- CEO Nvidia Jensen Huang xuất hiện trên podcast All-In và đề cập đến nhiều chủ đề rộng lớn như thương vụ thâu tóm Groq, sự bùng nổ của suy luận, AI vật lý, điện toán agent, khủng hoảng PR của ngành AI, v.v.
- Nvidia đã tiến hóa từ một công ty GPU thành công ty AI factory, đồng thời bổ sung Groq LPU, BlueField, CPU và bộ xử lý mạng vào kiến trúc điện toán dị thể phục vụ xử lý agent
- Ông đánh giá Open Claw là bản thiết kế hệ điều hành của điện toán AI hiện đại, và định nghĩa đây là máy tính AI cá nhân đầu tiên có hệ thống bộ nhớ, kỹ năng, lập lịch và hệ thống con IO
- AI vật lý là thị trường trị giá 50 nghìn tỷ USD mà ngành công nghệ lần đầu tiên có thể tiếp cận, và hiện đang tăng trưởng theo cấp số nhân với quy mô kinh doanh gần 10 tỷ USD mỗi năm
- Về khủng hoảng PR của ngành AI, ông cảnh báo những phát ngôn cực đoan, mang màu sắc tận thế của các lãnh đạo công nghệ có thể gây tác động tiêu cực tới các nhà hoạch định chính sách và công chúng, đồng thời nhấn mạnh nhu cầu giao tiếp tiết chế và cân bằng hơn
Thương vụ Groq và sự bùng nổ của suy luận
- Công nghệ cốt lõi của Dynamo, hệ điều hành AI factory được giới thiệu cách đây 2 năm rưỡi, là suy luận phân tách (disaggregated inference), tức chia nhỏ pipeline xử lý suy luận để chạy trên các GPU khác nhau
- Khái niệm điện toán phân tách này đã dẫn tới thương vụ thâu tóm Mellanox, và hiện nay điện toán Nvidia được phân tán trên toàn bộ GPU, CPU, switch, switch scale-up/scale-out và bộ xử lý mạng
- Giờ đây bổ sung thêm Groq để đặt đúng workload lên đúng chip
- Khi chuyển sang kỷ nguyên xử lý agent, nhu cầu về bộ nhớ làm việc, bộ nhớ dài hạn, sử dụng công cụ và lưu trữ tăng vọt
- Nhiều loại mô hình cùng tồn tại trong trung tâm dữ liệu, gồm mô hình lớn, mô hình nhỏ, mô hình diffusion, mô hình tự hồi quy
- Vera Rubin là hệ thống được thiết kế để chạy khối lượng công việc cực kỳ đa dạng này
- Từ cấu hình 1 rack trước đây, hệ thống bổ sung thêm 4 rack, giúp TAM của Nvidia tăng khoảng 33~50%
- Phần bổ sung gồm bộ xử lý lưu trữ (BlueField), bộ xử lý Groq, CPU và bộ xử lý mạng
- Không nên đồng nhất giá trung tâm dữ liệu với chi phí token
- Một factory 50 tỷ USD có thể tạo ra token với chi phí thấp nhất, vì có hiệu suất thông lượng cao gấp 10 lần
- 20 tỷ USD là chi phí đất đai, điện năng và phần vỏ hạ tầng; còn lưu trữ, mạng, CPU, server và làm mát thì đằng nào cũng cần
- Chênh lệch giữa giá GPU ở mức 1x hay 0.5x chỉ là khoảng 50 tỷ so với 40 tỷ, không phải tỷ lệ lớn nếu so với thông lượng gấp 10 lần
- Năm ngoái ông nói suy luận sẽ tăng 1.000 lần, nhưng giờ sẽ tiến tới mức 1 triệu lần, 1 tỷ lần
- Khi đó thế giới tập trung vào pre-scaling và huấn luyện, còn hiện nay suy luận đang bùng nổ đến mức rơi vào trạng thái bị giới hạn bởi suy luận (inference constrained)
Cách ra quyết định của công ty giá trị nhất thế giới
- Vai trò của CEO là định nghĩa tầm nhìn và chiến lược, đồng thời định hình tương lai dựa trên thông tin từ các nhà khoa học máy tính và kỹ sư xuất sắc
- Tiêu chí cốt lõi: đó có phải là việc khó đến điên rồ hay không, có phải là điều chưa từng được làm trước đây hay không, và có phù hợp với siêu năng lực đặc biệt của Nvidia hay không
- Nếu là việc dễ thì sẽ có nhiều đối thủ cạnh tranh, nên phải tránh
- Những việc cực kỳ khó luôn đi kèm đau đớn, nên phải có khả năng tận hưởng quá trình đó
Thị trường AI vật lý 50 nghìn tỷ USD và Open Claw
- AI vật lý là cơ hội đầu tiên để ngành công nghệ tiếp cận một ngành trị giá 50 nghìn tỷ USD
- Bắt đầu từ 10 năm trước và hiện là một mảng kinh doanh tăng trưởng theo cấp số nhân, gần đạt 10 tỷ USD doanh thu hằng năm
- Phân biệt 3 hệ thống điện toán
- Thứ nhất: máy tính dùng để huấn luyện và phát triển mô hình AI
- Thứ hai: máy tính dùng để đánh giá — đánh giá robot và ô tô trong môi trường ảo tuân theo các định luật vật lý (Omniverse)
- Thứ ba: máy tính robotics biên — dành cho xe tự hành, robot, gấu bông, v.v.
- Nvidia đang tiến hành chuyển các trạm gốc viễn thông thành một phần của hạ tầng AI
- Ngành viễn thông trị giá 2 nghìn tỷ USD sẽ trở thành phần mở rộng của hạ tầng AI
- Sinh học số đang tiến gần tới khoảnh khắc ChatGPT của riêng mình
- Khả năng hiểu biểu diễn và động lực học của gene, protein và tế bào có thể đạt được trong vòng 2~5 năm
- Trong vòng 5 năm, sinh học số sẽ chạm tới điểm bẻ ngoặt trong ngành chăm sóc sức khỏe
- Open Claw là điểm bẻ ngoặt thứ ba trong 3 điểm bẻ ngoặt của 2 năm qua
- Thứ nhất: ChatGPT — đưa AI tạo sinh vào nhận thức đại chúng
- Thứ hai: o1/o3 — suy luận (reasoning), thông tin có căn cứ, tạo ra điểm bẻ ngoặt cho mô hình kinh tế
- Thứ ba: Claude Code — hệ thống agent hữu ích đầu tiên nhưng còn giới hạn trong doanh nghiệp; Open Claw khắc sâu khái niệm AI agent vào nhận thức đại chúng
- Cấu trúc mô hình điện toán của Open Claw
- Hệ thống bộ nhớ: scratchpad (bộ nhớ ngắn hạn), file system
- Kỹ năng: chạy nhiều loại ứng dụng qua API
- Quản lý tài nguyên và lập lịch: cron job, sinh agent, phân rã tác vụ
- Hệ thống con IO: nhập/xuất, kết nối WhatsApp, v.v.
- 4 yếu tố này về bản chất định nghĩa một máy tính → máy tính AI cá nhân mã nguồn mở đầu tiên
- Đóng góp về quản trị và bảo mật của phần mềm agent
- Có chính sách không cho phép đồng thời cả ba quyền: truy cập thông tin nhạy cảm, thực thi mã và giao tiếp ra bên ngoài
- Peter Steinberger và các kỹ sư Nvidia đã góp phần tăng cường bảo mật
Khủng hoảng PR của AI và vấn đề truyền thông của Anthropic
- AI là phần mềm máy tính, không phải sinh vật sinh học, không phải người ngoài hành tinh, cũng không có ý thức
- Câu nói “chúng ta hoàn toàn không hiểu nó” là không đúng; thực tế chúng ta hiểu rất nhiều về công nghệ này
- Cần liên tục cung cấp thông tin cho các nhà hoạch định chính sách và không để chủ nghĩa tận thế hay cực đoan chi phối các quyết định chính sách
- Đồng thời, vì công nghệ thay đổi quá nhanh nên chính sách cũng không nên đi quá xa trước công nghệ
- Mối lo ngại an ninh quốc gia lớn nhất của Mỹ là khi các nước khác đang áp dụng AI, còn Mỹ thì lại phẫn nộ, sợ hãi hoặc hoang tưởng về AI đến mức không thể áp dụng nó
- Về Anthropic: ông đánh giá công nghệ của họ rất tốt và tôn trọng việc họ tập trung vào bảo mật, an toàn
- Tuy nhiên, cảnh báo về rủi ro của công nghệ là điều tốt, còn gieo sợ hãi thì kém tốt hơn
- Những phát ngôn cực đoan và mang tính thảm họa mà không có bằng chứng có thể gây hại nhiều hơn người ta tưởng
- Với tư cách lãnh đạo công nghệ, cần nhận thức trọng lượng của lời nói và trở nên tiết chế, ôn hòa, cân bằng và thận trọng hơn
- Mức độ ủng hộ AI tại Mỹ chỉ ở mức 17%, và có nguy cơ đi vào vết xe đổ bị đóng băng như ngành hạt nhân
- Trong khi Trung Quốc đang xây 100 lò phản ứng phân hạch thì Mỹ là 0
- Thậm chí đã xuất hiện cả câu chuyện về moratorium đối với trung tâm dữ liệu
Năng lực doanh thu, phân bổ token cho nhân viên và tương lai của agent
- Xếp hạng sử dụng mô hình AI: hạng 1 OpenAI, hạng 2 mã nguồn mở (cách biệt rất lớn), hạng 3 Anthropic
- Nhu cầu điện toán tăng lên
- Từ tạo sinh → suy luận: khoảng 100 lần
- Từ suy luận → agent: khoảng 100 lần
- Chỉ trong 2 năm, điện toán đã tăng 10.000 lần
- Con người trả tiền cho thông tin, nhưng trả nhiều tiền hơn cho công việc (work)
- Hệ thống agent xử lý công việc, nên mức tiêu thụ hiện đã tăng khoảng 100 lần, trong khi còn chưa thực sự bắt đầu scale
- Trong số 43.000 nhân viên của Nvidia, khoảng 38.000 là kỹ sư
- Nếu một kỹ sư lương 500.000 USD/năm chỉ dùng 5.000 USD token mỗi năm thì đó là vấn đề lớn
- Kỳ vọng tối thiểu là phải tiêu trên 250.000 USD cho token
- Điều đó chẳng khác nào một nhà thiết kế chip nói rằng “tôi sẽ chỉ dùng giấy với bút chì, không cần công cụ CAD”
- Trường hợp Auto Research
- Một nghiên cứu chạy trong 30 phút trên desktop có chất lượng tương đương luận án tiến sĩ thường mất 7 năm
- Có thể tải từ GitHub và chạy cục bộ, cho ra kết quả ở cấp độ tạp chí khoa học
- Là công cụ được công bố vào cuối tuần chỉ với 600 dòng code
- Cách làm việc trong tương lai: thay vì trực tiếp viết code, con người sẽ viết ý tưởng, kiến trúc, đặc tả, tổ chức đội ngũ và định nghĩa tiêu chí đánh giá
- Mọi kỹ sư sẽ có 100 agent
Tương lai của phần mềm doanh nghiệp
- Phản biện lại quan điểm cho rằng ngành phần mềm IT doanh nghiệp sẽ bị phá hủy
- Phần mềm doanh nghiệp từ trước đến nay bị giới hạn bởi số lượng nhân sự và ghế ngồi (butts and seats)
- Sắp tới sẽ có nhiều hơn 100 lần số agent sử dụng các công cụ hiện có như SQL, vector database, Blender, Photoshop, v.v.
- Các công cụ hiện tại làm tốt công việc của mình và đóng vai trò là con đường để biểu diễn kết quả công việc cuối cùng dưới dạng người dùng có thể kiểm soát
Mã nguồn mở, mở rộng toàn cầu và chuỗi cung ứng Iran/Đài Loan
- Mô hình là công nghệ chứ không phải sản phẩm, và là công nghệ chứ không phải dịch vụ
- Cả mô hình độc quyền lẫn mô hình mã nguồn mở đều cần thiết về mặt nền tảng (không phải A hoặc B mà là A và B)
- Người tiêu dùng phổ thông ưa thích trí tuệ đa dụng ở lớp ngang như ChatGPT, Claude, Gemini
- Chuyên môn hóa theo ngành và năng lực miền chuyên biệt chỉ có thể thực hiện trên mô hình mở
- Các mô hình mã nguồn mở đang tiến rất gần frontier, và ngay cả khi chạm frontier thì các mô hình dạng dịch vụ vẫn sẽ tiếp tục phát triển mạnh
- Tình hình mở rộng toàn cầu
- Quy định phổ cập thời Biden là chính sách phổ cập AI phản Mỹ
- Tổng thống Trump muốn ngành công nghệ Mỹ dẫn đầu thế giới và mở rộng công nghệ
- Nvidia đã từ bỏ 95% thị phần tại thị trường lớn thứ hai thế giới là Trung Quốc và hiện còn 0%
- Công ty đã có giấy phép được Secretary Lutnik phê duyệt, đang nhận đơn đặt hàng từ doanh nghiệp Trung Quốc và tái khởi động chuỗi cung ứng
- Từ góc độ an ninh quốc gia
- Nếu không kiểm soát được động cơ nhỏ, khoáng sản đất hiếm, mạng viễn thông và năng lượng bền vững thì an ninh quốc gia sẽ suy yếu
- Ngành AI không được trở thành giống như điện mặt trời, đất hiếm, nam châm, động cơ hay viễn thông
- Điều mong muốn là stack công nghệ Mỹ (từ chip đến hệ thống điện toán đến nền tảng) chiếm 90% của thế giới
- Đài Loan: cần thúc đẩy tái công nghiệp hóa ở Mỹ nhanh nhất có thể, đồng thời bảo đảm quan hệ đối tác chiến lược và tình hữu nghị trong chuỗi cung ứng Đài Loan để sản xuất với tốc độ cao tại Arizona, Texas và California
- Cần đa dạng hóa chuỗi cung ứng sang Hàn Quốc, Nhật Bản và châu Âu
- Trong quá trình xây dựng đa dạng hóa và khả năng phục hồi, cần kiên nhẫn và kiềm chế
- Helium: có thể trở thành vấn đề, nhưng nhiều khả năng chuỗi cung ứng có đủ buffer
Nền tảng xe tự hành và cạnh tranh
- “Mọi thứ có thể di chuyển rồi sẽ một ngày nào đó được tự động hóa hoàn toàn hoặc một phần”
- Nvidia không trực tiếp làm xe tự hành mà hỗ trợ mọi hãng ô tô đều có thể làm được
- Họ xây cả 3 loại: máy tính huấn luyện, máy tính mô phỏng/đánh giá và máy tính trên xe
- Xe tự hành dựa trên suy luận đầu tiên trên thế giới — hệ thống Alpommyo khám phá bằng cách phân rã các kịch bản phức tạp thành những kịch bản đơn giản
- Tesla chỉ mua máy tính huấn luyện, còn các công ty khác dùng toàn bộ stack, cho thấy mô hình hợp tác linh hoạt
- Trong bối cảnh khách hàng cũng trở thành đối thủ cạnh tranh như Google TPU hay Amazon Inferentia/Tranium
- Nvidia tự tin rằng chừng nào còn cạnh tranh bằng công nghệ tốt nhất và chạy thật nhanh, mua từ Nvidia vẫn là lựa chọn kinh tế nhất
- Đây là kiến trúc duy nhất hiện diện trên mọi đám mây — từ cloud đến on-premise, trên xe, ở bất kỳ khu vực nào, thậm chí cả ngoài không gian
- Khoảng 40% hoạt động kinh doanh của hãng sẽ không thể được khách hàng khai thác nếu không có full stack đủ để xây dựng toàn bộ AI factory
- Lý do mở rộng thị phần
- Anthropic chuyển sang Nvidia, Meta cũng chuyển sang Nvidia, mô hình mở tăng trưởng — tất cả đều dựa trên Nvidia
- Tăng trưởng của doanh nghiệp, ngành công nghiệp và edge bên ngoài cloud
- AWS công bố sẽ mua 1 triệu chip trong vài năm tới
- Trước các dự báo của giới phân tích về tăng trưởng chậm lại (30% năm sau, rồi 20%, rồi 7% vào năm 2029)
- Họ không hiểu quy mô và phạm vi của AI
- Đa số nghĩ AI chỉ nằm trong top 5 hyperscaler, nhưng thực tế rộng hơn nhiều
Trung tâm dữ liệu ngoài không gian, AI y tế và robotics
- Trung tâm dữ liệu ngoài không gian
- Nvidia đã hiện diện trong không gian — CUDA đã được làm cứng chống bức xạ và đang thực hiện imaging cũng như xử lý ảnh AI trên các vệ tinh toàn cầu
- Thay vì gửi toàn bộ dữ liệu từ không gian về Trái đất, xử lý imaging ngay trong không gian là hợp lý hơn
- Ngoài không gian có năng lượng dồi dào, nhưng không thể làm mát bằng dẫn nhiệt hay đối lưu — chỉ có thể bức xạ, nên cần diện tích bề mặt rất lớn
- Dự kiến sẽ mất nhiều năm để khám phá kiến trúc trung tâm dữ liệu ngoài không gian
- AI y tế gồm 3 lĩnh vực
- AI sinh học: biểu diễn và dự đoán hành vi sinh học bằng AI → khám phá thuốc
- AI agent: hỗ trợ chẩn đoán, v.v. — ví dụ như Open Evidence, Hypocratic
- AI vật lý: AI hiểu các định luật vật lý → phẫu thuật robot, v.v.
- Trong tương lai, mọi thiết bị trong bệnh viện như siêu âm, CT sẽ được agent hóa — một phiên bản Open Claw an toàn sẽ được nhúng vào mọi thiết bị
- Robotics
- Mỹ đã phát minh ra phần lớn ngành này, nhưng đuối sức khoảng 5 năm trước khi công nghệ cốt lõi (bộ não = AI) xuất hiện
- Từ bằng chứng tồn tại với chức năng cao tới một sản phẩm hợp lý thường không mất quá 2~3 chu kỳ (3~5 năm)
- Trung Quốc là số 1 thế giới về vi điện tử, động cơ, đất hiếm, nam châm, nên ngành robotics toàn cầu phụ thuộc nặng vào hệ sinh thái và chuỗi cung ứng Trung Quốc
- Robot sẽ mở khóa lớn nhất cho dịch chuyển kinh tế và thịnh vượng, bằng cách cho phép cá nhân làm những việc mà họ không thể tự làm độc lập
- Hiện Mỹ đang thiếu hàng triệu lao động, nên robotics là nhu cầu cấp thiết
- Sự hiện diện ảo (virtual presence) thông qua robot, di chuyển với tốc độ ánh sáng, và là phương tiện chủ chốt cho việc thuộc địa hóa Mặt trăng và Sao Hỏa
Tiềm năng doanh thu của OpenAI/Anthropic và hào kinh tế AI
- Dario Amodei dự báo doanh thu AI phi hạ tầng sẽ đạt hàng trăm tỷ USD vào 2027~28 và 1 nghìn tỷ USD vào 2030
- Jensen đánh giá đây là dự báo rất thận trọng, và kỳ vọng Anthropic sẽ làm tốt hơn nhiều
- Phần chưa được tính tới là: mọi công ty phần mềm doanh nghiệp sẽ trở thành nhà bán lại giá trị gia tăng cho token của Anthropic và OpenAI
- Go-to-market dự kiến sẽ mở rộng theo logarit
- Hào kinh tế (moat) trong thời đại AI là chuyên môn hóa sâu (deep specialization)
- Mô hình đa dụng sẽ được kết nối với các hệ thống agent, và nhiều mô hình sẽ là sub-agent chuyên biệt do doanh nghiệp tự huấn luyện
- Thông điệp dành cho startup: hãy hiểu vertical của mình sâu hơn bất kỳ ai, rồi khi công cụ phát triển hãy đưa tri thức đó vào hệ thống
- Càng nhanh kết nối agent với khách hàng thì flywheel càng vận hành và agent càng tốt lên
- Khác với các nền tảng ngang hiện tại hay mô hình tùy biến, đây là cơ hội để các công ty nền tảng trở thành chuyên gia và chuyên gia miền vertical
Lời khuyên cho người trẻ trong thời đại AI
- Ông khuyên theo đuổi khoa học chuyên sâu, toán học chuyên sâu và năng lực ngôn ngữ
- Vì ngôn ngữ là ngôn ngữ lập trình của AI, nên người học văn học Anh có thể lại là người thành công nhất
- Dù được đào tạo theo hướng nào, bạn cũng phải trở thành chuyên gia sử dụng AI ở mức sâu
- Không chỉ dẫn quá mức (overprescribe), mà vẫn để AI có khoảng trống để đổi mới và sáng tạo trong khi đưa nó tới kết quả mong muốn là một nghệ thuật (artistry)
- Trường hợp bác sĩ chẩn đoán hình ảnh
- 10 năm trước từng có dự đoán computer vision sẽ thay thế hoàn toàn ngành này → hiện computer vision đã được tích hợp 100%
- Nhưng số lượng bác sĩ chẩn đoán hình ảnh thực tế lại tăng lên, do nhu cầu tăng mạnh
- Scan nhanh hơn dẫn đến nhiều ca scan hơn → xử lý được nhiều bệnh nhân hơn → tăng doanh thu bệnh viện
- Nhiệm vụ (task) của nghề thay đổi, nhưng mục đích (purpose) vẫn giữ nguyên
- Khi năng suất tăng, các quốc gia sẽ giàu hơn và có thể bố trí thêm giáo viên trong lớp học, đồng thời cung cấp chương trình học cá nhân hóa cho mọi học sinh
- Chuyển dịch việc làm là không thể tránh khỏi, chẳng hạn xe tự hành sẽ làm thay đổi 10~15 triệu việc làm lái xe
- Tài xế có thể tiến hóa thành trợ lý di chuyển, làm nhiều việc cho hành khách trong lúc xe tự lái
- Tương tự như autopilot trên máy bay đã tạo ra nhiều phi công hơn
5 bình luận
Từ 24:28 trở đi thật sự rất ấn tượng.
Hãy thử làm một thí nghiệm tư duy như thế này.
Giả sử có một kỹ sư phần mềm hoặc nhà nghiên cứu AI nhận mức lương 500.000 USD một năm. Với chúng tôi, đây là chuyện khá bình thường.
Vào cuối năm, tôi sẽ hỏi kỹ sư nhận lương 500.000 USD đó rằng:
"Năm nay anh đã chi bao nhiêu cho token?"
Thế mà nếu người đó trả lời "Tôi đã chi 5.000 USD", thì tôi sẽ thật sự chết lặng.
Nếu kỹ sư lương 500.000 USD đó thậm chí còn không dùng đến số token trị giá tối thiểu 250.000 USD, thì tôi sẽ xem đó là một vấn đề cực kỳ nghiêm trọng.
Điều đó chẳng khác nào một trong những người thiết kế chip của chúng tôi nói rằng
"Tôi sẽ chỉ dùng giấy và bút chì thôi. Có lẽ tôi không cần công cụ CAD."
Điều này có nghĩa là chính cách chúng ta nhìn nhận nhân tài hàng đầu giờ đây đang thay đổi hoàn toàn.
Nó cũng tương tự như điều chúng ta học được khi LeBron James ở NBA bắt đầu chi 1 triệu USD mỗi năm để chăm sóc cơ thể và duy trì thể trạng của mình.
Vậy thì tại sao chúng ta lại không trao cho những lao động tri thức xuất sắc này năng lực siêu phàm?
Nếu nhìn về 2~3 năm tới,
thì một nhân tài hàng đầu của Nvidia sẽ làm việc hiệu quả đến mức nào?
Và rốt cuộc họ sẽ có thể làm được tới đâu?
Trước hết, suy nghĩ "Wow, cái này khó quá" sẽ biến mất.
Suy nghĩ "Cái này mất quá nhiều thời gian" cũng sẽ biến mất.
Suy nghĩ "Cần quá nhiều người" cũng sẽ biến mất.
Quá lớn, quá nặng, mất quá nhiều thời gian.
Những suy nghĩ như vậy sẽ biến mất hết.
Cuối cùng thứ còn lại là sự sáng tạo.
Chỉ còn lại việc bạn có thể nghĩ ra điều gì mà thôi.
Vậy thì giờ câu hỏi là thế này.
Làm thế nào để cùng làm việc với những agent này?
Rốt cuộc đó là một cách mới để lập trình máy tính.
Trước đây chúng ta tự tay viết mã.
Trong tương lai, chúng ta sẽ viết ý tưởng, viết kiến trúc và viết đặc tả.
Chúng ta sẽ tổ chức đội ngũ,
định nghĩa cách đánh giá kết quả tốt và kết quả xấu,
quy định thế nào là một kết quả xuất sắc,
quyết định cách cùng nhau lặp lại để cải thiện,
và quyết định cách brainstorming.
Đó mới thật sự là điều quan trọng.
Và theo tôi,
trong tương lai mọi kỹ sư sẽ có 100 agent dưới quyền mình.
Tôi hiểu ý nghĩa của nó, nhưng đúng là đánh giá kỹ sư bằng số dòng code thì thật ngớ ngẩn. Có vẻ như tìm được một chỉ số tốt quả là việc rất khó.
Thay vì hỏi một kỹ sư nhận lương 500.000 USD rằng “đã dùng bao nhiêu token?”,
chẳng phải chúng ta nên hỏi “năm nay anh/chị đã phát triển được gì, và nó đã đóng góp thế nào vào lợi nhuận hoạt động của công ty?” sao?
Không phải là hỏi đã dùng bao nhiêu token, mà là hỏi có đang tận dụng nó tốt hay không. Việc chỉ dùng 5.000 đô la có lẽ nên được xem là một chuẩn mực cho mức chi quá ít. Điều đó chẳng khác gì nói rằng: “ Tôi chỉ dùng giấy và bút chì thôi. Có lẽ tôi không cần công cụ CAD.”
Ví dụ khác là có thể hiểu như thế này: "Có nhân viên nào chỉ dùng mỗi công thức SUM trong Excel không?"