Nội dung chính
Andrej Karpathy ước tính chỉ khoảng 5.000 người được tiếp cận những hệ thống AI mạnh nhất ngay trong các phòng nghiên cứu. Phần lớn thế giới vẫn chưa dùng mô hình ngôn ngữ lớn. Nhiều người mới chỉ biết đến AI qua chatbot, nên trải nghiệm phổ biến chưa phản ánh đầy đủ năng lực của các hệ thống tuyến đầu.
Theo bài viết gốc của The New Stack, Karpathy chia người dùng thành bốn nhóm. Khoảng 6 tỷ người gần như chưa dùng mô hình ngôn ngữ lớn. Từ 1 đến 2 tỷ người thỉnh thoảng dùng chatbot, còn khoảng 20 triệu người dùng mô hình tuyến đầu cho toán học và lập trình. Khoảng 5.000 người được tiếp cận các hệ thống mạnh nhất trong phòng nghiên cứu.
Con số 5.000 nói về quyền tiếp cận trong phòng nghiên cứu
Karpathy là thành viên sáng lập OpenAI và gia nhập Anthropic vào tháng 5. Ông dùng phép ước lượng này để mô tả khoảng cách giữa trải nghiệm AI đại chúng và năng lực hiện có trong các phòng nghiên cứu. Con số 5.000 không đại diện cho tổng số người từng sử dụng AI.
Aaron Levie, giám đốc điều hành Box, xem chênh lệch này là dấu hiệu cho thấy quá trình phổ biến AI vẫn ở giai đoạn sớm. Theo nhận định được The New Stack dẫn lại, Levie cho rằng đa số người dùng vẫn coi AI là chatbot hoặc công cụ tìm kiếm thế hệ mới. Họ chưa xem AI là một hệ thống có thể đảm nhận các quy trình phức tạp.
Bầy tác tử có thể thay đổi cách công việc được chia nhỏ
Bầy tác tử chia một nhiệm vụ thành nhiều phần để nhiều tác tử xử lý song song, thay vì giao toàn bộ công việc cho một mô hình. Levie cho rằng đây có thể là hình thức hoàn chỉnh nhất của AI tác tử trong quy trình làm việc, nhưng cách triển khai này hiện chỉ đến được với một nhóm người dùng rất nhỏ.
Các mô hình chưa có năng lực đồng đều ở mọi loại công việc, chi phí vận hành quy mô lớn vẫn cao và công cụ quản lý nhiều tác tử chưa theo kịp. Phần đông người dùng cũng chưa được tiếp cận những mô hình mạnh nhất.
Doanh nghiệp còn thiếu hạ tầng để vận hành nhiều tác tử
Những hạn chế đó cho thấy hạ tầng AI và cách vận hành quan trọng không kém năng lực của mô hình. Doanh nghiệp còn phải kết nối dữ liệu, đáp ứng yêu cầu bảo mật và tuân thủ, đồng thời chuẩn bị cho việc thay đổi cách làm việc trên diện rộng.
Box đang đặt cược vào lớp ứng dụng này thông qua Box Automate. Sản phẩm kết nối tự động hóa bằng AI với các quy trình sử dụng nhiều tài liệu. Levie không định vị Box là đối thủ trực tiếp của các nhà cung cấp mô hình. Ông cho rằng cơ hội nằm ở những doanh nghiệp xây dựng ứng dụng chuyên biệt cho từng ngành. Các ứng dụng và hạ tầng đó hoạt động trên nền các mô hình tuyến đầu.
Chatbot và tác tử lập trình cho hai trải nghiệm khác nhau
Chatbot phổ thông thường trả lời một yêu cầu ngắn, còn tác tử lập trình có thể làm việc trong nhiều giờ, thử thay đổi, kiểm tra kết quả và làm lại. Karpathy cho rằng sự khác biệt này khiến người dùng phổ thông và lập trình viên nhìn thấy hai mức năng lực rất khác nhau của cùng một công nghệ.
Trong bài đăng tháng 4 được The New Stack dẫn lại, Karpathy so sánh hai trải nghiệm của OpenAI. Chế độ giọng nói miễn phí có thể xử lý sai cả những câu hỏi đơn giản trên video ngắn. Trong khi đó, phiên bản Codex cao cấp có thể dành một giờ để tái cấu trúc toàn bộ kho mã.
Tác tử nhận nhiệm vụ dài hơn chatbot
Karpathy cho biết chưa đầy một năm trước, ông vẫn tự viết mã và đôi khi mới dùng tính năng tự động hoàn thành. Đến tháng 4, ông mô tả các tác tử có thể giải quyết những bài toán lập trình vốn thường mất nhiều ngày hoặc nhiều tuần.
Sự khác biệt không chỉ nằm ở mô hình mà còn ở cách giao việc. Một câu hỏi cần câu trả lời dài một đoạn văn gần như không tạo áp lực đáng kể lên hệ thống. Năng lực của tác tử thể hiện rõ hơn khi hệ thống có hàng giờ để xử lý vấn đề, thử thay đổi và kiểm tra kết quả.
Điều này cũng giải thích vì sao tác tử AI viết mã đang làm thay đổi vai trò của lập trình viên. Từ tháng 2, Karpathy dùng khái niệm kỹ thuật bằng tác tử để mô tả cách lập trình viên dành nhiều thời gian hơn cho việc chỉ đạo và rà soát tác tử, thay vì trực tiếp viết từng dòng mã.
Công việc có thể kiểm chứng đang dẫn đầu
AI tiến nhanh nhất trong những lĩnh vực có dữ liệu số và kết quả có thể kiểm chứng. Theo Karpathy, lập trình và toán học phù hợp với học tăng cường vì hệ thống có thể kiểm tra đáp án và đo mức cải thiện, trong khi chất lượng của công việc viết lách hoặc tư vấn khó đánh giá bằng cùng một cơ chế.
Karpathy cũng cho rằng động lực kinh tế để cải thiện các mô hình làm công việc kỹ thuật lớn hơn. Vì vậy, nguồn lực phát triển tập trung nhiều hơn vào các lĩnh vực có kết quả đo lường được.
Dự án AutoResearch của Karpathy cho thấy cơ chế này hoạt động ra sao. Theo The New Stack, vào tháng 3, hệ thống đã chạy 50 thí nghiệm qua đêm trên một bộ xử lý đồ họa. Hệ thống tìm được tốc độ học tốt hơn rồi ghi thay đổi vào Git. Mỗi lần chạy tạo ra một điểm xác thực. Tác tử dựa vào điểm này để xác định thay đổi nào nên được giữ lại trước khi chuyển sang thí nghiệm tiếp theo.
Từ năng lực trong phòng nghiên cứu đến triển khai thực tế
Khoảng cách năng lực AI không chỉ đến từ chất lượng mô hình. Việc triển khai tác tử ở quy mô lớn còn phụ thuộc vào chi phí, độ tin cậy và bảo mật. Quyền truy cập dữ liệu và khả năng tích hợp với quy trình hiện có cũng ảnh hưởng đến việc triển khai. Vì vậy, năng lực trong phòng nghiên cứu chưa xuất hiện đồng đều trong công việc hằng ngày.
Karpathy gọi sự chênh lệch này là “sự kỳ lạ của thời điểm hiện tại”. Phần lớn người dùng vẫn đánh giá AI qua trải nghiệm với chatbot, còn một nhóm nhỏ lập trình viên đang chứng kiến năng lực của các hệ thống tuyến đầu tăng nhanh.
Doanh nghiệp phải thu hẹp khoảng cách triển khai
Levie nhìn cùng khoảng cách đó từ phía doanh nghiệp. Trước khi triển khai các tác tử ở quy mô lớn, công ty phải làm cho chúng đủ tiết kiệm, an toàn và đáng tin cậy. Những câu hỏi về phân quyền dữ liệu và mô hình AI là một phần trực tiếp của bài toán ứng dụng, không phải việc xử lý sau cùng.
Con số 5.000 chỉ nhóm người được tiếp cận các hệ thống tuyến đầu ngay trong phòng nghiên cứu theo phép ước lượng của Karpathy. Khoảng cách đáng chú ý nằm giữa trải nghiệm chatbot thông thường và khả năng của những hệ thống được giao bài toán dài, có kết quả kiểm chứng và có thời gian tự thử lại.
Hãy tiếp tục theo dõi Sine để cập nhật cách AI tác tử chuyển từ phòng nghiên cứu vào công việc thực tế.
