When Intelligence Becomes Abundant
Từ First-Principles Thinking đến Agentic Looping: Góc nhìn của Alexandr Wang về cách tìm cơ hội, xây dựng lợi thế và dẫn dắt trong kỷ nguyên AI
Nay mình vừa xem một video về Alexandr Wang hiện đang là Chief AI Officer của Meta và nội dung khá thú vị về một tương lai mới của AI dưới góc nhìn của chàng trai sinh năm 97 này (bằng tuổi mình haha).
Năm 19 tuổi, Alexandr Wang bắt đầu xây dựng Scale AI.
Nhìn lại từ hiện tại, câu chuyện này có vẻ giống một con đường đã được định sẵn, một người trẻ xuất sắc về toán và khoa học máy tính, học tại MIT, bước vào đúng làn sóng AI rồi thành lập một trong những công ty hạ tầng dữ liệu quan trọng của ngành.
Nhưng khi Alexandr thực sự đứng trước quyết định ấy, mọi thứ không rõ ràng như vậy.
Quay lại thời điểm anh 19 tuổi tức là vào khoảng 10 năm trước 2016, anh không có một bản đồ hoàn chỉnh trong tay, khái niệm AI vẫn còn rất mơ hồ và chưa thực sự được quan tâm ở thời điểm ấy. Dữ liệu huấn luyện mô hình vẫn là một lĩnh vực tương đối kém hấp dẫn, nhiều nhà đầu tư không tin đây là một thị trường đủ lớn và bền vững.
Điều Alexandr có không phải là khả năng nhìn thấy toàn bộ tương lai mà anh chỉ nhìn thấy một điểm nghẽn mà những người khác chưa chú ý.
Và đôi khi, đó là tất cả những gì một founder cần.
Trước Scale AI là một ý tưởng không thành công
Ý tưởng đầu tiên của Alexandr không phải Scale AI.
Anh và cộng sự ban đầu muốn xây dựng một AI agent giúp mọi người tiếp cận dịch vụ y tế. Về bản chất, đó không phải một ý tưởng tồi. Ngày nay, chúng ta đang chứng kiến nhiều sản phẩm tương tự xuất hiện trên thị trường.
Vấn đề là vào thời điểm ấy, thị trường và công nghệ chưa sẵn sàng cho điều đó.
Sau một hoặc hai tháng, một cố vấn tại Y Combinator kéo họ sang một bên và thẳng thắn nói rằng dự án có thể sẽ không đi đến đâu. Đó là kiểu phản hồi không founder nào muốn nghe, nhưng rất nhiều founder cần được nghe.
Alexandr và team quay lại điểm xuất phát.
Anh không cố bảo vệ ý tưởng chỉ vì đã dành thời gian cho nó. Anh bắt đầu suy nghĩ về những vấn đề mình thực sự hiểu, không phải từ báo chí, pitch deck hay dự báo thị trường, mà từ trải nghiệm trực tiếp.
Trong thời gian học tại MIT, Alexandr từng tự huấn luyện các mô hình machine learning. Khi phân rã quá trình này, anh nhận ra mình luôn cần ba thứ:
Compute
Code
Data
Compute có thể được thuê từ các nền tảng cloud. Code có thể được viết bằng những framework đang ngày càng dễ tiếp cận.
Nhưng data thì khác. Không có một cách đủ thuận tiện để thu thập, làm sạch, gắn nhãn và cung cấp dữ liệu cho quá trình huấn luyện mô hình.
Alexandr đi đến một kết luận đơn giản:
Nếu AI tiếp tục phát triển, data infrastructure sẽ trở thành một thành phần không thể thiếu.
Scale AI được sinh ra từ điểm nghẽn đó.
First-Principles Thinking không bắt đầu từ xu hướng
Sau khi một công ty thành công, chúng ta thường kể lại câu chuyện của nó như thể cơ hội đã luôn hiển nhiên.
Nhưng cơ hội chỉ hiển nhiên sau khi ai đó chứng minh được nó.
Nếu Alexandr bắt đầu bằng việc đọc những gì thị trường đang nói, có lẽ anh đã không xây Scale AI. Data khi ấy chưa phải một từ khóa hấp dẫn, thử góc nhìn của bạn nếu bạn là một nhà đầu tư, bạn sẽ liên tục đặt ra câu hỏi:
Đây có thật sự là một business lớn?
Nhu cầu này có tồn tại lâu dài không?
Data có phải một lợi thế đủ bền vững không?
Nhưng Alexandr không xây dựng niềm tin dựa trên sự đồng thuận của nhà đầu tư. Niềm tin của anh đến từ một sự thật cơ bản mà anh đã tự trải nghiệm:
Muốn phát triển AI, con người cần data nhưng data vẫn là thành phần khó tiếp cận nhất. Đó là cách Alexandr thực hành First-Principles Thinking.
Thay vì chúng ta nhìn vào thị trường đang quan tâm điều gì, thì có lẽ câu hỏi sẽ nên là điều gì chắc chắn phải đúng để tương lai này có thể xảy ra.
Quá trình đó có thể được hình dung như sau:
First-Principles Thinking không có nghĩa là tin rằng mình luôn đúng và nó cũng không phải sự cố chấp được ngụy trang bằng một cái tên thông minh.
Nó là khả năng phân biệt giữa hai thứ:
Một giả định cần được thay đổi khi bằng chứng cho thấy nó sai.
Một sự thật nền tảng cần tiếp tục theo đuổi dù số đông chưa đồng ý.
Alexandr từ bỏ sản phẩm healthcare ban đầu vì bằng chứng cho thấy timing chưa phù hợp.
Nhưng anh kiên định với niềm tin rằng AI sẽ cần một hạ tầng dữ liệu quy mô lớn, bởi trải nghiệm thực tế liên tục xác nhận điều đó.
Nói cách khác:
Be flexible about the solution, but rigorous about the truth.
Conviction Before Consensus
Alexandr cho rằng những công ty thành công nhất thường bắt đầu từ một niềm tin chưa được số đông chấp nhận.
Họ làm việc trong im lặng nhiều năm ròng và ý tưởng của họ trông nhỏ bé, nhàm chán hoặc thiếu thực tế. Sau đó, khi thị trường thay đổi, điều từng bị xem là khác thường bỗng trở thành hiển nhiên.
Đây là nguyên tắc Conviction Before Consensus.
Nếu chờ đến khi tất cả mọi người đồng ý, chúng ta có thể giảm được cảm giác bất an.
Nhưng đồng thời, chúng ta cũng đánh mất phần lớn lợi thế.
Điều này không có nghĩa founder phải cố tìm một ý tưởng mà không ai tin chỉ để trở nên khác biệt. Một quan điểm trái chiều không tự động trở thành một quan điểm đúng.
Conviction đáng giá cần được hình thành từ:
Trải nghiệm trực tiếp.
Khả năng phân rã vấn đề.
Dữ liệu thực tế.
Tốc độ thử nghiệm.
Sự sẵn sàng thay đổi khi giả định bị bác bỏ.
Sự khác biệt giữa niềm tin và sự ảo tưởng nằm ở vòng phản hồi.
Một người có conviction tìm kiếm bằng chứng để kiểm tra niềm tin của mình. Một người delusional chỉ tìm kiếm những thông tin khiến mình cảm thấy đúng.
Không founder nào bắt đầu với đầy đủ năng lực
Anh chưa từng gọi vốn, tuyển dụng, bán hàng hay điều hành một tổ chức. Theo cách diễn đạt rất thẳng thắn của anh, hầu hết entrepreneur đều bắt đầu trong trạng thái “không giỏi ở gần như mọi thứ”.
Điều quyết định không phải bạn đã biết bao nhiêu tại vạch xuất phát. Điều quyết định là tốc độ bạn có thể thay đổi chính mình.
Alexandr nhắc đến hai môi trường có ảnh hưởng lớn tới quá trình trưởng thành của mình.
Môi trường đầu tiên là công ty tức là làm việc tại một công ty cho anh thấy cách sản phẩm thực sự được xây dựng, cách các nhóm phối hợp, cách quyết định được đưa ra và cách một sản phẩm được cải tiến qua nhiều vòng lặp.
Môi trường thứ hai là MIT và đây là nơi anh được khám phá, thử nghiệm và tiếp xúc với những công nghệ mới. Cũng tại đó, anh bắt đầu tự huấn luyện mô hình và phát hiện ra bài toán data.
Một bên mang lại operating context, bên còn lại mang lại exploration space.
Sự kết hợp giữa trải nghiệm vận hành và tự do khám phá giúp Alexandr nhìn thấy một vấn đề mà người chỉ đứng bên ngoài ngành khó nhận ra.
Nút thắt của AI không còn chỉ nằm ở model
Một trong những nhận định quan trọng nhất của Alexandr là:
Ngay cả khi các AI model ngừng tiến bộ từ hôm nay, thế giới vẫn cần nhiều năm để hấp thụ năng lực mà chúng đã có.
Chúng ta thường dành phần lớn thời gian tranh luận xem model tiếp theo sẽ thông minh tới đâu, AGI sẽ xuất hiện sau hai năm hay năm năm, hoặc tốc độ scaling có chậm lại hay không.
Nhưng theo Alexandr, nút thắt đang dịch chuyển.
Nó không chỉ nằm ở model capability. Nó nằm ở diffusion, khả năng đưa công nghệ vào doanh nghiệp, chính phủ và những quy trình thực tế.
Một model có thể phân tích dữ liệu, viết code hoặc lập kế hoạch không đồng nghĩa một doanh nghiệp sẽ tự động trở nên hiệu quả hơn.
Giữa capability và outcome vẫn còn nhiều lớp:
Xác định đúng vấn đề.
Chuẩn hóa dữ liệu.
Thiết kế workflow.
Kết nối công cụ.
Xây dựng quyền truy cập.
Đánh giá chất lượng.
Quản trị rủi ro.
Thay đổi cách con người làm việc.
Một đội ngũ nhỏ biết tổ chức agent hiệu quả có thể sở hữu năng lực thực thi từng chỉ xuất hiện ở những tổ chức lớn. Nhưng để điều đó xảy ra, họ phải đi xa hơn việc sử dụng chatbot.
Họ phải xây dựng Agentic Loops.
Agentic Looping: Từ một câu trả lời đến một hệ thống hành động
Một chatbot thông thường nhận prompt và tạo ra response nhưng Agentic system thì khác. Nó nhận một goal, quan sát environment, lập kế hoạch, sử dụng tool, đo kết quả, học từ feedback và tiếp tục hành động.
Đây chính là Agentic Looping.
Giá trị của hệ thống không chỉ đến từ việc model thông minh đến đâu. Nó đến từ khả năng đặt trí thông minh ấy vào một vòng phản hồi có thể tạo ra kết quả.
Chúng ta có thể nhìn doanh nghiệp như một tập hợp những feedback loop.
Một doanh nghiệp tìm kiếm khách hàng, cung cấp sản phẩm, quan sát phản ứng, cải thiện sản phẩm, tạo thêm doanh thu rồi tái đầu tư để phục vụ nhiều khách hàng hơn.
Bên trong vòng lặp lớn đó là hàng trăm vòng lặp nhỏ:
Viết code, chạy test, đọc lỗi và sửa code.
Tạo quảng cáo, đo conversion và điều chỉnh nội dung.
Tiếp nhận ticket, giải quyết vấn đề và đo customer satisfaction.
Phỏng vấn người dùng, tổng hợp insight và cập nhật roadmap.
Phát hiện lead, nghiên cứu nhu cầu và cá nhân hóa cách tiếp cận.
Phần lớn các vòng lặp này đang được con người vận hành một cách thủ công, cơ hội của Agentic Looping là biến chúng thành những hệ thống có thể tự thực hiện, tự đo lường và liên tục tối ưu.
Metric quan trọng hơn số lượng agent
Một ngộ nhận phổ biến rằng muốn xây dựng một agentic system mạnh, chúng ta chỉ cần tạo thêm nhiều agent.
Một agent nghiên cứu.
Một agent viết nội dung.
Một agent phản biện.
Một agent quản lý tất cả những agent còn lại.
Nhưng nếu hệ thống không biết thế nào là một kết quả tốt, việc bổ sung agent chỉ tạo ra nhiều hoạt động hơn không nhất thiết tạo ra nhiều giá trị hơn.
Một vòng lặp hiệu quả cần một metric hoặc evaluation function rõ ràng.
Đối với coding agent, evaluation có thể là:
Tests có vượt qua hay không?
Có tạo ra regression không?
Performance có đạt yêu cầu không?
Code có tuân thủ security policy không?
Đối với sales agent:
Lead có phù hợp với ideal customer profile không?
Có tạo được qualified meeting không?
Tỷ lệ phản hồi có được cải thiện không?
Chi phí cho mỗi cơ hội bán hàng là bao nhiêu?
Đối với customer-support agent:
Vấn đề có được giải quyết hoàn toàn không?
Người dùng có phải liên hệ lại không?
Mức độ hài lòng sau tương tác là bao nhiêu?
Trường hợp nào cần chuyển cho con người?
Không có evaluation, agent chỉ đang chuyển động, còn có evaluation, agent mới có thể tiến bộ.
Activity is not the goal. Outcome is the goal.
Từ Software Organization đến Agent Organization
Trong thế hệ công nghệ trước, một builder bắt đầu bằng việc viết code. Khi công ty lớn lên, công việc của founder chuyển dần từ tổ chức code sang tổ chức con người: chia nhóm, thiết kế trách nhiệm, tạo quy trình và đồng bộ mục tiêu.
Alexandr cho rằng abstraction layer đang tiếp tục dịch chuyển.
Trong tương lai, chúng ta không chỉ hỏi cách một agent thực hiện một nhiệm vụ. Chúng ta sẽ hỏi cách hàng nghìn, hàng triệu, thậm chí nhiều hơn nữa các agent có thể phối hợp với nhau.
Khi đó, những câu hỏi cũ của organizational design sẽ trở lại dưới một hình thức mới:
Agent nào chịu trách nhiệm cho quyết định nào?
Chúng chia sẻ memory ra sao?
Khi hai agent đưa ra kết luận khác nhau, ai phân xử?
Agent nào có quyền sử dụng công cụ hoặc thay đổi dữ liệu?
Làm thế nào để phát hiện một vòng lặp đang đi sai hướng?
Khi nào hệ thống phải yêu cầu human approval?
Làm thế nào để giới hạn chi phí mà không làm giảm chất lượng?
Đây là lý do cá nhân mình tin rằng Systems Thinking sẽ không biến mất. AI có thể làm cho việc viết code ít quan trọng hơn ở một số tầng công việc. Nhưng khả năng phân tích một hệ thống, nhìn thấy quan hệ giữa các thành phần và thiết kế vòng phản hồi vẫn cực kỳ cần thiết.
Chúng ta vẫn không ngừng làm kỹ thuật. Tuy nhiên, chúng ta đang làm kỹ thuật ở một tầng trừu tượng cao hơn.
Khi Intelligence trở nên dư thừa
Trong phần sâu sắc nhất của cuộc trò chuyện, Alexandr đặt ra một viễn cảnh khác đó là trong phần lớn lịch sử nhân loại, intelligence và agency là những tài nguyên khan hiếm.
Muốn thực hiện một dự án lớn, chúng ta phải tập hợp đủ người có năng lực, xây dựng một tổ chức, phân chia công việc và duy trì sự phối hợp trong nhiều năm.
AI đang làm giảm chi phí của cả suy nghĩ lẫn hành động.
Nếu xu hướng này tiếp tục, một ngày nào đó intelligence có thể trở nên tương đối dồi dào. Mỗi cá nhân và mỗi doanh nghiệp có thể tiếp cận một lượng năng lực phân tích, sáng tạo và thực thi lớn hơn rất nhiều so với hiện tại.
Khi đó, nút thắt mới sẽ xuất hiện.
Nếu ai cũng có một đội ngũ AI đủ thông minh, lợi thế không còn chỉ thuộc về người có thể viết nhanh hơn, phân tích nhiều hơn hay sản xuất nhiều hơn.
Lợi thế sẽ thuộc về người biết:
Vấn đề nào đáng được giải quyết.
Tương lai nào đáng được xây dựng.
Điều gì nên được tối ưu và điều gì không nên.
Khi nào cần tăng tốc và khi nào cần dừng lại.
Làm thế nào để biến capability thành một outcome có ý nghĩa.
AI có thể giúp một người đi nhanh hơn mười lần hoặc một trăm lần nhưng AI không tự lựa chọn đích đến. Đây là nghịch lý của kỷ nguyên intelligence abundance:
Năng lực thực thi càng lớn, chất lượng của mục tiêu càng quan trọng.
Hãy tìm đường cong đang tăng trưởng
Nếu có thể gửi một thông điệp cho chính mình ở tuổi 18, Alexandr nói rằng anh sẽ nhắc bản thân xây dựng một internal compass và tìm kiếm những đường cong tăng trưởng có độ dốc lớn, đồng thời có khả năng kéo dài trong nhiều năm. Điều đáng chú ý là điểm xuất phát của một exponential curve thường không ấn tượng.
Ở giai đoạn đầu, AI chỉ có thể nhận diện những vật thể đơn giản trong hình ảnh. Không dễ để thuyết phục thế giới rằng đây sẽ là công nghệ quan trọng nhất của thời đại.
Nhưng một exponential curve không nên được đánh giá chỉ bằng vị trí hiện tại mà nó phải được đánh giá bằng tốc độ tiến bộ.
Cơ hội lớn có thể đang ẩn trong một công nghệ còn vụng về, một thị trường còn nhỏ hoặc một workflow chưa ai quan tâm.
Câu hỏi không chỉ là:
“Nó có hữu ích ngay hôm nay không?”
Mà còn là:
“Nếu nó tiếp tục tiến bộ với tốc độ này trong mười năm, thế giới sẽ thay đổi như thế nào?”
Lời kết
Câu chuyện của Alexandr Wang không chỉ nói về Scale AI, mà còn cho thấy cách nhận ra một cơ hội trước khi nó trở thành consensus.
Hãy bắt đầu từ vấn đề bạn thực sự hiểu, phân rã nó thành những sự thật cơ bản và tìm ra mắt xích còn thiếu. Sau đó, xây dựng, thử nghiệm và để thực tế kiểm chứng niềm tin của mình: giữ vững conviction khi có bằng chứng ủng hộ, nhưng sẵn sàng thay đổi khi nhận ra mình đã sai.
Với AI cũng vậy, đừng dừng lại ở một prompt tốt. Giá trị lớn hơn nằm ở việc thiết kế một agentic loop có mục tiêu rõ ràng, đủ context, được kết nối với tools và có cơ chế evaluation để liên tục cải thiện.
Khi intelligence và khả năng thực thi trở nên dồi dào, câu hỏi quan trọng nhất sẽ không còn là AI có thể làm được gì, mà là:
Bạn muốn dùng năng lực đó để xây dựng một tương lai như thế nào?
AI có thể giúp chúng ta đi nhanh hơn. Nhưng lựa chọn hướng đi vẫn thuộc về con người.