CÂU CHUYỆN "CON NHÀ GIÀU" LÀM AI
* * *
Đêm hôm lướt mạng, tình cờ đọc được bài viết gay gắt về việc nên đổ 580.000 tỷ vào đâu - dạy tiếng Anh hay STEM - để cứu đất nước khỏi tụt hậu. Đọc xong, mình nhận ra điều gì đó rất quen thuộc. Đó chính là cái tư duy "cứ đổ tiền tấn vào là có công nghệ lõi" trong bài viết này, giống hệt cái bẫy mà rất nhiều CEO đang mắc phải khi làm AI hiện nay. Tuy nhiên trước khi bàn luận, mình sẽ kể về 3 câu chuyện của bản thân.
--
Câu chuyện thứ nhất cách đây nửa năm, khi sếp muốn làm một con chatbot để tra cứu quy hoạch cảng biển Việt Nam. Nghe qua thì biết ngay đây là bài toán dạng "hightech" - hàng trăm trang văn bản pháp lý quyết định với số liệu dày đặc, phức tạp và lộn xộn nhưng lại cần tra cứu độ chính xác cao. Mình đi khảo sát một đơn vị chuyên về dữ liệu để train AI. Sau vài cuộc trao đổi làm rõ, họ báo giá rất "chuyên nghiệp": 450 triệu đồng, thời gian hoàn thiện ba tháng. Nghe cũng hợp lý - team chuyên nghiệp, công nghệ xịn, quy trình chuẩn. Nhưng...
Khi trình lên sếp thì sếp chần chừ.
Đương nhiên rồi. Bỏ nửa tỷ cho một thứ chưa biết chạy ra sao, chưa biết có dùng được không, là rủi ro lớn. Sếp không nói không, nhưng cũng chẳng vội ký. Chính cái sự "chần chừ" đó đã vô tình ép mình vào chân tường. Không có tiền thuê ngoài, mình buộc phải tự ngồi xuống và mày mò. Tư duy lại từ đầu. Thay vì đi theo lối mòn train model phức tạp tốn kém, mình tập trung vào một câu hỏi đơn giản: "Bài toán này thực chất cần giải quyết cái gì?". Rồi mình nhận ra - không phải cần một AI siêu thông minh, mà cần một hệ thống tra cứu thông tin chuẩn xác. Vậy thì thay vì train model, tại sao không thiết kế cấu trúc dữ liệu thật tốt rồi đẩy lên NotebookLM?. Bảy ngày sau, mình có một hệ thống tra cứu vài trăm trang tài liệu quy hoạch với độ chính xác 95%. Chi phí? Gần như bằng không. Nếu ngày đó sếp ký cái rụp 450 triệu, chắc giờ mình vẫn đang ngồi chờ họ báo cáo tiến độ, chứ không phải đã có sản phẩm chạy vèo vèo trong tay.
--
Câu chuyện thứ hai xảy ra gần đây hơn. Một người bạn đang làm lead của team triển khai AI cho một doanh nghiệp với đội hình hùng hậu gần 20 người. Nghe thì oai - "con nhà giàu", được đầu tư bài bản và có nguồn lực không hạn chế. Nhưng người bạn này chia sẻ rằng: "Sếp em bắt đầu sốt ruột rồi. Đổ tiền tốn kém thế này mà mãi chưa thấy hiệu quả đâu. Giờ đang dọa cắt giảm, cả team sống trong lo sợ." Đây chính là bi kịch của việc có nguồn lực nhưng thiếu định hướng thực tế. Khi quá dư dả, người ta dễ sa đà vào việc nghiên cứu những thứ mà bản thân cho là cần nhưng mà quên mất câu hỏi cốt lõi: "Cái này giải quyết vấn đề gì ra tiền ngay ngày mai?". Team 20 người có đủ công nghệ, đủ tiền, đủ thời gian. Nhưng họ không có cái mà mình có - áp lực phải chứng minh giá trị ngay lập tức. Chính cái thiếu áp lực đó đã giết chết sự tập trung.
--
Câu chuyện thứ ba là về chính công ty mình đang làm. Về lý thuyết, công ty không thiếu tiền. Sếp từng nói: "Cần gì cứ đề xuất, tiền không thành vấn đề." Nghe rất hào phóng. Nhưng thực tế lại là một câu chuyện khác thú vị hơn nhiều. Dù tiền có sẵn, nhưng quy trình để "moi" được tiền ra khỏi két là một mê cung của việc giải trình, chứng minh ROI, cam kết rủi ro. Ban đầu, mình thấy khó chịu. Tại sao làm nghiên cứu mà cứ bắt cam kết như đi buôn?. Nhưng rồi mình nhận ra điều này.
Vì buộc phải chứng minh hiệu quả, mình không làm những thứ viển vông, mà phải lao vào những điểm "đau" nhất của công ty để giải quyết.
Vì khó tuyển thêm người, mình buộc phải tự học để dùng AI để vibe coding ra những ứng dụng giúp cho mọi người.
Vì khó xin tiền để trang bị tài khoản AI cho từng người, mình đã nghĩ ra phương pháp để triển khai theo phòng ban với chỉ 1-3 tài khoản/phòng tùy theo nhu cầu.
Kết quả là gì? Những sản phẩm AI mình làm ra không chỉ "chạy được" mà còn "sống khỏe", bám rễ sâu vào hoạt động của doanh nghiệp. Chúng tinh gọn, thực dụng và hiệu quả. Chính cái "hàng rào khó chịu" đó lại là ân nhân của mình.
Môi trường tốt nhất để phát triển AI không phải là phòng lab vô trùng nơi các nhà khoa học được nuông chiều tuyệt đối. Nó là một "phòng lab giả lập thực tế" - đủ không gian để nghiên cứu, nhưng cũng đủ áp lực để ép bạn phải thực tế.
* * *
Ba câu chuyện trên không phải là ngoại lệ. Chúng là quy luật.
Khi nghiên cứu hồ sơ của những nhà phát minh vĩ đại, từ Thomas Edison, Nikola Tesla đến James Dyson hay Elon Musk, mình thấy một mẫu số chung đến kỳ lạ. Hầu hết đột phá đều sinh ra trong điều kiện thiếu thốn, không phải dư thừa.
James Dyson mất 15 năm và 5.127 bản mẫu thất bại trong tình trạng tài chính kiệt quệ mới tạo ra máy hút bụi lốc xoáy đầu tiên. Ông làm bản mẫu bằng bìa các tông - minh chứng cho sáng tạo từ vật liệu rẻ tiền.
Gutenberg là thợ kim hoàn đang nợ nần chồng chất. Để trả nợ, ông buộc phải tìm cách in sách nhanh hơn, rẻ hơn chép tay. Ông đã cải tiến máy ép rượu nho - công nghệ có sẵn, rẻ tiền - thành máy in cách mạng.
Toyota tạo ra hệ thống Just-in-Time không phải vì họ thông minh hơn ai, mà vì Nhật Bản sau chiến tranh quá nghèo. Không gian nhà xưởng chật hẹp, không có vốn trữ hàng tồn kho như các hãng xe Mỹ. Chính sự thiếu thốn đó ép họ phải tư duy khác biệt.
Game Boy của Nintendo thành huyền thoại không phải vì dùng công nghệ tốt nhất. Ngược lại, Gunpei Yokoi dùng màn hình đơn sắc rẻ tiền thay vì màn hình màu đắt đỏ như đối thủ. Kết quả? Máy bền, pin trâu, giá rẻ và bán chạy nhất lịch sử.
Anh em nhà Wright không có động cơ mạnh như đối thủ được chính phủ tài trợ. Vì động cơ yếu, họ buộc phải tập trung tối đa vào khí động học và khả năng điều khiển. Đây mới chính là chìa khóa của việc bay lượn mà các đối thủ giàu có đã bỏ qua.
Elon Musk với SpaceX thấy giá tên lửa quá đắt, thay vì mua của Nga, ông tính toán giá nguyên vật liệu thô chỉ chiếm 2% giá thành phẩm. Từ đó ông quyết định tự sản xuất để giảm chi phí xuống 10 lần.
Một mẫu số chung xuyên suốt đó là nỗi đau (vấn đề lớn) cộng sự thiếu thốn (hạn chế nguồn lực) cộng sự kiên trì bằng đột phá. Sự thoải mái thường sinh ra sự lười biếng trong tư duy. Chính những "cái khó" mới "ló cái khôn", ép buộc bộ não phải tìm ra những con đường tắt mà chưa ai từng đi.
--
Quay lại bài viết về 580.000 tỷ. Tác giả rất hăng hái nhắc đến Hàn Quốc và Israel như những mô hình thành công nhờ đổ tiền vào STEM. Nhưng đây rõ ràng chỉ là một nửa của sự thật.
Hàn Quốc thành công không chỉ vì họ đổ tiền vào KAIST hay các trường đại học trọng điểm. Họ thành công vì họ gắn chặt đầu tư với các Chaebol - Samsung, Hyundai, LG - những tập đoàn phải chiến đấu sống chết trên thị trường quốc tế. Không có áp lực sinh tồn từ thị trường, những khoản đầu tư đó sẽ chỉ tạo ra những bài báo khoa học trong ngăn kéo.
Israel cũng vậy. Công nghệ của họ sinh ra từ nhu cầu quân sự - sự đe dọa sinh tồn thực sự. Môi trường tranh biện gay gắt, văn hóa hoài nghi và thách thức liên tục chính là đòn bẩy tạo ra đột phá.
Điểm chung của cả hai? Không phải tiền. Mà là áp lực sinh tồn kết hợp với định hướng ứng dụng rõ ràng.
--
Ngoài ra có một điều không chỉ tác giả bài viết mà rất nhiều người tri thức đang hiểu nhầm về câu chuyện đầu tư cho khoa học cơ bản. Anh em nhà Wright muốn bay (ứng dụng) nên họ mới đi nghiên cứu về cánh chim và luồng khí (khoa học cơ bản). Chứ không phải họ ngồi mổ xẻ ngàn con chim rồi hy vọng một ngày sẽ biết bay. Dyson thấy máy hút bụi hiện tại tệ (vấn đề ứng dụng) nên ông mới đi nghiên cứu về lốc xoáy và lực ly tâm (khoa học cơ bản). Chứ không phải ông ngồi nghiên cứu lốc xoáy rồi tự nhiên phát hiện ra có thể làm máy hút bụi. SpaceX cần tên lửa rẻ để đưa vệ tinh lên quỹ đạo (ứng dụng) nên họ mới đi nghiên cứu về vật liệu, thiết kế tối ưu, tái sử dụng (khoa học cơ bản). Chứ không phải họ ngồi nghiên cứu khoa học hàng không rồi tình cờ làm được tên lửa.
Con đường đúng luôn là từ vấn đề thực tế → phân tích nhiều góc nhìn → nghiên cứu cơ bản → giải pháp. Chứ không phải là cứ nghiên cứu cơ bản → hy vọng tìm được ứng dụng. Khi đổ 580.000 tỷ vào STEM một cách thuần túy mà không gắn với bài toán thực tế của doanh nghiệp, của xã hội, chúng ta đang đi theo con đường thứ hai - con đường mà lịch sử đã chứng minh là kém hiệu quả.
* * *
Quay lại câu chuyện của mình. Nếu ngày đó công ty cho mình ngân sách không giới hạn, liệu mình có làm được chatbot tra cứu quy hoạch tốt hơn không? Câu trả lời là không chắc. Có khi mình sẽ đi theo hướng phức tạp - thuê thêm người, mua server xịn, dùng model lớn hơn. Rồi cuối cùng vẫn chưa chắc đạt được 95% độ chính xác như bây giờ. Vì khi có quá nhiều lựa chọn, bộ não dễ chọn con đường dễ thay vì con đường đúng. Chính sự hạn chế về ngân sách đã ép mình phải suy nghĩ về bản chất của vấn đề. Không phải "làm sao có AI xịn nhất", mà là "làm sao giải quyết bài toán này với chi phí thấp nhất".
Đó chính là First Principles Thinking - tư duy nguyên bản mà Elon Musk hay nhắc đến. Bóc tách vấn đề về bản chất vật lý thay vì suy nghĩ theo lối mòn. Vậy nên, 580.000 tỷ cho tiếng Anh hay cho STEM đều sẽ là lãng phí nếu chúng ta chỉ nhìn vào việc tiêu tiền. Thay vì tranh cãi rót tiền vào đâu, hãy học cách đặt ra những "bài toán khó" và tạo ra những môi trường "đủ khắc nghiệt" để ép những hạt giống công nghệ phải nảy mầm. Khi nguồn lực dư thừa, con người dễ sa đà vào việc mua công nghệ xịn, thuê đội ngũ đông mà quên mất câu hỏi cốt lõi: "Cái này giải quyết vấn đề gì?" Họ có búa vàng ròng trong tay nhưng không tìm thấy cái đinh để đóng. Ngược lại, khi bị ép vào chân tường, bộ não buộc phải tư duy khác biệt. Đừng đưa tiền cho người chỉ biết tiêu tiền. Hãy đưa bài toán khó cho người biết cách xoay xở. Như công thức các nhà phát minh vĩ đại đã chứng minh. Đó là:
"Nỗi đau + sự thiếu thốn + sự kiên trì = đột phá"
Còn tiền? Tiền chỉ là điều kiện cần, nhưng chưa bao giờ là điều kiện đủ.
Nhận xét
Đăng nhận xét