- Trong thời đại AI, 5 ý tưởng cốt lõi gồm cải thiện thành phần tự trị, kỹ thuật dựa trên ý định, chuyển dịch sang minh bạch, nhận thức về scaffolding và khuếch tán chuyên môn đang củng cố lẫn nhau và tái cấu trúc căn bản cách mọi tổ chức vận hành
- Lấy cảm hứng từ dự án Autoresearch của Karpathy, chu trình định nghĩa trạng thái mục tiêu rồi tự động đánh giá và cải thiện có thể mở rộng vượt ra ngoài nghiên cứu ML sang mọi lĩnh vực như bảo mật, tư vấn, tuyển dụng
- Không phải viết code hay prompting, mà khả năng diễn đạt rõ kết quả mong muốn bằng các tiêu chí có thể kiểm chứng đang nổi lên như kỹ năng kỹ thuật cốt lõi mới
- Khi AI làm lộ rõ chi phí, chất lượng và quy trình thực tế bên trong tổ chức, người ta nhận ra 75~99% lao động tri thức là scaffolding (công việc phụ trợ)
- Khi tri thức vốn chỉ tồn tại trong đầu chuyên gia được trích xuất thành skill, SOP và file ngữ cảnh, sẽ xuất hiện hiệu ứng bánh cóc không thể đảo ngược khi mọi instance AI cùng học đồng thời
1. Tối ưu hóa thành phần tự trị (Autonomous Component Optimization)
- Dự án Autoresearch của Karpathy là ví dụ tiêu biểu cụ thể hóa khái niệm này: nhập ý tưởng vào file
PROGRAM.md, hệ thống sẽ tự động xử lý các việc rườm rà như tinh chỉnh tham số mô hình, cấu hình môi trường và tạo ra kết quả tốt hơn trước thông qua tối ưu hóa ML
- Autoresearch đang lan rộng vượt khỏi một dự án đơn lẻ thành một mô thức “Autoresearch for X”, khi người ở nhiều lĩnh vực khác nhau khám phá khả năng áp dụng cùng cách tiếp cận đó vào dự án của mình
- Kết hợp với khái niệm khả năng kiểm chứng tổng quát (general verifiability) hoặc generalized hill-climbing, mọi đầu ra đều có thể được phân rã theo tiêu chí trạng thái lý tưởng (ideal state criteria) rồi tự động cải thiện
- Khái niệm Evals for everything cũng gắn với điều này; điểm cốt lõi là mọi hoạt động không chỉ trở nên đo lường được mà còn cải thiện được
- Nền tảng làm được điều đó là tính minh bạch (transparency)
Chu trình cải thiện phổ quát (Universal Improvement Cycle)
- Chu trình sẽ trở thành mô hình vận hành tiêu chuẩn cho mọi doanh nghiệp, tổ chức, chính phủ và cá nhân:
- Cấu trúc hóa mục tiêu thành sứ mệnh, mục tiêu, workflow và SOP
- Agent thực thi workflow
- Ghi log diện rộng đầu ra, hội thoại, kết quả và chất lượng
- Lỗi, thất bại và vấn đề chất lượng được đưa vào điểm thu thập vấn đề của tổ chức đó
- Thuật toán tự cải thiện lấy dữ liệu từ điểm thu thập vấn đề để giải quyết vấn đề, thử nghiệm, kiểm chứng và tối ưu hóa theo kiểu autoresearch
- Sau khi xác nhận các chỉnh sửa, cập nhật SOP và lặp lại chu trình
- Cốt lõi của chu trình này: ánh xạ mục tiêu → agent thực thi → ghi log toàn phần → thu thập thất bại → tự trị cải thiện → cập nhật SOP → lặp lại, và mỗi vòng lặp lại tăng tốc hơn
2. Chuyển sang kỹ thuật dựa trên ý định (Intent-Based Engineering)
- Sức mạnh thực sự của AI là di chuyển từ trạng thái hiện tại sang trạng thái lý tưởng, nhưng trước đó cần có khả năng diễn đạt (articulate) rõ điều mình thực sự muốn
- Vấn đề khoảng cách diễn đạt (articulation gap) rất nghiêm trọng: hỏi CEO về một chương trình bảo mật lý tưởng thì họ chỉ có thể khoa tay, hỏi trưởng nhóm “hoàn thành” nghĩa là gì thì sẽ nhận được một đoạn văn mà ba người hiểu theo ba kiểu
- Khoảng cách này không chỉ tồn tại giữa chuyên gia và AI mà còn giữa lãnh đạo và chính tổ chức của họ
- Về phương pháp cụ thể, mọi yêu cầu nên được phân rã ngược thành các tiêu chí trạng thái lý tưởng rời rạc, có thể kiểm thử bằng 8~12 từ rồi áp dụng đánh giá nhị phân (pass/fail)
- Khi có được các tiêu chí này, hill-climbing, đánh giá và tự động cải thiện đều trở nên khả thi
- Kỹ năng kỹ thuật cốt lõi mới không phải viết code hay prompting, mà là khả năng diễn đạt ý định rõ ràng đến mức có thể kiểm chứng
3. Chuyển từ mờ đục sang minh bạch (Opacity to Transparency)
- Cho tới nay, doanh nghiệp thực ra vẫn không nắm rõ điều gì đang xảy ra bên trong: chi phí thực của quy trình, thời gian tiêu tốn, chất lượng đầu ra, sự khác biệt giữa người thực hiện công việc thật và người làm phần việc phụ trợ
- Phần lớn tổ chức vận hành bằng “cảm tính và bảng tính”, nhưng AI đang biến công việc, chi phí và chất lượng thực tế thành thứ có thể đo lường theo cách trước đây không thể làm được
- Khi có minh bạch thì mới có thể cải thiện, và điều này áp dụng được cho mọi tổ chức từ doanh nghiệp, chính phủ đến các nhóm nhỏ
- Điều đầu tiên mà minh bạch phơi bày là: phần lớn công việc vốn không phải là công việc thực sự
4. Phần lớn công việc là scaffolding (Most Work is Scaffolding)
- Điều AI làm lộ ra là 75~99% lao động tri thức là overhead của scaffolding
- Trong kiểm thử bảo mật, phát triển phần mềm, tư vấn..., phần lớn thời gian bị tiêu tốn cho việc duy trì công cụ, workflow, template và quản lý knowledge base
- Việc tư duy khó thực sự (hard thinking) chỉ được rất ít người thực hiện trong một lượng thời gian rất nhỏ
- AI xử lý phần scaffolding tốt vượt trội: khi đóng gói ngữ cảnh, phương pháp luận và công cụ thành Agent Skills, AI có thể thực thi phần lớn công việc ở mức ngang hoặc vượt chuyên gia
- Không phải bản thân công việc quá khó, mà là việc duy trì scaffolding mới khó
5. Khuếch tán chuyên môn thành tri thức công (Expertise Diffusion)
- Khoảng cách diễn đạt (articulation gap): tồn tại khoảng cách lớn giữa những gì chuyên gia biết và những gì đã được tài liệu hóa
- Ví dụ: nếu nhân viên 62 tuổi “Cliff”, người biết mọi thứ nhưng không ghi chép gì, nghỉ hưu thì tri thức đó sẽ biến mất
- Hiện nay, chuyên môn đang được lưu trữ phân tán dưới dạng skill, SOP, file ngữ cảnh và dự án mã nguồn mở, và một khi tri thức đã được trích xuất thì gần như không thể loại bỏ trở lại
- Được ví như “nước tiểu đổ vào bể bơi”: skill đã công khai, quy trình đã tài liệu hóa, buổi debrief chuyên gia sẽ vĩnh viễn đi vào kho tri thức tập thể
- Hiệu ứng bánh cóc một chiều (one-way ratchet): con người cần 20~30 năm để tích lũy chuyên môn sâu trong một lĩnh vực rồi lại quên đi và nghỉ hưu, còn AI hấp thụ ngay chuyên môn đã được ghi lại, không bao giờ quên và có thể sao chép vô hạn
- Khoảng cách giữa tốc độ tích lũy chuyên môn của con người và của AI đang nới rộng từng ngày
Hàm ý (Implications)
Tự cải thiện làm thay đổi tốc độ ở mọi lĩnh vực
- Khi có thể định nghĩa trạng thái lý tưởng, đo lường và lặp tự động, nhiều tháng tinh chỉnh thủ công có thể hoàn tất chỉ sau một đêm
- Điều này áp dụng không chỉ cho nghiên cứu ML mà còn cho chương trình bảo mật, đầu ra tư vấn, pipeline nội dung, quy trình tuyển dụng — tức mọi thứ có trạng thái lý tưởng có thể định nghĩa được
- Mọi tổ chức rồi sẽ vận hành cùng một chu trình (ánh xạ mục tiêu → agent thực thi → ghi log → thu thập thất bại → tự trị cải thiện → cập nhật SOP), và tổ chức áp dụng sớm sẽ tạo ra khoảng cách cộng dồn đến mức không thể cạnh tranh
Ý định trở thành nút thắt cổ chai
- Kỹ năng khan hiếm mới không phải coding hay prompting, mà là khả năng nói rõ mình muốn gì
- Chất lượng của ý tưởng luôn là điều quan trọng nhất, và quan trọng thứ hai là khả năng diễn đạt, định nghĩa và căn chỉnh toàn bộ tổ chức theo ý tưởng đó
- Phần lớn lãnh đạo và doanh nghiệp hiện vẫn chưa làm được điều này; tổ chức giải được trước sẽ có thể tập trung mọi công cụ tối ưu hóa vào mục tiêu thực sự
Mọi thứ trở nên minh bạch
- Sẽ có sự chuyển dịch từ cảm tính mờ đục sang các thành phần minh bạch, có thể tối ưu hóa, khiến kẻ lừa đảo và gatekeeper ngày càng ít chỗ ẩn náu
- Ngay cả trong cạnh tranh sản phẩm và dịch vụ, agent cũng sẽ không dựa vào marketing copy hay lời giới thiệu khách hàng mà đòi hỏi dữ liệu hiệu năng thực tế có thể kiểm chứng; ai không có sẽ bị loại khỏi cuộc chơi
Hàng hóa hóa scaffolding (Commoditization)
- Những gì từng được xem là chuyên môn của một lĩnh vực hóa ra phần lớn chỉ là scaffolding mà người khác không hiểu
- Ví dụ: cấu hình và duy trì một môi trường phát triển cụ thể, hay các công việc phụ trợ trong nghề thu nhập cao như pháp lý, tư vấn cũng vậy
Tri thức chuyên môn trở thành hạ tầng công cộng
- Tri thức trước đây chỉ chuyên gia nắm giữ sẽ sớm trở thành thứ mọi người, đặc biệt là AI, đều sở hữu
- Lợi thế từ 50 năm kinh nghiệm trong một lĩnh vực sẽ không thể kéo dài lâu; tri thức đó sẽ được chính họ hoặc đồng nghiệp trên toàn thế giới trích xuất ra
Tóm tắt cốt lõi và kết luận
- Cả 5 ý tưởng đều tương tác và khuếch đại lẫn nhau
- Không chỉ có thể cải thiện nhiều thành phần khác nhau, mà ngay cả tốc độ cải thiện cũng được cải thiện
- Mọi doanh nghiệp, chính phủ và tổ chức sẽ hội tụ về cùng một chu trình (định nghĩa mục tiêu → agent thực thi → ghi log toàn phần → thu thập thất bại → chính hệ thống tự cải thiện), và tổ chức đến trước sẽ tạo ra khoảng cách cộng dồn mà phần còn lại không thể đuổi kịp
4 bình luận
Tóm tắt gọn gàng đấy, nhưng rốt cuộc công việc vẫn y như cũ, chẳng có gì thay đổi; cuối cùng vẫn quy về chuyện cùng chia sẻ kiến thức để cả tôi cũng có thể làm việc bằng AI.
Cần phải lưu lại ý định giải quyết vấn đề nào khi viết đoạn mã đó vào thời điểm ấy.
Sau một thời gian thì chỉ còn lại câu hỏi: rốt cuộc mình đã viết thế này với mục đích gì vậy..
Làm thử sẽ biết: chỉ dữ liệu không thể tiếp cận mới là hào lũy.
Có phải do khả năng hiểu của tôi kém không, nhưng thành thật mà nói tôi không rõ họ muốn nói gì.