- Sự sụp đổ của năng lực sản xuất quốc phòng cho thấy khi lực lượng lao động lành nghề đã nghỉ hưu và tri thức quy trình biến mất, thì ngay cả khi nhu cầu thời chiến xuất hiện cũng không thể nhanh chóng khôi phục sản xuất
- Các trường hợp khôi phục Stinger, đạn pháo 155mm và Fogbank cho thấy tối ưu hóa chi phí và điểm lỗi đơn lẻ đã nâng hiệu quả trong thời bình, nhưng làm suy yếu nghiêm trọng dư địa của chuỗi cung ứng và tốc độ phục hồi
- Phần mềm cũng đang đi theo con đường dựa vào những phương án thay thế rẻ hơn và làm suy yếu pipeline nhân lực, còn sau khi áp dụng AI thì việc cắt giảm tuyển dụng junior và review bottleneck cùng lúc gia tăng
- Kỹ năng lành nghề không thể được tạo ra nhanh chỉ bằng tiền; cả quốc phòng lẫn phần mềm đều cần nhiều năm kinh nghiệm thực địa và năng lực rà soát để tích lũy tri thức và tay nghề
- Nếu junior không trải qua những sai lầm ở giai đoạn hình thành và quá trình debug, tri thức ngầm sẽ không tích lũy, làm tăng nguy cơ thiếu kỹ sư senior và institutional knowledge trong tương lai
Những đường song song giữa sự sụp đổ năng lực sản xuất quốc phòng và cắt giảm nhân sự phần mềm
- Raytheon đã phải gọi lại kỹ sư ngoài 70 tuổi để khởi động lại sản xuất Stinger, phục hồi quy trình dựa trên các bản vẽ giấy cũ và thiết bị thử nghiệm còn nằm trong kho
- Sau khi Pentagon không mua Stinger mới suốt 20 năm, chiến tranh Ukraine khiến nhu cầu tăng vọt; nhưng dây chuyền sản xuất đã đóng cửa, linh kiện điện tử và đầu tự dẫn đều đã ngừng sản xuất, còn đơn đặt hàng từ tháng 5/2022 dự kiến phải đến năm 2026 mới giao
- Chỉ trong 10 tháng chiến tranh, nhu cầu đã lớn đến mức tiêu hao hết 13 năm sản lượng Stinger, và khoảng trống nhân lực cùng tri thức sản xuất đã biến thành nút thắt cổ chai
- Đây không đơn thuần là vấn đề ngân sách; trở ngại cốt lõi là cấu trúc trong đó lao động lành nghề đã nghỉ hưu nhưng không có lực lượng thay thế nối tiếp
Sự thất bại trong tăng sản lượng đạn dược phơi bày điểm yếu của chuỗi cung ứng
-
Cam kết 1 triệu viên đạn và năng lực sản xuất thực tế
- Tháng 3/2023, EU cam kết cung cấp 1 triệu quả đạn pháo cho Ukraine trong vòng 12 tháng, nhưng năng lực sản xuất hằng năm của châu Âu chỉ ở mức khoảng 230.000 quả, trong khi Ukraine tiêu thụ 5.000~7.000 quả mỗi ngày
- Đến hạn, châu Âu chỉ giao được khoảng một nửa, và cuộc điều tra của 11 cơ quan báo chí tại 9 quốc gia cho thấy năng lực sản xuất thực tế chỉ bằng khoảng 1/3 mức EU công bố chính thức
- Mốc đạt 1 triệu quả bị lùi sang tháng 12/2024, chậm 9 tháng so với cam kết ban đầu
-
Cấu trúc với nhiều nút thắt chồng lên nhau cùng lúc
- France đã ngừng sản xuất thuốc phóng trong nước từ năm 2007 và tình trạng đó kéo dài suốt 17 năm
- Cơ sở sản xuất TNT chủ lực của châu Âu chỉ có một nơi ở Poland, còn lượng đạn dự trữ của Germany chỉ đủ cho hai ngày
- Nhà máy Nammo ở Denmark đóng cửa vào năm 2020 và phải khởi động lại gần như từ đầu
- Ngành công nghiệp quốc phòng châu Âu được tối ưu cho sản phẩm tùy biến đắt tiền với số lượng nhỏ, chứ không được thiết kế với giả định sản xuất hàng loạt và ứng phó khủng hoảng
-
Mỹ cũng có điểm yếu tương tự
- Mỹ cũng phụ thuộc vào một nhà máy ở Scranton, một cơ sở nạp thuốc nổ ở Iowa, và đã không còn sản xuất TNT trong nước từ sau năm 1986
- Dù đã đổ vào hàng tỷ USD, sản lượng vẫn chưa đạt nổi một nửa mục tiêu
Tối ưu hóa chi phí đã tạo ra các điểm lỗi đơn lẻ
- Năm 1993, Pentagon gửi thông điệp tới các CEO quốc phòng rằng nếu không hợp nhất thì sẽ bị đào thải, và sau đó 51 nhà thầu quốc phòng lớn giảm còn 5
- Nhà cung cấp tên lửa chiến thuật giảm từ 13 xuống 3, doanh nghiệp đóng tàu từ 8 xuống 2, còn lực lượng lao động giảm 65%, từ 3,2 triệu xuống 1,1 triệu người
- Single point of failure xuất hiện khắp chuỗi cung ứng đạn dược, và việc sản xuất thân đạn pháo 155mm tập trung vào một công ty ở Coachella, California
- Thuốc phóng cũng phụ thuộc vào một cơ sở duy nhất tại Canada; tối ưu hóa xoay quanh chi phí tối thiểu đã nâng hiệu quả thời bình nhưng gần như không để lại dư địa nào cho lúc nhu cầu tăng đột biến
Khi tri thức biến mất, phục hồi cũng chậm lại
-
Thất bại trong khôi phục Fogbank
- Fogbank là một vật liệu mật dùng cho đầu đạn hạt nhân, được sản xuất từ năm 1975 đến 1989 rồi cơ sở bị đóng cửa
- Năm 2000, người ta tìm cách sản xuất lại cho chương trình kéo dài tuổi thọ, nhưng phần lớn nhân lực có chuyên môn sản xuất đã nghỉ hưu, qua đời hoặc rời cơ quan, còn hồ sơ ghi chép gần như không còn
- Theo thông tin liên quan từ GAO, phải tốn thêm 69 triệu USD và nhiều năm đảo ngược quy trình mới có thể khôi phục lại Fogbank dùng được trong sản xuất
-
Tri thức ngầm không có trong tài liệu mới là yếu tố quyết định
- Fogbank mới sản xuất ra có độ tinh khiết quá cao, và mãi sau mới phát hiện tạp chất không chủ ý trong lô ban đầu mới là yếu tố quan trọng đối với chức năng thực tế
- Thông tin đó không có trong bất kỳ tài liệu nào; chỉ những công nhân từng trực tiếp sản xuất ban đầu biết, nhưng khi ấy họ đã nghỉ hưu
- Lý do người ta không thể tái tạo ngay cả thứ vật liệu do chính mình từng làm ra là vì tri thức chỉ còn nằm trong con người
Phần mềm cũng đang đi theo cùng một lộ trình
-
Phương án thay thế rẻ và nhanh đang làm suy yếu pipeline nhân lực
- Mô thức thay năng lực được xây dựng suốt nhiều thập kỷ bằng phương án rẻ hơn, làm suy yếu pipeline nhân lực con người, rồi đến lúc khủng hoảng lại cần năng lực đã bị loại bỏ đang lặp lại ở cả quốc phòng lẫn phần mềm
- Nếu ở quốc phòng, phương án thay thế đó là peace dividend, thì ở phần mềm, AI đang chiếm vị trí tương tự
- Sự sụp đổ của pipeline nhân tài và khủng hoảng năng lực thấu hiểu đã lộ rõ từ trước, và trường hợp quốc phòng còn cho thấy thời gian tái thiết sẽ kéo dài đến mức nào
-
Tái thiết cần thời gian hơn là tiền bạc
- Việc tăng sản lượng quốc phòng chủ chốt cần 3~5 năm với hệ thống đơn giản và 5~10 năm với hệ thống phức tạp
- Với Stinger, thời gian từ đặt hàng đến giao ít nhất là 30 tháng; Javelin mất 4 năm rưỡi để tăng sản lượng lên chưa tới gấp đôi; đạn pháo 155mm dù đã bơm 5 tỷ USD vẫn chưa đạt mục tiêu sau 4 năm
- France cũng mất 17 năm để khôi phục sản xuất thuốc phóng, và ràng buộc nằm ở tri thức và tay nghề hơn là tài chính
- Nghiên cứu của RAND cho rằng 10% kỹ năng thiết kế tàu ngầm vẫn cần thêm 10 năm kinh nghiệm thực địa sau PhD, còn lao động lành nghề trong quốc phòng cũng cần 2~4 năm học việc và 5~8 năm để đạt năng lực giám sát
-
Đường cong trưởng thành trong phần mềm cũng không thể nén lại
- Một lập trình viên junior cần 3~5 năm để trở thành mid-level ổn định, 5~8 năm để lên senior, và hơn 10 năm để đạt mức principal hoặc architect
- Khoảng thời gian này không thể rút ngắn chỉ bằng việc chi thêm tiền, và dường như cũng khó nén lại bằng AI
Nút thắt và sự suy yếu tay nghề sau khi áp dụng AI
-
Nút thắt ở khâu rà soát tăng nhanh hơn tốc độ sản xuất
- Trong thử nghiệm đối chứng ngẫu nhiên của METR, khi các lập trình viên giàu kinh nghiệm dùng công cụ AI để viết code, công việc mã nguồn mở thực tế lại mất nhiều thời gian hơn 19%
- Trước khi bắt đầu, họ dự đoán AI sẽ giúp nhanh hơn 24%, nhưng chênh lệch so với kết quả thực tế lên tới 43 điểm phần trăm
- Trong thí nghiệm tiếp theo, cũng có không ít lập trình viên nói rằng nếu phải làm việc mà không có AI thì họ sẽ không tham gia, và có vẻ việc tưởng tượng quay lại cách làm không có AI cũng không còn dễ dàng
-
Cắt giảm tuyển dụng và sụt giảm đăng ký đại học
- Salesforce cho biết sẽ không tuyển thêm kỹ sư phần mềm trong năm 2025
- Khảo sát của LeadDev cho thấy 54% lãnh đạo kỹ thuật tin rằng AI copilots về lâu dài sẽ làm giảm tuyển dụng junior
- Khảo sát của CRA cho thấy 62% khoa ngành máy tính ở đại học báo cáo số lượng nhập học giảm trong năm nay
-
Code review trở thành ràng buộc then chốt
- AI tạo code rất nhanh nhưng con người review chậm hơn, tạo ra review bottleneck
- Để ứng phó, người ta không để AI review code do AI viết, mà thay vào đó buộc template pull request phải có nội dung thay đổi, lý do thay đổi, loại thay đổi và ảnh chụp trước/sau
- Một số nơi còn bổ sung reviewer chuyên trách theo từng dự án để có thêm nhiều cặp mắt phát hiện những gì mô hình bỏ sót
Những năng lực sẽ trở nên thiếu hụt trong tương lai
-
Môi trường mới đòi hỏi nhiều hơn kỹ năng kỹ thuật
- Giờ đây, chỉ có chuyên môn kỹ thuật là chưa đủ; còn cần năng lực phán đoán và khả năng lãnh đạo để chịu trách nhiệm, giải thích các đánh đổi và bác bỏ những đề xuất sai mà máy móc đưa ra với vẻ rất tự tin
- Trong một đợt tuyển dụng gần đây, trong 2.253 ứng viên có 2.069 người bị loại và chỉ tuyển được 4 người, tương đương tỷ lệ chuyển đổi 0,18%
- Điều này cho thấy trên thị trường gần như không có nhiều nhân sự vừa giỏi kỹ thuật vừa có khả năng nhận diện lỗi của AI
-
Tài liệu hóa không có nghĩa là việc truyền tri thức đã hoàn tất
- Người ta đang tài liệu hóa rất rộng, từ Site Books, SDDs, báo cáo RVS cho tới các module boilerplate với độ bao phủ hoàn chỉnh
- Hiện tại cách này vẫn hiệu quả vì những người đọc tài liệu còn có chuyên môn kỹ thuật, nhưng khi chuyên môn đó biến mất thì chưa rõ mô hình này có còn vận hành như cũ hay không
- Không ai dự đoán được năng lực mô hình vào năm 2031, và cũng không chắc AI sẽ đủ tốt để tạo ra ít vấn đề hơn
-
Khủng hoảng đến không báo trước, và senior không thể tạo ra ngay lập tức
- Cũng như không ai dự đoán được châu Âu sẽ rơi vào chiến tranh toàn diện năm 2022, khủng hoảng không đến theo lịch biểu
- Trong 5~10 năm tới, sẽ cần những kỹ sư senior hiểu toàn bộ hệ thống, có thể debug sự cố phân tán lúc 2 giờ sáng và gánh cả institutional knowledge nằm ngoài codebase
- Nhưng những con người như vậy hiện không được tạo ra, còn các junior cần được học thì либо không được tuyển, либо đang tích lũy dạng AI-mediated competence do nghiên cứu được tài trợ bởi DoD thúc đẩy
- Năng lực đưa prompt cho AI có thể vẫn còn, nhưng khả năng chỉ ra chỗ AI sai thì có thể sẽ không phát triển
Nguy cơ code có thể trở thành Fogbank mới
- Nếu junior bỏ qua việc debug và những sai lầm ở giai đoạn hình thành, tri thức ngầm sẽ không tích lũy, và khi thế hệ kỹ sư hiện nay nghỉ hưu, tri thức đó sẽ không được chuyển sang AI
- Kết quả là tri thức có thể đơn giản biến mất, và điều này có cùng cấu trúc với những gì đã xảy ra với Fogbank
- Chiến tranh Ukraine là khoảnh khắc cái giá của sự tối ưu hóa thất bại trong quốc phòng quay trở lại thành chi phí thực tế, và Stinger, Javelin, Fogbank cùng 1 triệu quả đạn pháo không thể sản xuất được đã cho thấy cái giá đó
- Kỹ nghệ phần mềm cũng đang đặt cược vào cùng kiểu tối ưu hóa ấy; nếu AI đủ tốt thì canh bạc này có thể đúng, nhưng nếu không thì hóa đơn tương tự cũng sẽ quay trở lại
1 bình luận
Ý kiến trên Hacker News
Vấn đề thật sự không phải AI tự thân
Vấn đề là kiểu quản trị tin rằng có thể tước đi khoảng trống của con người và tổ chức vì nó không tạo ra lợi nhuận tức thì, rồi đến lúc cần thì kiến thức đó vẫn sẽ còn ở đó
Việc cắt giảm chi phí ngắn hạn làm giảm tuyển dụng junior, đồng thời cũng lấy mất thời gian để kỹ sư giàu kinh nghiệm hướng dẫn, từ đó cắt đứt việc truyền thụ tri thức ngầm
Cuối cùng chỉ còn lại tài liệu và tự động hóa, nhưng tài liệu không phải là kinh nghiệm thực địa, còn tự động hóa không thể thay thế năng lực phán đoán
Khi những người thực sự từng vận hành hệ thống biến mất, tri thức ngầm cũng biến mất khỏi tổ chức và năng suất rốt cuộc cũng giảm theo
Hiện tại AI cũng đang được bán theo đúng mô thức đó, và trong nhiều lĩnh vực, thứ người ta nhắm tới dường như gần với cắt giảm nhân sự hơn là nâng cao năng suất
Đó là kiểu tư duy giống như GE từng bám chặt vào kết quả theo quý và tối đa hóa lợi nhuận cho cổ đông đến mức bào mòn năng lực dài hạn
Những người ra quyết định quá xa rời kỹ thuật thực tế tin rằng có thể thay thế tri thức ngầm bằng công cụ, quy trình và tài liệu, nhưng thực tế không phải vậy
Nếu loại bỏ con người và pipeline học hỏi, tri thức đó sẽ không ở lại trong tổ chức mà biến mất luôn
Không còn chút dư địa nào cho thử nghiệm, sửa chữa hay hấp thụ cú sốc, và tôi cho rằng 90% các hệ thống hỏng hóc ngày nay là vì không còn slack để chịu được va đập ngắn hạn
Dự án khởi nghiệp thì ngay từ đầu phải liên tục xây cái gì đó, nên làm thêm tính năng đồng nghĩa với tạo thêm giá trị, nhưng những công ty như Visa, Salesforce, LinkedIn thì thường đã có đủ sản phẩm, tính năng và tài nguyên rồi
Những công ty kiểu này thường rơi vào trạng thái cố tìm cái đinh cho chiếc búa write more software
Dù có rất nhiều wishlist và hệ thống A/B test, nếu thật sự có cơ hội rõ ràng rằng cứ làm thêm phần mềm là kiếm thêm tiền, có lẽ họ đã làm rồi
Tăng trưởng thực sự và nhu cầu mới lại xuất hiện nhiều hơn ở bên ngoài những nơi đó, và chính các công ty không thể tự làm hoặc không thể mua phần mềm mới là nơi có thể nắm lấy cơ hội
Và điểm cốt lõi là fungibility
Vốn con người không phải món hàng có thể dễ dàng đóng gói lại, mà là thứ sống động, và pipeline nhân tài cùng kỹ năng nếu bị cắt đứt thì có thể biến mất hẳn
Rủi ro của AI coding cũng nằm ở chỗ nó chỉ khai thác vốn con người hiện có, chứ không tạo ra vốn con người mới cho tương lai
Một phần lớn tri thức hệ thống mà tôi phụ trách thực ra có thể tài liệu hóa, và về mặt lý thuyết người mới hoàn toàn có thể tiếp quản chỉ bằng tài liệu đó
Nhưng vấn đề là khối lượng tài liệu cần thiết nhiều đến mức phi lý
Ngay cả một hệ thống nhỏ thôi cũng có thể cần tới hàng chục nghìn trang A4 chi chít chữ
Người tiếp quản mới gần như phải ghi nhớ và hiểu gần hết lượng tài liệu khổng lồ đó, còn công ty thì không muốn chi tiền cho việc viết ra đống tài liệu ấy hay cho chi phí đào tạo người mới
Theo kinh nghiệm của tôi, nó không làm được là vì vậy, chứ không phải do nguyên lý mà nói là tuyệt đối bất khả thi
Chúng ta đang từng chút một xóa bỏ lý do để trò chuyện với người khác
Mỗi khi hỏi AI là một tương tác mang tính con người mà lẽ ra ta đã có với đồng nghiệp bị biến mất
Đây không chỉ là vấn đề của việc coding, mà còn khiến tôi nghĩ đến việc ChatGPT trong túi đang thay thế những tương tác xã hội nào khi nó luôn ở đó
Con người vốn dĩ là sinh vật xã hội, nhưng chúng ta lại đang liên tục tối ưu để loại bỏ xã hội hóa nhiều nhất có thể
Bản thân tôi cũng không đứng ngoài xu hướng này, vì giờ tôi thích Doordash hơn là gọi điện cho nhà hàng như trước
Trong một thế giới lý tưởng, doanh nghiệp nên tối ưu lợi ích ngắn và trung hạn, chính phủ nên tối ưu lợi ích dài hạn, còn cá nhân nên tối ưu cho cả đời mình
Nếu doanh nghiệp cắt giảm slack và vận hành thật căng, thì chính phủ phải dùng quy định để giữ lại khoảng đệm đó cùng dòng nhân tài, nhằm bảo vệ năng lực quốc gia
Nhưng ở phương Tây, có vẻ các nhóm vận động hành lang và giới MBA đang thao túng doanh nghiệp, rồi còn kéo cả chính phủ theo hướng chỉ tối ưu tiền bạc
Tôi code mỗi ngày mà không dùng trợ lý coding vì tin rằng chỉ như vậy mới không quên cảm giác làm bằng tay, kể cả những thứ rất nhỏ
Lý do lớn nhất tôi không dùng AI là vì khi ngồi trước màn hình, tôi muốn nếu có thể thì không phụ thuộc vào bất cứ thứ gì
Tất nhiên không tính tài liệu, sách hay Stack Overflow
Tôi thường thấy quanh mình có những người dựa vào AI cho cả những việc vặt hằng ngày, và điều đó khá đáng sợ vì nó có nghĩa là nỗ lực bỏ ra để suy nghĩ đã giảm xuống cực đoan
Nhường đi phần lao động tinh thần ấy không phải chuyện nhỏ
Với tôi, khoảnh khắc giao nó đi là cảm giác trở thành một zombie lệ thuộc, và tôi cho rằng kiến thức gần như luôn đến từ thử-sai lặp đi lặp lại mỗi ngày
Công nghệ từ lâu đã cho thấy nó có thể đẩy và điều khiển con người, và sự lệ thuộc vào AI trông như hình thái cuối cùng của việc doanh nghiệp lấn sâu cả vào khả năng suy nghĩ và tò mò tinh tế nhất của con người
Phần lớn thời gian là bối rối và thất vọng, và sau gần 7 tiếng vật lộn với vấn đề thì tôi cũng xong việc
Nhưng chính sự khó khăn đó khiến tôi bị sốc, đến mức còn lo liệu não mình có bị mục đi chút nào vì không dùng cách cũ nữa không
Rồi tôi nhớ ra rằng vốn dĩ từ trước đến nay giải bài toán mới lúc nào cũng khó như vậy
Cảm giác đối đầu với vấn đề chưa từng gặp vốn dĩ khó đến thế, chỉ là tôi đã không còn quen với cảm giác đó
Khi đã quen với khó khăn thì nó trở nên bình thường, còn khi quen với trạng thái không có khó khăn thì lúc gặp lại sẽ thấy nó áp đảo và kỳ lạ
Vì vậy tôi nghĩ khả năng chịu đựng sự khó chịu và độ khó là một cơ bắp nhất định phải giữ gìn
Điều đó chỉ thật sự là vấn đề khi tôi chuyển việc và phải viết code phỏng vấn trên nền tảng không có kiểm tra cú pháp hay autocomplete, nên tôi đã luyện trước trong môi trường như thế
Trong công việc thực tế, việc phụ thuộc autocomplete cú pháp chưa từng là vấn đề lớn, và điều quan trọng là các khái niệm cốt lõi của ngôn ngữ cùng sự hiểu biết về runtime
Ví dụ như hiểu event loop của Node.js hoạt động thế nào, hay cách viết chương trình bất đồng bộ, hướng sự kiện mới là điều quan trọng hơn
Trong 6 tháng qua, gần như có thể nói tôi hầu như không đọc dù chỉ một dòng trong số code mình đã triển khai
Thế nhưng làm việc kiểu đó lại mệt hơn rất nhiều
Khi code bằng tay, quá trình giải quyết vấn đề giống như giải đố nên sau khi xong có một vòng lặp thỏa mãn và phần thưởng dopamine
Còn bây giờ, phần lớn ngày của tôi giống như một nhân viên QA hơn là người giải đố, và điều đó cực kỳ bào sức
Dù AI có giải quyết hộ những bài toán khó, cảm giác thỏa mãn mà máy đánh bạc LLM đem lại vẫn yếu hơn rất nhiều so với khi tôi tự giải
Hai ngày còn lại thì không dùng trợ lý coding, chỉ giao cho nó review sau khi xong việc
Tôi thấy cách này vừa tốt cho sức khỏe tinh thần vừa giữ được độ bén của kỹ năng
Ngay cả với ngôn ngữ từng khá giỏi, phần cơ học cũng mờ đi rất nhanh
Vì thế với tôi, làm việc có LLM hỗ trợ có lẽ giống như đổ thuốc tẩy vào não vậy
Tôi có thể tự cảm nhận rằng dùng càng nhiều thì với mình càng tệ
Khả năng cấu trúc cái cần làm và giải quyết vấn đề vẫn ổn, nhưng phần nuts and bolts thực tế thì bay hơi rất nhanh
Câu tiền không phải là ràng buộc. Kiến thức mới là ràng buộc nghe khá mỉa mai
Bởi chính bài viết này lại có văn phong như AI viết đến mức khó đọc
Dòng chảy gượng gạo, đứt đoạn và đầy tật ngôn ngữ đặc trưng của LLM
Năng lực viết cũng là một kỹ năng sẽ thoái hóa
Tôi hiểu việc dùng AI vì độ trôi chảy ngôn ngữ, nhưng so với nội dung được tạo ra, tôi lại thấy dịch bằng AI còn tốt hơn
Nếu chính người viết còn không đủ quan tâm để tự viết, thì tôi cũng không rõ vì sao mình phải đọc
Với tôi, code và văn xuôi về bản chất không khác nhau nhiều
Cả hai đều được tạo nên từ từ khóa, ngữ pháp, cú pháp và những tổ hợp có nghĩa
Nếu câu do AI tạo ra vô nghĩa hoặc khó đọc, thì theo logic đó code do AI tạo ra cũng phải khó đọc và khó tin cậy như vậy mới đúng
Tôi mong mọi người bớt tiêu chuẩn kép đi
Thậm chí nó còn tốt hơn nhiều so với đống văn rác AI trên HN mà mọi người đôi khi cứ xuề xòa cho qua
Vì vậy, một số đặc điểm mà mọi người cảm thấy là kiểu LLM, thực ra có thể chỉ là văn phong con người từng dùng từ trước rồi lại được con người lặp lại tiếp
Hằng ngày tôi vẫn thấy vài bài do AI tạo ở đầu kết quả tìm kiếm web rồi lướt qua ngay, nhưng bài này trông khá khác với loại đó
Tôi không thật sự tin rằng các công ty có thể đánh giá đúng cấp độ kinh nghiệm của lập trình viên
Những phân loại như junior, mid, senior, lead chỉ là bề ngoài; trên thực tế nó là một phổ liên tục trên nhiều trục và rất dễ bị méo bởi các công nghệ đang thịnh hành
Nói chặt chẽ thì kể cả không được công ty tuyển dụng, tôi vẫn nghĩ một người có thể trở thành lập trình viên cấp senior
Rốt cuộc điều cốt lõi vẫn là ý chí tự học, tự làm và thời gian bỏ vào
Điều các công ty thực sự muốn ở thời điểm này dường như không hẳn là năng lực phát triển, mà là kinh nghiệm từng tìm cách lách qua cơ cấu tổ chức hỏng hóc cùng kiểu giao tiếp và cấu trúc ngân sách vụng về
Tôi không biết đó có phải ý nghĩa của senior hay chỉ đơn giản là giỏi chính trị nội bộ
Kiểu mẫu này đặc biệt lộ rõ khi phần mềm thất bại và ảo giác bị phá vỡ
Một loại là khi nhận vấn đề thì tự học thứ cần thiết, đào sâu phần chưa biết, lặp đi lặp lại để cho ra kết quả có ý nghĩa, giao tiếp với người cần giao tiếp, cập nhật tiến độ, hỗ trợ đồng đội và chủ động lấp các chỗ còn thiếu
Còn lại thì chỉ là phần còn lại
Trong vài năm đầu sự nghiệp thường đã lộ khá rõ thuộc nhóm nào, và gần như không thể biến nhóm sau thành nhóm trước
Vì vậy một senior 30 năm kinh nghiệm vẫn có thể thuộc loại sau, còn người mới ra trường lại có thể thuộc loại trước
Tất nhiên cũng có người cực giỏi chính trị, quan hệ, phô trương nên trong mắt quản lý trông như nhóm đầu nhưng thực ra là nhóm sau
Nhưng như vậy thì không còn là câu chuyện về năng lực làm phần mềm nữa
Ngoài ra, kể cả thuộc nhóm đầu thì vẫn có thể bị đánh giá thấp hoặc không được thăng chức, và mối tương quan với thành công sự nghiệp thực tế cũng không lớn lắm
Bạn có thể tự gắn cho mình bất kỳ nhãn nào, nhưng đó cũng là việc hơi kỳ
Freelancer được đánh giá bằng portfolio, nhà khoa học máy tính trong học thuật bằng bài báo, còn người đóng góp OSS bằng số lượng và ảnh hưởng của các đóng góp
Trong mọi trường hợp, cuối cùng nó vẫn tỷ lệ với nỗ lực bỏ ra để học và xây dựng
Tuy nhiên, dù có được tuyển dụng hay không, chuyên môn không phải thứ chỉ được quyết định bởi những gì có thể học từ sách
Những việc như quản lý stakeholder hay trình bày giải pháp rất khó học chỉ bằng đọc, mà cần thực hành thực tế và phản hồi
Một senior engineer không chỉ là người viết code giỏi mà còn là người có thể tự đóng góp và giúp người khác trong toàn bộ SDLC, và những năng lực đó dễ phát triển hơn nhiều trong môi trường chuyên nghiệp so với các dự án nghiệp dư
Mà điều đó thường đòi hỏi kỹ năng xã hội và tổ chức, dù có không thích thì thế giới vẫn vận hành như vậy
Đồng thời tôi cũng muốn càng ít biết những chuyện này càng tốt
Tôi không muốn phải bẻ vặn đầu óc mình để khớp theo ai đó, và làm việc giữa kiểu vấn đề này là nỗi đau thuần túy
Nó giống như hỏi một bác sĩ phẫu thuật chưa từng được tuyển dụng liệu có thể thành senior surgeon hay không
Rất khó trở thành senior nếu chưa làm nghề này thực sự trong vài năm, và ở lĩnh vực này thì kinh nghiệm gần như là tất cả
Sách vở không thể giúp bạn ngấm được kiểu hiểu biết cần thiết, vì con người không thể nội hóa đủ chỉ bằng đọc hay nhìn
Phải tự làm thì mới có học thật
Bạn có thể học dữ kiện và kỹ thuật từ sách, nhưng đọc sách về nhà hàng Michelin không có nghĩa là lập tức thành Michelin Chef
AI code generator giống như troll vậy
Nó tự tin, nghe có vẻ hợp lý nhưng một phần lại sai, và cuối cùng con người vẫn phải bắt lỗi
Cái này không vui mà cũng chẳng có flow
Tôi thích sửa lỗi do người khác tạo ra, và đặc biệt thích cái cảm giác đánh bại LLM
Thay vì trạng thái nhập tâm truyền thống, tôi còn tập trung lâu hơn khi cứ bám sát để giám sát LLM một cách dai dẳng
Trong đó không có logic, chỉ có lặp lại mẫu thôi, nên tôi không hiểu vì sao những kỹ sư thông minh lại bị nó lừa
Khá mỉa mai là chính bài này dường như cũng đã nhận sự trợ giúp của AI khá rõ
Tôi không phản đối việc hỗ trợ bằng AI tự thân, nhưng đặt cạnh chủ đề của bài thì nó vẫn gợi ra nhiều suy nghĩ
Mọi người có vẻ dùng nó để "trau chuốt" bài viết, nhưng thực ra có thể lúc chưa dùng còn dễ đọc hơn
Điều làm tôi khó chịu nhất dạo này là kiểu câu lạm dụng dấu chấm thay vì dấu phẩy
My people lived the other side of this equation. Not the factory floor. The receiving end.Có vẻ như muốn tạo cảm giác nặng ký, nhưng họ dùng cả ở những chỗ không cần, thành ra đọc như lời thoại trailer phim hành động
Về mặt đạo đức thì không phải việc dùng AI tự nó là vấn đề, nhưng văn phong LLM quá khó chịu
Hơn nữa, vì người ta dùng nó để liên tục nhồi thêm độ dài thừa và filler vào văn bản, nên giờ phải lội qua mấy trang loại nội dung đó
Tệ hơn nữa là không có cách dễ dàng để phân biệt đâu là bài ít nhất còn dựa trên góc nhìn mới của con người, đâu là bài chỉ đơn giản được sinh ra từ prompt kiểu write me something about X
Với chất lượng hiện tại, nếu là loại sau thì gần như có thể xem là không đáng đọc
Với tôi nó giống cảnh một linh mục lên án đồng tính bị bắt gặp trên giường với trai bao nam
Có dùng cocaine hay không thì tùy bạn tưởng tượng, nhưng dù sao dư vị đọng lại vẫn rất đắng
Văn bản này không có quá nhiều dấu vết AI sáo rỗng thường thấy, và theo tôi thứ trông giống LLM nhất chỉ là cấu trúc câu ngắn, dứt khoát
Nhưng kiểu văn như vậy cũng từng là một phong cách viết khá có uy tín trong tiếng Anh kể từ thời Hemingway
Trước đây chẳng phải các đội phát triển hợp đồng từ xa ở Đông Âu từng được xem là phương án rẻ hơn AI sao
Ngay từ đầu số người cũng đã không đủ rồi
Và ở bên này, phía đông kinh tuyến 15 độ Đông, cuối cùng ai cũng bị sa thải cả
Kế hoạch thật sự có vẻ chỉ là nói chung làm ít lại với mọi thứ không liên quan đến AI, và mọi người chỉ chờ xem ai sẽ bắt đầu sa thải trước
Tôi đã làm bán thời gian suốt 6 tháng, và những người ra quyết định nói rất rõ rằng về dài hạn cách này tốt hơn
Nó có thể đỡ hơn sa thải, nhưng cũng không thể sống kiểu đó mãi được
Tôi sống tiết kiệm, nhưng không tiết kiệm đến mức ấy
Họ thực sự không muốn chi tiền, đặc biệt là càng không muốn chi cho người Mỹ và bảo hiểm y tế
Việc các công ty Mỹ đẩy người Mỹ ra khỏi việc làm trên một quỹ đạo nhanh như vậy mà gần như không gặp cản trở gì vẫn thấy khá kỳ lạ
Là người châu Âu, tôi đúng là có thấy lập trình viên Đông Âu, nhưng không phải công ty nào tôi làm cùng cũng có
Còn nhân lực Ấn Độ thì lúc nào cũng có
Về mặt chất lượng thì câu chuyện lúc nào cũng tương tự nhau; tôi sẽ không đi sâu, nhưng ai đã sẵn sàng tiếp nhận chắc cũng hiểu tôi đang muốn nói gì
Nhìn từ môn Formal verification in software mà tôi nghe lần đầu vào cuối thập niên 80 cho đến môn Programming in Java mà tôi giao cho sinh viên năm nhất dạy thay trước khi rời đi vào đầu những năm 2000, tôi cảm thấy sự nghiêm cẩn học thuật đã rơi xuống vực và bị thay bằng sắp hàng vì việc làm
Trước đây việc dạy học gần với dạy cách suy nghĩ, về sau lại biến thành dạy cách kiếm một công việc lương tốt
Vì doanh nghiệp không còn muốn đào tạo nhân viên mới nữa
Lương cho người học việc cũng tốn tiền, chi phí cho người hướng dẫn cũng tốn tiền, nên họ đẩy khoản đó sang phía trường đại học, sinh viên và chính phủ bằng yêu cầu bằng cấp
Nếu bắt nhân viên tự trả tiền đào tạo như điều kiện để có việc thì ai cũng thấy mùi lừa đảo, thế mà với hệ thống degree mill thì người ta lại dễ dàng bỏ qua
Con người không hoàn hảo
Vài ngày trước cuộc xâm lược của Nga, khi tôi tới Ukraine, chi phí đi lại và khách sạn ở Kyiv rất rẻ, và khi hỏi người dân địa phương về khả năng bị xâm lược thì ai cũng nói sẽ không xảy ra
Phản ứng chung là Nga lúc nào cũng chỉ nói năng hung hăng chứ không thật sự làm vậy
Họ đã không chuẩn bị đầy đủ, và kết quả là chỉ trong vài ngày đã mất 20% lãnh thổ
Sau khi quay lại Áo, tôi cứ nghĩ mãi rằng có lẽ một số người tôi từng gặp giờ đã chết
Sau đó, khi làm doanh nhân và kỹ sư ở Dubai và Saudi Arabia, tôi hỏi nếu drone tấn công hạ tầng thì họ sẽ làm gì; nếu đã nhìn vào chiến tranh Nga và đòn tấn công đầu tiên của Iran, thì kiểu tấn công đó rõ ràng là có thể lường trước
Thế nhưng một lần nữa tôi lại nghe câu trả lời sẽ không xảy ra
Vì không chuẩn bị đúng mức nên họ mất hàng chục tỷ đô la, trong khi có lẽ chỉ cần bỏ ra vài trăm triệu đô trong vài năm là đã ngăn được
Cuối cùng vấn đề không phải AI mà là con người
Nếu không có chuẩn bị thì giờ này tôi nghĩ ở Kyiv đã có phát ngôn viên phía Nga ngồi đó rồi
Chính vì họ trụ được hai tuần đầu nên cuộc chiến mới chuyển thành cuộc chiến dài hơi, và chiến tranh Donbas cũng đã kéo dài 8 năm rồi
Khó mà nói người Ukraine đã sống trong ảo tưởng rằng đối thủ của họ không phải là Nga
Nhiều khi tìm hiểu ra lại là vì họ có bạn cần thắng gói thầu đó, rồi họ bán nỗi sợ rằng nếu đối phương tràn vào thì gia đình bạn sẽ chết ngay lập tức
Bạn chỉ chọn ra hai trường hợp mà ai đó nói chắc chắn không xảy ra, nhưng rồi nó lại xảy ra
Còn vô số trường hợp khác người ta nói vậy và thực sự chẳng có gì xảy ra thì sao
Nếu tôi nói với hàng triệu người mua vé số rằng họ sẽ không trúng, thì đó sẽ là dự đoán đúng với gần như tất cả
Việc có một người trúng không có nghĩa dự đoán của tôi sai; đó đơn giản có thể là reporting bias
Không ai dám chắc Putin sẽ ngu đến thế, nhưng quân đội Ukraine đã rất bận rộn chuẩn bị tuyến phòng thủ, tích trữ và chiến thuật phòng thủ cho tình huống xấu nhất
Càng ngày tôi càng thấy programming as theory building của Peter Naur quan trọng hơn
Link: https://gwern.net/doc/cs/algorithm/1985-naur.pdf
Là tài liệu đọc cực kỳ đáng khuyến nghị