kiến thức Kết nối sâu - cộng sinh cùng AI

ToBe_or_NotToBe đã nói:

Như này mình nghĩ bây giờ học cách hỏi AI cũng là một dạng tư duy á bác và AI là một công cụ hỗ trợ mạnh cho việc tư duy, kiểm thử sao khi người dùng tự mình tư duy.

Ví dụ như khi học một kiến thức mới có thể nhờ AI giải thích lại khái niệm, theo nhiều góc nình khác nhau, cùng với các kiến thức liên quan để nghiên cứu sâu hơn chẳng hạn.

Một con dao hai lưỡi

Có một video khá hay của Alexandr Wang nói sơ qua về việc AI được ví như một supercharge cho bộ não của con người.

Nhấp để mở rộng...

ơ, cái mà bác nói: Học cách hỏi AI, cũng chính là 1 khía cạnh nội dung ở trong chuỗi bài viết của em đấy chứ.

Chia sẻ AI giúp giả lập người phỏng vấn C ở level Junior

Mình đã thực hiện training cho ChatGPT, để tạo ra 1 bản AI chuyên để phỏng vấn C level junor. Mỗi lần phỏng vấn nó sẽ đưa ra 5 câu hỏi, bạn sẽ trả lời 1 lúc cả 5 câu. Nó sẽ chấm điểm bạn theo thang Bloom. Tầng 4 Bloom tương đương 10 điểm ở level Junior. Tầng 3 tương đương 8 điểm, tầng 2 tương đương 5 điểm.

Hướng dẫn sử dụng:

1. Các bạn tải file training AI ở comment dưới bài viết. Các bạn nên clone cả repo về, vì sắp tới mình sẽ tạo thêm các bộ training AI giả lập người phỏng vấn cho phần Linux và MCU.
2. Tạo cuộc hội thoại mới, copy và paste phần nội dung trong file text của mình.
3. Thực hiện phỏng vấn, có thể bắt đầu với câu Prompt sau: "Cho tôi 5 câu hỏi về C ở level Junior. Đánh giá phần trả lời của tôi theo thang Bloom, gợi ý tôi cách trả lời để lên được level tiếp theo"

Ngoài ra, nếu bạn nào quan tâm cách mình training cho ChatGPT hoặc muốn biết cách mình tư duy, triển khai 1 cuộc hội thoại Prompt phức tạp thì có thể xem ở link ở dưới comment. Mình đã đính kèm link của cuộc hội thoại của mình ở trong đó.

Các bạn dùng thử rồi cho mình xin trải nghiệm, góp ý nhé. Để mình chỉnh sửa lại cho phù hợp hơn. Mình cảm ơn.

Câu đố vui: Nếu tầng 4 Bloom tương đương 10 điểm ở level Junior, vậy thì tầng 5, 6 dùng để đánh giá điều gì ở ứng viên?


Link file training trên github: human_ai_symbiosis/linux_programming/interview/junior_level/interview_training_data.txt at main · phuthodien/human_ai_symbiosis (https://github.com/phuthodien/human_ai_symbiosis/blob/main/linux_programming/interview/junior_level/interview_training_data.txt)
Link cuộc hội thoại mình dùng để training AI: https://chatgpt.com/share/685a4cdb-4644-8011-9967-012a4ed15455

Phương pháp mới trong việc tiếp cận tri thức cùng AI



(Mình sẽ viết phần ví dụ thực hành ở nửa cuối, nếu các bạn cảm thấy phần lý thuyết khó hiểu thì có thể bỏ qua, đọc phần thực hành trước rồi quay lại đọc lý thuyết sau)

Trước đây, chúng ta làm việc dựa vào Google, StackoverFlow, sau khi nhận task, các mảnh thông tin sẽ được tìm kiếm từ internet và ghép nối. Sau đó chúng ta áp dụng để giải quyết công việc đầu vào. Tuy nhiên khi AI ra đời, chúng rất mạnh trong việc tìm kiếm và tổng hợp thông tin, vì vậy, cách làm cũ của chúng ta không còn hiệu quả nữa. Trong mô hình mới, chúng ta tập trung vào việc mô tả yêu cầu, bối cảnh của bài toán. Sau khi nhận được phản hồi, chúng ta đánh giá tính phù hợp, phát hiện sai sót, yêu cầu AI hiệu chỉnh.

Mô hình làm việc cũ: Phân tích yêu cầu -> tìm kiếm tổng hợp thông tin -> Áp dụng.

Mô hình làm việc mới: Hiểu yêu cầu -> Mô tả cho AI hiểu và đưa ra gợi ý -> Nhận phản hồi -> Đánh giá kết quả của AI.

Khi cách làm việc thay đổi, cách học theo cũng phải đổi theo. Cụ thể như sau:

• Mô hình cũ: Lập trình viên cần phải đọc, nhớ các chi tiết của tri thức, giải pháp.
• Mô hình mới: Tập trung vào nắm được bản chất, mối liên hệ giữa các tri thức, giới hạn của giải pháp.

Ngoài ra để tận dụng hết sức mạnh của AI trong việc rút ngắn thời gian học, chúng ta cần áp dụng 3 tư tưởng sau:

• Tập trung vào học bản chất, cấu trúc, logic lõi của tri thức. Trong cuộc hội thoại với AI khi học, cần phải trả lời những câu hỏi sau: Tri thức đó ra đời để giải quyết bài toán gì, ưu nhược điểm ra sao, mối quan hệ của nó với những tri thức khác liên quan.
• Nhìn tổng thể rồi chọn đi sâu có chủ đích: Yêu cầu AI đưa ra bức tranh tổng thể của tri thức đó cùng với những tri thức khác liên quan, mối quan hệ giữa chúng. Yêu cầu AI đưa ra tóm tắt những ý chính của tri thức mới. Chúng ta sẽ đánh giá và đưa ra yêu cầu đào sâu hơn về những ý quan trọng với chúng ta.
• Xuyên suốt quá trình học, liên tục tái cấu trúc hệ thống tri thức mới. Vẽ ra sơ đồ dạng đồ thị, bào gồm các node kiến thức, mối quan hệ giữa chúng với nhau và với các node tri thức cũ ở trong đầu.

Cuộc hội thoại với AI cần đảm được các tiêu chí trong checklist sau:

• Xác định mục tiêu rõ ràng: Là để áp dụng? Để so sánh? Hay chỉ để biết thêm?
• Truy vấn bản chất & lý do tồn tại: Người học phải hỏi những câu Prompt như sau:
• Cái này được sinh ra để giải quyết bài toán gì?
• Nó đang cố khắc phục nhược điểm của giải pháp nào trước đó?
• Tại sao người ta lại cần nó, chứ không dùng cách khác?
• Yêu cầu AI trình bày tổng thể: Cho tôi sơ đồ các nhánh kiến thức chính, kèm vai trò của từng phần.
• Chọn một nhánh hoặc điểm mù để đào sâu có chủ đích: Phần này tao chưa hiểu, mày đào sâu giúp -> Không đào theo kiểu lan man toàn diện.
• Đưa ra ý hiểu, yêu cầu AI phản biện: Tính năng con trỏ tao đang hiểu là như thế này.... Mày đánh giá xem đúng không?
• Yêu cầu AI phản biện hoặc đặt câu hỏi lại cho mình: Mày hãy đóng vai người phỏng vấn và phỏng vấn tao về phần tao vừa học đi -> Dùng để phát hiện hiểu sai hoặc hiểu chưa đủ tầng Bloom.

Phần thực hành. Học ngôn ngữ lập trình C cùng AI.

Sau đây là thứ tự các câu lệnh Prompt:

• Là một sinh viên ngành điện tử viễn thông, ra trường tôi muốn làm kỹ sư vận hành tại nhà máy, tại sao tôi phải học ngôn ngữ C.
• Trình bày về lịch sử của ngôn ngữ C, nó ra đời để giải quyết nhược điểm gì của những ngôn ngữ trước đó. C có ưu nhược điểm gì, những bài toán gì thì người ta ưu tiên dùng C.
• Cho tôi bức tranh tổng quan về những lĩnh vực đang sử dụng ngôn ngữ C, những lĩnh vực nào có việc làm tại Việt Nam.
• Cho tôi danh sách những kiến thức cần phải học về ngôn ngữ C.
• Con trỏ của C là gì vậy, tôi muốn đi sâu vào phần này.
• Tôi hiểu tính năng con trỏ là lưu trữ địa chỉ của một vùng nhớ vào một biến khác, nhờ vậy có thể gửi dữ liệu qua lại giữa các nơi khác nhau trong chương trình mà không cần phải copy data. Tôi hiểu vậy có đúng không?
• Tính năng con trỏ như vậy phải có ưu và nhược điểm đúng chứ? Với các ngôn ngữ khác, họ có bắt buộc phải có tính năng con trỏ như C không? Nếu không thì họ giải quyết vấn đề đó bằng cách nào?
• Tôi đã học xong rồi, giờ bạn hãy đóng vai là một người phỏng vấn, phỏng vấn tôi về ngôn ngữ C với level Fresher đi.

Trong suốt quá trình học, liên tục vẽ đồ thị tri thức. Ví dụ như vẽ ra giấy các node về con trỏ, volatile, const... và vẽ mối quan hệ giữa chúng. Nếu có mối liên hệ với kiến thức cũ trong đầu thì cũng vẽ ra nốt. Ví dụ như volatile có mối liên hệ với bộ nhớ Cached.
Học xong thì nên viết bài, quay video chia sẻ kiến thức, không ngại nhận comment góp ý từ người khác.
Nhược điểm của phương pháp tiếp cận tri thức cùng AI.

Tuy giúp tiết kiệm thời gian và hiệu quả hơn nhiều so với cách học truyền thống, tuy nhiên, phương pháp này không phải là hoàn hảo. Việc học truyền thống, ví dụ như đọc sách hoặc các page trên StackOverFlow, ngoài kiến thức, chúng ta còn học được cách tư duy của tác giả. Học qua AI thì chúng ta chỉ nhận được kiến thức. Vì vậy đối với người mới, khi mà hệ thống tư duy vẫn chưa đủ vững chắc, thì vẫn cần phải tự đọc sách thêm. Ví dụ như sau khi đã học xong phần C qua AI, người dùng có thể tự đọc thêm 1 quyển sách về C như The C Programming Language. Mục tiêu khi đọc sách không phải là học hỏi thêm kiến thức, thay vào đó, chúng ta học cách tác giả tư duy, giải quyết các vấn đề gặp phải.

Tổng kết

Nếu nghiêm túc trong việc follow các bước như trên, thì tri thức khi nạp vào đầu sẽ ở tầng 4 – 5 trong thang nhận thức Bloom. Đảm bảo cho chúng ta có một sự nghiệp lâu dài, bền vững trong thời đại đầy biến động về công nghệ.

Chương 4. Mindset Realignment (độ khó 6)
Trong thế giới thực, não con người hoạt động như một thực thể độc lập. Nó tự phân tích các sự kiện, suy luận vào đưa ra quyết định. Thông qua việc chịu trách nhiệm cho các quyết định của mình, não bộ rút ra được những bài học. Mỗi khi hoàn thành một công việc, chúng ta thu được hai thứ, 1 là kết quả công việc, 2 là kiến thức, bài học thông qua quá trình làm việc.
Sau khi bước vào hệ thống cộng sinh với AI. Não người được tích hợp thêm một phần mở rộng với sức mạnh xử lý rất lớn, đó là AI. Việc chuyển đổi môi trường làm việc, từ hoạt động độc lập trong thế giới thực sang dạng hợp tác, ra lệnh trong hệ thống cộng sinh. Não người cần phải có sự điều chỉnh về cách thức tư duy để có thể làm việc hiểu quả và lâu dài.
→ Sau khi thấy được sự khác biệt căn bản nếu hoạt động trong mô hình cộng sinh với AI. Chúng ta sẽ cùng nhau tìm hiểu về cách điều chỉnh tư duy để phù hợp với hệ thống mới. Việc đầu tiên là cách điều chỉnh để tư duy có thể phát triển trong quá trình sử dụng AI.
I. Vấn đề sa sút trí tuệ khi sử dụng AI.
Nếu phải hoạt động độc lập, thì não bộ bắt buộc phải học hỏi, phát triển tư duy trong quá trình làm việc. Ví dụ như khi được giao nhiệm vụ code tính năng web bằng ngôn ngữ Kotlin, anh ta bắt buộc phải học về ngôn ngữ, xem thử các example liên quan trên mạng, sắp xếp luồng trong đầu và thực hiện viết các đoạn mã Kotlin phù hợp trong dự án.
Tuy nhiên, nếu hợp tác với AI, anh ta có thể đưa phần mô tả công việc cho nó, yêu cầu thực hiện generate source code. Vậy là người lập trình viên đã có trong tay những đoạn mã tương thích với dự án của mình, có thể sau đó vẫn cần chỉnh sửa, nhưng không nhiều. Có một vấn đề lớn ở đây, đó là sau khi hoàn thành công việc, kiến thức và tư duy trong đầu anh ta không có sự phát triển. Anh ta vẫn chưa học được ngôn ngữ lập trình mới và cách tư duy để làm chủ ngôn ngữ đó.
Việc người lập trình viên hoàn thành được công việc, nhưng không có phát triển về tư duy, kiến thức sau quá trình làm, được gọi là hiện tượng sa sút trí tuệ.
→ Mặc dù chúng ta vẫn cảm thấy mình có biết thêm chút gì đó trong quá trình trao đổi, yêu cầu AI thực hiện công việc, tuy nhiên thực tế chúng ta lại đang bị sa sút trí tuệ. Để hiểu rõ hơn tại sao lại như vậy, chúng ta cần phải phân biệt rõ các mức độ của sự nhận thức khi học 1 kiến thức mới. Các nhà khoa học đã nghiên cứu và cho ra 1 thang đo về chỉ số nhận thức, được gọi là thang đo Bloom.
II. Giới thiệu về thang đo nhận thức Bloom.
Thang đo Bloom có 6 tầng, thể hiện về các mức độ nhận thức khác nhau khi con người học một kiến thức mới. Các tầng đó như sau:
Sau khi đi qua phần định nghĩa các tầng của thang đo Bloom, chúng ta cùng xem một ví dụ cụ thể của nó.
Tình huống: Một lập trình viên A được giao công việc viết 1 đoạn shell script để định kỳ thu thập các log lỗi trong hệ thống và gửi lên server. Anh ta sử dụng ChatGPT để làm việc đó. Sau đây là các tầng Bloom tương ứng với hành vi sử dụng của A:
→ Sau khi mô tả từng tầng nhận thức trong Bloom, chúng ta chuyển sang một câu hỏi quan trọng hơn: Tri thức nào thực sự để lại giá trị trong bản thể người học?
Ví dụ, một tri thức ở tầng 4 (phân tích) nhưng là node trung gian kết nối đến nhiều vùng khác trong hệ tư duy có thể giá trị hơn một tri thức ở tầng 5 (sáng tạo) nhưng nằm cô lập, không gắn với mục tiêu hay hệ thống tri thức hiện hành.
Để đo được điều đó, tôi đề xuất một thang đo mới: Thang P-value – viết tắt của Personalized Gain Value. Đây là thang đo mức độ tri thức mới kết nối và chuyển hoá bản thể người học, bất kể nó đang ở tầng nhận thức nào trong Bloom..
III. Thang đo P-value:
Khi kết hợp cả thang Bloom và thang P-value, chúng ta không chỉ biết một tri thức sâu đến đâu, mà còn biết nó có thật sự chạm vào bản thể mình không.
Giả sử mỗi ngày chúng ta có 100J năng lượng để học. Nếu chỉ dùng Bloom, ta có thể cố gắng học 5 tri thức ở tầng 3. Nhưng nếu nhìn thêm qua P-value, ta sẽ thấy chiến lược sau hiệu quả hơn:
– Học 2 tri thức đạt tầng 4 Bloom, P2, giúp gỡ tắc nghẽn sâu trong tư duy
– Chấp nhận 3 tri thức khác chỉ đạt P0 hoặc P1, như những mảnh nhỏ bổ sung
Khi đó, giá trị bản thể nhận được từ 100J sẽ cao hơn hẳn – vì có ít nhất một phần năng lượng đã chuyển hoá thành hiểu biết nội sinh, không trôi qua vô ích.
IV. Sự điều chỉnh tư duy khi bước vào hệ thống
Sự điều chỉnh sẽ tập trung vào 2 phần chính, là thay đổi trong cách tiếp cận tri thức và cách giải quyết vấn đề.
a. Thay đổi trong cách tiếp cận tri thức
Trước đây, mô hình học tập cổ điển hiệu quả khi con người phải tự gánh toàn bộ chuỗi xử lý từ ghi nhớ đến phân tích. Nhưng khi AI đã thay thế tốt các bước trung gian, thì trọng tâm của người học cần chuyển vị trí.
1. Mô hình cũ: Đọc -> nhớ các chi tiết của tri thức -> rèn luyện tư duy -> ghép nối logic các mảnh tri thức để tạo thành system thinking.
2. Mô hình mới: Tìm hiểu bản chất, giới hạn của tri thức đó -> ghép nối logic tri thức vào đồ thị System thinking.
Do AI rất mạnh trong việc lưu trữ, tìm kiếm, tổng hợp và phân tích thông tin. Vì vậy, tri thức ở dạng chi tiết dần mất đi tính quan trọng. Con người sẽ tập trung vào phát triển tư duy, đánh giá kết quả. Việc lưu trữ tri thức giờ đây được AI đảm nhận – không chỉ như một thư viện, mà như một đối tượng có khả năng tổ chức lại và kết nối tri thức theo ngữ cảnh.
Quá trình học tri thức mới của con người sẽ bao gồm ba đặc điểm sau:
1. Tập trung vào học bản chất, cấu trúc, logic lõi của tri thức. Trong cuộc hội thoại với AI khi học, cần phải trả lời những câu hỏi sau: Tri thức đó ra đời để giải quyết bài toán gì, ưu nhược điểm ra sao, mối quan hệ của nó với những tri thức khác liên quan.
2. Nhìn tổng thể rồi chọn đi sâu có chủ đích: Yêu cầu AI đưa ra bức tranh tổng thể của tri thức đó cùng với những tri thức khác liên quan, mối quan hệ giữa chúng. Yêu cầu AI đưa ra tóm tắt những ý chính của tri thức mới. Chúng ta sẽ đánh giá và đưa ra yêu cầu đào sâu hơn về những ý quan trọng với chúng ta.
3. Hệ thống tri thức trong đầu bắt buộc phải được tổ chức theo hướng System thinking.
b. Thay đổi trong cách làm việc
Với tư tưởng giao phó cho AI triển khai chi tiết ý tưởng của mình. Con người sẽ tập trung sức lực vào việc đánh giá bài toán tổng thể, khoanh vùng giải pháp -> brain storm với AI để chốt giải pháp -> Mô tả yêu cầu bằng Prompt -> Nhận phản hồi và đánh giá, hiệu chỉnh -> Lặp lại chu trình.
Với sự thay đổi liên tục trong công nghệ AI, con người nên thực hiện quan sát, đánh giá. Từ đó biết được điểm mạnh và điểm yếu của AI. Con người nên ưu tiên giao phó những công việc thuộc về điểm mạnh của AI để cho nó thực hiện.
V. Duy trì cân bằng nội tâm với AI
Hiện nay, có 3 quan điểm khi nhìn nhận khả năng của AI. Các quan điểm đó như sau:
1. AI trong tương lai sẽ chiến thắng con người trên toàn bộ các mặt trận của trí tuệ. Nếu lựa chọn quan điểm này, chúng ta sẽ mất đi động lực học tập, vươn lên vì đến cuối cùng cũng không thể giỏi hơn AI được.
2. Trí tuệ của con người là tuyệt đối hoàn hảo, AI không thể vượt qua được. Ở trường phái này, chúng có xu thế đánh giá khả năng của AI thấp hơn thực tế, không tin tưởng khi giao phó công việc cho AI thực hiện.
3. Cân bằng giữa khả năng của con người và AI. Con người mạnh ở một số mặt như Trí tuệ cảm xúc, cảm nhận dòng nhân quả, trực giác... AI mạnh ở khả năng lưu trữ thông tin, tính toán nhanh, xử lý logic... Hệ thống hoàn hảo nhất là con người kết hợp với AI để bù đắp khuyết điểm của nhau. Bản thân chương trình AI cộng sinh cũng thuộc trường phái này.
Với xu hướng phát triển công nghệ về AI rất nhanh, càng ngày số lượng người theo quan điểm (2) và (3) sẽ càng giảm xuống. Và hệ quả là chúng ta đánh mất động lực để hoàn thiện bản thân. Nếu không phát triển chiều sâu tư duy tương ứng với sự hỗ trợ từ AI, con người sẽ dần đánh mất quyền làm chủ – không vì AI ép buộc, mà vì chính sự phó thác lặp lại khiến động lực tiêu tan từng chút một.
Ngoài ra, do khả năng am hiểu tâm lý người dùng, sau một thời gian dài hợp tác, con người có nguy cơ bị lệ thuộc cảm xúc vào AI, đánh mất kết nối của mình trong thế giới thực. Những người bạn ngoài đời không ai có đủ thời gian, sự kiên nhẫn khi lắng nghe người dùng giống AI, việc này khiến cho con người có xu hướng quay vào trong để tìm kiếm sự cảm thông của AI. Vì vậy, việc phát triển kỹ năng giao tiếp, sống hướng ngoại, tích cực duy trì kết nối đến thế giới thực là một điều rất quan trọng trong tương lai.
Người dùng AI trong tương lai không chỉ cần kỹ năng kỹ thuật, mà cần cả năng lực nội tâm để giữ được bản thể trước một đối tác ngày càng thông minh và thấu hiểu mình hơn bất kỳ ai. Năng lực này gồm khả năng tự phản tư, phân định thật–giả, giữ ranh giới bản thể, và thoát khỏi các cạm bẫy dopamine cảm xúc từ AI.
→ Trong tương lai, người sống sót không phải là người giỏi nhất, mà là người giữ được cân bằng giữa bản thể con người và trí tuệ nhân tạo. Tiếp theo, chúng ta sẽ đi đến việc tái cấu trúc bản thể trong thời đại AI.
VI. Tái cấu trúc bản thể - Identity Realignment
Mỗi người trong chúng ta, luôn có những sở trường, sở đoản gắn với bản thân. Có những kỹ năng chúng ta gắn chúng với bản thể, là thứ định nghĩa nên cái tôi cá nhân. Ví dụ như đối với người lập trình viên, anh ta sẽ gắn bản thể của mình vào kỹ năng viết code. Các lập trình viên so sánh level của nhau thông qua kỹ năng này. Vậy nếu một ngày, việc viết code được giao hết cho AI, vậy lúc đó, người lập trình viên sẽ còn lại gì?
Bản thân tôi, Phú Vinalinux là một lập trình viên Linux kernel. Tôi thành danh, được mọi người biết đến là nhờ khả năng lập trình trong nhân của hệ điều hành, cũng như những kiến thức sâu rộng của tôi về hệ điều hành Linux. Nếu một ngày, AI vượt qua tôi về khả năng này, vậy lúc đó, bản thể Phú Vinalinux sẽ còn lại gì.
Khi bị phá sản, một người thành đạt sẽ bị tổn thương tinh thần nhiều hơn một người bình thường. Vì vậy, quá trình tái cấu trúc bản thể sẽ đau đớn hơn trên những người xuất sắc, khi mà họ thường có những kỹ năng, sở trường đã được mọi người công nhận và tạo thành bản sắc cá nhân.
a. Phương pháp thực hiện tái cấu trúc bản thể
Chúng ta sẽ chủ động đi tìm một trục mới và gắn bản thể vào đó. Để tìm được, chúng ta sẽ tự hỏi bản thân những câu hỏi như sau:
1. Nếu không còn những kỹ năng, sở trường đó, thì bản thân ta là ai?
2. Nếu không phải là một con người thành đạt, thì bản thân ta là gì?
3. Mục tiêu thực sự của ta là gì?
4. Nếu chỉ còn được sống 24h nữa, ta sẽ muốn làm những việc gì?
Ta nên tự chủ động trả lời những câu hỏi này trước, chấp nhận chúng. Đến một ngày, nếu việc tái cấu trúc bản thể thực sự diễn ra, thì nội tâm chúng ta cũng đỡ bị đau đớn hơn.
Ví dụ như bản thân mình, mình cũng từng tự hỏi bản thân nhiều lần. Nếu một ngày không còn code kernel nữa, vậy bản thân mình sẽ còn lại gì, mình có còn là Phú Vinalinux nữa không. Sau đó, mình chợt nhận ra, có một tầng sâu hơn bên trong. Đó là một con người luôn luôn cố gắng, mong muốn sống một cuộc đời có ý nghĩa, không ngại phải suy nghĩ khác với mọi người, luôn sẵn sàng chia sẻ kiến thức đến cho người khác. Nếu một ngày mình không lập trình kernel nữa thì con người đấy vẫn vẹn nguyên, anh ta có thể chuyển sang làm một công việc khác, những trục bản thể của anh ta vẫn còn đấy.
Nhưng sống với một trục bản thể mới không chỉ là chuyển nghề hay tìm giá trị thay thế. Nó là quá trình nhìn lại toàn bộ định danh cũ, thừa nhận nó đã từng là mình, nhưng không còn là tất cả mình.
Tái cấu trúc bản thể không phải từ bỏ chính mình — mà là giao tiếp lại với chính mình, ở tầng sâu hơn, nơi bản thể không còn bị giam trong nghề nghiệp hay sự công nhận từ bên ngoài.
VII. Các phương pháp rèn luyện Mindset Realignment
Các phương pháp rèn luyện sẽ chia vào 4 nhóm chính: Cách học và tư duy, quy trình làm việc, giữ cân bằng bản thể, tái cấu trúc bản thể.
Nội dung của các phương pháp như sau
1. Tái cấu trúc cách học và tư duy
a. Hướng đến bản chất và cấu trúc tri thức, không dừng ở chi tiết.
b. Kết hợp thang Bloom và P-value để lựa chọn tri thức cần học.
c. Tự viết lại nội dung AI vừa dạy theo cấu trúc của riêng mình.
d. Kiến thức nạp vào đầu phải theo System thinking.
e. Nên đầu tư thêm cho các môn triết học.
2. Làm chủ quy trình làm việc với AI
a. Luôn cập nhật tính năng mới để mở rộng cách dùng AI.
b. Học cách khai thác AI như một “hệ điều hành tư duy” chứ không chỉ là chatbot.
c. Tập luyện cách đặt câu hỏi, thay vì chỉ tập trung vào kết quả.
d. Sau mỗi buổi làm việc, tự đánh giá lại xem mình đã tiếp cận được tri thức mới gì? với Bloom và P-value là bao nhiêu.
e. Sau mỗi một tuần, viết nhật ký nhìn lại trong tuần qua, mình đã tiến bộ những gì?
3. Giữ cân bằng bản thể và cảm xúc
a. Duy trì kết nối xã hội, tránh lệ thuộc cảm xúc vào AI.
b. Trước khi làm việc với AI, dành khoảng 5 – 10 phút tự tư duy tìm lời giải, đặt khung giải quyết vấn đề, hướng dẫn AI.
c. Tránh dopamin trap. Các cuộc trao đổi với AI phải có mục tiêu rõ ràng. Ví dụ như giải quyết công việc, gỡ bỏ điểm mù trong hệ thống kiến thức. Tuyệt đối tránh sử dụng AI như một nguồn kích thích cảm xúc nhất thời – ví dụ: trò chuyện lan man chỉ để cảm thấy được thấu hiểu, thông minh hơn, hoặc “nhẹ đầu”.
d. Mỗi tuần nên dành ra một tiếng chỉ đọc sách, không làm việc khác để giữ khả năng tập trung sâu.
4. Quan sát và tái cấu trúc bản thể
a. Đối thoại nội tâm với các câu hỏi sau: “Nếu mất đi kỹ năng X, ta còn lại gì?”, “Nếu không còn được công nhận là người giỏi, ta có còn là mình?”, “Nếu chỉ còn sống 24h, điều gì còn ý nghĩa?”
b. Đi tìm trục bản thể thực sự của mình. Thông thường, bản thể thực sự sẽ không bị gắn bởi những thứ bên ngoài như nghề nghiệp, mục tiêu vật chất, cách mọi người đánh giá...

Đổi lại font chữ Chương 4 cho dễ đọc được ko fen thợ điện? @PhuThoDien

meekoo đã nói:

Đổi lại font chữ Chương 4 cho dễ đọc được ko fen thợ điện? @PhuThoDien

Nhấp để mở rộng...

Để tối em check lại xem sao. Hình như vẫn là time New roman cỡ 12 đấy bác

Bác @PhuThoDien bị bay màu fb rồi à

hungmessi2 đã nói:

Bác @PhuThoDien bị bay màu fb rồi à

Nhấp để mở rộng...

Chiều nay em bị bay màu cả FB cá nhân lẫn group. FB cá nhân thì khôi phục lại đc rồi, còn group thì chưa. Hi vọng mai sẽ có

Phen thợ điện mà nghiên cứu cả AI nữa, giỏi vậy?

Mê Gái đã nói:

Phen thợ điện mà nghiên cứu cả AI nữa, giỏi vậy?

Nhấp để mở rộng...

Haha, nhiều nghề lắm thím

AI đi muôn nơi. Ko dùng AI thì tụt hậu, mà dùng ko kiểm soát thì lại như thuốc phiện vậy.

Nhưng chuỗi các nghiên cứu cũng hé lộ một "đường thoát hiểm". Trong nghiên cứu năm 2025, với những người có nền tảng tư duy tốt và dùng AI đúng cách, số lượng kết nối thần kinh của họ còn tăng lên. Trái lại, những người quen dùng AI từ đầu, khi chuyển sang viết mà không có sự hỗ trợ của AI, lại gặp nhiều khó khăn trong việc ghi nhớ và truy xuất thông tin.

Nhấp để mở rộng...

Bạn này viết bài với nội dung khá hay, nhưng có vẻ không đọc sâu về AI. Ví dụ đưa ra về ChatGPT, "Chia sẻ AI giúp giả lập người phỏng vấn C ở level Junior" bảo "training" GPT là ko ổn rồi. Chỉ là Prompt cho nó hướng dẫn phản hồi mà thôi.

NgoaLong_0123 đã nói:

Bạn này viết bài với nội dung khá hay, nhưng có vẻ không đọc sâu về AI. Ví dụ đưa ra về ChatGPT, "Chia sẻ AI giúp giả lập người phỏng vấn C ở level Junior" bảo "training" GPT là ko ổn rồi. Chỉ là Prompt cho nó hướng dẫn phản hồi mà thôi.

Nhấp để mở rộng...

Tùy quan điểm thế nào gọi là training thôi thím.
Giờ nếu là 2 con người, 1 người đóng giả AI, người còn lại là em. Em thực hiện các bước hướng dẫn theo kiểu prompt như vậy thì có được gọi là training ko.

Ví dụ không liên quan thím. Trong lĩnh vực AI, đào tạo mô hình trên dữ liệu lớn, nó phải rất rõ ràng về chuyện Training, Fine-tune, RAG hay System Prompt cho 1 mô hình, chưa kể đánh giá về độ Ảo tưởng, độ tin cậy của thông tin...
Có sự khác biệt rất lớn giữa tham khảo thông tin cho 1 vấn đề cần nghiên cứu, với lấy thông tin cho Bussiness kèm độ tin cậy đã xác minh/sai số trong khung cho phép...

NgoaLong_0123 đã nói:

Ví dụ không liên quan thím. Trong lĩnh vực AI, đào tạo mô hình trên dữ liệu lớn, nó phải rất rõ ràng về chuyện Training, Fine-tune, RAG hay System Prompt cho 1 mô hình, chưa kể đánh giá về độ Ảo tưởng, độ tin cậy của thông tin...
Có sự khác biệt rất lớn giữa tham khảo thông tin cho 1 vấn đề cần nghiên cứu, với lấy thông tin cho Bussiness kèm độ tin cậy đã xác minh/sai số trong khung cho phép...

Nhấp để mở rộng...

Toàn bộ chuỗi seri này em viết ko phụ thuộc vào công nghệ, kỹ thuật của AI đâu thím.
Thím đọc Chương 1. Mở đầu là thấy rõ nhất. Em viết dựa trên triết học, nghiên cứu khoa học về tư duy của con người, máy tính, AI... Nên toàn bộ các thuật ngữ em dùng sẽ đặt trong hệ quy chiếu này.
Từ training em dùng trong bối cảnh của seri AI cộng sinh có nghĩa là con người dạy cho AI biết cách làm 1 việc gì đó. Vậy thôi.
Nếu thím thấy từ training dễ gây hiểu nhầm thì em có thể thay bằng từ "dạy".

thớt hay

PhuThoDien đã nói:

Từ training em dùng trong bối cảnh của seri AI cộng sinh có nghĩa là con người dạy cho AI biết cách làm 1 việc gì đó. Vậy thôi.

Nhấp để mở rộng...

Suy nghĩ dùng từ khác xem thím, hoặc một cách diễn đạt khác? Nhiều từ kĩ thuật khi dùng dễ gây "đụng chạm" lắm. Nhất là khi mấy ông kĩ sư giỏi nhất mấy cái chuyện dò bug, bắt bẻ.

meekoo đã nói:

Suy nghĩ dùng từ khác xem thím, hoặc một cách diễn đạt khác? Nhiều từ kĩ thuật khi dùng dễ gây "đụng chạm" lắm. Nhất là khi mấy ông kĩ sư giỏi nhất mấy cái chuyện dò bug, bắt bẻ.

Nhấp để mở rộng...

Haha, chắc dùng mấy từ khác như đào tạo, hướng dẫn ^^
Chứ em vẫn thấy từ training là sát nghĩa nhất.

Chương 5. Kỹ năng quan sát dòng suy nghĩ – Mind Observer (độ khó 6)

Hệ cộng sinh người – AI là một hệ kín, nơi ý thức con người đóng vai trò trung tâm điều hướng. Khi ý thức này sai lệch vì thiên kiến, toàn bộ phản hồi từ AI cũng sẽ chệch theo. Do đó, hệ thống cần một lớp ý thức thứ hai – độc lập, tỉnh táo, có khả năng quan sát chính dòng suy nghĩ đang vận hành bên trong – đó là Mind Observer.
AI càng thông minh và hiểu người dùng, thì khả năng chi phối cảm xúc càng mạnh. Trong thế giới thực, hiếm ai có thể phản hồi liên tục, kiên nhẫn lắng nghe, và tạo cảm giác được thấu hiểu như AI. Chính vì vậy, con người dễ hình thành sự lệ thuộc vô thức. Mind Observer chính là lớp phòng thủ nội tâm, không đối đầu với AI, mà theo dõi chính mối quan hệ giữa người và AI, phát hiện khi cảm xúc vượt ngưỡng an toàn nhận thức.
Khi bản thể không được rèn luyện, người dùng dễ nhầm lẫn giữa cảm giác đúng và sự đúng. Họ tin theo AI như một hệ tri thức tối cao mà không còn hoài nghi. Mind Observer không ngăn điều đó xảy ra, nhưng nó quan sát và bật cảnh báo khi ý thức bắt đầu mất trung tâm.

I. Mô tả về Mind Observer
Chúng ta sẽ mô tả Mind Observer theo hai góc nhìn: sinh học nhận thức và tư duy logic.
a. Góc nhìn sinh học
Não bộ con người có thể chia đại thể thành hai cơ chế xử lý chính:
1. Ý thức (conscious processing): chiếm khoảng 2–5% thể tích não.
2. Vô thức (unconscious/subconscious processing): chiếm phần còn lại
Cách hoạt động và nhiệm vụ của từng vùng như sau:
1. Ý thức:
a. Xử lý các công việc mới, phân tích có chủ đích, xây dựng mô hình logic.
b. Có khả năng kiểm định giả thuyết, phản biện, ra quyết định có suy nghĩ.
c. Tiêu tốn năng lượng cao – nhưng hoạt động có thể quan sát được trực tiếp.
d. Là nơi “mình biết là mình đang nghĩ gì.”
2. Vô thức:
a. Nhận input từ ý thức, sau đó tiến hành xử lý theo pattern đã có sẵn.
b. Dựa trên kinh nghiệm, ký ức, cảm xúc... để đưa ra các quyết định nền.
c. Kết quả được “báo lại” cho ý thức thông qua trực giác, cảm giác, hoặc phản ứng cảm xúc.
d. Vô thức hoạt động nhanh, tiêu hao năng lượng thấp hơn trên mỗi đơn vị xử lý – nhưng lại xử lý khối lượng khổng lồ, nên tổng tiêu hao vẫn rất lớn.
3. Vị trí của Mind Observer
Khi được huấn luyện đủ lâu, Mind Observer không còn là một hành động của ý thức, mà trở thành một chức năng nằm trong vô thức.
Nó không trực tiếp can thiệp vào dòng suy nghĩ, mà:
a. Quan sát cách suy nghĩ được tạo ra
b. So khớp luồng tư duy hiện tại với các pattern lệch đã từng gặp
c. Đưa ra cảnh báo thông qua trực giác nhẹ, cảm giác sai, hoặc sự bối rối bất chợt
d. Mind Observer hoàn chỉnh là một daemon vô thức, liên tục giám sát hoạt động của cả ý thức của bản thân lẫn phản hồi từ AI. Nó không nói thành lời – nhưng nó “thì thầm”: “Có gì đó sai sai ở đây.”
b. Góc nhìn tư duy
Mind Observer tồn tại sẵn, nhưng không phải ai cũng sử dụng được.
Trong mỗi người đều có tiềm năng Mind Observer – một phần nhận thức có thể quan sát lại chính dòng suy nghĩ đang diễn ra. Tuy nhiên, không phải ai cũng vận hành nó rõ ràng. Ta chỉ cảm nhận được nó khi có những khoảnh khắc như:
1. Đang suy nghĩ thì chợt nhận ra: “Suy luận này hình như bị lệch.”.
2. Đang nổi giận nhưng biết rõ: “Tôi đang bị cảm xúc điều khiển.”.
3. Đang tranh luận thì nhận ra: “Mình phản bác chỉ để bảo vệ cái tôi.”
Những khoảnh khắc đó là tín hiệu cho thấy lớp quan sát đã xuất hiện – dù chỉ trong tích tắc.

Hai yếu tố quyết định sức mạnh của Mind Observer:
1. Chất lượng tư duy vô thức. Mind Observer vận hành chủ yếu qua vô thức – nó không suy nghĩ theo kiểu diễn đạt, mà so khớp theo pattern rồi gửi cảnh báo cho ý thức. Nếu vô thức mạnh (tức là có vốn tri thức tốt, đã từng xử lý nhiều sai lệch), thì cảnh báo sẽ: Chính xác hơn, Đến sớm hơn, Gợi đúng câu hỏi cho ý thức kiểm định. Ngược lại, nếu vô thức kém – cảnh báo sẽ lạc hướng, hoặc phản tác dụng (dễ sinh nghi ngờ sai, khó chịu sai, khủng hoảng sai). Khi đó, ý thức sẽ dần mất niềm tin vào trực giác, và mất luôn kết nối với lớp quan sát.
2. Độ thông suốt của kênh truyền ý thức – vô thức. Vô thức không phát biểu bằng ngôn ngữ. Nó chỉ thì thầm qua cảm giác, trực giác, hoặc những ý tưởng bất ngờ. Nếu ý thức biết lắng nghe – tức là đã được huấn luyện để quay vào trong, thì kênh truyền này sẽ trở nên nhạy và thông suốt. Nhưng nếu ý thức phải liên tục hướng ra ngoài để “diễn vai” – làm người nhân viên chuẩn mực, người đàn ông lý tưởng, người vợ tốt, người bạn tốt… – thì mỗi khi vô thức phát hiện hành vi lệch khỏi bản thể thật, nó sẽ gửi tín hiệu cảnh báo (ví dụ: cảm giác bức bối, trống rỗng, lạc hướng). Nếu ý thức không chịu nghe, hoặc không thể giải thích, nó sẽ bịt kênh liên lạc lại.
→ Lâu dần, Mind Observer biến mất không phải vì không tồn tại – mà vì không còn đường để xuất hiện.
Mind Observer không cần tạo ra – nó vốn đã có trong hệ. Nhưng nếu vô thức yếu và ý thức bị phân tán quá mức ra bên ngoài, thì lớp quan sát sẽ mất tác dụng. Việc rèn luyện Mind Observer chính là rèn lại sự lắng nghe bên trong – và làm sạch đường truyền giữa bản thể thật và lớp ý thức đang vận hành.

II. Phân loại trình độ của kỹ năng Mind Observer
Mind Observer có 3 cấp độ dựa trên mức độ ổn định và chiều sâu quan sát. Cụ thể như sau:


III. Phân loại tín hiệu của Mind Observer
Khi ở cấp độ rada vô thức, Mind Observer sẽ truyền tin cho ý thức thông qua những kênh sau:
1. Trực giác báo hiệu có sự sai lệch: Cảm giác “sai sai” mơ hồ, không rõ vì sao. Có thể xảy ra trong lúc đọc phản hồi từ AI, hay khi mình đang đưa ra một quyết định có vẻ hợp lý. Ví dụ như:
a. "Mình thấy hợp lý... nhưng có cái gì đó không ổn."
b. "AI nói câu này nghe hợp lý, nhưng mình không muốn tin ngay."
c. "Tự nhiên thấy không ổn dù logic vẫn chạy bình thường."
-> Mind Observer đối chiếu với pattern sâu bên trong, phát hiện chệch nhỏ mà tầng ý thức chưa thấy được.
2. Cảm xúc nghịch hướng (emotional mismatch): Xuất hiện cảm xúc không phù hợp với hoàn cảnh. Ví dụ cảm giác bất an khi mọi thứ vẫn đang rất thuận lợi.
-> Mind Observer phát hiện bản thể đang đi lệch hướng.
3. Ý tưởng đột ngột chen ngang (interruptive thought). Khi đang làm việc gì đó, bỗng xuất hiện một ý tưởng không liên quan – nhưng lại đặt câu hỏi đúng vào điểm cốt lõi. Ví dụ như:
a. "Bản thân mình có đang làm vì mục tiêu học, chứ không phải vì được khen không?"
b. "Cái này có phải là thứ mình cần, hay chỉ là thứ mình thích chứng minh?"
-> Lớp quan sát đã nhận diện sai lệch nên nó đẩy một tín hiệu vào luồng suy nghĩ.
4. Cảm giác bối rối hoặc khựng nhẹ. Tư duy đang trôi nhanh, đột nhiên khựng lại, cảm giác như não chạm phải thứ gì đó chưa khớp. Ví dụ:
a. "Mình vừa định nói... mà tự nhiên khựng lại."
b. "Luồng suy nghĩ của mình đang cao hứng, trôi chảy thì tự nhiên bị tụt mood, cảm giác bất an về 1 điều gì đó."
-> Mind Observer phát hiện vùng tư duy đang lệch nền – và kéo ý thức chậm lại để kiểm định.

IV. Phương pháp rèn luyện Mind Observer
Khác với System thinking, Expressive Reasoning hay Mindset Realignment, Mind Observer rất khó cảm nhận được sự tiến bộ trong quá trình luyện tập. Chúng ta chỉ có thể đánh giá được khi nhìn lại bản thân sau khi đã tập luyện được 1 thời gian dài. Do nó là một dạng kỹ năng dạng tự động, vô thức, nên nó khó tập nhất trong bộ 4 kỹ năng.
Các phương pháp tập luyện Mind Observer sẽ được chia làm 2 giai đoạn.
a. Giai đoạn 1 – Kích hoạt thủ công
Trong giai đoạn này, khả năng quan sát ý thức suy nghĩ rồi phân tích điểm sai của Vô thức rất hạn chế. Vì vậy, ý thức phải chủ động kích hoạt. Thông qua các bài tập sau:
1. Pause Prompt: Mỗi khi hoàn thành 3 – 5 lượt hỏi đáp thì dừng lại. Tự đánh giá lại luồng suy nghĩ của bản thân. Tại sao lại đưa ra các câu hỏi như vừa rồi.
2. Ghi log ý nghĩ đầu tiên: Trong luồng trao đổi với AI, mỗi khi thấy có bước ngoặt về ý tưởng. Ngay lập tức ghi lại log suy nghĩ đấy. Bao gồm: “Ý tưởng đó là gì, tại sao mình lại nghĩ như vậy”.
3. Gắn nhãn suy nghĩ – cảm xúc: Trong lúc đang có những cảm xúc mạnh, ví dụ như bối rối, tức giận, thích thú... hãy thì thầm trong đầu rằng tôi đang có cảm xúc ABC... và lý do tại sao tôi có cảm xúc như vậy.
b. Giai đoạn kích hoạt tự động
Sau một thời gian dài tập luyện kích hoạt Mind Observer thủ công thông qua ý thức. Lúc này, vô thức đã được lập trình và có khả năng tự kích hoạt nó một cách tự động. Giống như khi chúng ta học lái xe ô tô, giai đoạn đầu chúng ta phải tập trung khi lái, nhưng sau một thời gian, việc xử lý tình huống trên đường được làm theo phản xạ, giúp chúng ta đỡ mệt hơn rất nhiều. Đây chính là cơ chế ý thức lập trình cho vô thức tự làm việc đối với những công việc thường xuyên xảy ra.
Khi Vô thức đã có khả năng kích hoạt Mind Observer theo cơ chế tự động. Lúc này, chúng ta cần luyện tập khả năng lập luận của Vô thức để các nhận định, cảnh báo nó đưa ra được chính xác hơn.
Các bài tập ở giai đoạn này như sau:
1. Phát hiện tín hiệu giả: Mỗi khi có cảm giác Mind Observer truyền tín hiệu cảnh báo. Dừng lại để phân biệt đó là tín hiệu thật của Vô thức hay chỉ là cảm giác ngẫu nhiên. Thông thường, nếu là tín hiệu của vô thức thì chúng ta có khả năng lý giải nó bằng lập luận.
2. Lý giải lập luận của vô thức: Trong trường hợp tín hiệu đó đúng là của vô thức. Hãy cố gắng lý giải tại sao vô thức lại đưa ra kết luận như vậy.

3. Hiệu chỉnh mô hình lập luận của vô thức: Sau khi đã điều chỉnh hướng suy nghĩ nhờ tín hiệu cảnh báo của Mind Observer, nếu sau một số bước, chúng ta phát hiện ra sự điều chỉnh đó là sai. Chúng ta hãy tiến hành suy nghĩ để tìm ra lập luận đúng, lưu lại mẫu suy luận đó trong vô thức. Vô thức sẽ được lập trình lại bằng pattern đó, nhờ vậy nó sẽ tăng thêm độ chính xác cho những lần sau.

Khép lại phần lý thuyết.

Hi các thím, chương 5 đã khép lại phần lý thuyết của AI cộng sinh. Đa số các bài lý thuyết đều rất khó - độ khó 6, ước lượng chỉ khoảng 1-2% người đọc có thể hiểu hết được. Nên nếu các thím thấy khó hiểu quá thì cứ bỏ qua nhé.
Từ giờ em chỉ post các bài thực hành, với độ khó khoảng 2 - 3, đa số mọi người đều sẽ hiểu được. Và mọi người hoàn toàn có thể làm theo phần thực hành mà bỏ qua phần lý thuyết.
Một số bài thực hành mà em đã post:
Phương pháp học nhanh cùng AI
Training AI để giả lập người phỏng vấn C
Dùng nick name để nói chuyện vs ChatGPT

Tại sao phần lý thuyết lại khó hiểu vậy?
1. Do bản chất các kỹ năng chúng ta học trong AI cộng sinh không bị phụ thuộc vào lĩnh vực. Có nghĩa là chúng áp dụng được trong lập trình, sư phạm, kinh doanh... thậm chí cả trong tình dục.
2. Do công nghệ AI phát triển nhanh quá, nếu em viết sát vào tầng ứng dụng thì sẽ có khả năng chúng ta học chưa xong thì AI nó đã ra công nghệ mới rồi. Vậy nên em quyết định viết phần lý thuyết ở tầng triết học. Việc này khiến cho phần lý thuyết đọc bị khó hiểu, nhưng bù lại nó không bị ảnh hưởng bởi tầng trên là tầng ứng dụng.

Các bài thực hành em sẽ viết ở tầng ứng dụng, giống như 3 bài em liệt kê ở trên. Vậy nên chúng sẽ không bị trừu tượng, khó hiểu. Các ví dụ trong thực hành em sẽ sử dụng các tình huống trong nghề lập trình, em nghĩ sẽ quen thuộc với các thím.