Trong thời đại trí tuệ nhân tạo, các chuyên gia dễ bị tổn thương. Còn những người đa năng lại khó bị tiêu diệt nhất.
Tác giả và nguồn bài viết: J0hn, AGL Hunt
Ai sẽ là người đầu tiên bị trí tuệ nhân tạo giết chết?
Các lập trình viên đã tranh luận về vấn đề này gần hai năm nay mà vẫn chưa có kết luận. Đánh giá của tôi là...
01 Nên giết ai trước
Có lẽ những người bạn trong cộng đồng phát triển giao diện người dùng đã chấp nhận số phận của mình.
Bắt đầu từ GPT-4, giao diện người dùng sẽ bị "loại bỏ" mỗi khi một mô hình mới được phát hành.
v0 bị tiêu diệt một lần, Cursor bị tiêu diệt một lần, Claude Artifacts bị tiêu diệt một lần. Năm nay, GPT 5.5, Claude Opus 4.7 và Gemini 3.0 đều được phát hành liên tiếp, và khả năng của Coding Agent đã đạt đến một cấp độ mới... Giao diện người dùng đã bị tiêu diệt vô số lần.
Nhưng các nhà phát triển giao diện người dùng không sụp đổ lo lắng, bởi vì họ đã phát hiện ra một điều: với trí tuệ nhân tạo, việc viết mã phía máy chủ không còn là vấn đề nữa.
Vậy ai sẽ chết trước? Từ góc nhìn của lập trình viên giao diện người dùng, câu trả lời là những lập trình viên phía máy chủ, những người viết các thao tác CRUD mỗi ngày: AI có thể viết các thao tác CRUD ngay cả khi nhắm mắt!
Nhìn xa hơn, ngay cả những kỹ sư từng được đánh giá là cực kỳ đắt đỏ về mặt thuật toán và tham số giờ đây cũng không còn an toàn nữa.
Các công cụ để tự động điều chỉnh tham số và tự động huấn luyện đang ngày càng hoàn thiện. Jack Clark , đồng sáng lập Anthropic, thậm chí đã đăng một bài viết dài cách đây vài ngày, khẳng định rằng đến cuối năm 2028, xác suất đạt được nghiên cứu và phát triển AI tự động hoàn toàn sẽ vượt quá 60%. OpenAI cũng đã thông báo sẽ ra mắt chương trình "Thực tập sinh nghiên cứu AI tự động" vào tháng 9 năm nay.
Ngay cả những người tạo ra trí tuệ nhân tạo cũng sắp bị chính trí tuệ nhân tạo thay thế.
Vậy câu hỏi đặt ra là: Có một "thứ tự tử vong" nhất định hay không?
02 Bài phát biểu của Andrew Ng
Vì vậy, Andrew Ng đã đích thân bước vào.
Andrew Ng là người đồng sáng lập Coursera, giáo sư thỉnh giảng tại Đại học Stanford, và từng giữ chức vụ nhà khoa học trưởng tại Baidu và người đứng đầu Google Brain.
Tạp chí Batch
Trong lĩnh vực giáo dục và kỹ thuật trí tuệ nhân tạo, ông được xem là một trong những tiếng nói có tầm ảnh hưởng nhất.
Trong số mới nhất của bản tin "The Batch", ông đã đưa ra một phương pháp rõ ràng để đẩy nhanh sắp xếp:
Giao diện người dùng > Hệ thống máy chủ > Cơ sở hạ tầng > Nghiên cứu khoa học.
Từ trái sang phải, hiệu ứng tăng tốc của trí tuệ nhân tạo giảm dần theo trình tự.
03 Ưu tiên giao diện người dùng trước
Andrew Ng cho rằng rằng quá trình phát triển giao diện người dùng (front-end) đã được đẩy nhanh nhất.
Trợ lý lập trình AI đã rất quen thuộc với TypeScript, JavaScript và các framework như React và Angular.
Dữ liệu huấn luyện chứa rất nhiều đoạn mã kiểu này nên rất khó để viết sai...
Quan trọng hơn, tác nhân hiện tại có thể tự mở trình duyệt, xem trang mà nó đã viết trông như thế nào, rồi sau đó lặp lại và cải thiện nó. Khả năng "vòng lặp khép kín" này đã biến đổi quá trình phát triển giao diện người dùng AI từ "viết và cầu nguyện" thành "viết và tự kiểm tra".
Ông ấy cũng đề cập rằng các chương trình LLM vẫn còn yếu về thiết kế hình ảnh. Nhưng nếu các bản thiết kế nháp đã có sẵn, hoặc nếu người ta không quan tâm đến độ hoàn thiện của thiết kế...
Tốc độ đạt được thành quả đó thực sự đáng kinh ngạc.
04 Phần xử lý phía máy chủ hơi chậm.
Tuy nhiên, phần xử lý phía máy chủ lại không dễ dàng như vậy.
Những lời ban đầu của Andrew Ng là:
"Cần có sự can thiệp nhiều hơn của con người để hướng dẫn mô hình xem xét các tình huống giới hạn có thể dẫn đến các lỗi nhỏ hoặc lỗ hổng bảo mật."
Hơn nữa, tác động của các lỗi ở phần máy chủ thường khó phát hiện. Một lỗi cơ sở dữ liệu thỉnh thoảng xảy ra khó phát hiện hơn nhiều so với lỗi sập trang. Mặc dù AI có thể hỗ trợ việc di chuyển cơ sở dữ liệu, nhưng việc mất dữ liệu vẫn có thể xảy ra nếu không được xử lý cẩn thận.
Ông ấy nói thêm một câu:
"Hệ thống máy chủ được thiết kế và triển khai bởi các nhà phát triển giàu kinh nghiệm vẫn vượt trội hơn hẳn so với hệ thống của những người mới vào nghề trong lĩnh vực trí tuệ nhân tạo."
Đây là một cú sốc đối với các nhà phát triển giao diện người dùng (front-end). Trong lĩnh vực lập trình phía máy chủ (back-end), trí tuệ nhân tạo (AI) không thể thu hẹp khoảng cách kinh nghiệm. Nếu bạn là người mới bắt đầu, ngay cả với sự trợ giúp của AI, bạn vẫn không thể viết mã ở trình độ của một lập trình viên kỳ cựu.
Những ông chủ nào không hiểu về công nghệ, các ông nên học hỏi từ điều này... Đừng để bị tẩy não bởi truyền thông tự thân (xin đừng bao gồm tôi).
05 Cơ sở hạ tầng
Khi nói đến lớp cơ sở hạ tầng, trí tuệ nhân tạo thậm chí còn tỏ ra thiếu sót hơn nữa.
Ví dụ, mở rộng một trang web thương mại điện tử để hỗ trợ 10.000 người dùng hoạt động đồng thời duy trì độ khả dụng 99,99% đòi hỏi lượng lớn sự đánh nhiệm vụ kỹ thuật phức tạp, và kiến thức của LLM trong lĩnh vực này vẫn còn khá hạn chế.
Andrew Ng đã đề cập trong bài báo:
"Tôi hiếm khi tin tưởng trí tuệ nhân tạo trong việc đưa ra các quyết định quan trọng về cơ sở hạ tầng."
Việc tìm lỗi trong cơ sở hạ tầng thậm chí còn là một cơn ác mộng lớn hơn. Một lỗi cấu hình mạng nhỏ cũng có thể đòi hỏi kinh nghiệm kỹ thuật sâu rộng để xác định chính xác. Cho dù trí tuệ nhân tạo có thể viết mã nhanh đến đâu, nó cũng không thể giúp ích nhiều trong những trường hợp như vậy.
Các sếp ơi, xin lưu ý điều này!
06. Nghiên cứu khoa học chậm nhất
Cuối cùng, có nghiên cứu khoa học, cũng là lĩnh vực mà khả năng tăng tốc của AI còn yếu nhất.
Điều đó sụp đổ khó hiểu. Cốt lõi của nghiên cứu khoa học là gì? Đó là việc đưa ra những ý tưởng mới, đề xuất giả thuyết, tiến hành thí nghiệm, quan sát kết quả, điều chỉnh giả thuyết và bắt đầu lại... và cứ thế tiếp diễn.
Phần mà AI có thể đẩy nhanh chủ yếu là "viết mã thử nghiệm". Bản thân Andrew Ng cũng sử dụng các tác nhân để quản lý và theo dõi các thí nghiệm, cho phép một nhà nghiên cứu thực hiện nhiều dự án cùng một lúc.
Tuy nhiên, lượng lớn công việc trong nghiên cứu khoa học hoàn toàn không liên quan gì đến việc viết mã lập trình.
"Các chất tác nhân hiện nay chỉ có thể được mô tả là hữu ích một cách hạn chế đối với nghiên cứu khoa học."
Andrew Ng cũng thừa nhận rằng cách phân loại bốn cấp này là một mô hình cực kỳ đơn giản. Tuy nhiên, mô hình tư duy đơn giản này thực sự rất hữu ích đối với anh ấy trong việc quản lý đội ngũ.
"Hiện tại tôi yêu cầu tốc độ giao hàng từ đội ngũ phát triển giao diện người dùng nhanh hơn nhiều so với một năm trước. Nhưng kỳ vọng của tôi đối với đội ngũ nghiên cứu thì không thay đổi nhiều."
Ngoài 7 loại công việc đã nêu,
Andrew Ng đã cung cấp một thang đo gia tốc được sắp xếp theo chức năng, trực quan, dễ nhớ và dễ sử dụng.
Tuy nhiên, theo tôi, nếu chỉ nhìn vào khía cạnh "chức năng", chúng ta có thể bỏ sót một số yếu tố quan trọng hơn.
Điều mà trí tuệ nhân tạo thực sự đang loại bỏ là một loại "đặc điểm công việc".
Các công việc cấp thấp là những công việc nguy hiểm nhất.
Dù là phát triển giao diện người dùng (front-end) hay phía máy chủ (back-end), miễn là công việc của bạn liên quan đến việc "tuân theo mẫu" và "tuân theo thông số kỹ thuật", AI đều có thể làm được, và nhanh hơn bạn. Chính Andrew Ng đã nói rằng các nhà phát triển back-end giàu kinh nghiệm vượt trội hơn hẳn so với những người mới vào nghề khi sử dụng AI. Ngược lại, giá trị của những người mới vào nghề đang ngày càng bị thu hẹp.
Ngay cả những công việc không đòi hỏi sự hợp tác với người khác cũng có thể nguy hiểm.
Lập trình là sự tương tác giữa người và máy tính, nhưng thảo luận về yêu cầu, đưa ra sự đánh đổi, thúc đẩy quyết định và phối hợp đội ngũ là những tương tác giữa người với người. Trí tuệ nhân tạo (AI) có thể viết API cho bạn, nhưng nó không thể tranh luận với người quản lý sản phẩm về mức độ ưu tiên của các yêu cầu. Càng có nhiều sự giao tiếp và thỏa hiệp, AI càng ít có khả năng can thiệp.
Những tác phẩm thiếu tính sáng tạo đặc biệt dễ bị tổn thương.
Andrew Ng đặt nghiên cứu khoa học ở vị trí cuối cùng, và đây là lý do. Việc xây dựng một giả thuyết tốt, khám phá một mô hình trái ngược với trực giác—đây vẫn là những nhiệm vụ của con người. Nhiệm vụ càng được chia nhỏ thành các bước rõ ràng, thì trí tuệ nhân tạo càng dễ dàng xử lý hơn.
Một loại công việc khác dễ bị bỏ qua là những công việc "trung bình" xuất hiện thường xuyên nhất trong dữ liệu huấn luyện AI.
Các thành phần React và giao diện CRUD đã được viết đi viết lại vô số lần, đó là lý do tại sao AI có thể viết mã nhanh và tốt. Nhưng với kiến trúc hệ thống độc đáo và mô hình tương tác mà chưa ai từng thử trước đây, AI không có điểm tham chiếu nào.
Thay vì tranh cãi xem "phần giao diện người dùng hay phần xử lý dữ liệu sẽ chết trước", hãy tự hỏi mình câu hỏi này:
Mỗi ngày bạn làm bao nhiêu việc chỉ ở mức trung bình?
08 Cách để không chết
Theo tôi, trong kỷ nguyên AI, dù bạn viết mã front-end hay back-end, làm việc với thuật toán hay xây dựng cơ sở hạ tầng, bạn cần tập trung vào hai điểm:
Một cách tiếp cận là tận dụng tối đa trí tuệ nhân tạo (AI) để nâng cao tiêu chuẩn tối thiểu của bản thân, sau đó để AI giúp bạn đạt được tiêu chuẩn tối đa. AI có thể giúp bạn nhanh chóng hoàn thành những việc bạn đã biết cách làm, và thời gian cũng như năng lượng tiết kiệm được nên được đầu tư vào những lĩnh vực mà trước đây bạn không thể tiếp cận.
Một điều nữa là hãy ngừng tự gán nhãn cho bản thân.
Kỹ sư giao diện người dùng, kỹ sư hệ thống máy chủ, kỹ sư thuật toán—những nhãn hiệu này từng là biểu tượng của sự chuyên môn hóa. Nhưng trong kỷ nguyên trí tuệ nhân tạo, chúng ngày càng trở thành những rào cản.
Nếu bạn chỉ biết viết mã React, thì ngày mà trí tuệ nhân tạo có thể viết mã React nhanh hơn và tốt hơn bạn sẽ là ngày tận thế của bạn.
Nhưng nếu bạn thành thạo cả phát triển giao diện người dùng (front-end) và phía máy chủ (back-end), có khả năng thiết kế hệ thống và giao tiếp với khách hàng, đồng thời có thể viết cả mã lập trình và tài liệu...
Trí tuệ nhân tạo không thể giết bạn.
Trừ khi, việc đó thực sự sẽ giết chết tất cả mọi người...
Trong thời đại trí tuệ nhân tạo, các chuyên gia dễ bị tổn thương. Còn những người đa năng lại khó bị tiêu diệt nhất.
Các liên kết liên quan:
• Bài viết gốc của Andrew Ng: https://x.com/AndrewYNg/status/2051691741150081122
• DeepLearning.AI The Batch: https://www.deeplearning.ai/the-batch/issue-350/
