “Phụ thuộc vào sự trợ giúp của thứ gì đó” chính là mục đích của mọi công nghệ

• Vấn đề này chắc chắn có sự giằng co hai chiều. Một mặt, nó gợi nhớ đến chuyện từng có người nói “chẳng ai mang máy tính bỏ túi trong túi cả”, và rằng trẻ em sẽ trở nên hoàn toàn bất lực trong thế giới thực. Sau đó máy tính bỏ túi gần như đã nằm trong túi của mọi người, và bọn trẻ vẫn ổn
  Mặt khác, mình cho rằng những lợi ích có được từ học cách học, năng lực đọc hiểu truyền thông, cũng như quá trình tự nghiên cứu và tự rút ra kết luận cũng rất quan trọng
  Câu trả lời có lẽ nằm đâu đó ở giữa. Tức là dùng LLM như một công cụ hỗ trợ học tập, thay vì xem nó là đích đến cuối cùng

  • Ở trường, tôi được dạy không dùng máy tính bỏ túi trong bài kiểm tra và bài tập về nhà, nên đến giờ tôi vẫn có thể tính nhẩm
    Gần đây tôi thấy Gen Z lúng túng với các trò chơi bài cần cộng số hoặc khi tính tiền thối lại. Với thế hệ Millennials thì đó là việc ở mức tiểu học
  • Học cách học, năng lực đọc hiểu truyền thông, tự nghiên cứu và hình thành kết luận sẽ không biến mất. Những kỹ năng mới như học cách viết prompt tốt hơn, học khi nào nên phớt lờ AI, và học cách biến thông tin thành thứ có giá trị thực tế sẽ thay thế các kỹ năng cũ
    Giờ còn bao nhiêu người biết thắng yên lên ngựa, xem giờ mà không cần đồng hồ, khâu áo, dệt vải, săn bắn bằng công cụ thô sơ, hay nhóm lửa. Ta có thể giấu trẻ em khỏi AI, hoặc dạy chúng tận dụng AI để trưởng thành. Nếu muốn thấy điều gì xảy ra khi từ bỏ những thứ có vẻ quá tương lai, hãy nhìn người Amish. Đó là một lối sống đáng tôn trọng, nhưng trong số những người đang đọc bài này, có bao nhiêu người sẽ chọn cuộc sống đó?
  • Thật ngạc nhiên là mọi người cứ luôn tin những gì LLM nói. Một vài người bạn của tôi dùng ChatGPT cho mọi thứ, từ công việc đến các câu hỏi đơn giản
    Một người bạn hỏi ChatGPT về tiểu sử của một nhạc sĩ, và tôi thấy hơi đáng sợ khi người đó không đọc được trang Wikipedia có cùng thông tin và nguồn dẫn. Mẹ tôi nói bà đã dùng ChatGPT để tạo “tủ quần áo capsule”, nhưng tôi nghĩ chỉ cần nhìn quần áo rồi bỏ những món không mặc là được mà. Tại sao những quyết định đơn giản như vậy lại phải để máy tính làm?
    Tôi không chắc có nên dùng LLM làm công cụ hỗ trợ học tập hay không. Tôi chưa thấy lý do nào cho thấy nó tốt hơn tìm kiếm trực tuyến hay tự sáng tác câu chuyện của riêng mình; nếu có trường hợp sử dụng rõ ràng nào mà LLM thật sự hữu ích thì tôi muốn được nghe
  • Tôi nghĩ ví dụ này gần với thư viện hơn. Thế hệ cha mẹ phải đến thư viện tìm sách, còn thế hệ tôi thì thường nói chỉ cần dùng Internet là được
    Thực tế, tôi nghĩ tiêu chuẩn về kiến thức rộng và khả năng truy cập nhanh vào chi tiết sẽ được nâng lên. Nếu có thể kiểm tra chi tiết rất nhanh khi cần, thì việc hiểu ở mức trung bình nhiều lĩnh vực có giá trị lớn. Càng đi sâu, tốc độ học cũng dần chậm lại. Khi làm việc phức tạp, dù đã biết chi tiết rồi thì vì nó quan trọng, rốt cuộc vẫn phải kiểm tra lại
  • Ở trường không còn dạy thước tính hay bảng logarit nữa. Máy tính bỏ túi và máy tính điện tử đã tạo ra sự lười biếng siêu nhận thức rất lớn ngay cả với tôi, người dạy giải tích và có bằng tiến sĩ thống kê
    Với đường tròn đơn vị, ngoài các bội của π/4 ra thì tôi gần như không nhớ phản xạ được; các bội của π/6 thì tôi làm được nhưng chậm. Dù vậy, tôi không nghĩ việc không nhớ tức thì những thứ này khiến tôi trở thành một nhà toán học kém hơn. Tôi có thể chậm hơn một chút khi tìm đáp án cho các bài toán nhỏ nhặt, nhưng vẫn có thể giải các bài toán phức tạp
    Tôi tra công thức tích phân trong một cuốn bảng tích phân nhỏ hoặc trên Wolfram Alpha. Vì dù có thể tự suy ra, tôi cũng không nghĩ mình sẽ đúng 100%. Sự lười biếng siêu nhận thức đã bám rễ trong tôi rồi. Chỉ là nếu tìm được cách ngăn nó lan thành tình trạng mục não hoàn toàn thì có lẽ ổn. Nếu dạy học sinh tư duy phản biện, và tìm cách để AI hỗ trợ chúng ta thay vì biến chúng ta thành con người trên tàu vũ trụ trong Wall-E, thì ta có thể sống sót

• Phần tóm tắt không định nghĩa lười biếng siêu nhận thức là gì, cũng không cung cấp đủ ngữ cảnh từ phần mô tả kết quả trước đó để hiểu rõ nghĩa
  Cá nhân tôi thấy ChatGPT có điểm rõ ràng tốt hơn Google Search: ta có thể tiếp tục đặt những câu hỏi tinh tế hơn dựa trên câu trả lời ban đầu. Với tìm kiếm truyền thống, càng tìm tiếp thì lợi ích biên của sự tò mò so với thời gian bỏ ra càng giảm. Càng làm câu hỏi chính xác hơn, càng khó xuất hiện các kết quả không được tối ưu SEO; thường chỉ ra các bài viết phổ thông không có thông tin mới, hoặc tài liệu chuyên biệt đòi hỏi nền tảng chuyên môn rất rộng. LLM xây cầu nối đến câu trả lời tôi muốn khá tốt

  • Nếu không có định nghĩa, có thể đọc theo nghĩa đen. Tức là ngừng nỗ lực học những phương pháp học tốt hơn. Kiểu như khi bắt đầu học bằng chatbot, ta không luyện tập các cách khác mà chỉ phụ thuộc vào chatbot
    Tôi từng nghe nói các kỹ sư junior đã rơi vào cái bẫy này. Thay vì để lộ thiếu hụt kiến thức với đồng nghiệp, họ hỏi chatbot mọi thứ. Dù chatbot tránh được các lỗi lộ liễu, junior vẫn không nhận ra các lỗi tinh vi
  • Cách diễn đạt “câu trả lời tôi muốn” khá thú vị. Vì không phải là “câu trả lời đúng cho câu hỏi của tôi”, nên cách tiếp cận này có vẻ rất dễ dẫn đến việc củng cố thiên kiến sẵn có
    Nghe rất giống cách tìm một bài Wikipedia cụ thể, rồi lần theo nguồn dẫn để tìm văn bản gốc đầu tiên đưa ra “câu trả lời tôi muốn”
  • Vài ngày trước có câu chuyện về một mạng nơ-ron được tạo trên chip photon đơn. Tôi đưa bài báo vào ChatGPT và dùng nó để hiểu ý nghĩa hơn, toàn diện hơn về việc con chip đó thật sự cung cấp điều gì, nó hoạt động ra sao, nguyên lý cơ bản của các thành phần cốt lõi và cách tích hợp hệ thống
    Cần tính đến khả năng ảo giác, nhưng việc luôn có một người giải thích không biết mệt thực ra lại làm tăng động lực khám phá thông tin kỹ thuật dày đặc và hiểu các khái niệm mới. Tuy nhiên, dường như nó làm giảm ý chí bắt đầu viết từ trang giấy trắng. Tôi thường khám phá chủ đề với ChatGPT, lấy một dàn ý sơ bộ và nội dung cơ bản rồi viết tiếp
  • Có lúc tôi cảm thấy ChatGPT tốt hơn kết quả tìm kiếm của Google hay DuckDuckGo, dù đôi khi nó “phát minh” ra thực tại của riêng mình
    Trong một số trường hợp, LLM còn cung cấp những chuỗi tìm kiếm cụ thể để đưa vào công cụ tìm kiếm nhằm kiểm chứng nội dung. Tìm kiếm đã hỏng nặng, và tình trạng đó đã kéo dài từ khoảng năm 2014, khi trang kết quả Google bắt đầu hiển thị quảng cáo nhiều hơn kết quả
  • Việc không tự thử tạo định nghĩa dựa trên các ví dụ trong phần tóm tắt và nghĩa của chính từ này trông giống một ví dụ hay về lười biếng siêu nhận thức. Tức là lười trong quá trình tự suy nghĩ

• Điện thoại di động và laptop, với tư cách một người lớn lên không có chúng, đã thay đổi vài điều. Khoảng 20–25 năm trước, tôi nhận ra rằng chỉ cần một hai lần tìm kiếm web, nhiều lắm là hai ba lần, là có thể biết gần như mọi sự thật; rồi khoảng 10–15 năm trước, một thiết bị có kết nối có thể làm việc đó bất cứ khi nào được yêu cầu đã nằm trong túi mình
  Nhưng từ khoảng 5 năm trước, trong các tình huống xã hội, phần lớn thời gian tôi bắt đầu có ý thức không làm điều đó. Dù trong lúc trò chuyện có tò mò về một sự thật nhỏ nhặt nào đó, tôi không cắt ngang mạch nói chuyện, lấy màn hình ra nhìn rồi trả lời, mà cứ tiếp tục ở cùng người đó
  Vào thập niên 80–90, trong bầu không khí kiểu đố vui ở quán rượu, từng có những cuộc tranh luận sôi nổi về những sự thật nhỏ mà cả hai bên đều không biết ngay lập tức. Giờ thì đáp án quá dễ tìm nên chuyện đó gần như biến mất, mất hẳn rồi. Tôi không nhớ nó, nhưng điều đó khiến tôi nhạy cảm nhận ra ý thức của mình bị buộc chặt vào những sự thật có thể truy cập bằng tìm kiếm web đến mức nào, và tôi không chắc mình có thích việc thuê ngoài quá nhiều phần của bộ não cho một nơi nằm ngoài tầm kiểm soát của mình hay không

  • Từ lâu tôi đã nghĩ có lẽ lý do Guinness tạo ra “sách kỷ lục thế giới” là để trả lời đúng những câu hỏi kiểu đó, vốn thường bật ra ở quán rượu
  • Có thể mang theo một cuốn sổ nhỏ, thẻ flashcard Anki, hoặc ghi chú đơn giản
    Học kiến thức tạp học thuần túy để hỗ trợ trí nhớ cũng là một cách
  • Tôi đủ lớn tuổi để nhớ các buổi đố vui ở quán rượu thời chưa thể tra bằng điện thoại. Tôi tin chắc điện thoại đã phá hỏng đố vui ở quán rượu
  • Ví dụ hay, nhưng nếu tưởng tượng thời tổ tiên, ta cũng có thể nói kiểu “còn nhớ trò ngày xưa xem ai nhìn thấy con chim xa nhất không? Kính mắt đã phá hỏng nó rồi”

• Người ta nói rằng mã do AI tạo sinh viết ra thì con người phải xem xét toàn bộ. Ý là phải kiểm tra xem có lỗi rõ ràng không, và nó có đang tạo ra “đúng thứ” phù hợp với yêu cầu hay không
  Những giai thoại từ các thực hành viên dùng AI tạo sinh theo cách này nói rằng đó là công cụ tốt cho lập trình viên có kinh nghiệm, người biết cần phải coi chừng điều gì. Nhưng nếu nghĩ đến những người đang học, chưa biết mình đang làm gì, thì họ không biết phải coi chừng điều gì. Họ có biết use-after-free là gì, hay biết rằng cần hỏi bộ nhớ đệm hoạt động ra sao không? Họ có biết tên các thuật toán và cấu trúc dữ liệu không? Họ có nhận ra khoảnh khắc AI tạo sinh nói nhảm không?
  Nghiên cứu kiểu này khó nhưng quan trọng. Mẫu nhỏ nhưng thú vị, và tôi tò mò liệu có ai có thể lặp lại để kiểm chứng không

  • Tôi có nghe một giai thoại từ một người bạn dạy khoa học máy tính. Năm nay, nhiều sinh viên bắt đầu thêm các câu lệnh break không cần thiết vào mã C
    Kiểu như while (condition) { do_stuff(); if (!condition) { break; } }. Tìm hiểu thì điểm chung là ChatGPT, và tất cả những sinh viên hỏi vòng lặp hoạt động thế nào đều nhận được các biến thể câu trả lời rằng “để thoát khỏi vòng lặp, hãy dùng break()”. Trong khoa học máy tính thì không làm như vậy; không chỉ là thừa, nó còn làm việc chứng minh hình thức phức tạp hơn, nên trong đề thi phải thêm hướng dẫn “hãy làm theo cách đã học trong lớp” và đặt một ngoại lệ một lần theo thông lệ
  • Nếu biết X ở một mức độ nào đó, đôi khi bạn có thể làm Y cùng với X. Những việc trước đây không làm được cũng trở nên khả thi
    Ví dụ, tôi là lập trình viên nhưng toán thì rất tệ. Tôi muốn làm game và thực tế có thể làm, nhưng vì toán mà việc tiến triển thường khó hơn nhiều. Tôi đã làm và phát hành game rồi, nhưng toán luôn cản chân. Tôi biết chính xác hành vi và kết quả mình muốn, nhưng không phải lúc nào cũng tìm ra cách đi tới đó
    LLM giúp rất nhiều trong việc tách những phần như vậy thành các hộp đen nhỏ. Kiểu như tôi biết kết quả là đúng, nhưng không chắc 100% vì sao nó như vậy. Khi nó đưa mã sai, tôi có thể nhận ra vì tôi biết mình đang tìm gì và tại sao, thứ còn thiếu chỉ là “cách làm”. Nó giống thư viện bên thứ ba mà bạn có thể dùng nếu hiểu API công khai, dù không hiểu hoàn toàn bên trong, chỉ khác là cảm giác như đưa mã đó vào codebase của mình và gắn thật nhiều unit test vào
  • Người không nắm bắt được những sắc thái chi tiết như vậy thì dù dùng LLM thường xuyên đến đâu cũng khó trở thành lập trình viên giỏi

• Ngay lúc này tôi đang thử nghiệm deepseek-r1, một LLM suy luận, bằng tutorial rustlings rất xuất sắc. Nó được tài liệu hóa tốt và lời giải cũng dễ tìm trên mạng, nên khi đánh giá các tác vụ lập trình, nó là một bài kiểm tra lười biếng khá phù hợp để xem đã đến lúc mình tìm việc mới và coi kỹ nghệ phần mềm là sở thích chưa
  Lý do tôi thử bằng rustlings là cũng muốn xem giá trị của nó như một công cụ học tập cho sinh viên và đồng nghiệp tương lai. Có thể thứ như thế này cũng hữu dụng như một giáo viên. Trình biên dịch Rust cũng đưa ra lời khuyên rất tốt, nên có một đường cơ sở tuyệt vời để so sánh với đầu ra của LLM
  Kết luận là có vẻ deepseek-r1 sẽ chưa sớm thay thế ai cả. Nó tạo ra lượng văn bản khổng lồ nhưng phần lớn vô nghĩa, và hầu như lúc nào cũng sai tệ hại. Tuy vậy, các lập trình viên non tay hoặc người mới, đặc biệt là người mới, có thể bị rối và bị kéo đi sai hướng, đồng thời có nguy cơ thuê ngoài tư duy lý tính cho một thứ nghe có vẻ hợp lý nhưng thực ra không phải vậy
  Hiện tại, việc phụ thuộc quá mức vào những lời lẽ dài dòng của mô hình thống kê có vẻ gây hại cho giáo dục và hiệu quả của các lập trình viên tương lai. Có lẽ thời hoàng kim sẽ đến với thế hệ kỹ sư phần mềm kiểu cũ cuối cùng, những người được rèn bằng cà phê và nước mắt thất vọng, phải tự vật lộn trực tiếp với mã và kiến trúc. Vì rồi sẽ phải có ai đó sửa đống rác do LLM sản xuất hàng loạt

  • Khi đánh giá như vậy, bạn có tính đến toàn bộ quá trình suy luận của mô hình không? Theo tôi biết, các mô hình kiểu này vốn được thiết kế để nói dài như vậy vì chúng khám phá nhiều con đường và khả năng trước khi đi đến kết luận
    Mục đích có vẻ gần với việc đặt thêm một tầng tổng hợp câu trả lời cuối cùng lên trên, hơn là dùng nguyên xi đầu ra đó.
    Tôi bắt đầu viết code ngay trước khi Stack Overflow vừa trở nên phổ biến, và tôi nhớ lúc đó cũng đầy các bài blog kiểu “Stack Overflow sẽ tạo ra lập trình viên lười biếng”, “đây là hồi kết của lập trình viên thật sự”. Tôi không có ý phản bác, chỉ thấy thú vị khi cảm xúc kiểu này lặp lại theo thời gian, chỉ thay đổi các chi tiết

• Trong Phaedrus của Plato, Socrates phê phán rằng chữ viết sẽ “tạo ra sự lãng quên trong tâm hồn người học”; Leonard Euler nói rằng thay vì dùng bảng logarit, nên suy ra logarit từ các nguyên lý đầu tiên; còn Lord Kelvin cho rằng máy tính cơ học sẽ khiến việc bồi dưỡng năng lực suy luận của học sinh bị xem nhẹ.
  Trong tự truyện của Henry Ford có đoạn kể rằng vào năm 1907, một nông dân nói máy kéo chạy xăng sẽ “khiến trẻ em trở nên lười biếng và vô dụng” và làm chúng không học được nghề nông; còn trên New York Times năm 1877 có đăng những lo ngại của các giáo viên rằng bút chì có gắn tẩy sẽ khiến học sinh trở nên cẩu thả vì không cần suy nghĩ trước khi viết.
  Augustus De Morgan nói rằng những học sinh dựa vào bảng cửu chương in sẵn sẽ không hiểu các con số mà trở thành “những cỗ máy tính toán đơn thuần”; John Philip Sousa phê phán rằng máy hát sẽ khiến người ta ngừng học nhạc cụ; và Richard Feynman cũng lo rằng vì máy tính bỏ túi, học sinh có thể mất khả năng ước lượng và hiểu các quan hệ toán học.
  Còn có thể kể tiếp nữa. Claude đã viết ra tới 15 ví dụ. Hai mươi năm nữa, nếu AI không giết hết chúng ta, có lẽ khi nhìn lại, ta sẽ thấy việc làm việc cùng LLM không phải là cái nạng chống như mọi người nghĩ hiện nay.

  • Tôi không cho rằng bất kỳ điều nào trong tám ý trên là sai. Đặc biệt nếu ta cố hiểu từng suy nghĩ đó. Vào thời ấy, thời gian trôi chậm hơn, và vẽ bằng tẩy cũng gần như là một thể loại khác.
  • Tôi tò mò prompt khi đó là gì.