Góc học tập
Các nhược điểm của AI
Nếu nhìn AI như một công nghệ, có thể gom các nhược điểm lớn thành 8 nhóm sau:
Có thể sai nhưng trả lời rất tự tinAI có thể “bịa” dữ kiện, nguồn, con số hoặc lập luận — thường gọi là hallucination (ảo giác).Không thực sự hiểu như con ngườiAI rất giỏi tìm và kết hợp các mẫu trong dữ liệu, nhưng không đồng nghĩa với việc có ý thức, kinh nghiệm sống hay sự hiểu biết về thế giới như con người.Phụ thuộc vào dữ liệuDữ liệu mà nó thu nhận bị thiếu, sai hoặc thiên lệch làm AI dễ đưa ra kết quả thiếu chính xác hoặc thiên lệch.Khó giải thích kết quảVới nhiều mô hình của AI, đặc biệt deep learning, rất khó giải thích rõ ràng:“Tại sao AI lại chọn các quyết định này?”AI có thể bị thao túngNếu được Input độc hại, dữ liệu giả, hoặc các hình thức tấn công khác, có thể khiến AI trả lời,hành xử sai.AI thiếu trách nhiệm tự thânAI không chịu trách nhiệm pháp lý hay đạo đức cho quyết định của mình. Người sử dụng vẫn phải hoàn toàn chịu trách nhiệm.AI có thể làm con người phụ thuộc vào nóNếu luôn để AI suy nghĩ, viết, tính toán và quyết định thay, con người có thể giảm khả năng nhớ, suy luận và kiểm chứng.Chi phí và tác động xã hộiAI tiên tiến cần rất nhiều dữ liệu, GPU, điện năng và hạ tầng; đồng thời có thể làm thay đổi mạnh thị trường lao động và cách con người làm việc.
Nhưng có một nhược điểm chí mạng hơn đáng chú ý nhất không phải“AI có thể sai”, mà là: AI có thể sai theo cách rất thuyết phục.
AI có thể cho kết quả sai vì mô hình suy luận sai, dữ liệu sai, thiếu; nhưng vẫn tạo ra một câu trả lời có bề ngoài hợp lý, thậm chí rất hợp lý.
Vì vậy, năng lực quan trọng nhất khi dùng AI không chỉ là nghệ thuật hỏi AI, mà là biết kiểm chứng AI. (Ai có thể hơn con người về tính nhanh, còn tính đúng do người quyết định)
Theo Life is Good
Nguyên lý và Nghệ thuật
"Nguyên lý" và "nghệ thuật" là hai khái niệm khác nhau nhưng bổ sung cho nhau. Có thể hình dung như sau:
| Nguyên lý | Nghệ thuật |
|---|---|
| Trả lời câu hỏi"Tại sao?" | Trả lời câu hỏi"Làm thế nào?" |
| Là quy luật, nền tảng, ít thay đổi | Là cách vận dụng linh hoạt, tùy tình huống |
| Có thể học từ sách vở | Chủ yếu được rèn qua trải nghiệm |
| Thiên về logic | Thiên về trực giác và sáng tạo |
| Giống "bản đồ" | Giống "cách lái xe" |
Ví dụ trong nhiều lĩnh vực
1. Bóng đá
-
Nguyên lý:Đội kiểm soát được khoảng trống thường có lợi thế.
-
Nghệ thuật: Cần rê bóng lúc nào, chuyền lúc nào, chuyền cho ai, tăng tốc lúc nào, chọn khoảng trống nào cho bản thân?
Một HLV có thể biết mọi nguyên lý các chiến thuật, nhưng chưa chắc có nghệ thuật thay người đúng thời điểm.
2. Máy học (Machine Learning)
-
Nguyên lý:Dữ liệu huấn luyện phải đại diện cho dữ liệu thực tế; tránh overfitting.
-
Nghệ thuật:Chọn đặc trưng nào, điều chỉnh siêu tham số ra sao, khi nào dừng huấn luyện.
Đó là lý do hai nhóm nghiên cứu dùng cùng một thuật toán nhưng kết quả khác nhau.
3. Cuộc sống
-
Nguyên lý:Muốn giỏi phải luyện tập có chủ đích. Chủ yếu giải quyết đúng bài toán .
-
Nghệ thuật:Biết lúc nào nên kiên trì, lúc nào nên dừng, nghỉ, thật, giả, lúc nào nên thay đổi hướng, trọng số là ai? Tập trung vào chữ đẹp.
Một cách so sánh thú vị
-
Nguyên lý giống vật lý.
- Nghệ thuật giống võ thuật.
Vật lý nói đòn đánh nào tạo lực lớn nhất; võ thuật là biết tung đòn đó đúng lúc, đúng người, đúng khoảng cách, đúng điểm chạm.
Câu nói cô đọng
Nguyên lý cho bạn nền móng. Nghệ thuật giúp bạn chiến thắng. Nguyên lý quyết định điều gì đúng; nghệ thuật quyết định điều gì đẹp, phù hợp.
Đó cũng là điểm khác biệt giữa chuyên gia và bậc thầy:
-
Chuyên gia thường nắm rất chắc nguyên lý.
-
Bậc thầy vừa nắm nguyên lý, vừa có nghệ thuật vận dụng đến mức linh hoạt, tự nhiên, và hiệu quả trong những tình huống mà không có công thức cố định.
So sánh nguyên lý và nghệ thuật trong dàn nhạc và đội bóng. Đây là những hệ thống phức tạp, có người giữ nền tảng, có người tạo đột biến.
4. Trong dàn nhạc
| Vai trò | Thiên về |
|---|---|
| Bộ gõ (trống, timpani) giữ nhịp | Nguyên lý |
| Bass (contrabass) giữ hòa âm nền | Nguyên lý |
| Nhạc trưởng | Kết hợp cả hai |
| Piano đệm | Nghiêng vềnguyên lý |
| Guitar đệm | Kết hợp |
| Kèn, violin, guitar solo, | Nghệ thuật |
| Piano độc tấu | Nghệ thuậtrất cao |
Tại sao?
-
Người giữ nhịp và hòa âm tạo rakhung. Nếu họ sai, cả dàn nhạc dễ rối.
-
Người chơi solo không tạo khung, nhưng tạocảm xúc, réo rắc, màu sắc lung linh và điểm nhấn.
Nói ngắn gọn: Nguyên lý tạo nên sự ổn định. Nghệ thuật tạo nên sự thăng hoa.
5.Trong đội bóng 11 người
Không có vị trí nào hoàn toàn thuộc một phía, nhưng có thể xem xét theo mức độ.
| Vị trí | Thiên về |
|---|---|
| Trung vệ | Nguyên lý |
| Tiền vệ phòng ngự (số 6) | Nguyên lý |
| Hậu vệ | Nguyên lý |
| Thủ môn | Nguyên lýrất cao |
| Tiền vệ trung tâm | Cân bằng |
| Tiền vệ kiến thiết (số 10) | Nghệ thuật |
| Tiền đạo cánh | Nghệ thuật |
| Trung phong | Nghệ thuật |
Ví dụ:
-
Một trung vệ giỏi phải luôn đúng vị trí, giữ cự ly đội hình và đọc tình huống. Đây là những nguyên tắc rất rõ ràng.
-
Một số 10 như Zinedine Zidane hay Kevin De Bruyne thường tạo khác biệt bằng những đường chuyền sát thương hoặc ra các quyết định mà không có "công thức" cố định.
6.Nếu ví cả đội bóng như một bản giao hưởng
-
Thủ môn= nền móng của bản nhạc.
-
Trung vệ= nhịp và hòa âm.
-
Tiền vệ phòng ngự= chiếc cầu nối giữ mọi thứ gắn kết.
-
Tiền vệ trung tâm= người điều phối.
-
Số 10= nghệ sĩ ứng tác.
-
Tiền đạo= người hát đoạn cao trào.
Một góc nhìn sâu hơn
Ở đẳng cấp cao, ranh giới giữa nguyên lý và nghệ thuật dần mờ đi.
-
Sergio Busquets (TBN, tiền vệ thủ) là bậc thầy của nguyên lý. Anh hiếm khi làm điều hoa mỹ, nhưng luôn ở đúng nơi, đúng thời điểm.
-
Lionel Messi (Argentina, tiền đạo+tiền vệ công) là bậc thầy của nghệ thuật, nhưng nghệ thuật ấy vẫn dựa trên nền tảng nguyên lý rất vững: chọn vị trí, quan sát khoảng trống, tối ưu hóa quyết định.
Chúng ta có thể cô đọng thành:
Trong mọi hệ thống, nguyên lý giữ cho hệ thống không sụp đổ; nghệ thuật quyết định hệ thống có đạt tới sự xuất sắc hay không.
Khi hai yếu tố hòa quyện, ta có một dàn nhạc chơi như một cơ thể thống nhất, nhưng thăng hoa hoặc một đội bóng vừa kỷ luật vừa giàu sức sáng tạo.
Big data vs Small data
1. Big Data - Dữ liệu lớn
Định nghĩa: Dữ liệu cần hàng triệu, tỷ dòng dữ liệu. Ví dụ: Log TikTok, lịch sử quẹt thẻ, dữ liệu thời tiết toàn cầu.
Đặc điểm dữ liệu:
Rộng: Nhiều người, nhiều thứ. "Người VN từ 18-35 tuổi thích gì"
Ồn: Phải lọc data vì rác rất nhiều
Cần máy tính: 3-5 người không cày nổi, phải có server + AI
Câu hỏi chung: "Xu hướng chung trên TMĐT là gì?"
Ví dụ: Shopee đề xuất "Người mua son thường mua thêm cọ". Nó không biết bạn là ai, nhưng vì có dữ liệu lớn đến 10 triệu người, nó phát hiện quy luật này.
2. Small Data - Dữ liệu nhỏ*
Định nghĩa: Vài chục, vài trăm dòng nhưng ý nghĩa rất sâu. Ví dụ: Nhật ký 1 khách VIP, phỏng vấn 20 người, data 1 cửa hàng 3 tháng.
Đặc điểm dữ liệu:
Sâu: Hiểu 1 người/1 việc tới tận gốc. "Tại sao chị Lan bỏ giỏ hàng"
Sạch: Do con người chủ động tự thu, nên ít rác
Cần con người: Phải ngồi đọc, gọi điện, cảm nhận
Câu hỏi chung: "Tại sao nó xảy ra?"
Ví dụ : Bạn là người bán hàng. Có 5 khách ruột nhắn tin "dạo này son gây khô môi quá". Đây là Small data.Nó rất ít nhưng đủ để bạn đổi công thức ngay.
3. So sánh nhanh
|
Tiêu chí |
Big Data |
Small Data |
|
Số lượng dữ liệu |
Triệu đến hàng tỷ (thậm chí hàng nghìn tỷ) bản ghi |
Vài chục đến vài trăm (hoặc vài nghìn) bản ghi |
|
Câu hỏi chính |
Điều gì đang xảy ra? (What is happening?) |
Tại sao nó xảy ra? (Why is it happening?) |
|
Công cụ / Vũ khí |
AI, Machine Learning, hạ tầng máy chủ, điện toán phân tán, thuật toán |
Phỏng vấn, quan sát, thực nghiệm, kiến thức chuyên gia, trực giác |
|
Điểm mạnh |
Phát hiện xu hướng, mô hình và quy luật trên quy mô lớn |
Hiểu sâu từng trường hợp, khám phá nguyên nhân và bối cảnh |
|
Rủi ro |
Có thể biết rất nhiều nhưng chưa chắc hiểu bản chất |
Có thể hiểu rất sâu nhưng dễ thiên lệch hoặc khó khái quát hóa |
|
Chi phí |
Cao: cần hạ tầng lưu trữ, tính toán và xử lý dữ liệu |
Thấp hơn về hạ tầng, nhưng tốn thời gian và công sức của con người |
|
Ví dụ |
Dữ liệu giao dịch ngân hàng, log hệ thống, mạng xã hội, IoT |
Hồ sơ bệnh án của 50 bệnh nhân, phỏng vấn 30 khách hàng, nghiên cứu tình huống |
|
Phù hợp khi |
Cần dự đoán, tối ưu hóa, phát hiện mẫu trong dữ liệu lớn |
Cần giải thích nguyên nhân, xây dựng giả thuyết, hiểu hành vi hoặc hiện tượng |
|
Tóm lại
Big Data cho biết "biển có sóng". Small Data cho biết "sóng đó sẽ đánh chìm thuyền mình không". Công ty lớn cần Big để không chết. Công ty nhỏ cần Small để thắng.
Trong nghiên cứu và thực tiễn, hai cách tiếp cận này thường bổ sung cho nhau: Big Data giúp phát hiện quy luật, còn Small Data giúp giải thích bản chất của quy luật đó.
Còn tiếp.
Theo Life is Good.
3 người bạn CNTT, Toán, Vật lý nhìn về thế giới và con người
Nếu nhìn ở tầng nhân sinh quan(con người sống thế nào) và thế giới quan (thế giới vận hành thế nào), thì ba nhóm toán học – vật lý – công nghệ thông tin có thể khác nhau khá rõ. Tất nhiên đây là xu hướng tư duy, không phải mọi cá nhân đều như vậy.
|
Toán học |
Vật lý |
Công nghệ thông tin | |
|---|---|---|---|
|
Câu hỏi cốt lõi |
Cái gìđúng về mặt logic? |
Thế giớithực sự vận hành thế nào? |
Làm thế nào đểbiến hiểu biết thành hệ thống hoạt động được? |
|
Đối tượng |
Khái niệm, cấu trúc, quan hệ |
Tự nhiên, vật chất, năng lượng, không-thời gian |
Thông tin, thuật toán, hệ thống, con người–máy |
|
Tiêu chuẩn chân lý |
Chứng minh |
Thực nghiệm + lý thuyết |
Chạy được + đúng + hiệu quả + mở rộng được |
|
Thái độ với giả định |
Có thể chấp nhận nếu tiên đề nhất quán |
Phải đối chiếu với tự nhiên |
Chấp nhận nếu mô hình hữu ích và kiểm thử được |
|
Cách nhìn thế giới |
Thế giới củacấu trúc và quan hệ |
Thế giới củaquy luật và hiện tượng |
Thế giới có thểmô hình hóa, tính toán và điều khiển |
|
Câu hỏi thường gặp |
“Tại sao điều này tất yếu?” |
“Tại sao tự nhiên lại như vậy?” |
“Có thể xây dựng nó như thế nào?” |
1. Người toán học: đi tìm cái tất yếu
Nhà toán học thường có xu hướng nhìn thế giới quacấu trúc. Họ không quá quan tâm một vật cụ thể là gì, mà quan tâm:
Nếu các điều kiện này đúng, thì điều gì bắt buộc phải đúng?
Vì vậy nhân sinh quan dễ nghiêng về:
- Coi trọng logic và tính nhất quán;
- Thích sự rõ ràng, chặt chẽ;
- Nghi ngờ những kết luận chưa được chứng minh;
- Có thể chấp nhận một thế giới rất trừu tượng miễn là nó nhất quán.
Một nhà toán học có thể quan tâm đến một cấu trúc hoàn toàn không tồn tại trong tự nhiên, nhưng vẫn thấy nó có giá trị.
Thế giới quan toán học: Thế giới sâu xa có thể được hiểu thông qua cấu trúc, quan hệ và tính tất yếu.
2. Người vật lý: đi tìm cái có thực
Nhà vật lý có một bước khác nhà toán học.
Toán học hỏi: “Điều này có suy ra được từ các tiên đề không?”
Vật lý hỏi: “Tự nhiên có thực sự làm như vậy không?”
Một phương trình đẹp nhưng không phù hợp thực nghiệm thì vẫn phải bỏ. Vì thế thế giới quan của nhà vật lý thường có một đặc điểm rất mạnh:
Thực tại có quyền phủ định lý thuyết của chúng ta.
Đây là một thái độ nhận thức rất đặc biệt. Newton, Einstein hay cơ học lượng tử đều cho thấy: trực giác của con người có thể sai rất xa, còntự nhiên mới là trọng tài cuối cùng. Do đó nhân sinh quan của người làm vật lý có thể nghiêng về:
- khiêm tốn trước tự nhiên;
- chấp nhận nghịch lý;
- không quá tin vào trực giác;
- tìm kiếm những quy luật phổ quát nằm phía sau vô số hiện tượng.
Thế giới quan vật lý:
Thế giới tồn tại độc lập với cách chúng ta nghĩ về nó; nhiệm vụ của con người là tìm raquy luật của thực tại.
3. Người công nghệ thông tin: đi tìm cái có thể làm được
IT lại có một tinh thần khác. Câu hỏi thường không phải: “Điều này có tất yếu về logic không?” hay: “Bản chất cuối cùng của tự nhiên là gì?” mà là: “Có thể biến nó thành một hệ thống hoạt động được không?” Đây là tư duy kiến tạo.
Ví dụ:
- Toán học: chứng minh thuật toán có tính chất X.
- Vật lý: tìm hiểu máy tính vận hành theo các quy luật vật lý nào.
- IT: viết chương trình để máy tính thực hiện thuật toán X.
Vì vậy người IT thường có thế giới quan thiên về:
- mô hình hóa;
- thuật toán;
- hệ thống;
- khả năng tự động hóa;
- khả năng mở rộng;
- tối ưu hóa;
- “Nếu chưa làm được thì hãy thiết kế lại.”
Điểm đặc biệt là IT không chỉ quan sát thế giớimà còn tạo ra những thế giới mới: hệ điều hành, Internet, cơ sở dữ liệu, AI, metaverse, cloud ...
Thế giới quan IT:
Một phần rất lớn của thế giới có thể được mô hình hóa thành thông tin và biến thành hệ thống có thể tính toán.
4. Khác biệt sâu nhất nằm ở chữ “thật”
Có thể cô đọng thành một chuỗi:
Toán học → Đúng
Vật lý → Thật
IT → Chạy được
Hay sâu hơn:
Toán học:“Có tất yếu không?”
Vật lý:“Có thật trong tự nhiên không?”
IT:“Có thể hiện thực hóa không?”
Đó là ba kiểu trí tuệ rất khác nhau.
5. Và có một điểm thú vị: ba ngành này đang hội tụ
Ngày nay ranh giới đang mờ đi:
Toán học → mô hình → Vật lý → thuật toán → IT → mô phỏng → AI
Ví dụAIlà điểm giao rất đẹp:
- Toán học cung cấp cấu trúc và tối ưu hóa.
- Vật lý cung cấp cách nhìn về hệ động lực, thông tin, xác suất.
- IT biến chúng thành thuật toán và hệ thống.
- Cuối cùng hệ thống lại tạo ramột cách mới để con người nhận thức thế giới.
Vì vậy nếu phải nói bằng một câu:
Nhà toán học muốn hiểu cái có thể đúng; nhà vật lý muốn hiểu cái thực sự tồn tại; người IT muốn biến cái hiểu được thành thứ có thể hoạt động.
Và có lẽ những người mạnh nhất ở thế kỷ XXI sẽ là người đứng được ở cả ba vị trí: chứng minh được, hiểu được và xây dựng được.
Theo Life is Good.
