Home » Machine Learning » Khám phá bộ óc đằng sau Google Brain – Andrew Ng: Cuộc đời, sự sáng tạo và cả những thất bại

Khám phá bộ óc đằng sau Google Brain – Andrew Ng: Cuộc đời, sự sáng tạo và cả những thất bại

Nói về ngành khoa học máy tính, khó có thể phủ nhận rằng Carnegie Mellon, MIT, UC Berkeley, và Stanford thuộc top các trường có chương trình đào tạo tốt nhất trên thế giới. Và đó cũng là những trường Andrew Ng đã theo học suốt 12 năm, là nơi ông nhận bằng Cử nhân, Thạc sĩ và Tiến sĩ.


(Photo: Jemal Countess/Getty)

Ng là một hình tượng được thế giới tôn vinh trong ngành trí tuệ nhân tạo khi ông vẫn chưa đầy 40 tuổi. Năm 2011, ông thành lập Google Brain, một dự án nghiên cứu về Deep-Learning được tài trợ kho dữ liệu và khả năng tính toán khổng lồ bởi Google. Một trong những thành tựu quan trọng của dự án này là sức mạnh kết hợp từ 16000 máy tính đã có khả năng nhận diện một con mèo thông qua các hình ảnh được trích từ YouTube. Ng giải thích: “Điều đáng chú ý là hệ thống máy tính đã có khả năng tự nhận diện một con mèo. Chúng ta không cần phải dạy cho nó con mèo là gì. Đó là một cột mốc quan trọng của Machine Learning.”

Con người Ng luôn toả ra một phong thái vui tươi và điềm đạm. Ông vui vẻ chia sẻ về những sai lầm và thất bại trong sự nghiệp của mình, về những bài báo ông đọc mà chẳng thể nào hiểu nổi. Ông luôn mặc một chiếc áo sơ mi màu xanh đặc trưng hàng ngày. Ông luôn ngượng ngùng mà hãnh diện mỗi khi đồng nghiệp nhắc đến bộ ảnh đính hôn của ông với vợ mình, một nhà nghiên cứu robot tên Carol Reily.


(Photo: Colson Griffith)

Trong một cuộc nói chuyện chỉ có hai người, ông nói chuyện với một giọng nói nhẹ nhàng hơn bất cứ ai bạn từng biết, nhưng nó không hề cản trở sự nổi tiếng của ông với vai trò một giảng viên đại học. Năm 2011, khi ông đăng những video khoá học Machine Learning của mình lên website, đã có hơn 100.000 người đăng ký học. Trong vòng 1 năm sau đó, Ng đã đồng sáng lập Coursera, một trang web cung cấp các khoá học trực tuyến, và hiện nay nó là trang web lớn nhất về dịch vụ học trực tuyến với các khoá học đến từ các trường đại học hàng đầu thế giới, từ Princeton đến Yale, rồi cả những trường top ở Trung Quốc cũng như châu Âu. Đó không phải là một tổ chức phi lợi nhuận, mặc dù tất cả các khoá học đều được truy cập miễn phí. “Việc thu phí nội dung các khoá học sẽ trở thành một tấm thảm kịch”, Ng chia sẻ.

Và rồi, mùa xuân năm ngoái, một chuyện bất ngờ xảy ra. Ng tuyên bố ông sẽ rời Google và Coursera. Baidu – gã khổng lồ công nghệ Trung Quốc đang thành lập một phòng thí nghiệm 300 triệu đô đầy tham vọng trong lĩnh vực trí tuệ nhân tạo, và đó là điểm đến của bộ óc đằng sau Google Brain.

Ở Baidu, Ng đang tập trung nghiên cứu để máy tính có thể nhận diện âm thanh và hình ảnh với một độ chính xác đáng kinh ngạc, trong thời gian thực. Ng tin rằng, việc nhận diện giọng nói với độ chính xác 99% sẽ là đòn bẩy quyết định cho một cuộc cách mạng về cách con người tương tác với máy tính, và người ta thiết kế các hệ điều hành. Đồng thời, ở Baidu, ông phải giúp gã khổng lồ công nghệ này xử lý tốt hàng triệu query từ những người dùng chưa quen với công nghệ. “Bạn sẽ gặp những query (ở Trung Quốc) mà bạn sẽ không bao giờ gặp phải tại Mỹ,” Ng giải thích. “Ví dụ, bạn sẽ gặp phải những câu query như ‘Chào Baidu, bạn khoẻ không? Tôi đã ăn mì ở một cửa hàng nhỏ tuần trước và nó rất ngon. Bạn có nghĩ là họ sẽ giảm giá vào cuối tuần này không?’ Đó là một câu query.”. Ng nhận xét: “Sẽ phải tốn nhiều công sức để có thể đưa ra những câu trả lời tốt cho những query kiểu vậy.”

Elon Musk và Stephen Hawking đã và đang cảnh báo về những hiểm hoạ tiềm tàng của trí tuệ tiên tiến đối với nhân loại. Andrew Ng thì không. “Lý do tôi không nghiên cứu việc ngăn chặn AI trở thành một con quỷ dữ giống với lí do tôi không nghiên cứu việc ngăn chặn bùng nổ dân số ở trên sao Hoả”, ông tuyên bố. Theo ông, AI phải mất hàng thập kỷ nữa mới có thể đạt được cái tương tự như ý thức. Trong thời điểm hiện tại, đó không phải là một vấn đề khẩn cấp cần được quan tâm. Trong thời gian hiện tại, có một vấn đề khẩn cấp hơn nhiều. Những chiếc máy tính được áp dụng Machine Learning đang lấy mất những việc làm lâu nay vốn được thực hiện bởi con người. Xu hướng này ngày càng gia tăng, và Ng thường xuyên phải gọi cho những nhà hoạch định chính sách để họ chuẩn bị cho những hệ quả về kinh tế xã hội.

Tại phòng thí nghiệm mới của Baidu ở Sunnyvale, Calif, chúng tôi trò chuyện với Andrew Ng về Sophia, một dự án của HuffPost nhằm thu thập những bài học cuộc sống tự những con người tuyệt vời. Ông giải thích tại sao ông nghĩ “theo đuổi đam mê” là một trong những lời khuyên tệ và ông chia sẻ chiến lược của mình để dạy cách sáng tạo; Ng bàn về những thất bại và thói quen tốt của mình, những quyển sách ảnh hưởng đến ông nhất, và những suy nghĩ mới nhất của ông về giới hạn của trí tuệ nhân tạo.

Gần đây ngài có nói rằng “Tôi đã thấy mọi người học cách trở nên sáng tạo hơn.”, ngài có thể giải thích thêm được không?

Câu hỏi là làm thế nào để có thể nảy ra ý tưởng mới? Phải chăng chúng là những hành động đơn lẻ và không thể đoán trước được của những thiên tài như Steve Jobs? Hay đó là thứ có thể dạy được và có thể hệ thống được?

Tôi tin răng khả năng đổi mới và sáng tạo là những quá trình có thể dạy được. Có những cách khiến con người có khả năng đổi mới và sáng tạo một cách có hệ thống. Một trong những việc mà tôi đã làm ở Baidu là tổ chức một hội thảo về chiến lược đổi mới. Nội dung của hội thảo nhằm chỉ ra đổi mới không phải là một hành động ngẫu nhiên của thiên tài, mà thay vào đó, một người có thể tạo ra những thứ chưa từng có một cách có hệ thống.

Trong cuộc đời mình, tôi nhận ra rằng bất cứ khi nào tôi không chắc mình nên làm gì tiếp, tôi thường đi và học hỏi rất nhiều, đọc rất nhiều và trao đổi với các chuyên gia. Tôi không biết cách bộ não hoạt động nhưng nó thật sự rất kỳ diệu: Khi mà bạn đọc hoặc trao đổi với các chuyên gia đủ nhiều, khi bạn có đủ input, những ý tưởng mới bắt đầu xuất hiện. Chuyện này có vẻ xảy ra với rất rất nhiều người mà tôi biết.

Khi bạn trở thành một chuyên gia trong một lĩnh vực, bạn sẽ không lựa chọn ý tưởng một cách ngẫu nhiên nữa. Bạn thận trọng suy nghĩ về cách mà mình sẽ lựa chọn ý tưởng, và làm thế nào để kết hợp những ý tưởng lại với nhau. Bạn thận trọng suy nghĩ về việc khi nào mình nên nảy ra nhiều ý tưởng, còn khi nào thì nên hạn chế lại.

Dù có ý tưởng rồi, vẫn còn thách thức đặt ra cho bản thân, đó là mình sẽ làm gì với những ý tưởng mới, làm thế nào để có thể cải tiến những ý tưởng đó để xây dựng những thứ hữu ích một cách có chiến lược. Đó lại là một vấn đề hoàn toàn khác.

Ngài có thể chia sẻ về các nguồn tri thức mà ngài tiếp nhận, cách ngài tiếp cận việc học được không?

Tôi đọc rất nhiều và tôi cũng dành một khoảng thời gian hợp lí để trao đổi với mọi người. Tôi nghĩ rằng hai trong số những cách hiệu quả nhất để học, để có được thông tin, đó là đọc và nói chuyện với các chuyên gia. Vì vậy, tôi dành khá nhiều thời gian để làm cả hai điều đó. Tôi nghĩ rằng tôi đã đã lưu cả nghìn cuốn sách lên Kindle. Và tôi có lẽ đã đọc được khoảng hai phần ba trong số chúng.

Tại Baidu, chúng tôi có một nhóm đọc và chúng tôi cùng nhau đọc khoảng nửa cuốn sách một tuần. Tôi tham gia hai nhóm đọc ở Baidu, mỗi nhóm đều đọc khoảng nửa cuốn sách mỗi tuần. Tôi nghĩ tôi là người duy nhất trong cả hai nhóm [cười]. Và buổi chiều thứ bảy yêu thích của tôi là ngồi một mình ở nhà đọc sách.

Cho phép tôi được hỏi về những ảnh hưởng đầu đời của ngài. Cha mẹ của ngài có làm điều gì khác biệt với các bậc cha mẹ khác mà nó định hình cuộc sống của ngài không?

Khi tôi khoảng sáu tuổi, cha tôi đã mua một chiếc máy tính và đã giúp tôi học lập trình. Rất nhiều nhà khoa học máy tính đã học lập trình từ khi còn rất nhỏ nên có lẽ tôi không phải là trường hợp duy nhất, nhưng tôi nghĩ tôi là một trong những người may mắn sở hữu một chiếc máy tính và được học lập trình ở độ tuổi như thế.

Không giống như những bậc cha mẹ Á châu kiểu mẫu, cha mẹ tôi đã rất thoải mái. Bất cứ khi nào tôi đạt điểm cao ở trường, ông bà đều mừng quá mức, và tôi thực sự cảm thấy ngượng về điều đó. Nên khi được điểm cao thì tôi thường giấu nhẹm đi. [Cười] Tôi không thích đưa bảng điểm cho ông bà, không phải vì tôi học kém mà vì ngại sự phấn khích của hai người.

Tôi cũng may mắn được sống và làm việc ở nhiều nơi khác nhau. Tôi sinh ra ở Vương quốc Anh, lớn lên ở Hồng Kông và Singapore, và học đại học ở Mỹ. Tôi học và lấy bằng tại Carnegie Mellon, MIT, và Berkeley, và sau đó giảng dạy tại Stanford.

Tôi thực sự rất may mắn khi đã được đi nhiều nơi và tiếp xúc với những người giỏi hàng đầu. Tôi đã thực tập tại AT&T Bell Labs, một trong những phòng thí nghiệm hàng đầu thế giới, sau đó là tại Microsoft Research. Các góc nhìn mà tôi đã từng nhìn thấy là vô cùng đa dạng với một số lượng khổng lồ.

Nếu có thể du hành ngược thời gian, ngài có muốn thay đổi điều gì trong quá trình học hay sự nghiệp của mình không? Bất cứ bài học nào của ngài mà mọi người có thể nhìn vào đó mà rút ra kinh nghiệm cho bản thân?

Tôi ước rằng xã hội hiện tại có thể đưa ra những lời khuyên nghề nghiệp tốt hơn cho các bạn trẻ. Tôi nghĩ rằng “hãy theo đuổi đam mê của bạn” không phải là lời khuyên tốt. Đây thực sự là một trong những lời khuyên về sự nghiệp tệ nhất mà ta đưa ra.

Nếu bạn đam mê lái xe, điều đó không có nghĩa là bạn nên khao khát trở thành một tay đua chuyên nghiệp. Trong cuộc sống, ý nghĩa thực sự của câu “hãy theo đuổi đam mê của bạn” là “hãy theo đuổi bất cứ đam mê nào của bạn nhưng nó phải là một ngành của trường đại học bạn sẽ theo học.”

Nhưng mà thường thì, bạn sẽ giỏi ở một lĩnh vực nào đó trước rồi mới đam mê nó. Và tôi nghĩ hầu hết mọi người có thể giỏi hầu hết mọi thứ.

Vì vậy, khi tôi tự hỏi tôi sẽ làm gì với cuộc sống của mình, tôi muốn làm việc gì, tôi dựa vào hai tiêu chí sau. Thứ nhất đó là đây có phải là một cơ hội để học hỏi không. Liệu dự án này có phải là cơ hội để tôi học những thứ mới, thú vị, và hữu ích? Thứ hai là tác động tiềm ẩn. Thế giới này có vô số những vấn đề thú vị. Và nó cũng mang trong mình vô số các vấn đề quan trọng. Tôi mừng nếu mọi người tập trung các vấn đề quan trọng hơn là thú vị.

Tôi may mắn vì thường xuyên có thể tìm được những cơ hội có nhiều tác động tiềm ẩn và cũng mang đến cho tôi những cơ hội tuyệt vời để học hỏi. Tôi nghĩ rằng những người trẻ tối ưu hóa được hai điều này thường là những người thành công nhất trong sự nghiệp.

Đội của tôi ở đây (Baidu) có nhiệm vụ phát triển các công nghệ AI khó và tiên tiến cho phép chúng ta tác động đến hàng trăm triệu người dùng. Đó là một sứ mệnh khiến tôi thực sự hào hứng.

Ngài định nghĩa tầm quan trọng của một vấn đề chủ yếu dựa vào số lượng người bị ảnh hưởng?

Không, tôi nghĩ con số không phải là điều duy nhất quan trọng. Thay đổi cuộc sống của hàng trăm triệu người một cách đáng kể, tôi nghĩ đó là tầm ảnh hưởng mà chúng ta có thể khát khao đạt được. Đó là một cách chắc rằng chúng ta làm việc không chỉ vì thú vị mà còn vì tác động của nó đến cuộc sống.

Ngài đã từng chia sẻ về các dự án thất bại của bản thân. Ngài đã đối mặt với thất bại như thế nào?

Vâng, tôi vẫn thường hay thất bại, vì vậy đó sẽ là một câu chuyện dài. [Cười] Một vài năm trước, tôi cố gắng nhớ và ghi vào Evernote tất cả các dự án mà tôi thành lập nhưng lại không đi về đâu vì bất cứ lý do gì. Đôi khi tôi gặp may và dự án đã thành công theo một hướng hoàn toàn bất ngờ, chủ yếu là do may mắn hơn là do kỹ năng.

Nhưng tôi đã lập một danh sách tất cả các dự án mà tôi đã làm mà không đi đâu cả, hoặc không thành công, hoặc đầu ra quá ít ỏi so với nỗ lực mà chúng tôi dồn vào nó. Sau đó, tôi đã cố gắng phân loại chúng theo lí do thất bại và đã cố gắng phân tích chúng một cách nghiêm ngặt.

Một trong những thất bại đó là ở Stanford. Trong một thời gian chúng tôi đã thử nghiệm cho máy bay bay theo một hình thù nào đó để xem có thể tiết kiệm nhiên liệu hơn không, việc này được lấy cảm hứng từ việc đàn ngỗng khi bay tạo nên hình chữ V. Khí động học thực sự khá khó. Vì vậy, chúng tôi đã dành khoảng một năm để nghiên cứu khiến cho máy bay bay tự động. Sau đó, chúng tôi đã cố gắng chúng có thể bay theo hình thù nào đó.

Nhưng sau một năm làm việc, chúng tôi nhận ra rằng không có cách nào mà chúng tôi có thể kiểm soát máy bay với độ chính xác đủ để có thể thấy có tiết kiệm nhiên liệu không. Bây giờ, nếu ngay khi bắt đầu dự án chúng tôi đã suy nghĩ về các yêu cầu về vị trí, chúng tôi sẽ nhận ra rằng với máy bay nhỏ mà chúng tôi đang sử dụng, không có cách nào chúng tôi có thể đạt được những yêu cầu đó. Gió mạnh sẽ thổi máy bay đi xa hơn nhiều so với độ chính xác cần thiết để bay máy bay bay theo hình dạng mong muốn.

Vì vậy, một trong những sai lầm tôi thường gặp phải trong quá khứ, hy vọng bây giờ đã đỡ hơn, đó là triển khai các dự án mà bạn làm xong bước một, bước hai, bước ba, và rồi mới nhận ra là việc triển khai bước bốn rõ ràng là không thể ngay từ đầu. Tôi nói về ví dụ cụ thể này trong hội thảo về chiến lược đổi mới mà tôi đã đề cập. Bài học là cần sớm giảm thiểu rủi ro của các dự án.

Tôi đã giỏi hơn nhiều trong việc xác định và đánh giá rủi ro sớm. Bây giờ khi tôi nói những câu đại loại như, “Chúng ta nên giảm thiểu rủi ro của một dự án sớm,” mọi người sẽ gật đầu đồng tình vì nó là một sự thật hiển nhiên. Nhưng vấn đề là khi bạn đang thực sự phải đối mặt với một dự án mới, sẽ khó có thể áp dụng được điều đó để phân tích dự án.

Lý do đó là kĩ năng này là một kĩ năng về chiến lược. Trong hệ thống giáo dục của chúng ta, việc giảng dạy các sự thật hiển nhiên và các công thức được thực hiện khá tốt. Làm thế nào để nấu mì spaghetti bolognese? Làm theo công thức là được. Chúng ta khá giỏi trong việc giảng dạy các sự thật hiển nhiên và các công thức.

Nhưng đổi mới hay sáng tạo là một kĩ năng về chiến lược, mỗi ngày bạn thức dậy là một trong một tình huống hoàn toàn khác và bạn cần phải có những quyết định đúng đắn trong môi trường hoàn toàn độc nhất của mình. Vì vậy tôi chỉ có thể nói rằng, cách duy nhất để học được những dạy những kĩ năng chiến lược là bằng ví dụ, bằng hàng ngàn ví dụ. Bộ não con người, khi nó quan sát đủ nhiều, sẽ học được các nguyên tắc, luật lệ từ những ví dụ đó để đưa ra các quyết định chiến lược đúng đắn.

Tôi thấy thường thì những người làm nghiên cứu, phải mất nhiều năm mới có thể thấy đủ các ví dụ và học cách phân tích chúng. Tôi đã và đang thử nghiệm một chương trình mô phỏng bay. Mục đích của nó là thay vì phi công phải dành 5 năm để có thể tập lái, có thể quan sát đủ các trường hợp bay, nó sẽ đưa ra hàng ngàn tình huống bay mô phỏng cho người tập trong một khoảng thời gian ngắn.

Trong thực tế, nếu bạn muốn học các điều khiển một chiếc 747, bạn cần phải bay nhiều năm, có thể hàng thập kỉ, trước khi bạn gặp một trường hợp khẩn cấp nào. Nhưng trong trình mô phỏng máy bay, chúng tôi có thể chỉ cho bạn hàng tấn trường hợp khẩn cấp trong khoảng thời gian rất ngắn và cho phép bạn học nhanh hơn. Đó là những thứ mà chúng tôi đã và đang thử nghiệm.

Khi phòng thí nghiệm này (phòng thí nghiệm ở Baidu) bắt đầu mở, ngài có chia sẻ trong phần lớn sự nghiệp của ngài, bạn đã không nhận thấy tầm quan trọng của văn hoá tập thể, nhưng rồi ngài đã nhận ra giá trị của nó. Sau một vài tháng, ngài có học được điều gì về cách xây dựng văn hoá phù hợp không?

Rất nhiều tổ chức có văn bản quy định về văn hoá công ty, nội dung đại loại như “Chúng ta giúp nhau cùng tiến bộ”,… Mọi người gật đầu đồng tình, bởi vì ai lại không muốn giúp đồng đội mình tiến bộ cơ chứ. Nhưng năm phút sau, khi mọi người trở về bàn làm việc, liệu họ có thực sự làm vậy? Rất khó để mọi người có thể thực tế hoá những cái trừu tượng.

Tại Baidu, chúng tôi đã làm một điều mà theo tôi thấy là vô cùng lạ để xây dựng văn hóa. Tôi không biết bất kỳ tổ chức nào đã từng làm như vậy. Chúng tôi tạo ra một bài kiểm tra mô tả cho các tình huống cụ thể của nhân viên kiểu “Bạn đang ở trong tình huống như thế này và điều thế kia xảy ra. Bạn sẽ làm gì: A, B, C, hoặc D?”

Không ai có thể đạt điểm tối đa khi làm bài kiểm tra này lần đầu. Tôi nghĩ rằng sự tương tác mà bài kiểm tra đặt ra, yêu cầu các thành viên của nhóm áp dụng các kiến thức thực tế cho các tình huống giả định, là cách chúng tôi cố gắng biến văn hoá trừu tượng thành thực tế; Bạn thực sự phản ứng thế nào khi đồng nghiệp làm điều này?

Những quyển sách nào có ảnh hưởng đáng kể đến sự phát triển trí tuệ của ngài?

Gần đây tôi thường hay nghĩ về vài quyển sách sách để khuyên một người đọc nếu họ muốn làm một cái gì đó sáng tạo, muốn tạo nên thứ mới lạ.

Đầu tiên là “Zero to One” của Peter Thiel, một cuốn sách rất hay cung cấp cái nhìn tổng quan về tinh thần kinh doanh và đổi mới.

Chúng tôi thường chia nhỏ doanh nghiệp thành B2B (“business to business”, tức là các doanh nghiệp có khách hàng là doanh nghiệp khác) và B2C (“business to customer”). Đối với B2B, tôi thường khuyên đọc quyển “Crossing the Chasm”. Đối với B2C, một trong những cuốn sách yêu thích của tôi là “The Lean Startup”, có một cái nhìn hẹp hơn nhưng nó cho ta một chiến thuật cụ thể để đổi mới một cách nhanh chóng. Cái nhìn đó tuy hẹp nhưng rất tốt trong lĩnh vực tương ứng.

Và nếu người đọc muốn hiểu rõ hơn nữa về mô hình B2C, hai cuốn sách yêu thích của tôi là “Talking to Human”, đó là một cuốn sách rất ngắn dạy cho người đọc cách tăng sự đồng cảm với người dùng mà người đọc muốn phục vụ bằng cách nói chuyện với họ. Cuối thứ hai là “Rocket Surgey Made Easy”. Nếu bạn muốn xây dựng các sản phẩm quan trọng, mà người tiêu dùng quan tâm, quyển sách này sẽ dạy cho bạn các chiến thuật khác nhau để hiểu người dùng, thông qua các nghiên cứu người dùng hoặc bằng các cuộc phỏng vấn.

Quyển cuối cùng là “The Hard Thing about Hard Things.” Dù nó không tươi sáng nhưng nó bao gồm rất nhiều khía cạnh hữu ích về việc xây dựng một tổ chức sẽ như thế nào.

Đối với những người đang cố gắng đưa ra quyết định về nghề nghiệp, có một quyển rất thú vị: “So Good They Can’t Ignore You.” Nó cho ta một góc nhìn vô cùng giá trị về cách chọn con đường sự nghiệp cho bản thân.

Ngài có thói quen hay công việc thường nhật nào hữu ích không?

Tôi mặc áo sơ mi màu xanh mỗi ngày, tôi không biết bạn có biết điều đó không. [Cười] Vâng. Một trong những đòn bẩy lớn nhất trong đời bạn là khả năng tạo ra những thói quen hữu ích.


(Photo: Twitter)

Khi tôi nói chuyện với các nhà nghiên cứu, khi tôi nói chuyện với những người muốn tham gia vào việc kinh doanh, tôi nói với họ rằng nếu bạn đọc các tài liệu nghiên cứu một cách nhất quán, nếu bạn nghiêm túc học nửa tá bài báo một tuần và bạn làm việc đó trong vòng hai năm, sau hai năm đó bạn sẽ học được rất nhiều. Đây là một sự đầu tư tuyệt vời cho sự phát triển lâu dài của bạn.

Nhưng cách đầu tư này, nếu bạn dành cả ngày thứ bảy để học chứ không xem TV, không có ai để vỗ vào lưng hoặc nói với bạn rằng bạn đã làm rất tốt. Những gì bạn đã học cả thứ bảy sẽ không giúp ích gì cho bạn ở nơi làm việc vào thứ hai tới. Có rất ít, hầu như không có phần thưởng ngắn hạn cho những điều này. Nhưng đó là một sự đầu tư tuyệt vời trong dài hạn. Cách bạn trở thành một nhà nghiên cứu vĩ đại là bạn phải đọc rất nhiều.

Những người trông cậy vào ý chí để làm những điều này, thường khó có thể làm được bởi ý chí dễ bị lung lay. Thay vào đó, tôi nghĩ rằng những người đang tạo ra thói quen – như là học tập mỗi tuần, làm việc chăm chỉ mỗi tuần – đó mới là những điều quan trọng nhất. Đó là những người có nhiều khả năng thành công nhất.

Đối với bản thân, một trong những thói quen của tôi là mỗi sáng tập thể dục trong vòng bảy phút. Tôi thấy làm những điều y hệt mỗi sáng mỗi sáng khá là dễ dàng vì nó giúp mình phải quyết định ít hơn. Đó là cùng một lý do khiến tủ quần áo của tôi toàn là sơ mi màu xanh. Thật ra hồi trước có hai màu là màu xanh và hồng cánh sen. Và tôi nghĩ thế là phải quyết định quá nhiều rồi. [Cười] Vậy bây giờ tôi chỉ mặc áo sơ mi màu xanh.

Ngài đã kêu gọi các nhà hoạch định chính sách suy nghĩ về việc máy tính và robot sẽ cướp đi một lượng đáng kể công việc của người lao động trong tương lai. Ngài có bất kỳ ý tưởng nào về một giải pháp cho vấn đề nào đó không?

Đây là một câu hỏi thực sự khó. Máy tính phù hợp với các công việc lặp đi lặp lại thường xuyên. Cho đến nay, những thứ mà con người phải làm đi làm lại hàng ngày là những thứ mà máy tính làm rất tốt trong quá trình tự động hoá.

Điều này được thể hiện khá nhiều trong cuộc sống. Con người làm việc trên một dây chuyền lắp ráp, làm cùng một việc hàng tháng trời cho đến khi xong việc, và bây giờ các con robot đang dần thay thế con người làm những việc đó. Một thách thức tầm trung có thể là việc lái xe tải. Người lái xe tải làm những việc tương tự ngày này qua ngày, vì vậy các máy tính cũng đang cố gắng làm thay điều đó. Nó khó hơn phần lớn mọi người tưởng, dù vậy xe tự hành có thể sẽ xuất hiện trong thập kỉ tới hoặc lâu hơn, chúng ta vẫn chưa biết. Và rồi, ngay cả những việc ở mức độ khó hơn, như một số bác sĩ X quang phải đọc những bản chụp X quang nhiều lần mỗi ngày. Máy tính hoàn toàn có thể lấn sang sân chơi đó.

Nhưng đối với các công việc xã hội không thường xuyên và không lặp lại, đó là những thứ mà con người sẽ giỏi hơn máy tính trong một khoảng thời gian nữa, tôi nghĩ vậy. Trong nhiều công việc của con người, chúng ta làm những việc khác nhau mỗi ngày. Chúng ta gặp những người khác nhau, chúng ta phải sắp xếp mọi thứ khác nhau, giải quyết vấn đề một cách khác nhau. Những việc này tương đối khó cho máy tính ở thời điểm hiện tại.

Thách thức mà chúng ta phải đối mặt là khi Hoa Kỳ biến đổi từ nền kinh thế nông nghiệp sang nền kinh tế sản xuất và dịch vụ, người dân đã chuyển từ một công việc thường nhật, như canh tác, sang một công việc thường nhật khác, như là sản xuất, lắp ráp hoặc dịch vụ. Phần lớn dân số đã thực hiện chuyển đổi đó, vì vậy họ đã tìm được các công việc khác. Nhưng nhiều công việc của họ vẫn còn thường xuyên và lặp đi lặp lại.

Thách thức mà chúng ta phải đối mặt là tìm ra cách để dạy cho người ta làm những công việc không lặp lại thường xuyên ở quy mô lớn. Hệ thống giáo dục của chúng ta, từ xưa đến nay, không thực hiện tốt ở quy mô lớn. Các trường đại học hàng đầu đang làm tốt công việc đó cho một phần nhỏ người dân. Nhưng phần lớn người dân cuối cùng đều làm những công việc tuy quan trọng nhưng cũng thường xuyên và lặp đi lặp lại. Đó là một thách thức đối với hệ thống giáo dục của chúng ta.

Tôi nghĩ rằng vấn đề này có thể được giải quyết. Đó là một trong những lý do tại sao tôi đã suy nghĩ về việc giảng dạy chiến lược đổi mới, chiến lược sáng tạo. Chúng ta cần phải khiến nhiều người có khả năng làm các công việc không thường xuyên và không lặp lại. Những chiến thuật giảng dạy đổi mới và sáng tạo, những mô phỏng bay cho sự đổi mới, có thể là một cách để đạt được điều đó. Tôi không nghĩ chúng đã ta biết được cần phải làm thế nào, nhưng tôi lạc quan rằng chúng ta hoàn toàn có thế làm được.

Ngài từng nói rằng: “Kĩ sư tại Trung Quốc làm việc chăm chỉ hơn nhiều so mức mức trung bình của các kĩ sư Thung lũng Silicon. Các kĩ sư ở thung lũng Silicon lúc khởi nghiệp làm việc thực sự rất chăm chỉ. Nhưng mà khi công ty đã lớn mạnh, tôi thấy cường độ làm việc của các bạn không còn được như lúc công ty mới thành lập và như ở Baidu.” Sao ngài lại nghĩ như vậy?

Tôi không biết. Tôi nghĩ rằng các mỗi kĩ sư ở Trung Quốc đều tuyệt vời. Mỗi kĩ sư ở Thung lũng Silicon cũng tuyệt vời. Tôi nghĩ sự khác biệt nằm ở công ty. Các đội kỹ sư tại Baidu có khuynh hướng vô cùng linh hoạt.

Hiện trạng nền kinh tế internet Trung Quốc đang bị mọi người đánh giá không đúng tầm và tôi nghĩ rằng sẽ khôn ngoan hơn nhiều nếu mọi giả thuyết đều được thánh thức và mọi thứ đều sẵn sằng được chộp lấy. Hệ sinh thái internet Trung Quốc rất năng động. Mọi người đều nhìn thấy cơ hội to lớn, vả cả sự cạnh tranh khốc liệt. Mọi chuyện đều thay đổi liên tục. Những phát minh mới được sinh ra, và các công ty lớn sẽ đột nhiên nhảy vào lĩnh vực kinh doanh hoàn toàn mới.

Để rõ ràng hơn, chúng ta đang ở Mỹ, và nếu Facebook bắt đầu phát triển một công cụ tìm kiếm hoàn toàn mới, điều đó có thể khá là kì lạ. Tại sao Facebook nên xây dựng một công cụ tìm kiếm? Nó thực sự là một mảng khó. Nhưng chuyện như vậy hoàn toàn có thể suy nghĩ đến ở Trung Quốc, nơi có nhiều giả thuyết cho rằng sẽ nó sẽ các mô hình kinh doanh sáng tạo mới.



Điều này dường như cho thấy một văn hoá quản lý khác, nơi người ta có thể đưa ra những quyết định quan trọng một cách nhanh chóng, những quyết định thông minh và hiệu quả mà lại không hỗn loạn. Liệu Baidu có đang hoạt động theo một cách độc nhất mà ngài cảm thấy đặc biệt hữu ích cho sự phát triển của chính nó?

Đó là một câu hỏi hay. Tôi đang cố gắng suy nghĩ xem mình nên nói về điều gì. Tôi nghĩ rằng việc đưa ra quyết định được đẩy xuống rất thấp trong tổ chức tại Baidu. Người lao động có quyền tự trị cao, và họ rất chiến lược. Một trong những điều tôi thực sự đánh giá cao về công ty, đặc biệt là các giám đốc điều hành, là họ có một cái nhìn rất rõ ràng về thế giới và về sự cạnh tranh.

Khi các giám đốc điều hành gặp nhau, và trong cách chúng tôi nói chuyện với cả công ty, sự dũng cảm sẽ biến mất. Những phát biểu được chia sẻ trong nội bộ thường có nội dung như “Chúng ta đã làm những điều tuyệt vời. Chúng ta không quá vui với những điều đó. Mọi thứ sẽ phát triển theo chiều hướng tốt. Hoặc không. Đây là những điều chúng ta nghĩ chúng ta nên nhấn mạnh. Và chúng ta hãy cùng nhau tuyên án tử với những sai lầm chúng ta đã gây ra “. Đó chỉ là sự vắng mặt đầy ý nghĩa của sự dũng cảm, và tôi nghĩ điều này cho phép toàn bộ tổ chức có một môi trường tuyệt vời để đổi mới và tập trung làm việc.

Trong các vấn đề ngài đang nghiên cứu thì, ngài đang khá tập trung nghiên cứu vào nhận dạng tiếng nói. Những thách thức mà ngài đang phải đối mặt mà khi được giải quyết sẽ dẫn đến tăng độ chính xác đáng kể của công nghệ nhận dạng tiếng nói là gì?

Chúng tôi đang xây dựng những hệ thống Machine Learning để nhận dạng tiếng nói. Một số công nghệ Machine Learning mà chúng ta đang sử dụng đã có từ hàng thập kỉ. Chỉ trong vài năm gần đây chúng mới thực sự cất cánh.

Tại sao lại như vậy? Tôi thường so sánh tương đồng với việc xây dựng một con tàu tên lửa. Một con tàu tên lửa là một động cơ khổng lồ cùng với một tấn nhiên liệu. Cả hai cần phải thực sự lớn. Nếu bạn có nhiều nhiên liệu và động cơ yếu, bạn sẽ không rơi khỏi mặt đất. Nếu bạn có một động cơ khổng lồ và một lượng nhiên liệu nhỏ, bạn có thể đưa tàu lên khỏi mắt đất, nhưng có lẽ sẽ không đưa được nó vào quỹ đạo. Vì vậy, bạn cần một động cơ lớn và rất nhiều nhiên liệu.

Lý do mà Machine Learning giờ mới thực sự thể hiện sức mạnh của nó là vì chúng ta cuối cùng đã có đủ các công cụ để xây dựng các động cơ tên lửa lớn. Động cơ khổng lồ chính là những hệ thống siêu máy tính. Và nhiên liệu chính là dữ liệu. Cuối cùng ta đã có đúng và đủ những dữ liệu ta cần.

Việc số hóa xã hội tạo ra rất nhiều dữ liệu và chúng ta đã dần tạo ra dữ liệu trong một thời gian dài. Nhưng chỉ trong vài năm gần đây chúng ta mới có thể chế tạo được những động cơ tên lửa đủ lớn để hấp thụ nhiên liệu. Vì vậy, một phần trong cách tiếp cận của chúng tôi, không phải toàn bộ vấn đề, nhưng phần lớn cách tiếp cận của chúng tôi trong vấn đề nhận dạng tiếng nói là tìm cách để xây dựng động cơ lớn hơn và thu thập thêm nhiều nhiên liệu.

Ví dụ, đây là một trong những chúng tôi đã thực hiện, hơi kĩ thuật một chút. Đâu là nơi mà chúng ta có thể thu thập được nhiều dữ liệu giọng nói? Một trong những nơi chúng tôi lấy đó là các file âm thanh. Các nhóm khác có thể sử dụng một vài nghìn giờ dữ liệu. Chúng tôi sử dụng một trăm ngàn giờ dữ liệu.Lượng nhiêu liệu tên lửa đó lớn hơn rất rất nhiều những gì bạn thường thấy trong các tài liệu học thuật.

Sau đó, một trong những thứ chúng tôi đã làm là, nếu chúng tôi có một đoạn âm thanh của bạn đang nói gì đó, chúng tôi sẽ lấy đoạn âm thanh đó của bạn và thêm tiếng ồn nền vào đó, giống như một video được quay trong quán cà phê. Chúng tôi đã tổng hợp được một đoạn âm thanh có vẻ giống như bạn ghi nó trong một quán cà phê. Bằng cách tổng hợp giọng nói của bạn với nhiều âm thanh nền, chúng tôi đã nhân số lượng dữ liệu đang có lên nhiều lần. Chúng tôi sử dụng các chiến thuật tương tự vậy để tạo ra nhiều dữ liệu hơn để nạp vào máy tính, để cung cấp cho động cơ tên lửa của mình.

Một điều về nhận dạng giọng nói: hầu hết mọi người không hiểu sự khác biệt giữa độ chính xác 95% và 99%. Chín mươi năm phần trăm nghĩa mỗi 20 từ sẽ có 1 từ sai. Nó sẽ gây phiền nhiễu cho người dùng khi lại phải tự tay sửa từ sai đó trên điện thoại của mình.

99% sẽ thay đổi toàn bộ cuộc chơi. Nếu độ chính xác là 99%, nó trở nên đáng tin cậy. Nó sẽ hoạt động tốt và người dùng sử dụng nó thường xuyên. Vì vậy, nó không chỉ là độ chính xác được tăng bốn phần trăm, đó là sự khác biệt giữa việc người dùng hiếm khi hay thường xuyên sử dụng tính năng nhận diện giọng nói.

Vậy ngưỡng cản tới 99% vào thời điểm này là gì?

Chúng ta cần động cơ tên lửa lớn hơn và chúng ta vẫn cần tiếp thêm nhiều nhiên liệu tên lửa nữa. Cả hai thứ đó vẫn còn bị hạn chế và cả hai phải cùng nhau phát triển. Chúng tôi vẫn đang nỗ lực có thể tiến đến ngưỡng đó.

Nico Pitney

Senior Editor, The Huffington Post
Theo The Huffington Post