Tôi vừa mới đọc xong bài viết này và nó lặng lẽ sắp xếp lại cách tôi nghĩ về việc huấn luyện AI. Cốt lõi của nó là không ai thực sự trở nên giỏi nhờ vào sản phẩm cuối cùng, mà bạn trở nên giỏi thông qua các chỉnh sửa — phần mà người có kinh nghiệm chỉ ra cho bạn những gì sai và tại sao. Sự chỉnh sửa mới là bài học, không phải bản nháp cuối cùng sạch sẽ... Và chính xác như vậy, AI cũng trở nên giỏi về mã nguồn nhờ vào những diff (sự khác biệt). Nó không bao giờ học từ mã nguồn hoàn chỉnh, mà học từ các diff. Mỗi lần sửa lỗi, mỗi lần viết lại, mỗi câu “không, làm theo cách này” mà Git đã vô tình lưu lại qua các năm. Nhưng ở mọi nơi khác, chúng ta vứt bỏ phần đó đi. Bản trình bày đã được gửi, ghi chú đã được lưu trữ, hợp đồng đã được ký, và tư duy tạo ra chúng thì biến mất. Một tài liệu là đầu ra của phán xét, nhưng đã bị loại bỏ phán xét. > Đó là lý do tại sao việc “ghi lại kiến thức” bằng cách tìm kiếm các tài liệu cũ chẳng bao giờ hiệu quả. Mỗi công ty đều xây dựng một hệ thống lưu trữ... những gì nó biết. Nhưng không ai xây dựng hệ thống phán xét... những gì thực sự được quyết định là tốt. Và phán xét được bộc lộ, không phải được nêu ra... phỏng vấn nói dối, còn chỉnh sửa thì không. > Đây là điểm mà cuộc tranh luận về “không thể huấn luyện / tính chính xác riêng tư” luôn bỏ lỡ: nó không phải là không thể huấn luyện, mà chỉ tồn tại ở nơi mà mọi người đều xóa bỏ. Hãy hỏi bất kỳ công ty nào về tỷ lệ chấp nhận của họ, họ thậm chí không thể trả lời... vì chẳng ai giữ lại các bản chỉnh sửa. Phần mềm vô tình giữ lại hóa đơn của mình. Luật và tài chính thì chưa bao giờ xây dựng Git của riêng họ. Phán xét nằm trong diff.

Các kỹ sư của Anthropic vừa xây dựng một ứng dụng đầy đủ từ đầu chỉ bằng một vòng lặp các tác nhân 40 phút từ đội ngũ phát triển Claude Code Ba tác nhân chạy theo chu kỳ: một lên kế hoạch, một xây dựng, một đánh giá, lặp lại cho đến khi ứng dụng hoạt động thực sự Không ai trong buổi trình diễn này viết cùng một prompt hai lần. Họ chỉ thiết kế vòng lặp một lần rồi rời đi Xem nó, sau đó đọc hướng dẫn đầy đủ về cách xây dựng một ứng dụng như vậy bên dưới

Tôi từng nghĩ mình đã đến muộn với AI, nhưng sau khi nghiên cứu kỹ lưỡng, tôi tin rằng đây mới chỉ là khởi đầu. Chắc chắn không có gì tăng trưởng theo đường thẳng. Những giai đoạn bùng nổ và suy thoái sẽ xảy ra. Nhưng việc không tham gia vào nó và gọi đó là bong bóng là không thể chấp nhận được.

Liệu các trọng tài AI có thể mắc những sai lầm suy luận giống con người không? Ném hai con xúc xắc. Ít nhất một con là 6. Nhiều người nói là 1 trên 6 Đáp án đúng: 1 trên 11 Một bẫy logic đơn giản—cũng xuất hiện trong các mô hình AI. #AI #Ontology #DID #Web3

Một buổi dọn dẹp 2 phút có thể khiến Claude cảm thấy như bạn đã nâng cấp model. Video này không nói về một prompt bí mật nào. Nó nói về việc xóa đi những thứ rác rưởi mà bạn đã cung cấp cho Claude trước đó. Những kỹ năng cũ, các kết nối đã chết, công cụ dùng dở, hướng dẫn làm việc ngẫu nhiên, những thí nghiệm bị bỏ dở. Tất cả những thứ đó có thể nằm im trong nền và âm thầm làm ô nhiễm ngữ cảnh. Sau đó, mọi người nói: “Claude tệ hơn rồi.” Có thể. Hoặc có thể bạn đã biến nó thành một trình duyệt đầy ắp 47 tab và yêu cầu nó suy nghĩ rõ ràng. Điều này quan trọng vì hiệu suất của agent không chỉ phụ thuộc vào chất lượng model. Đó là sự sạch sẽ của ngữ cảnh, kỷ luật khi dùng công cụ và lượng rác vô ích mà hệ thống phải mang theo trước khi trả lời. Bài viết thực chất đang truyền tải cùng một bài học cho người dùng: AI thông minh hơn không thể cứu một môi trường lộn xộn. Model có thể mạnh mẽ, nhưng vẫn tạo ra kết quả yếu nếu môi trường xung quanh nó quá ồn ào. Đôi khi, điểm nghẽn không phải là Claude. Mà là ngăn kéo rác mà bạn đã nối với nó.

Một điều khiến tôi ấn tượng về ExpRL là nó phơi bày giới hạn trong cách chúng ta hiện tại nghĩ về tiến bộ của AI. Hầu hết các bộ kiểm tra chỉ đo lường xem mô hình có đưa ra câu trả lời đúng hay không. Chúng hiếm khi đo lường có bao nhiêu ý tưởng hữu ích đã được khám phá và loại bỏ dọc theo hành trình. Sự đổi mới của con người thường xuất phát từ những nỗ lực thất bại, không phải từ những nỗ lực hoàn hảo. Một nhà khoa học có thể kiểm tra hàng trăm giả thuyết sai trước khi tìm ra giả thuyết đúng. Nhưng RL truyền thống coi mọi con đường thất bại đều vô giá trị như nhau. ExpRL gợi ý rằng có thể có những thông tin quý giá ẩn giấu trong những thất bại đó. Ý tưởng này dường như quan trọng hơn cả các bộ kiểm tra toán học. Khi các tác nhân AI trở nên mạnh mẽ hơn, những người chiến thắng có thể không phải là các mô hình tìm ra câu trả lời nhanh nhất, mà là những mô hình học được nhiều nhất từ những sai lầm của mình. Đây cũng là lý do tại sao việc xác minh lại quan trọng. Nếu không có cách đánh giá đáng tin cậy đối với lập luận và đầu ra trung gian, chúng ta không thể phân biệt được sự khám phá hiệu quả với ảo giác thuần túy. Tương lai của AI có thể phụ thuộc ít hơn vào việc tạo ra câu trả lời và nhiều hơn vào việc hiểu rõ những sai lầm nào đáng để học hỏi. @ritualnet

Duy nhất một tweet bạn cần để tồn tại trong thời đại AI. Gần đây, tôi đã ngồi xuống và viết ra 10 “quy tắc” để tồn tại trong thời đại AI sắp tới. Không có nội dung rác AI – chỉ là những suy nghĩ chân thật của tôi. Nếu bạn lo lắng về việc bị thay thế công việc, hay bất kỳ tác động lan tỏa nào của AI, tôi hy vọng bạn sẽ đọc bài này: Quy tắc #1: Nhanh chóng Kỹ năng số 1 trong thời đại AI là khả năng chủ động cao. Thông tin không còn là hàng rào bảo vệ nữa. Lợi thế của bạn giờ đây là tốc độ. Hãy đặt mục tiêu trở thành người hành động nhanh chóng. Quy tắc #2: Xây dựng doanh nghiệp AI đang tạo ra RẤT NHIỀU cơ hội kinh doanh. Thông tin giờ đây dồi dào, và bạn không có lý do gì để không xây dựng một doanh nghiệp sinh lời. Quy tắc #3: Dùng AI mỗi ngày Việc trở thành người bản địa với AI không còn là lựa chọn nữa. Tích hợp nó vào cuộc sống và nỗ lực đứng ở前沿. Quy tắc #4: EQ > IQ Khi mọi người đều có quyền truy cập vào cùng những công cụ AI, yếu tố phân biệt không còn là trí thông minh; mà là khả năng kết nối với người khác của bạn. Quy tắc #5: Ưu tiên sức khỏe Bắt đầu với những điều đơn giản: Ngủ, tập thể dục, bổ sung nước và chế độ ăn uống. Quy tắc #6: Xây dựng thương hiệu cá nhân Phân phối là hàng rào bảo vệ mới. Tạo nội dung thì miễn phí, và đó là kênh phân phối tốt nhất. Quy tắc #7: Học cách bán hàng Đây là kỹ năng không ai nhắc đến. AI có thể xây dựng sản phẩm, viết nội dung, thiết kế trang web và chạy quảng cáo, nhưng nó vẫn không thể xây dựng kết nối con người. Quy tắc #8: Đầu tư Đầu tư vào bản thân (kỹ năng) và vào AI (công cụ hỗ trợ). Đây là bong bóng lớn nhất chúng ta từng thấy – hãy tận dụng nó. Quy tắc #9: Mở rộng mạng lưới quan hệ Xây dựng mạng lưới của bạn. Mạng lưới chính là tấm lưới an toàn cuối cùng của bạn và cách bạn tiếp cận những cơ hội mới. Quy tắc #10: Giữ sự tò mò Đây là kỹ năng meta nuôi dưỡng tất cả những điều trên. Những người có thể học hỏi và điều chỉnh nhanh chóng giờ đây quý giá hơn bao giờ hết. Lưu lại để bạn không quên.

[APRO Intelligence #07] ──────────────── AI cực kỳ xuất sắc trong STEM, lập trình, toán học. Nhưng sự đồng cảm, phán xét thẩm mỹ, đọc không khí phòng, cảm nhận nguyên nhân chậm — AI vẫn còn rất, rất xa so với con người. Daniela từ Anthropic đã nói rất đúng: “Chúng ta đang bước vào một thời đại nơi cốt lõi con người trở nên đắt giá chưa từng có.” Xây dựng cùng AI. Đừng quên những gì khiến bạn không thể thay thế. → @APRO_Oracle

Guillermo Rauch, CEO của @vercel: “Mọi nhiệm vụ trên thế giới cuối cùng đều trở thành một nhiệm vụ lập trình. Đó là lý do tại sao mọi phòng thí nghiệm đều đang đua nhau hướng tới cùng một điều… một tác nhân lập trình hoạt động mà không cần bạn.” Phân tích rõ ràng nhất về hướng đi tiếp theo của AI lập trình. Có giá trị hơn bất kỳ khóa học tác nhân nào trị giá $500. Xem video, sau đó đọc cách chạy một tác nhân trong khi bạn ngủ bên dưới.