- Sách giáo khoa về bản chất có giới hạn là một phương tiện đồng loạt, và Google đang khám phá cách dùng AI tạo sinh để tự động tạo ra các cách diễn đạt thay thế và ví dụ cá nhân hóa nhằm nâng cao hiệu quả học tập và mức độ nhập vai
- Thử nghiệm nghiên cứu Learn Your Way tái gia công sách giáo khoa theo trình độ và sở thích của người học, đồng thời chuyển đổi chúng thành nội dung đa biểu đạt (multimodal) để thúc đẩy học tập chủ động
- Trọng tâm là pipeline cá nhân hóa, tạo nền tảng cho việc sinh ra nhiều hình thức biểu đạt như slide, lời thuyết minh, âm thanh, sơ đồ tư duy thông qua việc điều chỉnh lại theo cấp lớp và thay thế ví dụ dựa trên sở thích
- Với LearnLM + Gemini 2.5 Pro làm trung tâm, hệ thống kết hợp workflow tác tử và các mô hình chuyên biệt để hiện thực hóa các biểu đạt học tập chất lượng cao như minh họa giáo dục, câu đố và lời thuyết minh
- Kết quả RCT cho thấy những cải thiện có ý nghĩa, bao gồm trí nhớ dài hạn tăng 11 điểm phần trăm, qua đó gợi mở khả năng phát triển tài liệu học tĩnh thành trải nghiệm học tập tương tác và do cá nhân tự dẫn dắt
Bối cảnh và vấn đề đặt ra
- Sách giáo khoa có những giới hạn mang tính cấu trúc do ràng buộc về chi phí và thời gian sản xuất, nên thiếu góc nhìn thay thế, định dạng đa dạng và biến thể tùy chỉnh
- Cách tiếp cận được đề xuất là dùng AI tạo sinh (GenAI) để tự động tạo ra các cách diễn đạt phù hợp với hứng thú và trình độ của người học mà vẫn giữ được tính toàn vẹn của nguyên tác
- Mục tiêu là cung cấp môi trường nơi người học có thể tự chọn hình thức và lộ trình, từ đó nâng cao hiệu quả học tập và động lực
Tổng quan cách tiếp cận: hai trụ cột
- Sinh đa biểu đạt: áp dụng thiết kế dùng biểu đạt đa phương thức như văn bản, slide, âm thanh, sơ đồ tư duy, câu đố để thúc đẩy liên kết khái niệm
- Dựa trên Dual Coding Theory và các nghiên cứu tiếp theo, việc liên kết giữa các biểu diễn khác nhau góp phần củng cố schema khái niệm
- Cá nhân hóa: đặt mục tiêu tăng cường động lực và học sâu thông qua tái cấu trúc văn bản theo cấp lớp, sở thích và thích ứng câu đố dựa trên phản hồi
Cấu hình kỹ thuật: LearnLM + Gemini 2.5 Pro
- Áp dụng thiết kế phân tầng dựa trên Gemini 2.5 Pro tích hợp LearnLM
- Giai đoạn 1, pipeline cá nhân hóa: tài liệu gốc như PDF được điều chỉnh lại theo cấp độ lớp, các ví dụ chung được thay bằng ví dụ theo sở thích, rồi dùng làm văn bản chuẩn cho việc sinh biểu đạt tiếp theo
- Giai đoạn 2, sinh đa biểu đạt:
- Với sơ đồ tư duy, timeline..., hệ thống tận dụng năng lực tổng quát của mô hình nền
- Với slide, lời thuyết minh..., hệ thống được tổ chức thành workflow đa tác tử để tối ưu hiệu quả giáo dục
- Minh họa giáo dục có giới hạn nếu chỉ dùng mô hình ảnh đa dụng, nên bổ sung mô hình ảnh tinh chỉnh chuyên dụng
- Kết quả là sự kết hợp giữa mô hình nền mạnh + các bước tác tử + thành phần chuyên biệt hỗ trợ sinh hàng loạt biểu đạt học tập đa phương thức chất lượng cao
Cấu trúc trải nghiệm Learn Your Way
- Immersive text: các đơn vị đọc được chia nhỏ, hình ảnh sinh ra và câu hỏi nhúng giúp chuyển việc đọc thụ động thành trải nghiệm chủ động
- Section-level quizzes: thúc đẩy học tập chủ động thông qua phản hồi tức thì và phát hiện khoảng trống kiến thức
- Slides & narration: cung cấp slide bao quát toàn bộ phạm vi, hoạt động điền chỗ trống và lời thuyết minh theo phong cách bài giảng được ghi âm
- Audio lesson: dùng đối thoại mô phỏng giữa giáo viên AI và học sinh cùng hỗ trợ trực quan để dẫn dắt tinh chỉnh ngộ nhận
- Mind map: cho phép khám phá linh hoạt qua lại giữa bức tranh lớn và chi tiết bằng cách cấu trúc hóa tri thức theo thứ bậc
- Tất cả thành phần đều áp dụng cá nhân hóa theo cấp lớp và sở thích, đồng thời các câu đố tương tác sẽ điều chỉnh lại lộ trình học dựa trên thành tích theo thời gian thực
Đánh giá thiết kế giảng dạy
- 10 giáo trình gốc từ OpenStax được chuyển đổi theo 3 điều kiện cá nhân hóa, áp dụng cho nhiều môn từ lịch sử đến vật lý
- Kết quả đánh giá bởi 3 chuyên gia giáo dục theo các tiêu chí như độ chính xác, phạm vi, nguyên tắc khoa học học tập (LearnLM) cho thấy điểm tích cực trung bình trên 0,85 ở mọi hạng mục
- Các đánh giá chi tiết hơn được trình bày thêm trong tech report đi kèm
Nghiên cứu hiệu quả (RCT)
- 60 người từ 15–18 tuổi ở khu vực Chicago, có trình độ đọc hiểu tương đồng, được phân ngẫu nhiên để học trong tối đa 40 phút
- Đối tượng so sánh: Learn Your Way vs trình đọc PDF thông thường
- Kết quả tức thì: nhóm Learn Your Way cao hơn trung bình 9 điểm phần trăm
- Duy trì dài hạn (sau 3–5 ngày): nhóm Learn Your Way cao hơn 11 điểm phần trăm (78% vs 67%)
- Đánh giá chủ quan: mức độ thoải mái 100% vs 70%, ý định tái sử dụng 93% vs 67%, xác nhận mức độ hài lòng vượt trội
- Để bổ sung cho các chỉ số định lượng, nhóm nghiên cứu thu thập insight định tính qua phỏng vấn chuyên sâu 30 phút, xác nhận phản hồi tích cực về giá trị học tập và mức độ nhập vai
Vì sao có hiệu quả
- Pipeline cá nhân hóa điều chỉnh cấp độ văn bản và ví dụ theo bối cảnh người học, góp phần giảm tải nhận thức và tăng tính liên quan
- Đa biểu đạt thúc đẩy liên kết giữa các khái niệm, gia tăng gợi ý truy hồi ký ức và khả năng chuyển giao
- Thích ứng câu đố và vòng phản hồi hỗ trợ điều tiết siêu nhận thức và sửa ngộ nhận
Giới hạn và bước tiếp theo
- Hiện vẫn là giai đoạn nghiên cứu ban đầu, cần kiểm chứng lặp lại trên mẫu lớn hơn, nhiều môn học hơn và nhiều nhóm tuổi hơn
- Định hướng mở rộng thành hệ thống thích ứng liên tục, liên tục điều chỉnh biểu đạt và độ khó theo tiến bộ và mẫu lỗi của người học
- Trong tương lai, kế hoạch vẫn sẽ song hành giữa nguyên tắc sư phạm và đo lường hiệu quả, đồng thời triển khai chiến lược bản địa hóa phù hợp với bối cảnh địa phương
Hàm ý và điểm áp dụng
- Tài sản cốt lõi là pipeline vận hành giúp chuyển đổi tài liệu học tĩnh thành artifact học tập tương tác và do cá nhân tự dẫn dắt
- Trường học, nhà xuất bản và edtech có thể mở rộng thông qua hệ thống sản xuất chuẩn hóa kết hợp điều chỉnh lại cấp độ nội dung + thay ví dụ theo sở thích + triển khai đa phương thức + thích ứng câu đố
- Ở góc độ kỹ thuật, yếu tố then chốt là thiết kế điều phối tác tử, pipeline sinh dạng mô-đun và vòng lặp kiểm tra chất lượng/độ chính xác
2 bình luận
Từ góc độ người đã từng làm cái này, để cá nhân hóa thì cần lượng thông tin có thể lên tới hơn 2 gigabyte.
Ý kiến Hacker News
Tôi có một công cụ tên là asXiv. Bạn có thể đặt câu hỏi cho các bài báo trên arXiv.org, và ngay ở màn hình đầu cũng có các câu hỏi gợi ý giúp hiểu hoặc khám phá bài báo. Cũng có demo cho bài nổi tiếng Attention Is All You Need. Toàn bộ mã nguồn đều là mã nguồn mở, và để giảm chi phí tôi dùng model Google 2.5 flash lite (hiện hoàn toàn miễn phí). Nếu cần thì có thể đổi bằng biến môi trường để chạy cục bộ với model khác.
asXiv khá thú vị. Tôi đã thêm bài Show HN vào second-chance pool. Vì vậy nó sẽ được hiển thị ngẫu nhiên trên trang đầu HN. Giải thích về second-chance pool
asXiv cũng hay, nhưng tương tự thì alphaxiv cũng làm được bằng tính năng assistant. Chỉ cần vào bài báo rồi bấm tools → assistant. Ví dụ alphaxiv
Trông ổn đấy nên sau này tôi muốn thử hẳn hoi. Có một điều tôi tò mò: tại sao bạn không biến nó thành SaaS thương mại?
Có vẻ là một công cụ thật sự tuyệt vời. Tôi cũng đã làm một sản phẩm tương tự tên là Ruminate(www.tryruminate.com) để đọc arXiv/epub/pdf. Muốn nghe ý kiến của mọi người
Tôi thực sự tò mò nó khác gì so với RAG hiện có
Tôi thấy trong ví dụ về nền tảng khoa học máy tính có tình huống một học sinh lớp 7 thích đồ ăn. Chẳng hạn các giải thích kiểu "list có thể dùng cho công thức nấu ăn", "set phù hợp cho danh sách nguyên liệu duy nhất trong một tuần", "map có thể dùng cho sách dạy nấu ăn", "priority queue phù hợp để quản lý đơn trong căn bếp bận rộn", "đồ thị food pairing cho thấy các nguyên liệu hợp nhau". Theo tôi thì họ đã đánh giá quá cao gu của học sinh lớp 7. Nếu là tôi chắc chán rất nhanh
Đúng là hồi học phổ thông, môn khoa học máy tính rất chán, ít nhất là theo trải nghiệm của tôi 20 năm trước. Khi đó có cái không khí kiểu "nhất định phải học Microsoft Office". Trong thời gian dài làm tình nguyện giáo dục, tôi thấy nhiều đứa trẻ hỏi những câu rất thực tế như "lượng giác thì dùng vào việc gì ngoài đời?". Ví dụ trong bài học và đề kiểm tra tách rời đời sống thực nên trông vô nghĩa. Việc cho thấy các khái niệm thực sự được dùng thế nào ngoài đời rõ ràng có giá trị sư phạm. Điểm mạnh của LLM là có thể chuyển các ví dụ đời thực đó sang đúng sở thích cá nhân. Ví dụ như loạt giải thích về tìm đường A* của Red Blob Games, diễn giải thuật toán duyệt đồ thị bằng bối cảnh game hấp dẫn, là cách làm rất hay
Tôi từng dùng công cụ học tập tạo quiz tích hợp trong gemini. Với những thứ kiểu sách giáo khoa K-12 điển hình thì khá dùng được. Khoảng 30~40 câu trắc nghiệm đầu tiên khá hữu ích, nhưng sau đó câu hỏi, đáp án nhiễu và lời giải bắt đầu lặp lại, rồi xuất hiện đáp án sai hoặc nhiều đáp án đúng. Phần giải thích cũng chỉ ở mức chấp nhận được và có vẻ thiếu QA. Nếu người dùng tự rà soát thì vẫn còn dùng được. Nhưng nếu chấp nhận nguyên xi mà không kiểm chứng thì có thể còn hại hơn
Ngay từ ví dụ “list có thể dùng cho công thức nấu ăn” tôi đã thật lòng không hiểu nó có nghĩa gì. Có vẻ chỉ làm học sinh lớp 7 rối hơn thôi
Tôi nghĩ đến Hawthorne effect (hiệu ứng mới lạ, novelty effect). Không rõ việc học sinh nói loại nội dung này thú vị hơn là vì nó thực sự tốt hơn, hay chỉ vì nó mới lạ. Wiki Hawthorne effect
Đặc biệt ví dụ về set sẽ làm học sinh lớp 7 bối rối (nhất là nếu vốn dĩ chưa biết khái niệm set). Nói rằng "đưa danh sách nguyên liệu duy nhất vào set" thì đúng về mặt kỹ thuật, nhưng khi đi chợ thật ra còn cần số lượng nên cũng chẳng giúp ích mấy. Nó cũng không khiến người ta hiểu trực quan set là gì, mà khi phải giải thích "khác nhau giữa list và set" còn dễ gây rối thêm. Ngay cả cách diễn đạt "nguyên liệu duy nhất" có khi trẻ ở độ tuổi đó cũng không hiểu
Tôi là giáo viên vật lý cũ. Công nghệ thì ấn tượng, nhưng tôi nghĩ đây là một đổi mới kém hiệu quả về mặt giáo dục. Khi dạy định luật chuyển động của Newton cho thanh thiếu niên, chỗ thật sự khó là khái niệm ma sát không phải lúc nào cũng tồn tại. Học sinh bước vào lớp với 'thuyết xung lực' (theory of impetus, liên kết wiki) được hình thành từ cả đời quan sát chuyển động vật thể ngoài đời. Một AI có thể xác định quan niệm của từng em và đặt câu hỏi để bác bỏ thuyết xung lực thì mới thật sự hữu ích, còn thứ Google công bố lần này chỉ là biến thể của kiểu dạy bảng đen "slide + quiz". Việc giáo dục được bàn dưới giả định rằng "mọi môn đều có thể dạy theo cùng một cách" chính là lý do khiến tôi rời nghề dạy học. Chúng ta đã đi tới giới hạn của cách tiếp cận trung lập theo môn học, nên từ nay chìa khóa cải thiện phải là tập trung vào bản chất "dạy cái gì và dạy như thế nào"
"Một giáo viên giỏi có thể dạy bất kỳ môn nào" — người trưởng bộ môn ngôn ngữ đã nói vậy à? Tôi đồng cảm với bạn rất nhiều, nhưng ngay cả trong cách tiếp cận trung lập theo môn học, các phương pháp học hiệu quả đã được chứng minh như lặp lại ngắt quãng, kiểm tra dựa trên hồi tưởng... vẫn chưa thấm vào 80% lớp học phía dưới. Chúng ta đã biết rất nhiều từ lý thuyết giáo dục và học tập, nhưng đến giờ nó vẫn chưa được phản ánh trong hệ thống trường học
Từ góc nhìn học sinh thì tôi rất đồng cảm. Lý do tôi thấy khó học không phải vì thiếu cá nhân hóa, mà đơn giản vì nội dung nhiều và khó. Điều cốt yếu là có người kiểm tra xem tôi đã thật sự hiểu đúng theo từng chặng chưa (tôi gọi là cách "chia nhỏ từng miếng"), và diễn giải ngôn ngữ công thức hay thuật ngữ bằng lời dễ hiểu hơn. Study mode của ChatGPT làm việc này khá tốt ở một số môn
Cẩn thận khi nói về kinh nghiệm giáo dục kẻo người trong ngành Edutech nổi giận. Họ đã hứa hẹn cách mạng suốt 15 năm rồi
Lúc đó đáng lẽ phải bảo trưởng bộ môn ngôn ngữ đi dạy tensor calculus mới đúng
Tôi tò mò vì sao trưởng bộ môn ngôn ngữ lại nói vậy, nó có ảnh hưởng sang cả khoa tự nhiên không, và có thật chính phát biểu đó khiến bạn bỏ nghề dạy vật lý không
Nhìn vào các dịch vụ AI dạo này và việc thay đổi ép buộc chính sách giá của Copilot, tôi có cảm giác cả ngành AI đang tuyệt vọng cố thuyết phục công chúng dùng một món đồ chơi đắt tiền. Tôi thắc mắc vì sao chưa thấy lời cảnh báo rất kiểu PG (Paul Graham) rằng "giải pháp đang đi tìm vấn đề"
Tôi nghĩ AI chưa đủ đáng tin để tích cực dùng trong học tập. Tôi bảo nó sắp xếp 100 trích dẫn học thuật thì nó xóa mất 10 cái, và bịa thêm 10 cái không có căn cứ. Trong tình huống như vậy thì thay sách giáo khoa là điều không thể tưởng tượng nổi
Chỉ từ trải nghiệm "AI làm tệ việc xử lý trích dẫn" mà kết luận "AI không thể tóm tắt và giải thích sách giáo khoa" là một bước nhảy logic. Nhiều người không giỏi sắp xếp trích dẫn nhưng lại rất thạo tóm tắt và giải thích sách giáo khoa
Tôi đã có nhiều lần dùng LLM để được giải thích nội dung sách giáo khoa rất tốt. Cứ dán phần không hiểu vào rồi hỏi, nó trả lời khá ổn
Bạn đã dùng model nào, prompt ra sao, và thử khi nào vậy?
Tôi thích học. Tôi vào được đại học nhờ Khan Academy, và đến giờ vẫn dùng ChatGPT, Claude... khi đọc bài báo nghiên cứu. Nhưng ví dụ của Google làm tôi thất vọng rất nhanh.
Không phải lỗi của bạn. Tất cả các lựa chọn đều sai. Xã hội học nghiên cứu xã hội, văn hóa, hành vi nhóm... Đây là ảo giác của LLM
Đáp án nào cũng sai. Hệ thống này muốn đáp án là "C) tâm lý học là di truyền, xã hội học là tương tác", nhưng nói tâm lý học tập trung vào di truyền thì không đúng
Ngay cả trong đoạn văn cũng không hề định nghĩa tâm lý học hay xã hội học, cũng không đặt chúng trong quan hệ đối chiếu. Nó lại yêu cầu trả lời chỉ dựa trên đoạn văn, nên muốn giải được thì phải mang kiến thức ngoài vào. Kiểu sinh câu hỏi này xuất phát từ việc LLM diễn giải dữ liệu học tập một cách vụng về. Model không có sự phân biệt giữa chế độ reading comprehension (đọc hiểu văn bản) và didactic (giảng dạy), nên đây không phải lỗi vặt mà là giới hạn mang tính cấu trúc
Có thể ai đó xem đây là lỗi nhỏ, nhưng trong giáo dục thì độ chính xác cực kỳ quan trọng. Những lỗi cơ bản kiểu này mà còn bị bỏ mặc thì khó vượt qua ngưỡng tin cậy
Công nghệ này có vẻ có tiềm năng đáng kể. Giáo viên con người đâu thể có sự kiên nhẫn vô hạn. Hồi phổ thông tôi hỏi giáo viên hóa học rằng "vì sao phản ứng đó lại xảy ra", và câu trả lời là "cứ chấp nhận rồi học thuộc đi, đừng cố hiểu". Từ đó tôi đã không trở thành nhà hóa học. Nhưng giờ đây hóa học lại thấy thú vị. Hồi đó chính giáo viên đã dập tắt hoàn toàn sự tò mò, nên khi chọn ngành đại học tôi tránh sạch mọi thứ liên quan đến hóa. Nếu khi đó có công cụ AI như thế này thì có lẽ đời tôi đã khác. Mặt khác, AI sẽ không thể bằng được tiết dạy đầy cá tính của giáo viên lịch sử của tôi, người từng mang áo giáp thời trung cổ và kiếm thật đến để trực tiếp biểu diễn kiếm thuật. Trong lớp 20 người của chúng tôi có 2 người sau này trở thành tiến sĩ sử học và nhà khảo cổ, đúng là một giáo viên phi thường. Những người như vậy rất hiếm
Bạn nói mình thất vọng vì câu trả lời "cứ học thuộc đi", nên tôi tự hỏi có khi đó là hiện tượng 'lie-to-children' (giải thích) chăng. Bạn muốn hiểu sâu, nhưng trước khi nắm được khái niệm nâng cao thì đôi khi vẫn cần một mức ghi nhớ nền tảng nhất định
Tôi là kiểu người không chỉ muốn kết quả, mà còn muốn biết làm sao người ta đi đến đó, ai là người phát hiện ra và vì sao. Với AI tạo sinh, tôi nghĩ có tiềm năng để nó kể thêm cả bối cảnh thông tin và lịch sử phát triển theo kiểu câu chuyện
Tôi tự hỏi công nghệ này sẽ tác động thế nào trong bối cảnh hiện nay: năng lực đọc hiểu suy giảm, phản trí thức và cảm giác cô lập trong xã hội. Dù công nghệ có hay đến đâu, tôi vẫn nghĩ nó có thể lại là một bước lùi. Có thể tôi bi quan, nhưng cảm giác như thứ này sẽ đi từ hỗ trợ giáo viên sang thay thế giáo viên
Những lời bi quan về năng lực đọc hiểu (kiểu cáo phó xã hội) lúc nào cũng là quá sớm. Ngược lại, một số độc giả đang chọn tiêu hóa các tác phẩm dài và nội dung sâu như một kiểu đọc để kháng cự trí tuệ. Tôi đang mở rộng vốn từ và khả năng diễn đạt qua 'Word Power Made Easy' của Norman Lewis và 'The Well-Spoken Thesaurus' của Tom Heehler. Trong quá trình đó tôi dùng ChatGPT và Gemini như gia sư cá nhân. Chỉ cần đưa chỉ dẫn cụ thể là chúng có thể gợi ý từ mới hoặc giúp câu văn rõ ràng hơn. Tôi thực sự cảm nhận được công nghệ đang làm năng lực biểu đạt/giao tiếp của mình mạnh hơn. Từ chỗ trước đây chỉ viết email hay nhật ký, giờ tôi dùng AI như cộng sự, điểm tựa để tái cấu trúc các giai thoại đời mình thành truyện ngắn, thậm chí chuyển sang văn phong của những tác giả tôi ngưỡng mộ. Đây không phải thay thế giáo viên, mà đúng hơn là nền tảng cho một thời kỳ phục hưng tự học
Nếu lo về suy giảm năng lực đọc hiểu thì vấn đề không phải có đưa thêm công nghệ vào hay không, mà là hệ giá trị của toàn xã hội. Một xã hội coi trọng đọc hiểu sẽ không bị lung lay bởi demo hay các bài quảng bá trên blog. Ngược lại, nếu một xã hội không coi trọng sự hiểu biết, chuyên môn và giáo viên, thì sớm muộn cũng sẽ tìm đường tắt để thay thế những thứ đó
Tôi không nghĩ đây là cách tiếp cận tối ưu, nhưng rất đồng cảm với vấn đề mà nó đang cố giải quyết. Tôi cũng còn nhớ rất rõ hồi tiểu học và trung học, giáo viên thường gạt câu hỏi của tôi đi khá dễ dàng mà không giải thích gì thêm. Đầu óc tôi cứ mắc lại ở những câu hỏi chưa thông nên không thể tập trung vào ý chính, còn giáo viên thì trong bối cảnh giáo dục đại trà có thể không có dư thời gian để theo sát câu hỏi của tôi, hoặc cũng chưa chuẩn bị cho điều đó. Vai trò mà tôi mong LLM đảm nhiệm là một công cụ hỗ trợ có thể dẫn dắt an toàn quá trình khám phá đi chệch khỏi giáo trình chuẩn của học sinh (suy nghĩ lan man, tò mò...), nhưng cuối cùng vẫn đưa các em quay lại mục tiêu học tập mong muốn.
Theo trải nghiệm của tôi, chính những tò mò nhỏ như vậy lại dẫn đến hiểu biết sâu hơn rất nhiều.
TFA (bài gốc) đặt ra câu hỏi: "Nếu học sinh có thể tự thiết kế hành trình học tập của riêng mình thì sao?"
Thật ra trong mảng phi hư cấu hay sách giáo khoa, điều này về cơ bản đã khả thi rồi.
Mãi đến khi học trung học tôi mới biết đến cuốn 'How to Read a Book' (wiki), và cuốn đó đã mở ra cho tôi góc nhìn rằng "đọc tuần tự từ đầu đến cuối không phải lúc nào cũng là đáp án duy nhất".
Tôi hy vọng AI sẽ giúp nhiều học sinh hơn nhận ra rằng ngoài chương trình học cố định, còn có nhiều cách học khác nữa
Tôi hy vọng rồi chúng ta sẽ thật sự có được công nghệ giống "A Young Lady's Illustrated Primer" trong Diamond Age
Có phải tác giả cuốn tiểu thuyết đó đã tiên đoán tương lai từ khi ấy rồi không? Toàn là một thế giới đầy công nghệ nano và nanobot
Ngay cả khi mua pinenote tôi cũng nghĩ đến kiểu tương lai đó. Nếu có một thiết bị giống cuốn sổ của Todd Riddle giúp học toán thì hẳn sẽ rất thú vị. Nhưng việc phát triển phía Linux cho pinenote diễn ra chậm, rồi tôi cũng bận hơn nên mất hứng