NGÀNH CNTT TUYỂN SINH NHIỀU CHỈ TIÊU NGÀNH CNTT, CNTT VIỆT NHẬT VÀ KHOA HỌC DỮ LIỆU

Góc học tập

30 năm tới thế giới đặt cược cho 3 công nghệ gì ưu tiên?

on .

Mỗi AI có câu trả lời khác nhau, nhưng chúng đồng thuận về 2 công nghệ cho 30 năm tới: AI và sinh học. Năng lượng đạt sự đồng thuận 3/4.
 
Claude
 
Đây là câu hỏi mang tính dự đoán/quan điểm, nên mình sẽ chia sẻ góc nhìn cá nhân — không phải sự thật chắc chắn:
 
1. AI/Trí tuệ nhân tạo**
Đây gần như là cược chắc nhất. Không chỉ là chatbot, mà là AI thấm vào mọi ngành: y tế (chẩn đoán, thuốc mới), khoa học (khám phá vật liệu, protein), tự động hóa lao động tri thức. Câu hỏi lớn không phải "có xảy ra không" mà là "xảy ra nhanh đến đâu" và "ai kiểm soát nó".
 
2. Công nghệ sinh học & chỉnh sửa gen**
CRISPR và các công cụ tương tự đang mở ra khả năng chữa bệnh di truyền, kéo dài tuổi thọ khỏe mạnh, thậm chí thiết kế sinh học. 30 năm là đủ để những công nghệ này đi từ phòng thí nghiệm ra ứng dụng đại trà.
 
3. Năng lượng sạch & lưu trữ**
Pin thế hệ mới, năng lượng mặt trời/gió giá rẻ hơn, có thể cả fusion (nhiệt hạch) nếu may mắn. Đây là nền tảng cho mọi thứ khác — không giải quyết được năng lượng thì AI và biotech cũng khó scale.
 
 
Gemini
 
1. Trí tuệ nhân tạo toàn năng (AGI & Physical AI)
Chuyển dịch: Từ các mô hình trí tuệ nhân tạo tạo sinh (GenAI) hiện tại sang AGI (Artificial General Intelligence) — AI có khả năng suy luận, học hỏi và giải quyết vấn đề ngang hoặc vượt trí tuệ con người trên mọi lĩnh vực.
Physical AI: AI không còn nằm trong màn hình mà bước ra thế giới thực thông qua Robot hình người (Humanoid Robotics) và tự động hóa chuỗi sản xuất/vận tải.
 
2. Công nghệ sinh học & Kéo dài tuổi thọ (Biotech & Longevity)
Chỉnh sửa gen chuyên sâu: Lĩnh vực CRISPR và liệu pháp gen hướng tới xóa bỏ các bệnh di truyền mãn tính trước khi sinh.
Y học đảo ngược lão hóa: Các nghiên cứu tái tạo tế bào, trẻ hóa cơ quan nội tạng và y học cá thể hóa dựa trên bản đồ gen cá nhân.
Giao diện Não - Máy tính (BCI): Tích hợp chip não giúp chữa lành các tổn thương thần kinh và kết nối trực tiếp suy nghĩ với thiết bị số.
 
3. Năng lượng hạt nhân & Vật liệu đột phá
Phản ứng nhiệt hạch (Nuclear Fusion): Giải pháp cho nguồn năng lượng vô tận, sạch tuyệt đối và không tạo chất thải phóng xạ kéo dài.
Siêu vật liệu: Pin thể rắn (Solid-state batteries), vật liệu siêu dẫn ở nhiệt độ phòng và vật liệu hấp thụ carbon trực tiếp từ không khí.
 
Chatgpt 
 
Nếu buộc phải rút gọn còn 3 "canh bạc" lớn nhất của công nghệ trong 30 năm tới, thì có thể xếp như sau:
 
1. Trí tuệ nhân tạo (AI) – Thay thế trí óc
 
Đây là cuộc cách mạng về nhận thức.
 
AI Agent; Trợ lý thông minh
 
Lập trình tự động; Nghiên cứu khoa học bằng AI; AI trong mọi ngành nghề
 
Nếu thế kỷ 20 dùng máy để thay cơ bắp, thì thế kỷ 21 dùng AI để hỗ trợ hoặc thay thế nhiều công việc trí óc.
 
2. Robot – Thay thế đôi tay
 
Đây là cuộc cách mạng về lao động vật lý.
Robot công nghiệp; Robot dịch vụ Robot chăm sóc người già; Xe tự lái; Drone
 
AI là "bộ não", robot là "cơ thể".
 
3. Công nghệ sinh học (Biotech) – Lập trình sự sống
 
Đây là cuộc cách mạng về sự sống. Chỉnh sửa gen. Thuốc cá nhân hóa
 
Nuôi cấy mô và nội tạng. Chẩn đoán sớm bệnh bằng AI và dữ liệu sinh học. Nếu AI lập trình máy tính, thì công nghệ sinh học hướng tới việc "lập trình" tế bào và cơ thể sống.
 
Ba lĩnh vực này còn bổ trợ cho nhau:
 
AI → tạo ra trí tuệ.
 
Robot → đưa trí tuệ vào thế giới vật lý.
 
Biotech → đưa trí tuệ vào việc hiểu và cải thiện sự sống.
 
Đó là lý do nhiều nhà quan sát xem đây là ba trụ cột công nghệ có khả năng định hình phần lớn tiến bộ khoa học, kinh tế và xã hội trong vài thập kỷ tới. 
 
Grok
 
Trí tuệ nhân tạo (AI, bao gồm AGI/agentic AI và AI vật lý), công nghệ năng lượng sạch/lưu trữ (renewables, pin, lưới điện thông minh, hạt nhân), và công nghệ sinh học/y sinh (biotech, gene editing, personalized medicine) là 3 lĩnh vực thế giới đang đặt cược ưu tiên cao nhất trong 30 năm tới.**
 
1. Trí tuệ nhân tạo (AI) – Động lực trung tâm
AI là nền tảng “general purpose technology” được đầu tư lớn nhất và hội tụ với hầu hết lĩnh vực khác. Các báo cáo từ ARK Invest, McKinsey, Huawei, IEEE, Deloitte và WEF đều xếp AI (cùng AI agents, physical AI/robotics, AGI) ở vị trí hàng đầu.  
 
- Nó đang chuyển từ công cụ sang hệ thống quyết định, tự động hóa và robot hình người.  
- Nhu cầu điện toán và năng lượng của AI đang định hình lại toàn bộ hạ tầng (data center, chip, lưới điện).  
- Dự báo tạo ra hàng nghìn tỷ USD giá trị và thay đổi lao động, sản xuất, y tế, giao thông trong vài thập kỷ.
 
AI không đứng riêng mà kích hoạt robot, sinh học tính toán và tối ưu năng lượng.
 
 2. Công nghệ năng lượng sạch, lưu trữ và lưới điện
Chuyển đổi năng lượng là điều kiện sống còn cho AI, khí hậu và công nghiệp. Các ưu tiên gồm:
 
- Pin và lưu trữ (energy storage), khai thác lithium trực tiếp, everything-to-grid (xe điện/nhà ở trả điện lại lưới).  
- Năng lượng tái tạo (solar, wind) + hạt nhân (SMR, fusion đang nhận vốn lớn).  
- Vật liệu làm mát thụ động, lưới thông minh.  
 
WEF Top 10 Emerging Technologies 2026 nhấn mạnh mạnh các giải pháp năng lượng này. ARK và Morgan Stanley cũng đưa energy storage/nuclear vào nhóm nền tảng. Nhu cầu điện từ AI khiến năng lượng trở thành “nút thắt” và cơ hội đầu tư khổng lồ đến 2050.
 
3. Công nghệ sinh học và y sinh tiên tiến (Biotech / Multiomics / Personalized medicine)
Lĩnh vực này kết hợp AI để tạo ra đột phá về sức khỏe, thực phẩm và vật liệu:
 
- Chỉnh sửa gen (CRISPR thế hệ mới), vaccine mRNA cá nhân hóa, liệu pháp sống (engineered living therapeutics), multiomic sequencing.  
- Precision fermentation (sản xuất thực phẩm/dược từ vi sinh).  
- Y học cá thể hóa được IEEE đánh giá là công nghệ có tác động cao nhất đến đời sống con người.  
 
ARK xếp multiomic sequencing trong 5 nền tảng đổi mới; WEF và Stanford Emerging Technology Review đều đưa biotech vào nhóm frontier quan trọng.
 
 Vì sao 3 lĩnh vực này?
Chúng hội tụ mạnh: AI cần năng lượng sạch và giúp thiết kế pin/vật liệu mới + đẩy nhanh khám phá thuốc; biotech dùng AI và cần năng lượng ổn định. Các tổ chức lớn (WEF, ARK, McKinsey, OECD, Huawei, IEEE) đều chỉ ra sự hội tụ này sẽ tạo bước nhảy vọt năng suất tương tự cách mạng công nghiệp trước. Quantum computing và robotics cũng quan trọng nhưng thường được xem là bổ trợ (quantum hỗ trợ mô phỏng thuốc/năng lượng; robotics là “thể hiện vật lý” của AI).
 
Trong 30 năm (đến khoảng 2055), đây là những cược lớn nhất về vốn, chính sách và nghiên cứu toàn cầu.
 
Theo Life is Good 
 
 
 
 

Các nhược điểm của AI

on .

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 tin
AI có thể “bịa” dữ kiện, nguồn, con số hoặc lập luận — thường gọi là hallucination (ảo giác).
 
Không thực sự hiểu như con người
AI 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 liệu
Dữ 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 quả
Với 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 túng
Nếu 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 thân
AI 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 nó
Nếu 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 hội
AI 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

on .

"Nguyên lý" và "nghệ thuật" là hai khái niệm khác nhau nhưng bổ sung cho nhau. Có thể hình dung như sau:

Nguyên lýNghệ 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 tròThiên 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 tríThiên 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.

 
Theo Life is Good

Big data vs Small data

on .

Big data vs Small data tương tự như Đại bác vs Súng bắn tỉa. Cả 2 đều cùng mục tiêu: bắn trúng vòng 10 ngay từ phát đầu tiên.

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

on .

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.