- Các câu chuyện thành công về công cụ LLM thường thiếu tiêu chí so sánh như điều kiện dự án, mức độ chuyên môn của người dùng, hay khối lượng công việc hậu kỳ, nên rất khó đánh giá tính hữu dụng thực tế
- Trong các cuộc thảo luận về MCP, sử dụng công cụ và agent, thái độ quy chụp người chỉ trích là “những người chưa nhìn đủ sâu” khá giống với các tranh cãi crypto trước đây
- LLM và agent mang tính phi quyết định, nên ngay cả với cùng một vấn đề cũng khó nói cách đang hoạt động lúc này sẽ vẫn y nguyên hiệu quả sau 1 phút nữa
- Phát biểu nổi tiếng rằng Claude Code “xử lý các bug legacy” cũng nhận được 1,8 nghìn lượt thích và 204 lượt repost dù thiếu bối cảnh như quy mô codebase, loại bug và cách quản lý
- Ngay cả từ góc nhìn của người đã thực sự dùng nhiều công cụ, LLM vẫn gần với một cỗ máy thống kê phi quyết định; khi hoạt động tốt thì có thể thấy như ma thuật, nhưng khó thể khẳng định đó là ma thuật hay kỹ thuật
Vì sao khó so sánh các trải nghiệm thực tế về LLM với nhau
- Những trải nghiệm ủng hộ hay phản đối công cụ LLM thường được chia sẻ như các mảnh rời rạc tách biệt, nên khó xác nhận liệu mọi người có đang nói về cùng một điều kiện hay không
- Tính chất của dự án và codebase thường bị bỏ qua
- Không rõ đó là greenfield, một codebase đã trưởng thành, hay codebase độc quyền
- Mức độ chuyên môn của người dùng cũng khó đem ra so sánh đơn giản
- Không biết chuyên môn đó có áp dụng cho cùng domain, cùng codebase, hay cùng ngôn ngữ hay không
- Lượng công việc bổ sung như review, chỉnh sửa, triển khai và hoàn thiện cũng ảnh hưởng rất lớn đến việc đánh giá
- Ngay cả khi một người cung cấp đầy đủ các thông tin trên, việc so sánh giữa các trải nghiệm vẫn bị hạn chế nếu không biết điều kiện của những người khác
- Thêm vào đó là tính phi quyết định của hệ thống LLM và agent
- Ngay cả với cùng một vấn đề, không thể xem cách vừa hiệu quả lúc này là sẽ còn hiệu quả sau 1 phút nữa
- Trải nghiệm của một kỹ sư senior với dự án React greenfield và trải nghiệm của một nhà thiết kế không phải lập trình viên với codebase OCaml độc quyền sẽ càng khó so sánh hơn khi model và agent thay đổi
- Ngay cả khi dùng cùng model và cùng agent, kết quả cũng có thể khác nhau ở mỗi lần chạy nên rất khó so sánh đơn giản
Khoảng cách giữa diễn ngôn quá nhiệt và việc dùng công cụ ngoài thực tế
- Phản ứng coi những người chỉ trích LLM là “người chưa xem đủ về MCP và công cụ” cho thấy mức độ quá nhiệt của tranh luận AI
- Ví dụ về “industry leaders” có nhắc đến phát biểu của Steve Yegge liên quan đến Claude Code
- Nội dung là Claude Code đã xử lý quyết liệt các bug legacy trong một codebase cũ suốt nhiều ngày
- Có cả cách diễn đạt rằng Claude Code vẫn tiếp tục tiến hành ngay cả khi không trực tiếp chọn ngữ cảnh
- Cũng có nội dung nói rằng miễn là phê duyệt từ ngân hàng tiếp tục đến thì việc sửa bug sẽ nối tiếp sang triển khai production và kiểm tra log người dùng
- Nhưng ngay cả ở ví dụ này, các thông tin cần để đánh giá vẫn bị thiếu
- Không biết quy mô codebase là bao nhiêu
- Không rõ đó là loại bug nào
- Không rõ có sự quản lý bổ sung nào hay không
- Ngôn ngữ lập trình và framework cũng không được nêu ra
- Dù vậy, phát biểu đó vẫn nhận được 1,8 nghìn lượt thích và 204 lượt repost
- Người hoài nghi và người chỉ trích cũng không phải là không dùng công cụ
- Có một side project được thiết kế hoàn toàn bằng Vercel v0
- Đã tạo một ứng dụng giám sát SwiftUI bằng Claude Code trong khi không biết Swift
- Tạo poster sự kiện bằng Midjourney
- Đã vibe-coding một MCP server bằng Elixir nhưng không dùng phoenix.new
- Trải nghiệm sử dụng thực tế được tóm gọn kiểu như “chỉ hoạt động 50% của thời gian, và trong số đó cũng chỉ đạt 50%”
- LLM là một cỗ máy thống kê phi quyết định; dù khi hoạt động tốt có thể đem lại cảm giác như ma thuật, nó không phải bản thân ma thuật hay kỹ thuật
- Diễn ngôn về LLM có xu hướng chỉ xử lý nó như một trong hai cực: hoặc là ma thuật, hoặc là kỹ thuật
1 bình luận
Ý kiến trên Hacker News
Tôi thấy bực vì ban lãnh đạo nơi làm việc nghe những chuyện như năng suất tăng 10 lần. Một phần các tuyên bố như vậy cũng đến từ những người sớm áp dụng trong nội bộ
Nhưng kỳ vọng đã bị đẩy lên quá cao. Một trong những lý do là định luật Amdahl: trên thực tế, tôi dành nhiều thời gian để suy nghĩ và giao tiếp với những người khác — khách hàng của mã do tôi viết — hơn là để code. Dù việc code có nhanh hơn 10 lần, phần lớn công việc thì không như vậy, nên năng suất tổng thể chỉ cải thiện khoảng 10~15%. Không phải là không đáng kể, nhưng không phải 10 lần
Cảm giác dùng LLM cho công việc suy nghĩ giống như khi tôi học cách tìm kiếm trên web hơn 20 năm trước. Công cụ tìm kiếm cho phép tiếp cận thông tin khi bạn biết mình đang tìm gì; còn giờ LLM giúp bạn xác định ngay từ đầu cần tìm cái gì, rồi còn tìm kiếm giúp nữa. Những việc trước đây bị xếp vào loại khó vì tốn công và bất định giờ trở nên nhỏ nhặt
Hiện tôi thực hiện khoảng 1/3 số lượt tìm kiếm web bằng ChatGPT o3, và giờ rất khó từ bỏ
Nó còn có hiệu ứng tâm lý là giúp sắp xếp các ý tưởng chưa chín muồi và lắng nghe như một “rubber duck”, nên nhiều công việc trở nên đỡ nặng nề hơn hẳn, chỉ riêng điều đó đã tạo ra khác biệt lớn
Nếu đưa cho một senior một workflow LLM được tinh chỉnh tốt, sẽ không ngạc nhiên nếu họ có năng suất bằng 10 junior thời trước LLM. Thậm chí một lập trình viên kém có thể làm mất thời gian của senior và khiến năng suất thành âm, nên trong trường hợp đó gần như là tăng vô hạn lần
Ngay cả junior ổn cũng thường bị trói vào các việc lặp lại cấp thấp, mà LLM thì đã có thể làm những việc đó tốt hơn
Vì vậy tôi hiểu vì sao người ta nói việc làm có thể thực sự biến mất
Làn sóng AI khiến tôi nhớ đến phong trào đầu những năm 2000 muốn outsourcing quy mô lớn kỹ sư phần mềm ra nước ngoài. Khi đó giới quản lý kỳ vọng rất lớn, trên giấy thì nghe hợp lý, nhưng phần lớn kết thúc bằng thất bại lớn và gần như toàn bộ việc làm quay lại Mỹ
Nhiều người bỏ qua việc kỹ sư phần mềm làm vô số việc nhỏ nhặt để gắn kết toàn bộ hệ thống. AI thiếu rất nhiều ở những phần đó. Không có ý nói người nước ngoài không có khả năng ấy, nhưng rào cản ngôn ngữ, chênh lệch múi giờ, khác biệt văn hóa, v.v. đã tạo ra các vấn đề tương tự. Chất lượng code và khả năng bảo trì lao dốc, và nhiều sản phẩm do các công ty outsourcing tạo ra đã phải bị vứt bỏ
Ngay cả trong codebase tôi đang xử lý, rác AI cũng đang tích tụ. Rất khó bắt được những thứ kiểu này đã lọt qua code review, vì nhìn ở dạng diff thì chúng có vẻ hợp lý. Vấn đề là code trùng lặp không dễ thấy và những lớp trừu tượng kỳ quặc mà nhìn ở cấp độ cao thì hoàn toàn vô nghĩa
Tôi thuộc đúng kiểu người mà tác giả đang phàn nàn. Từ thời chỉ có ChatGPT và hiệu năng còn không mấy ấn tượng, tôi đã ra mắt những sản phẩm greenfield không hề nhỏ. Ban đầu tôi dùng Claude, sao chép/dán qua lại giữa web chat và XCode, rồi sau đó phát hiện ra Cursor
Cursor để lại khá nhiều lỗi build phiền phức, nhưng năng suất dù vậy vẫn ít nhất gấp 3 lần. Giờ đây, sau khi agent tốt hơn và Claude 4 ra mắt, tôi hầu như không còn tự viết code nữa, và tôi cũng không ghét điều đó. Tôi nghiêng nhiều hơn về vai trò kiến trúc sư/quản lý, và khi cần thì dùng kiến thức chuyên môn để chỉ đạo agent
Tôi đã vào một startup khó nhằn được vài tháng nhưng đến giờ vẫn chưa tự tay viết một dòng code nào. Trước khi tạo PR, tôi tự audit toàn bộ và kiểm thử kỹ lưỡng, nhưng Cursor + Sonnet thực sự mạnh đến mức vô lý trên codebase đó. Không phải bằng những chỉ số vô nghĩa như số dòng code, mà ở chỗ ngay cả khi các chuyên gia của codebase đó mang đến những bug kỳ lạ, tôi, một người mới bước vào domain đó, vẫn có thể khoanh vùng trong 5–30 phút; vì vậy tôi tin chắc mình là nhân viên có năng suất cao nhất
Nhờ Claude mà tôi thậm chí còn phải dứt ra khỏi cả công việc frontend developer, thứ tôi vốn tránh suốt sự nghiệp, sau khi cứ sửa những vấn đề nhỏ nhìn thấy được. Đây không phải là vibe coding, mà là một quy trình gồm điều tra, lập kế hoạch, thăm dò cẩn trọng và thiết lập để agent thành công. Kiến thức domain cũng cần thiết. Nhưng tôi thật sự ngạc nhiên khi có người không rút ra được cùng mức hữu ích như vậy, và có cảm giác mỗi tuần lại có hai bài kiểu này xuất hiện
Anh kể một câu chuyện khó tin nhưng lại không chia sẻ bất kỳ bằng chứng nào. Thậm chí còn tạo tài khoản dùng một lần để khiến việc xác minh danh tính và kiểm chứng tuyên bố là bất khả thi
Vì thế nghe như chuyện đùa
Tuy nhiên, điều đó không có nghĩa là nhu cầu tuyển chọn/kiểm duyệt biến mất. Việc đó vẫn là phần việc của tôi, và cũng là một phần mà chương trình tiến sĩ nên dạy. Khả năng xử lý một cách chính xác và có phản tư việc vì sao làm X, muốn chứng minh điều gì bằng Y, rồi chia nhỏ mọi bước để giải thích cho người khác là một soft skill cực kỳ lớn. Các agent không có mô hình thế giới bền vững, và dù dùng nén thông minh, chúng cũng nhanh chóng quên mục tiêu của tương tác, nên hiện nay kỹ năng đó còn quan trọng hơn
Nếu tôi đang giao tiếp thật chính xác, tôi có thể dùng Claude Code để tổ chức công việc tính toán theo những cách trước đây không thể làm được
Nếu quan tâm đến chất lượng thì việc này không dễ hơn lập trình, nhưng nó khác, và đòi hỏi những idiom khác
Agent thực sự hữu ích trong các đợt refactor cơ học quy mô lớn. Thay vì nghĩ xem macro vim hoàn hảo hay script viết lại AST nên như thế nào, tôi giao cho agent
Trung bình prompt dài bao nhiêu, và unit test cũng do LLM viết à?
Cá nhân tôi thấy trải nghiệm đang được tô hồng quá mức
Cá nhân tôi không hiểu rõ chuyện này lắm
Một lượng công việc khổng lồ trong ngành dịch vụ trên toàn thế giới thực ra gần như là di chuyển dữ liệu thủ công từ một bảng Excel này sang một bảng Excel khác, hoặc từ CRM/email sang Excel. Hầu như mọi tập đoàn lớn đều có từ hàng trăm đến hàng nghìn nhân viên toàn thời gian làm việc này mỗi ngày, và một phần đáng kể là thuê ngoài. Tôi nghĩ cứ 1 kỹ sư phần mềm thì có khoảng 100 người làm các pipeline dữ liệu thủ công như vậy
Vì thế LLM không cần phải cực kỳ giỏi OCaml để tạo ra giá trị khổng lồ. Chỉ cần giỏi Excel hơn con người một chút là được. Điểm mà MCP thật sự hữu ích là nó có thể dễ dàng kết nối các hệ thống này. Nhiều lỗi trong các tác vụ như vậy phát sinh khi cố nhét toàn bộ công việc vào ngữ cảnh cùng một lúc. Nếu có thể dùng MCP để lấy email và trích xuất dữ liệu, rồi lại dùng MCP để đưa từng dòng vào CRM, thì theo kinh nghiệm của tôi tỷ lệ ảo giác là rất thấp. Ít nhất cũng ngang một nhân viên junior đang quá tải
Có lẽ ý chính của bài viết cũng là điều này, nhưng trong các trường hợp sử dụng như vậy, tính phi tất định không phải là vấn đề. Vì những người liên quan cũng đâu có tất định. Ta có thể xây dựng hệ thống và quy trình để áp đặt chất lượng cho các hệ thống phi tất định, chẳng hạn như hệ thống con người
Cuối cùng, tôi đã theo dõi khá sát cả tiền mã hóa lẫn LLM, và xét về tính hữu dụng cũng như mức độ được chấp nhận, hai thứ này không có vẻ giống nhau. Thứ gần nhất là quá trình phổ cập smartphone. Khi iPhone mới ra mắt, nhiều bạn bè không làm kỹ thuật của tôi nói họ không cần smartphone, nhưng chỉ trong vài năm tất cả đều có. LLM cũng tương tự. Hiện giờ hầu như mọi người bạn không làm kỹ thuật của tôi đều dùng nó cho rất nhiều mục đích khác nhau
Tuy vậy, phản ứng xã hội thì đúng là nằm trong dòng chảy sùng bái công nghệ, và nhiều kỹ sư đã trải qua chuyện này lâu năm hẳn sẽ thấy mệt mỏi. Những tuyên bố phi thực tế thì rất dễ tìm, và tệ nhất là đến từ các CEO công ty AI
Đồng thời, thật sự có rất nhiều người về cơ bản là mù máy tính. Có thể tưởng tượng nó sẽ trông phấn khích thế nào với những người hầu như chưa từng tiếp xúc ngay cả với tự động hóa cơ bản. “Máy tính biết nói” mà chúng ta quen thấy trong khoa học viễn tưởng gần như đang trở thành hiện thực
Vài năm trước, trước làn sóng AI, tôi từng làm machine learning và xử lý ngôn ngữ tự nhiên, và điểm nổi bật nhất là nó đã trở nên đại chúng hơn rất nhiều so với bất kỳ điều gì từng xảy ra trong lĩnh vực này. Điều đó cũng có nghĩa là có nhiều người thiếu kinh nghiệm thiết kế dựa trên suy luận thống kê hơn. Trong một thời gian nữa, đây sẽ là thời kỳ miền Tây hoang dã ở mọi mặt: quan điểm, triển khai thành công, và học hỏi các ý tưởng dự án thực tế
Có thể nhìn như thế này. Giờ bạn có thể bảo người bạn mang đến một ý tưởng app kiểu như trong tiểu thuyết rằng hãy tự làm thử đi. Ít nhất thì điều đó có lợi cho tất cả mọi người
Cũng có thể có phần đầu tư cảm xúc vào công ty, như bản năng sinh tồn để không bị sa thải, tham vọng làm tốt hơn, cùng đạo đức và năng lực phán đoán để báo cáo một người quản lý kỳ quặc qua kênh khác
LLM sẽ không gọi điện cho một nút khác trong tổ chức để xác nhận khi thấy một giá trị kỳ lạ vì lý do nằm ngoài ngữ cảnh. Ví dụ như tình huống hôm qua là một ngày nghỉ ngân hàng đặc biệt chỉ xảy ra một lần nên giá trị lẽ ra phải là 0. Việc bảo đảm những con số này chính xác có thể đáng giá bằng cả mức lương của một nhân viên toàn thời gian. Và việc có ai đó để đổ lỗi, sa thải, hoặc tống vào tù khi nó không chính xác cũng có giá trị
Những thứ thật sự có thể tự động hóa thì đã được tự động hóa rồi. Tôi tin AI sẽ gây ra xáo trộn lớn, nhưng tôi rất hoài nghi với quan điểm rằng phần lớn nghề cổ cồn trắng là “công việc email” hay nhập liệu. Nó không khớp với kinh nghiệm của tôi, và tôi từng làm ở cả các công ty quan liêu cỡ lớn mà người ở đây có thể gọi là mắc kẹt trong quá khứ
Là một lập trình viên đã nghỉ hưu. Thật khó tưởng tượng việc tin tưởng mã được tạo ra theo xác suất trong các hệ thống nhiệm vụ trọng yếu. Nếu nó gần đúng và chỉ cần chỉnh sửa nhỏ thì có thể hiểu được, nhưng tôi không có trải nghiệm trực tiếp
Ý chính là LLM rất đáng kinh ngạc ở những lĩnh vực không phải lập trình, ví dụ như brainstorming, phát tưởng tự do, bổ sung chi tiết nghiên cứu, đặt câu hỏi khiến tôi tự nhìn lại. Tôi đối xử với LLM như một đối tác tư duy. Nó có mắc lỗi, nhưng có thể dễ dàng bắt được bằng cách kiểm tra với nguồn khác, hoặc nhờ một LLM khác xem xét lại kết luận
Trong chưa đầy 24 giờ tôi đã tạo ra được một thứ mà trước đây riêng việc bắt đầu thôi có lẽ đã mất vài tháng, và để đạt tới phiên bản được trau chuốt như hiện tại còn mất lâu hơn nữa. Điều ấn tượng nhất là nó làm nhanh hơn những việc tôi vốn có thể làm. Ấn tượng hơn nữa là nó còn làm được cả những việc tôi hoàn toàn không thể làm, vốn phải tuyển người hoặc thuê ngoài, với ít tiền và thời gian hơn nhiều, cùng tốc độ lặp nhanh hơn so với giao tiếp với người khác
Nó không hoàn hảo và đôi khi cực kỳ bực bội. Dù đã nói rõ là không được làm, nó vẫn hardcode giá trị, hoặc nói dối rằng đã sửa một chỗ cụ thể trong khi thực tế lại đổi một thứ hoàn toàn không liên quan. Dù vậy, theo tôi nó là game changer
Đặc biệt khi cố khai thác tri thức trong một lĩnh vực mới tiếp cận, rất dễ và nguy hiểm khi bị LLM dẫn sai. Dùng công cụ tìm kiếm thông thường thì có thể nhìn vào trang nguồn để đánh giá độ tin cậy, còn LLM thì không có điều đó. Kết quả đầu ra về cơ bản có thể là bất cứ thứ gì, và tôi không đồng ý rằng nhất định có thể dễ dàng bắt lỗi
Tất nhiên tôi kiểm tra mã nó viết, nhưng gần như mỗi ngày tôi đều ngạc nhiên về trí thông minh và độ chính xác của nó. Nó hoàn toàn khác với tiền mã hóa
Nếu dùng đầu ra của LLM một cách không phê phán thì đó là dùng sai, nhưng đầu ra của con người cũng vậy nếu dùng không phê phán
Tuy nhiên LLM không phải phép màu, và tôi lo rằng mọi người sẽ dùng copilot hay mô hình agent để che giấu các thực hành kỹ thuật tồi, rồi về dài hạn lại chất thêm boilerplate thay vì hiệu quả, an toàn và tái thiết kế quan trọng
Vấn đề là phải cung cấp cho LLM ngữ cảnh về việc tôi đang làm gì, nhưng với kiểu chat như ChatGPT thì ta thường không cung cấp ngữ cảnh đó, hoặc vì phiền nên không làm được. Đây là lúc Claude Code thay đổi cuộc chơi
Ví dụ, giả sử có một file PCAP trong đó mỗi gói UDP chứa nhiều thông điệp. Làm sao lọc theo IP, cổng, giao thức, thời gian? Dùng LLM rồi kiểm tra đầu ra là được. Làm sao tìm số gói có các mẫu A, AB, AAB, ABB, v.v.? Dùng LLM rồi kiểm tra đầu ra là được. Làm sao tạo một PCAP chỉ chứa các gói như vậy để kiểm thử? Dùng LLM rồi kiểm tra đầu ra là được
Vì nó cũng có thể đọc mã, nên nói thật, công việc của bạn không đặc biệt đến vậy, nên nó có thể suy luận tốt hơn nhiều về điều bạn đang cố làm. Dù sao, chỉ riêng việc có thể nói “hãy viết unit test cho toàn bộ các hàm ở trên” cũng đã giúp bạn tự kiểm chứng
Có câu rằng “giống như hầu hết những người hoài nghi và phê phán, tôi cũng dùng các công cụ này hằng ngày. Và trong 50% trường hợp, nó hoạt động được khoảng 50%”, nhưng tôi đã dùng LLM gần như mỗi ngày trong công việc từ khoảng 1 năm trước và nó giải quyết được khoảng 90% vấn đề của tôi
Rất khó để phán đoán liệu có nên nghiêm túc tiếp nhận những lời phàn nàn kiểu này về AI/LLM hay nên xem đó là các mẫu sử dụng phi lý của một số người dùng. Ví dụ, tôi chưa từng nhồi cả codebase vào LLM rồi kỳ vọng nó hoạt động như phép màu. Tôi đặt những câu hỏi trực tiếp, cụ thể trong ranh giới hiểu biết của mình, và áp dụng giải pháp theo cách có chủ ý để có thể kiểm thử
Nếu tiếp cận theo cách khác rồi phàn nàn về LLM, tôi nghiêng về việc cho rằng bạn đang dùng sai. Và bạn đang bỏ lỡ một thứ phép màu nhỏ, hữu ích và khá nhất quán thật sự
Tôi cũng dùng gpt và Claude hằng ngày qua Cursor. gpt o3 khá ổn cho việc tra cứu kiến thức phổ thông. Claude thường xuyên sụp, nhưng tôi cũng thấy trong lúc nó lãng phí token để khoe mẽ, nó khá nhiều lần chạm tới những điểm liên quan đến vấn đề thực sự
Mô hình thì ngu, và thay vì là thiên tài ngốc nghếch, nó gần như chỉ là đồ ngốc. Dù vậy đôi khi nó vẫn đoán trúng mục liên quan. Nếu bạn đại khái biết điều gì cần xảy ra và đối xử với LLM như một con chó sục bắt chuột trên cánh đồng nông trại, bạn có thể tận dụng nó đúng cách
Con số 90% cũng trông hơi đáng ngờ
Bài này đọc lên giống như đang tức giận vì sự thiếu chính xác trong diễn ngôn, nhưng thành thật mà nói, sự thiếu chính xác đó lan rộng ở phía phản đối hơn là phía ủng hộ. Vì những người ủng hộ thường phải xử lý các khiếm khuyết và giới hạn của nó hằng ngày
Kết luận rằng mọi thứ xung quanh LLM đều là tư duy ma thuật nghe có vẻ khá ngạo mạn. Bởi trong 5 năm qua, những vấn đề trước đây gần như rất khó xử lý như dịch thuật, phiên âm, sinh mã đến một quy mô nhất định đã được giải quyết hoàn toàn hoặc gần như hoàn toàn
Google Translate, Whisper, các công cụ sinh mã đã tồn tại khá lâu từ trước khi có LLM
Về câu “tiền mã hóa đang quay trở lại”, với tôi tiền mã hóa là phao cứu sinh. Vì ở quốc gia nơi tôi sống, tôi không thể mở tài khoản ngân hàng vì những lý do mà tôi không thể kiểm soát hay sửa chữa
Vì vậy nếu tiền mã hóa vô dụng với bạn thì thật may. Với tôi và hàng triệu người như tôi, đó là vấn đề sống còn
LLM cũng tương tự: với một số người thì nó là phép màu, với người khác là công cụ xác định đáng tin cậy, và đồng thời cũng là phép màu. Tôi vừa phân loại và sắp xếp hàng trăm hóa đơn. Đúng vậy, đó là phép màu
Vì thế mà rất khó tìm ra việc hữu ích nào tiền mã hóa có thể làm trong nền kinh tế hợp pháp. Nó được thiết kế để cho phép những giao dịch mà chính phủ không muốn hoặc không thể hỗ trợ. Trong một số trường hợp có ứng dụng nhân đạo, và cũng có rất nhiều ứng dụng bất hợp pháp
“Phải có mặt ở đó thì mới tin được” https://x.com/0xbags/status/1940774543553146956
Cơn sốt AI hiện cũng đang trải qua giai đoạn tương tự. Bất kỳ phê bình nào cũng bị gạt đi như lời của một kẻ ngốc chẳng biết gì
Nếu dùng như tiền tệ, những người muốn pump and dump coin và biến nó thành công cụ kiếm tiền chính là kẻ thù của bạn. Càng ổn định thay vì tàu lượn siêu tốc tăng vọt rồi sụp đổ thì càng tốt cho bạn
Tôi cho rằng phía tiền mã hóa có nhiều lời nói dối cố ý hơn và ít giá trị đáng thu được hơn, nhưng trong cả hai trường hợp, những người thực sự có thể hưởng lợi lại quay đi trước khi kịp bước qua ngưỡng cửa vì sự thiếu trung thực và bóp méo. Và trong cả hai trường hợp đều có những ví dụ đang tạo ra giá trị thật ngay hôm nay
Hơi liên quan một chút, nhưng gần đây tôi thấy khó chịu với cách thuật ngữ AGI, thậm chí đôi khi cả AI, được sử dụng. Đặc biệt trong các bài báo khoa học, tôi kỳ vọng mọi thứ phải được định nghĩa rõ, ít nhất là cách dùng trong chính bài đó cũng phải như vậy
Tại sao không thể tạo ra một định nghĩa AGI là gì? Khi đó ta còn có thể chứng minh một cách logic AI nào phù hợp với định nghĩa đó. Dù thực tế có vẻ không hữu dụng lắm, về mặt lý thuyết nó vẫn hữu ích hơn nhiều so với việc dùng thuật ngữ một cách vô nghĩa
Hiện giờ nó giống như một kiểu lối thoát. Wikipedia viết rằng đó là “một loại AI bằng hoặc vượt năng lực con người trong hầu hết mọi nhiệm vụ nhận thức”. Đo cái đó bằng cách nào? Nếu không thể chứng minh một hệ thống có thuộc tính này thì nó có ích gì?
Hơi than phiền một chút, nhưng tôi vẫn mong phần nào đọc được
Cũng giống như với tôi “crypto” vẫn là mật mã học chứ không phải tiền mã hóa. Đôi khi xu hướng chính thống chỉ đơn giản là có ý kiến khác
“AI là thứ nó chưa làm được”[1]
Gần đây công ty tôi bắt đầu dùng LLM, và công việc đầu tiên là chép lời 20.000 cuộc gọi với khách hàng rồi trích xuất các thông tin sau
Một nghiên cứu trước đây mất vài tuần nay hoàn tất trong vài giờ. Nó giúp xây dựng chiến lược mới và tạo ra giá trị kinh doanh thực sự
Tôi xem LLM đơn giản là một engine xử lý ngôn ngữ tự nhiên, và với mục đích đó nó rất tuyệt. Đúng là có người thổi phồng, nhưng điều đó không thay đổi sự thật rằng trong trường hợp của chúng tôi nó thật sự hữu ích. Tôi không hiểu vì sao có nhiều bài “LLM tệ” đến vậy. Nếu không hợp với mình thì cứ bỏ qua. Tại sao ai phải chứng minh điều gì cho ai? Nó chỉ là một công cụ
Những bài như vậy quan trọng để hạ nhiệt kỳ vọng. Khi người ta bán LLM, họ thường không nói về việc tóm tắt cuộc gọi hỗ trợ khách hàng, mà cố bán ý tưởng rằng có thể sa thải nhân viên hỗ trợ khách hàng
Trong nhiều năm, phần lớn bản dịch trên web không có ngữ cảnh. Giờ thì có thể có ngữ cảnh
Những nhân vật công nghệ đáng tin cậy và hợp lý, vốn nổi tiếng với quan điểm thận trọng, đã báo cáo rằng họ dùng nhiều dạng AI tạo sinh và đạt được cải thiện đáng kể trong công việc lập trình
“Đáng kể” ở đây là mức nào? Từ 5% đến 100%, tức là mức không thể bỏ qua
Ít nhất có thể nói một cách an toàn rằng AI tạo sinh là, hoặc có thể là, một công cụ khá có ích đối với một số lượng đáng kể người
Để đánh giá như vậy là hợp lý, không nhất thiết phải công khai toàn bộ các chi tiết như số CPU, số dòng code, số byte đã xử lý