Những người phê phán LLM đã đúng. Dù vậy tôi vẫn dùng LLM
(theocharis.dev)- Dù thừa nhận các vấn đề về bản quyền, môi trường, đạo đức, đầu ra chất lượng thấp, sự sụp đổ niềm tin vào mã nguồn mở, việc đào tạo junior suy yếu và sự phụ thuộc địa chính trị, tác giả vẫn tiếp tục dùng LLM như công cụ nâng cao chất lượng tư duy
- LLM khuếch đại những suy nghĩ, ý kiến và cấu trúc sẵn có; nếu không có phán đoán của con người, nó sẽ sản xuất hàng loạt rác trơn tru, nhưng nếu có đủ suy nghĩ và trách nhiệm, nó giúp tạo ra ít kết quả hơn nhưng tốt hơn
- Từ bên ngoài rất khó xác nhận liệu con người có thực sự suy nghĩ hay không, nên giá trị của đầu ra rốt cuộc phụ thuộc vào niềm tin và danh tiếng; việc có thể đọc công khai mà không thấy xấu hổ bất kỳ chữ nào trở thành tiêu chí phân biệt AI slop
- Tận dụng ngược tính xu phụ và ảo giác của LLM bằng
/grill-me, Pitch của Basecamp, các sub-agent chuyên phê bình, Ralph Wiggum loop, và cách để LLM ảo giác trước về API/UX kỳ vọng - Chuyên môn của người dùng để phân biệt kết quả tốt và xấu là điều bắt buộc; dùng LLM trong các lĩnh vực khó kiểm chứng đáp án mà không có chuyên gia và phán đoán của con người sẽ dẫn đến sản xuất slop ở quy mô lớn
Nơi phê phán và sử dụng cùng tồn tại
- Tại Local-First Conf ở Berlin, các bài nói phê phán LLM nhận được tràng pháo tay lớn, trong khi nhiều khán giả vẫn đang mở Claude Code
- Armin Ronacher, người tạo ra Flask và từng tham gia đội ngũ đầu tiên của Sentry, đã thành lập Earendil và phát triển Pi.dev, một harness mã nguồn mở cho coding agent
- Sau bài trình bày về xây dựng machine entity, khi được hỏi về làn sóng PR do LLM tạo ra trên Pi.dev, ông trả lời rằng gần như mọi PR và issue đều bị tự động đóng
- Tuy vậy, ông nói thêm rằng không nên từ bỏ việc mở PR, vì cuối cùng cá tính của con người vẫn sẽ lộ ra
- Trang mục đích của Earendil nêu rằng ngay cả trong một thế giới đang lao vào AI, con người vẫn là agent tốt nhất
- Trong các cuộc trò chuyện với người tham dự hội nghị, sự mâu thuẫn giữa việc phê phán LLM và vẫn sử dụng LLM lặp lại nhiều lần; đây không chỉ là trải nghiệm cá nhân
Vì sao các phê phán LLM là xác đáng
- LLM gắn với tài liệu có bản quyền, gánh nặng môi trường và các vấn đề đạo đức
- Cấu trúc dòng tiền xoay quanh NVIDIA và OpenAI khó có thể bền vững, và bong bóng hiện tại cuối cùng sẽ vỡ
- Phê phán phổ biến nhất, rằng “LLM tạo ra nhiều slop”, phù hợp với thực tế
-
Sự sụp đổ niềm tin vào mã nguồn mở
- Các kho mã nguồn mở bắt đầu từ chối mọi đóng góp hoặc đưa vào cơ chế lọc sản phẩm do LLM tạo ra
- Trước LLM, một PR và phần mô tả được viết đàng hoàng tự thân đã đồng nghĩa với tối thiểu vài giờ nỗ lực của con người; maintainer có thể xem xét các đóng góp mới với giả định rằng một mức thời gian và sự chú ý nhất định đã được đầu tư
- Troll hoặc các bài gửi chất lượng thấp cũng có thể được nhận diện tương đối dễ trong vài giây
- Giờ đây bất kỳ ai cũng có thể tạo tài khoản GitHub mới và cho LLM chạy, khiến khó phân biệt một PR được đầu tư nhiều thời gian với bài gửi do máy OpenClaw tự động tạo
- Zig và Gentoo đang từ chối PR do LLM tạo, nhưng có giới hạn là khó xác định thực sự có được tạo bởi LLM hay không
- Nếu không khôi phục được niềm tin, LLM có khả năng gây tổn hại nghiêm trọng cho mã nguồn mở
- Một cách ứng phó khả dĩ là chỉ cho một số ít người đã được xác minh đóng góp, và đặt các điều kiện xác minh như tham dự gặp mặt ngoài đời
-
Việc đào tạo kỹ sư junior suy yếu
- Khó tin tưởng vào nỗ lực mà junior đã bỏ vào mã nguồn
- Senior không thể biết đoạn mã tệ là kết quả của 10 phút vibe coding, hay là kết quả của nhiều giờ suy nghĩ nhưng thiếu insight
- Trước LLM, junior cũng viết mã không tốt và senior xem xét, sửa lại; nhưng giờ đây nỗ lực và quá trình học tập không còn nhìn thấy được
- Sự bất định này làm giảm động lực của senior trong việc dạy junior
- Trước đây có một sự cân bằng: junior đảm nhận các việc đơn giản, senior cùng xem xét và giúp họ trưởng thành
- Nếu các việc đơn giản có thể giao hoàn toàn cho LLM, lý do để doanh nghiệp tuyển junior cũng yếu đi
-
Phụ thuộc địa chính trị và sự đồng điệu ý kiến
- Không thể bỏ qua khả năng Mỹ hoặc Trung Quốc đột ngột chặn một khu vực nào đó khỏi các công nghệ liên quan
- Chính phủ Mỹ, thông qua lệnh kiểm soát xuất khẩu vào tháng 6/2026, đã cho thấy ý định và năng lực ngăn khách hàng ngoài Mỹ truy cập các mô hình mới nhất của Anthropic
- Anthropic cho biết theo chỉ thị ngày 12/6/2026, họ đã đột ngột vô hiệu hóa Fable 5 và Mythos 5 đối với tất cả khách hàng
- Trong bài nói local-first trong một thế giới bất ổn, Martin Kleppmann nói khả năng xung đột giữa châu Âu và Mỹ vẫn rất thấp, nhưng năm trước thì bằng 0
- Ngay cả khi chỉ dùng LLM làm công cụ khảo cứu, ý kiến đa số trong dữ liệu huấn luyện hoặc niềm tin chính trị của nhà tạo mô hình vẫn có thể âm thầm thấm vào kết quả
- Điều này giống hiện tượng con người khi trò chuyện sẽ bắt đầu chia sẻ những từ ngữ hoặc quan điểm nhất định, nhưng khác ở chỗ một trong các bên đối thoại không phải là con người
Vai trò của mô hình local và open weight
- Vì khó có thể loại bỏ hoàn toàn LLM, cần một cách tiếp cận kiểm soát và định hình trực tiếp thay vì phủ nhận dòng chảy này
- Các mô hình chạy trên laptop giúp lập trình viên thoát khỏi sự phụ thuộc vào các tập đoàn lớn
- Mô hình local đang tiếp tục cải thiện
- Khi trợ giá kết thúc và giá tăng, các mô hình open weight có thể kiềm chế giá cả và ảnh hưởng của các nhà cung cấp lớn
- Mô hình chạy trên phần cứng của chính mình không thể bị chính phủ chặn truy cập chỉ sau một đêm
- Ngay cả nếu bong bóng AI vỡ gây thiệt hại lớn cho kinh tế thế giới và các doanh nghiệp, các mô hình open weight vẫn sẽ còn lại để lập trình viên dùng như một phương án thay thế
- Các bài trình bày liên quan đến AI tại Local-First Conf cũng nghiêm túc bàn về mô hình local, mở ra môi trường giống AI thường trực trong khoa học viễn tưởng, luôn trả lời khi được hỏi bất cứ lúc nào
Công cụ khuếch đại suy nghĩ của con người
- Nhiều diễn giả công khai cho biết họ đã giao một phần công việc cho Claude Code, nhưng bài nói vẫn được chấp nhận và nhận tràng pháo tay từ khán giả, bao gồm cả các senior và những người tham dự được kính trọng
- Khác biệt nằm ở việc có một con người đặt danh tiếng và độ tin cậy của mình vào kết quả đó
- Nếu trình bày AI slop, người đó sẽ mất niềm tin
- Người chịu trách nhiệm không giao chính suy nghĩ cho LLM, mà dùng nó để triển khai suy nghĩ của mình nhanh hơn và mạnh hơn
- LLM khuếch đại các ý kiến, cấu trúc và framework mà bạn đã có
- Nếu có suy nghĩ, nó sẽ hiện ra rõ hơn và nhanh hơn
- Nếu không có suy nghĩ, kết quả sẽ rất lưu loát nhưng rỗng nội dung
- Hữu ích cho brainstorming, kiểm tra ngữ pháp, cải thiện câu lặp lại nhiều lần, tạo phương án thay thế, rubber duck debugging và đóng vai người phản biện
- Thay vì tạo ra nhiều đầu ra, tác giả chọn tạo ít đầu ra hơn nhưng chất lượng cao hơn
- Dùng rất nhiều token để chuẩn bị vài câu mà con người sẽ đọc
- LLM có thể hỗ trợ quá trình tư duy nhưng không thể thay thế chính suy nghĩ
Tiêu chí niềm tin để phân biệt AI slop
- Bài viết nên là thứ con người viết cho con người, nhưng điều đó không mâu thuẫn với việc dùng LLM để viết mọi bài
- Khác biệt giữa AI slop và bài viết tốt phụ thuộc vào việc đằng sau đó có suy nghĩ của con người hay không; suy nghĩ không thể thuê ngoài
- Vấn đề là từ bên ngoài không thể xác nhận liệu người đó có thực sự suy nghĩ hay không
- Câu “tôi dùng AI để suy nghĩ tốt hơn” có thể được nói giống nhau bởi người dùng cẩn trọng và người cổ súy AI vô trách nhiệm
- Những điều nhảm nhí được khuếch đại cũng có thể nghe như kết quả thiên tài, nên cuối cùng chỉ còn lại niềm tin
- Niềm tin khó đạt được và dễ mất; trong thời đại LLM, chỉ một dấu em dash cũng có thể khiến toàn bộ bài viết trông như AI slop
- Trong số những người có quan tâm chính trị đến Local-First, khá nhiều người có khuynh hướng chống LLM mạnh, tạo ra tâm lý lo ngại rằng phần mềm làm bằng LLM có thể bị cộng đồng từ chối
- Ngay trong hội nghị cũng có người sợ công khai nói rằng mình dùng LLM
- Tháng 6/2026, tác giả chi khoảng 10.000 USD cho chi phí token
- Sau đó Fable quá đắt nên chỉ được dùng có chọn lọc
- Với việc chạy mã thuần túy, tác giả dùng các mô hình rẻ hơn như OpenRouter và GLM 5.2
- Việc có thể đọc nguyên văn kết quả trước khán giả hay không là một tiêu chí thực dụng để đánh giá slop
- Nếu phải giải thích riêng ý nghĩa, nó gần với slop
- Nếu có thể đọc nguyên văn mà không xấu hổ bất kỳ chữ nào, có thể xem đó là bài viết tốt
/grill-me buộc phải hiểu
- LLM viết phần mềm tệ nếu không hiểu vấn đề và yêu cầu thực tế; nếu có kỹ năng và công cụ cần thiết, nó cũng có thể tạo ra kết quả khá tốt
- Chướng ngại cốt lõi cản trở kết quả tốt là tính xu phụ
- LLM không báo rằng nó chưa hiểu, mà lập tức cố làm một việc gì đó
/grill-me, biến thể của kỹ thuật “grill me” của Matt Pocock, buộc hình thành sự hiểu biết chung trước khi thực thi- Hỏi dai dẳng mọi khía cạnh và lần lượt xem xét từng nhánh của cây quyết định
- Cung cấp câu trả lời khuyến nghị cho mỗi câu hỏi
- Hỏi từng câu một và chờ người dùng trả lời
- Những sự thật có thể xác minh trong hệ thống tệp hoặc công cụ thì tự điều tra
- Các quyết định được hỏi từng cái một với con người, và không thực thi trước khi có xác nhận rằng đã đạt được hiểu biết chung
- Trong quá trình nhận từng câu hỏi, người dùng buộc phải tự hình thành suy nghĩ của mình
- Áp dụng cách tương tự cho viết lách: đầu tiên viết suy nghĩ một cách hỗn loạn, rồi tinh chỉnh từng câu qua phê bình của LLM
- Cách tiếp cận theo từng bước, dùng cực nhiều token cho một câu duy nhất, nâng cao chất lượng kết quả
Đặc tả ngắn và phạm vi có thể review
- Ngay cả với tác vụ coding nhỏ, tác giả cũng viết ngắn ba mục theo Pitch của Basecamp
-
Problem
-
What we are shipping
- What we are not shipping
- Phần định nghĩa vấn đề được giới hạn trong ba câu
- Dùng LLM để điền mẫu thì dễ, nhưng viết được ba câu tốt thì khó
- Vì đây là định dạng ngắn được thiết kế cho con người, người viết có thể thực sự đọc nó và người khác cũng có thể review
- Hầu hết đầu ra của LLM được đọc lướt hơn là đọc kỹ, nhưng định nghĩa vấn đề ba câu thì được kiểm chứng rất chặt
- Nếu khối lượng cần review quá lớn, chất lượng sẽ giảm
- Với review 1.000 dòng mã, người ta dễ chỉ để lại
LGTM - Với review 100 dòng, có thể để lại 15 nhận xét
- Áp dụng cùng mức chú ý đó cho mô tả PR
- Giữ cho dễ đọc và súc tích
- Viết rõ vấn đề thực tế, thứ sẽ cung cấp, và thứ sẽ không cung cấp
- Đính kèm màn hình hoạt động để ngay lập tức cho thấy giá trị cần review và việc nó có thực sự chạy hay không
- Claude liên tục muốn thêm nội dung không cần thiết vào mô tả PR, nên phải liên tục rút gọn; với các PR không quan trọng, đôi khi tác giả cũng không kiềm chế đủ
-
Agent phê bình và tận dụng ngược ảo giác
- Để đối phó với nội dung LLM tạo ra hàng loạt, tác giả đặt các agent nhỏ đóng vai trò phê bình trong workflow coding
- Ralph Wiggum loop hoặc ultracode của Claude cố định văn bản, kế hoạch, đặc tả và mã, rồi lặp đi lặp lại đưa các sub-agent có context mới vào để tìm lỗi
- Sub-agent chỉ có nhiệm vụ tấn công context đã cho
- Lặp lại cho đến khi chúng không còn tìm thấy vấn đề thật và bắt đầu ảo giác ra vấn đề
- Khi đạt đến giai đoạn ảo giác ra vấn đề, có thể dùng điểm yếu của LLM làm tín hiệu kiểm chứng
- LLM cố chiều theo kỳ vọng của người dùng rằng có vấn đề, nhưng không còn phát hiện vấn đề thật nào nữa
- Khi dùng cùng
/grill-me, nó có thể ép con người xem xét cả những nghi vấn nhỏ và tự hình thành suy nghĩ của mình
- Bản thân ảo giác cũng có thể được dùng để kiểm chứng thiết kế
- Anselm Eickhoff giới thiệu cách để LLM ảo giác về API hoặc UX mà nó kỳ vọng trước khi xem sản phẩm thật
- Hình dạng mà LLM phỏng đoán có thể giống điều nhiều con người sẽ kỳ vọng, nên đây trở thành một phép thử rẻ để kiểm tra thiết kế có khớp với kỳ vọng người dùng hay không
- intuition-probe skill tự động hóa việc này bằng cách buộc agent mù chốt phương án dự đoán trước khi thấy thiết kế thật
Giới hạn của chuyên môn và khả năng kiểm chứng
- Mọi pattern sử dụng đều giả định rằng người dùng phải có khả năng đánh giá chất lượng kết quả
- Khi phạm vi dùng LLM mở rộng sang các lĩnh vực không quen thuộc, cần sự trợ giúp của chuyên gia
- Giống như chỉ có thể ủy quyền công việc cho đồng đội khi hiểu nguyên lý cơ bản và tiêu chí của kết quả tốt, LLM cũng vậy
- Trong lĩnh vực hiểu rõ, có thể nhanh chóng phân biệt kết quả tốt với kết quả tệ
- Trong lĩnh vực không hiểu rõ, chỉ nên dùng làm hỗ trợ học tập
- Nếu giao cả việc tạo kết quả khi chưa đánh giá được chất lượng, nó sẽ dẫn đến sản xuất slop ở quy mô lớn
-
Lĩnh vực có thể kiểm tra đáp án đúng
- Trong các lĩnh vực thành công và thất bại của kết quả là rõ ràng, có thể học cùng LLM
- Tiêu chí kiểm chứng bao gồm mã có compile hay không, bộ test có pass hay không, protocol có decode được hay không, v.v.
- Một người tham dự hội nghị đã dùng Opus 4.6 để reverse engineer binary và protocol
- Điểm xuất phát cần thiết là kiến thức cơ bản về reverse engineering
- Vì đúng sai của kết quả rõ ràng, như binary đã patch hoạt động hoặc làm hỏng thiết bị, người đó cũng có thể tìm ra kỹ thuật riêng trong quá trình làm
-
Lĩnh vực có yếu tố quan điểm
- Trong các lĩnh vực có nhiều quan điểm như lập trình, LLM có thể trả lời bằng kỹ thuật phổ biến nhất thay vì cách phù hợp nhất cho tình huống đó
- Một nhóm đã phê phán một đoạn mã cụ thể là AI slop, nhưng khi thảo luận tiếp, vấn đề thực sự là sự phản đối TDD
- Trong nhóm cũng có người đã tích cực dùng TDD từ trước thời LLM
- Vấn đề không phải bản thân AI, mà là các quan điểm khác nhau giữa con người
- LLM khuếch đại cả quan điểm của người dùng, nên ở giai đoạn đầu con người phải cung cấp hướng đi sơ bộ và điểm xuất phát tốt
- Chỉ sau khi có đủ năng lực phán đoán mới có thể tự mình tiếp tục dùng LLM
Tăng cường tư duy, không phải thay thế
- Sự mâu thuẫn giữa phê phán và sử dụng không phải hiện tượng chỉ riêng tác giả gặp; các trải nghiệm tương tự cũng được xác nhận trên Discord của hội nghị, trong trò chuyện trực tiếp và trong các bài Hacker News gần đây
- Để tin vào kết quả do LLM tạo, cần liên tục tương tác với sản phẩm thực tế, nhưng bản thân việc đó cũng cần nhiều thời gian
- Tách khỏi quảng bá cường điệu, LLM có giá trị như một công cụ hữu ích làm phong phú tư duy của con người
- LLM có thể tăng cường suy nghĩ, nhưng không thể thay thế suy nghĩ của con người
1 bình luận
Các ý kiến trên Hacker News
LLM khuếch đại các ý kiến, cấu trúc và khung tư duy ta đã có, giúp diễn đạt suy nghĩ nhanh hơn và rõ ràng hơn, nhưng tôi lo rằng cách dùng xoay quanh agent có thể làm teo tóp năng lực tư duy, bao gồm cả trong kỹ nghệ phần mềm
Não cũng như cơ bắp thật sự: phải tiếp tục sử dụng. Nhưng khó có thể chắc rằng sau khi dùng những công cụ như vậy hằng ngày trong 5, 10 hay 20 năm, suy nghĩ và gu thẩm mỹ của ta vẫn sẽ sắc bén hơn
Lợi ích là rõ ràng: trong lĩnh vực quen thuộc thì tốc độ tăng lên, và cũng có thể bước vào lĩnh vực mới nhanh hơn. Nhưng thật khó tìm được điểm cân bằng phù hợp giữa một con đường là tự rèn luyện kỹ năng rồi tụt lại trong cuộc đua năng suất, và một con đường là ưu tiên agent rồi đẩy việc học xuống hàng thứ yếu
Tôi cũng tôn trọng và hiểu thái độ từ chối LLM vì lý do đạo đức, nhưng cá nhân tôi không thực hành như vậy
Kết quả giống đáng ngạc nhiên với LLM trước thời agent, và cũng hoàn toàn không có dữ liệu dài hạn, nên dù có thể đúng với thị trường tuyển dụng, ở cấp độ cá nhân vẫn có thể phần nào phủ nhận hiệu dụng của nó
Gần đây khi lần đầu học Go, tôi có thể giao hết cho Codex, nhưng vì cân nhắc khả năng sau này vẫn làm dự án Go, tôi cố ý đi chậm để học nền tảng và tiêu chí phán đoán. Ngược lại, với các script Python dùng một lần thì giờ tôi gần như không xem qua nữa, và chính phần đó lại khiến tôi sợ hơn
Ví dụ, LLM viết biểu thức chính quy tốt hơn lập trình viên trung bình, mà việc cần biểu thức chính quy chỉ xuất hiện vài tháng một lần, lại khá khó nếu tự mò mẫm, nên rất dễ giao cho nó. Cứ thế, trực giác về những gì regex có thể làm, khả năng tự viết khi không có LLM, và cả những người tạo tài liệu liên quan đều có thể biến mất
Nhìn chung có lẽ vẫn đáng dùng, nhưng điều khiến tôi bất an là có thể ta thậm chí không đánh giá chính xác được mình đang mất gì
Trước một buổi phỏng vấn lập trình, dựa trên phần hướng dẫn về tech stack, chủ đề và tiêu chí đánh giá mà tôi nhận được, tôi nhờ Claude tạo 12 dự án luyện tập cùng tài liệu bài tập và lời giải; còn Codex thì đóng vai người phỏng vấn, để tôi vừa trình bày cách giải và suy nghĩ vừa nhận phản hồi và câu hỏi ngược lại. Tôi chỉ hoàn thành được hai, ba bài, nhưng lần đầu tiên việc chuẩn bị phỏng vấn trở nên thú vị, và thật sự tôi đã học được điều mới
Phần khó nhất là ngăn LLM giải hộ bài tập, nhưng có thể xử lý bằng thời gian, chỉ dẫn rõ ràng và tách vai trò
Giả thuyết AI phá hủy nền văn minh bằng bạo lực đã khá quen thuộc trong thảo luận về nghịch lý Fermi, nhưng cũng cần cân nhắc sự suy tàn phi bạo lực do thoái hóa trí tuệ
Việc chi 10.000 USD mỗi tháng cho token để một chương trình viết thay những bài mà bản thân có thể viết tốt miễn phí trông thật ngớ ngẩn đến khó tin. Cảm giác như mọi người đều biến thành những con người uể oải trong phim Wall-E
Tôi hy vọng khi lợi suất giảm dần ập đến do giới hạn của cải thiện hiệu năng, các mô hình mở sẽ ngang bằng với mô hình độc quyền, OpenAI và Anthropic làm nhau phá sản, và bất kỳ ai cũng có thể chạy một mô hình mở miễn phí cho cá nhân trên laptop của mình. Khi đó, nhiều vấn đề của LLM phát sinh từ việc trả tiền cho người khác làm những việc vốn dĩ mình làm miễn phí cũng có thể biến mất
Smartphone cũng là công cụ đa dụng tuyệt vời, và mạng xã hội cũng là công cụ tốt để kết nối con người, nhưng trong 20 năm qua chúng ta đã quá lạc quan về tác động xã hội của chúng
Vì smartphone quá hữu dụng, kết quả là ở một số xã hội có khoảng một nửa dân số bị nghiện; trên toàn cầu thì con số lên tới hàng tỷ người. Ta không biết về dài hạn LLM sẽ làm phong phú tư duy hay phá hỏng nó, và liệu 10 năm nữa một nửa số người có thuê ngoài phần lớn hoạt động tư duy hay không
Vì thí nghiệm này đang được triển khai cực nhanh trên toàn thế giới, thái độ hoài nghi đối với kết luận rằng LLM sẽ làm phong phú tư duy về dài hạn là hợp lý
Ngày nay, làm nhân viên McDonald’s vẫn có thể sống sót, và LLM chỉ tiếp nối xu hướng thuê ngoài nhận thức mà nhân loại đã đi theo từ lâu
Bằng chứng thực tế được đưa ra chỉ là việc Mỹ chặn truy cập; trong khi các mô hình tối tân của Trung Quốc đều có thể tải về miễn phí, nên nỗi lo rằng Trung Quốc cũng sẽ làm điều tương tự gần giống với việc phóng chiếu hành vi của Mỹ. Có thể xem chiến lược AI của Trung Quốc tại đây: https://ipc.court.gov.cn/zh-cn/news/view-5766.html
Cũng không thể chắc rằng các mô hình Trung Quốc công bố là các mô hình tối tân thực sự; họ có thể không công khai những mô hình tiên tiến nhất trong nội bộ
Dù dùng LLM khá nhiều trong phát triển, tôi vẫn gần như không dùng hết số token có trong gói đăng ký OpenCode Go 10 USD/tháng, nên thật sự thắc mắc mọi người rốt cuộc dùng ngần ấy token để làm gì
Có vẻ cái gọi là người dùng tối đa hóa token thì làm vậy, và việc không có nhiều kết quả đáng giá đáng kinh ngạc nào xuất hiện từ ngần ấy vibe coding cho thấy điều đó
Tôi đang làm một site mạng xã hội sẽ chẳng ai dùng, bản port Linux của một game cũ cùng các tính năng tăng tốc phần cứng không cần thiết, phân tích crash log của một game Xbox có khoảng 50 người dùng hoạt động, một hệ thống dịch vụ khách hàng phân tán hỗ trợ tích hợp Gmail·lịch·bảng tính cùng LLM·Retrieval-Augmented Generation (RAG)·gọi công cụ, các game sẽ phát hành trên Google Play, v.v.
Thứ dùng nhiều token nhất là một cụm agent tôi thử nghiệm để triển khai một ứng dụng desktop phức tạp phục vụ thao tác dữ liệu đặc thù; nó chạy được khoảng một nửa nhưng rất nhiều lỗi. Các công cụ nội bộ mà mọi người trong công ty đều dùng và môi trường triển khai dự bị của sản phẩm tạo bằng credit Azure có vẻ là những kết quả thành công nhất
Tôi phần lớn đồng ý với ý “LLM là tệ”, nhưng rất khó tin vào nhận định rằng LLM khiến suy nghĩ của con người nhanh hơn và sắc bén hơn
Đã có nhiều nghiên cứu đưa ra kết quả có thể dự đoán trước, và nếu tiếp tục dùng trong thời gian dài thì tác động nhận thức tiêu cực có thể tích lũy và trở nên tệ hơn
Nếu bật đầu ra dài dòng và đọc quá trình Claude làm việc cùng phần suy luận của nó, ta có thể suy nghĩ sắc bén và nhanh như trước, hoặc thậm chí hơn. Ta học được những điều không ngờ tới, dừng Claude sớm khi nó đi sai hướng, và dễ rà soát từng bước hành động cùng lý do để tìm các giả định sai
Ngược lại, việc hậu kiểm hàng nghìn dòng do agent viết rất khổ sở, còn chạy nhiều agent cùng lúc sẽ làm phân tán sự tập trung, khiến khó dồn trọn năng lực suy nghĩ cho một việc
Điều này giống sự khác biệt giữa người quên phần lớn những gì đã học sau kỳ thi và người không thể chuyển sang phần tiếp theo nếu chưa hiểu nền tảng của công thức, sự kiện, lý thuyết
Trong open source đang có nhiều PR chất lượng thấp đáng ra nên bắt đầu bằng báo cáo vấn đề hoặc thảo luận, và việc hiểu họ khó chịu điều gì nên mới tạo PR cũng trở nên khó hơn. Bởi khi hỏi, người đó thường dùng LLM để trả lời
Với hầu hết dự án, tôi đang nghiêng về việc chặn PR từ những người không phải nhà phát triển cốt lõi. Nếu đó là người có thể trực tiếp thảo luận vấn đề thì thà tôi dùng LLM để tự triển khai còn dễ hơn, còn PR do người dùng ngẫu nhiên hoặc bot tạo ra thì chỉ cần hỏi vài câu là toàn bộ code đã thay đổi lớn, rất khó review
Tuy nhiên, cho đến 8 năm trước tôi từng gặp những người thú vị qua PR và xây dựng được niềm tin, quan hệ, nên việc những cơ hội như vậy biến mất là điều đáng tiếc
Tôi khó đồng ý với cách chỉ lướt cảm giác chung mà không đọc phần lớn đầu ra của LLM. Gần đây tôi dùng LLM local và cloud để viết code nghiên cứu, rồi chuyển prototype sang những ngôn ngữ chưa quen như Rust để thử nghiệm, nhưng sau khi cuối cùng thấy hài lòng thì tôi phải tự hiểu từng dòng
Ngay cả khi dùng LLM để hỗ trợ diễn giải, nếu gặp khái niệm chưa biết, tôi vẫn cố tìm đọc tài liệu sơ cấp do chuyên gia viết
Cách dùng LLM tương đối ít gây hại hơn là nảy ý tưởng, nơi dễ lấy phần hay và bỏ phần còn lại, nhưng cũng có nguy cơ san phẳng suy nghĩ và thị hiếu của mọi người theo cùng một hướng như radio của Spotify hay autoplay của YouTube
Tôi vẫn chưa đưa ra kết luận cuối cùng, nhưng việc tạo các prototype chạy nhanh rất thú vị, và vốn dĩ tôi đã là người học theo kiểu từ trên xuống: tạo trước một bản demo hay ho mà chỉ hiểu một nửa, rồi mổ xẻ để học
Việc ví LLM với khung cửi hay máy tính bỏ túi là đơn giản hóa vấn đề quá mức và không trung thực về mặt trí tuệ. Những công cụ đó không có giao diện được nhân cách hóa hay sự thỏa mãn tức thì; muốn làm việc quan trọng bằng máy tính bỏ túi thì vẫn phải biết toán, thứ tự phép tính và công thức, và chúng cũng không thao túng cảm xúc
Nghiên cứu liên quan hàm ý những kết quả còn tệ hơn việc phần mềm thủ công biến mất: https://arxiv.org/pdf/2604.04721
Sự bền bỉ là nền tảng của việc đạt được kỹ năng và là yếu tố dự báo mạnh nhất cho học tập dài hạn, nhưng AI có thể rèn cho ta thói quen nhận câu trả lời ngay lập tức, tước đi quá trình tự vượt qua trở ngại. Vấn đề không phải là khả năng tự tay tạo phần mềm tốt, mà là khả năng mất chính các công cụ nội tại để học điều mới khi đi đường tắt qua những quá trình cần thiết về mặt sinh học
Thay vì phần mềm mới bùng nổ, nhiều khả năng sẽ tăng trong chốc lát rồi rơi vào lợi suất giảm dần. Nếu hiện có 25 triệu lập trình viên và vài năm nữa chỉ cần 15 triệu người, thì 10 triệu người bị cắt giảm chính là lợi tức đầu tư của OpenAI, Anthropic, v.v., và bản thân tôi cũng có thể nằm trong số đó
Một đứa trẻ bị ám ảnh bởi nhân vật ảo và việc nhân vật đó trò chuyện, ghi nhớ, khó đoán và đôi khi nêu ra chủ đề có hại là những mức độ ảnh hưởng hoàn toàn khác nhau. Có lẽ đã gần đến lúc phải bắt đầu giáo dục về LLM từ mẫu giáo, dạy các kỹ năng cơ bản và giới hạn của nó
Câu “tôi đồng ý với gần như mọi phê phán về LLM” có vẻ khó đứng vững, vì các phê phán loại trừ lẫn nhau quá đa dạng
Ở một cực là lập trường cho rằng LLM không làm nổi cả các chức năng cơ bản nhất, còn ở cực kia là lập trường cho rằng chúng đã có tri giác, giao tiếp với nhau bằng thông điệp steganography và âm mưu hủy diệt nhân loại
Ngay cả trong các phê phán chủ lưu, ngoại trừ hai cực đó, khác biệt cũng rất lớn; khoảng cách giữa lập trường phản đối mọi LLM và lập trường chỉ phản đối mô hình có trọng số đóng cũng rất xa. Bên phê phán kiểm duyệt quá mức và bên phê phán việc sinh nội dung không hạn chế cũng xung đột với nhau