Phỏng vấn nhà sáng lập nền tảng tuyển dụng AI Mercor: AI sẽ nhanh chóng thống trị khâu đánh giá nhân sự
Tuyển chọn TechFlowTuyển chọn TechFlow
Phỏng vấn nhà sáng lập nền tảng tuyển dụng AI Mercor: AI sẽ nhanh chóng thống trị khâu đánh giá nhân sự
Con người tham gia nhiều hơn vào khâu "quảng bá".
Chuyên sâu báo cáo Web3Tác giả: MD
Xuất bản bởi: Mingliang Company
Gần đây, hai đối tác của Redpoint Ventures tại Mỹ là Jacob Effron (giữa) và Patrick Achase (trái) đã có một buổi trò chuyện trong podcast "Unsupervised Learning" cùng với Brendan Foody (phải), nhà sáng lập và CEO của nền tảng tuyển dụng AI Mercor. Ngoài việc thảo luận về sự thay đổi trong lĩnh vực cốt lõi của Mercor – tuyển dụng bằng AI, cả ba người cũng cùng nhau trao đổi về mối quan hệ giữa AI và con người trong tương lai trên thị trường lao động.
Mercor được thành lập vào năm 2023 bởi ba học viên Thiel Fellowship, trong đó có Brendan Foody, khi họ mới 21 tuổi. Tháng Hai năm nay, công ty thông báo hoàn tất vòng gọi vốn Series B trị giá 100 triệu USD, định giá ở mức 2 tỷ USD. Vòng gọi vốn này do Felicis dẫn dắt, với sự tham gia của các nhà đầu tư như Benchmark, General Catalyst và DST Global. Mercor sử dụng công nghệ AI để tự động hóa quy trình sàng lọc sơ yếu lý lịch, ghép nối ứng viên, phỏng vấn bằng AI và quản lý lương thưởng, nhằm nâng cao hiệu quả tuyển dụng và giảm thiểu thiên kiến do con người gây ra.
Trong cuộc phỏng vấn, Brendan Foody cho biết hiện tại Mercor thực tế đã bước chân vào lĩnh vực đánh giá mô hình AI và gắn nhãn dữ liệu. Khi năng lực của các mô hình AI ngày càng tăng, nhiều câu hỏi phức tạp không còn có thể được xác minh chỉ bằng chính mô hình hoặc kiến thức phổ thông, do đó các nhà phát triển mô hình cần đến những chuyên gia có hiểu biết sâu rộng trong từng lĩnh vực cụ thể. Tuy nhiên, những công việc này thường mang tính tạm thời chứ không phải vị trí dài hạn, giống như “mạng lưới chuyên gia”. Vì vậy, việc tận dụng nền tảng của họ để kết nối các phòng thí nghiệm AI với nhân tài phù hợp trở nên “rất hợp lý”. Foody nhận định: “Thị trường gắn nhãn dữ liệu đang chuyển từ mô hình đám đông quy mô lớn,门槛 thấp sang loại hình gắn nhãn chất lượng cao, chuyên môn sâu.”
Ở mảng kinh doanh trọng tâm – “tuyển dụng bằng AI”, Brendan Foody cho rằng AI gần như đã đạt đến hoặc vượt qua con người trong việc đánh giá nhân sự qua văn bản, đặc biệt trong các tình huống như sàng lọc hồ sơ hoặc phân tích nội dung phỏng vấn bằng chữ viết. Tuy nhiên, ở các nhiệm vụ đa phương tiện (như nhận diện cảm xúc hay đánh giá “khí chất”), AI vẫn còn nhiều hạn chế.
Foody cũng chia sẻ một quan điểm đáng chú ý: Khi việc tuyển dụng và đánh giá nhân tài trong tương lai ngày càng phụ thuộc vào dữ liệu ngữ cảnh phong phú, cơ chế phản hồi và độ đầy đủ của dữ liệu đầu vào sẽ trực tiếp ảnh hưởng đến hiệu suất (đánh giá) của mô hình. Ví dụ, nếu thuê một nhà đầu tư, bạn đưa vào mô hình các dữ liệu như quan điểm của người đó trên podcast, ghi chú họp hàng ngày... để tạo nên bối cảnh toàn diện, điều này chắc chắn giúp mô hình đánh giá tốt hơn về nhận thức, năng lực và sở thích nghề nghiệp của ứng viên. Trong tuyển dụng truyền thống, những dữ liệu dạng này hoặc bị bỏ qua hoàn toàn, hoặc mất rất nhiều công sức để xử lý, trong khi AI có thể thực hiện với chi phí thấp hơn và hiệu quả cao hơn.
Vì vậy, sự phân chia công việc giữa AI và con người có thể sẽ thay đổi: AI sẽ sớm thống trị khâu đánh giá nhân sự, giúp tăng hiệu suất và độ chính xác; còn con người sẽ tập trung nhiều hơn vào khâu “bán” – ví dụ như trao đổi về môi trường làm việc, động lực – nhằm nâng cao trải nghiệm cho ứng viên.
“Tôi thấy xu hướng là, tương lai con người sẽ tập trung vào việc tạo ra các bài đánh giá, để giúp mô hình học những điều mà nó chưa thể làm, thay vì lặp đi lặp lại cùng một công việc,” Brendan Foody nói.
Dưới đây là bản dịch bài phỏng vấn do Mingliang Company biên soạn (có lược bỏ):
Jacob: Brendan Foody là đồng sáng lập và CEO của Mercor, một công ty xây dựng hạ tầng cho thị trường lao động kiểu AI-Native. Nền tảng Mercor đã được dùng trong gắn nhãn dữ liệu, sàng lọc nhân sự, dự đoán hiệu suất, cũng như đánh giá cả ứng viên người và ứng viên AI. Đây là một công ty rất thú vị, nằm ở điểm giao giữa đánh giá tuyển dụng và cải thiện các mô hình nền tảng.
Đội ngũ của Brandon vừa gọi vốn thành công 100 triệu USD gần đây, và đang hợp tác với một số công ty AI tiên tiến nhất. Cuộc trò chuyện hôm nay của chúng tôi xoay quanh nhiều chủ đề hấp dẫn, bao gồm vai trò tương lai của con người trong lực lượng lao động. Chúng tôi đã thảo luận về loại dữ liệu gắn nhãn nào quan trọng nhất đối với việc cải thiện mô hình, Brandon kể lại sự trỗi dậy nhanh chóng của Mercor và một số quyết định then chốt anh ấy đã đưa ra, đồng thời cũng trao đổi về những nơi AI hiệu quả và không hiệu quả trong quy trình tuyển dụng. Tóm lại, đây là một cuộc trò chuyện rất thú vị, tôi tin các bạn sẽ thích. Brendan Foody, cảm ơn anh đã tham gia podcast của chúng tôi.
Brendan: Cảm ơn vì lời mời. Tôi là fan hâm mộ trung thành của anh, rất hào hứng.
Jacob: Rất vui được gặp anh. Tôi nghĩ chúng ta có thể bắt đầu từ tổng quan. Với khán giả của chúng tôi, anh có thể tóm tắt tình hình hiện tại không? Hiện trạng đánh giá nhân sự bằng AI như thế nào? Điều gì hiệu quả, điều gì không? Tiến triển ra sao rồi?
Brendan: Tôi ngạc nhiên về hiệu suất của nó. Tôi cho rằng, bất cứ thứ gì con người có thể đánh giá qua văn bản, mô hình gần như đều đã tiến gần đến hoặc vượt qua con người, dù là bản ghi phỏng vấn, đánh giá bằng văn bản hay các tín hiệu trên CV. Đây thực sự là một nghịch lý thú vị, vì những công nghệ này thực tế lại phân bố rất ít trong nền kinh tế. Vì vậy, tồn tại một khoảng trống lớn, và đó là điều khiến chúng tôi rất háo hức muốn phát triển và xây dựng.
Jacob: Có việc gì trước khi xuất hiện các mô hình suy luận thì không khả thi không? Ví dụ như trong sáu tháng qua, các mô hình đã tốt hơn, điều gì cuối cùng cũng bắt đầu hoạt động?
Brendan: Có, tôi nhớ lúc GPT-4 ra mắt, chúng tôi đã xây dựng nguyên mẫu AI phỏng vấn đầu tiên, nhưng chẳng cái nào hoạt động cả. Mô hình cứ mỗi hai ba câu hỏi lại xuất hiện ảo giác và nhiều vấn đề khác. Nhưng từ đó đến nay, hành trình thực sự thuận lợi. Tôi cho rằng sự xuất hiện của các mô hình suy luận rõ ràng đã nâng cao rất nhiều năng lực của mô hình về mặt kiến thức, đặc biệt là xử lý lượng lớn ngữ cảnh, xác định trọng tâm và điểm then chốt.
Tuy nhiên, mô hình vẫn chưa mạnh ở các nhiệm vụ đa phương tiện, vì trước đây các phòng thí nghiệm ít quan tâm đến điều này, và việc dùng học tăng cường để làm việc này cũng khó hơn. Nhưng chúng tôi rất mong chờ tiến triển ở khía cạnh này.
Jacob: Anh mong chờ nhất cột mốc chức năng nào mà mô hình có thể đạt được?
Brendan: Một vài việc như những điều con người giỏi làm, ví dụ như đánh giá “khí chất” (Vibe) – tôi có muốn làm việc với người này không, người này có nhiệt huyết, có chân thành không – thì mô hình rất khó làm được. Ngay cả với những con người xuất sắc nhất thì cũng khó, chứ đừng nói đến mô hình. Tôi rất mong đợi đột phá ở khía cạnh này, và đang phát triển các công cụ đánh giá cho mục đích đó. Nhưng mỗi lần tôi đọc chuỗi suy luận của mô hình, cố gắng diễn giải nội dung đánh giá của chúng tôi, tôi luôn cảm thấy mô hình lý trí hơn nhiều so với các nhà nghiên cứu trong đội của tôi chịu trách nhiệm tạo ra bài đánh giá.
Vì vậy, mô hình tiến bộ thật sự rất nhanh, mọi người đều thấy được biểu hiện của chúng trong lĩnh vực mã nguồn, nhưng thực ra chúng ta mới chỉ bắt đầu, rất nhiều lĩnh vực khác cũng đang cất cánh với tốc độ đáng kinh ngạc.
Jacob: Phần lớn công việc của anh thực chất là thiết kế các bài đánh giá cho con người để xem họ có thể đảm nhiệm công việc hay không. Hiện giờ nhiều người đang làm AI nhân viên, ví dụ như để các tác nhân AI hoàn thành nhiệm vụ của nhân viên, anh có tham gia vào lĩnh vực này không?
Brendan: Tất nhiên rồi, chúng tôi làm rất nhiều việc liên quan. Để giới thiệu ngắn gọn về công ty, chúng tôi thành lập công ty vì cảm thấy rằng trên thế giới có rất nhiều người tài năng nhưng không có cơ hội, chủ yếu là do thị trường lao động cực kỳ phân mảnh. Ví dụ, ứng viên làm việc từ xa chỉ nộp đơn cho rất ít vị trí, trong khi các công ty ở San Francisco chỉ cân nhắc một số ít ứng viên, vì họ phải thủ công giải quyết vấn đề ghép nối. Bằng cách áp dụng các mô hình lớn, chúng tôi có thể giải quyết vấn đề ghép nối này, xây dựng một thị trường lao động toàn cầu thống nhất, nơi mỗi ứng viên đều có thể nộp đơn và mỗi công ty đều có thể thuê.
Nhưng sau đó chúng tôi nhận ra rằng, cùng với sự xuất hiện của các công việc tri thức mới, nhu cầu về nhân lực tăng vọt, đặc biệt là nhu cầu về nhân tài đánh giá các mô hình lớn. Vì vậy hiện nay chúng tôi đang tuyển dụng các chuyên gia khác nhau cho các phòng thí nghiệm AI hàng đầu. Các phòng thí nghiệm này sử dụng công nghệ của chúng tôi để hỗ trợ, không chỉ để tạo bài đánh giá cho các chuyên gia, mà còn cho các mô hình và các tác nhân AI mà anh vừa đề cập.
Patrick: Đối với khán giả của chúng tôi, Mercor cũng sử dụng AI trong nhiều trường hợp như sàng lọc ứng viên, xử lý sơ yếu lý lịch, v.v. Anh có thể giới thiệu một chút về các trường hợp ứng dụng AI của anh không? Kiến trúc công nghệ hiện tại của anh như thế nào?
Brendan: Một cách hay là lấy tất cả những việc con người làm thủ công, biến chúng thành các bài đánh giá, rồi xem liệu chúng ta có thể tự động hóa được không. Ví dụ như con người đánh giá CV, phỏng vấn, xếp hạng và quyết định ai được nhận việc như thế nào. Chúng tôi tự động hóa toàn bộ quy trình, ví dụ như đánh giá độ chính xác khi mô hình phân tích CV, độ chính xác khi chấm điểm từng phần của CV, độ chính xác khi đặt câu hỏi phỏng vấn, độ chính xác khi đánh giá phỏng vấn, sau đó đưa tất cả dữ liệu này vào ngữ cảnh mô hình, kết hợp với các dữ liệu khác như thư giới thiệu, cuối cùng đưa ra dự đoán về việc tuyển dụng.
Patrick: Chủ yếu dùng các mô hình có sẵn, còn anh đảm nhận phần đánh giá và thiết kế ngữ cảnh?
Brendan: Đúng vậy, các nhiệm vụ cơ bản dùng nhiều mô hình có sẵn, nhưng ở khâu đánh giá ứng viên cuối cùng – khâu khó nhất – chúng tôi thực hiện hậu huấn luyện (post-training). Chúng tôi học từ dữ liệu của khách hàng, ví dụ như những người nào làm việc tốt, lý do là gì, học từ các tín hiệu này để đưa ra dự đoán tuyển dụng tốt hơn trong tương lai.
Patrick: Anh đã học được tín hiệu nào khiến anh bất ngờ không? Ví dụ như AI phát hiện ra điều gì mà con người không nghĩ tới?
Brendan: Có rất nhiều ví dụ như vậy. Tôi cho rằng một lợi thế then chốt của AI là khả năng phân tích sâu hơn mọi chi tiết của ứng viên, phát hiện ra những tín hiệu nhỏ mà con người đôi khi bỏ qua, trong khi con người có thể đã quyết định ngay từ đầu do “đánh giá khí chất”. Ví dụ, nếu trong CV có người thể hiện sự say mê cực lớn với một lĩnh vực nào đó, chỉ đơn thuần vì sở thích chứ không phải vì yêu cầu công việc, thì điều này sẽ trở thành một tín hiệu. Hoặc nếu có người từng du học ở quốc gia mục tiêu, có thể giao tiếp trôi chảy hơn, phù hợp hơn với môi trường nhóm. Những chi tiết nhỏ này thay đổi tùy theo dự án và khách hàng.
Patrick: Anh nghĩ việc gì nhất định phải do con người làm? Anh vừa đề cập đến nhiệm vụ đa phương tiện, vậy anh nhìn nhận thế nào về sự hợp tác giữa AI và người phỏng vấn con người? Tương lai có phải sẽ hoàn toàn là đánh giá bằng AI?
Brendan: Nói đơn giản, quá trình tuyển dụng chia thành hai phần: đánh giá và bán. Khâu đánh giá sẽ nhanh chóng trở nên rất mạnh mẽ, mọi người sẽ nhận thấy các đề xuất của AI rõ ràng chính xác hơn, và sẽ tin tưởng kết quả của AI nhiều hơn. Con người sẽ tiếp tục đóng vai trò lớn ở khâu bán, ví dụ như giúp ứng viên hiểu về nhóm, vị trí, môi trường làm việc, v.v. AI giúp các quản lý tuyển dụng và HR chỉ tập trung vào những ứng viên thực sự mong muốn, thay vì lãng phí thời gian phỏng vấn những người không phù hợp. Như vậy họ có thể hỗ trợ ứng viên hiểu rõ hơn về vị trí, nhóm và các điểm kích thích động lực.
Patrick: Anh có nghĩ mọi người sẽ bắt đầu “cày điểm” – cố tình chiều theo các tín hiệu đánh giá không? Anh đã gặp trường hợp này chưa? Ví dụ như ai cũng nói mình từng du học ở quốc gia mục tiêu.
Jacob: Ai cũng nói mình từng du học ở quốc gia mục tiêu.
Patrick: Đúng, ví dụ như ai cũng nói mình từng du học ở nơi tuyển dụng.
Brendan: Đúng vậy, nên đôi khi chúng tôi phải giữ bí mật các tín hiệu. Chúng tôi giống như mọi quy trình tuyển dụng lớn khác, thường xuyên gặp tình huống này. Chìa khóa là đảm bảo bài đánh giá đủ linh hoạt, ví dụ như thường xuyên thay đổi câu hỏi, hoặc đặt những câu hỏi rất sâu sát theo bối cảnh cá nhân ứng viên. Vì mô hình có thể chuẩn bị rất kỹ cho buổi phỏng vấn, độ sâu và rộng của đánh giá nhân sự chưa từng có tiền lệ.
Ví dụ, lần đầu tôi phỏng vấn một ứng viên cấp cao, có thể tôi chỉ xem vài phút LinkedIn và một vài ghi chú, nhưng nếu tôi có thể nghe podcast họ từng tham gia, đọc blog hoặc bài báo họ viết, rồi đặt câu hỏi dựa trên đó, thì độ sâu và chi tiết hoàn toàn khác biệt.
Jacob: Mô hình của anh rất giỏi dự đoán hiệu suất ứng viên, vậy quá trình này có cần tính minh bạch không? Hay chỉ cần mô hình đưa ra kết luận kiểu hộp đen là được?
Brendan: Tôi cho rằng tính minh bạch rất quan trọng, vì hai lý do. Thứ nhất là để khách hàng hiểu và tin tưởng vào kết luận của mô hình, xây dựng niềm tin và chuỗi suy luận. Thứ hai là đảm bảo mô hình chọn người dựa trên lý do đúng. Vì vậy, tính minh bạch có giá trị rất lớn.
Nhưng tôi nghĩ hình thái kinh tế cuối cùng có thể sẽ là kiểu API, con người cần hoàn thành công việc, hoặc cần một mức độ tham gia nhất định, sau đó chỉ cần một dự đoán khoảng tin cậy về việc người đó có thể đảm nhiệm hay không, vai trò trung gian của con người trong toàn bộ quy trình sẽ giảm mạnh.
Jacob: Đây có thể coi là một cột mốc tin cậy hướng tới mục tiêu đó, rất có lý. Hiện tại, khâu gắn nhãn dữ liệu có vòng phản hồi rõ ràng, ví dụ như nhiều người gắn nhãn cùng một dữ liệu. Anh nghĩ sao về thách thức khi áp dụng phương pháp này vào các lĩnh vực công việc con người mơ hồ hơn? Có thể phải đợi 15 năm mới có phản hồi.
Patrick: Ví dụ như VC (cười).
Brendan: Quan điểm của tôi là, nếu có 100 người làm cùng một công việc, rất dễ xếp hạng họ. Nhưng nếu 100 người làm những công việc khác nhau, ví dụ như các nhà sáng lập, mỗi người đều có công việc rất khác biệt, thì rất khó tìm điểm chung, khó xác định hành vi hay thông tin nào liên quan đến kết quả. Bởi vì có quá nhiều biến số. Vì vậy, đối với các vị trí đồng nhất quy mô lớn, ví dụ như tuyển 20 nhân viên chăm sóc khách hàng, mô hình có thể học các tín hiệu và tối ưu hóa. Nhưng đối với các vị trí phức tạp, ví dụ như khi chúng tôi đang đánh giá một nhóm học viên Thiel Fellows, thì tình huống này thách thức hơn nhiều, phụ thuộc nhiều hơn vào khả năng suy luận của mô hình.
Jacob: Những thách thức cụ thể là gì?
Brendan: Thách thức chính là rất nhiều thông tin chưa được đưa vào ngữ cảnh mô hình, mô hình không thể học, và con người cũng thường quên bổ sung thông tin. Ví dụ, tôi nghe bạn nói sản phẩm của công ty đó rất tốt, thông tin này không được đưa vào mô hình. Việc đảm bảo tất cả thư giới thiệu, chi tiết giữa người với người đều được nhập vào là khó khăn chính. Chúng tôi phát hiện ra rằng, thực ra chỉ cần đưa dữ liệu cần thiết vào ngữ cảnh mô hình, là đã giải quyết được phần lớn vấn đề.
Jacob: Có lẽ trong tương lai kính thông minh của mỗi người chúng ta sẽ luôn ghi âm, liên tục đưa thông tin vào mô hình.
Brendan: Đúng vậy.
Jacob: Liệu có trở thành mức độ như Bridgewater Fund không?
Brendan: Có thể. Nhưng nhiều công ty sẽ phản đối cách làm này, vì lý do pháp lý và tuân thủ cũng không muốn. Nhưng tôi nghĩ sẽ có quy trình tốt hơn để mô hình có thể tiếp cận ngữ cảnh tốt hơn. Ví dụ như AI thực hiện phỏng vấn nghỉ việc, phỏng vấn quản lý và các thành viên nhóm, tìm hiểu thêm chi tiết. Con người có rất nhiều thông tin chi tiết trong đầu, chúng ta chỉ cần đưa những thông tin này vào mô hình, là có thể đưa ra dự đoán vượt trội hơn con người.
Patrick: Hiện nay ngày càng nhiều nhà sáng lập và các cá nhân mang theo AI đến các cuộc họp, nên nhiều cuộc họp và trao đổi sẽ được ghi âm, để AI học. Rất thú vị.
Jacob: Chúng ta có thể lấy bản ghi âm cuộc họp của mình để AI chấm điểm và xếp hạng.
Patrick: Ha ha!
Jacob: Miễn là tôi đứng đầu bảng xếp hạng.
Patrick: Anh nhìn nhận thế nào về thị trường gắn nhãn dữ liệu hiện nay? Các đối thủ phân biệt nhau ra sao? ScaleAI dường như đang dẫn trước rất xa, nhưng giờ lại có nhiều đối thủ mới, anh nghĩ sao về cục diện này?
Brendan: Tôi nghĩ hầu hết mọi người không hiểu được sự thay đổi then chốt trong thị trường gắn nhãn và đánh giá. Thị trường đã khác hoàn toàn so với hai năm trước. Trước đây mô hình chưa đủ tốt, dễ bị đánh bại, thường xuyên sai. Học sinh trung học hay sinh viên đại học có thể làm nhiều công việc gắn nhãn hoặc đánh giá, dùng mô hình đám đông để thu thập dữ liệu quy mô lớn, ví dụ như SFT (Fine-tuning có giám sát), RHF (Học tăng cường phản hồi con người), lựa chọn các tùy chọn ưu tiên khác nhau.
Nhưng khi mô hình trở nên mạnh hơn, mô hình đám đông thất bại, vì bạn cần nhân tài chất lượng cao làm việc trực tiếp với các nhà nghiên cứu, giúp họ hiểu lý do tại sao mô hình hoạt động tốt hay không tốt, thiết kế dữ liệu phức tạp để đánh bại mô hình, phản ánh các thách thức thực tế cần tự động hóa. Nền tảng của chúng tôi vừa vặn có thể nhanh chóng tìm được những nhân tài chất lượng cao này.
Điều này giúp chúng tôi phát triển nhanh chóng, hợp tác với các phòng thí nghiệm lớn. Tôi nghĩ xu hướng này sẽ tiếp tục. Những công ty vẫn dậm chân ở mô hình đám đông quy mô lớn sẽ gặp nhiều rắc rối, các đối thủ mới sẽ tập trung vào nhân tài chất lượng cao, tiếp tục chiếm lĩnh thị phần.
Patrick: Anh nghĩ nhu cầu về con người trong quy trình gắn nhãn dữ liệu sẽ luôn tồn tại chứ? Mô hình ngày càng mạnh, thậm chí có thể huấn luyện mô hình nhỏ, anh nhìn nhận thế nào về sự phát triển tương lai?
Brendan: Quan điểm của tôi là, miễn là trong nền kinh tế vẫn còn những việc con người có thể làm mà mô hình chưa thể, chúng ta sẽ cần tạo ra hoặc mô phỏng môi trường để mô hình học. Một số lĩnh vực sẽ nhanh chóng bị chinh phục, ví dụ như toán học hay mã nguồn, dữ liệu ít và dễ kiểm chứng, mô hình có thể giải quyết rất nhanh. Nhưng một số lĩnh vực rất mở, ví dụ như đánh giá một nhà sáng lập giỏi, hay nhiều công việc tri thức, về bản chất là các bài toán mở, khó kiểm chứng cái nào là tốt, cần đưa sự thấu hiểu của con người vào mô hình. Đó là lý do tôi dự đoán thị trường dữ liệu con người (human data) và đánh giá sẽ tăng lên theo cấp số nhân.
Jacob: Nếu tôi hiểu đúng, "điểm chênh lệch ban đầu" và cảm hứng thành lập công ty của anh là: trên khắp thế giới có những lập trình viên tuyệt vời nhưng không thể tiếp cận cơ hội việc làm nhất định, điều này rất quan trọng đối với dữ liệu lập trình. Rõ ràng anh đã mở rộng sang các lĩnh vực khác, ví dụ như lập trình bản thân là một ví dụ hoàn hảo cho học tăng cường và đánh giá, khi anh bước vào các lĩnh vực mơ hồ hơn, tuyển dụng nhân tài liên quan, có điều gì cần thay đổi hay cải tiến không?
Brendan: Tôi nghĩ học hỏi các phương pháp heuristic mà con người làm thủ công là cách rất hay. Ví dụ, nếu bạn muốn tự động hóa công việc của một cố vấn, thì làm sao để đánh giá cố vấn? Hãy đưa cho họ các nghiên cứu tình huống, có thể là tình huống liên quan đến bối cảnh của họ.
Jacob: Đội của anh có thể rất giỏi đánh giá lập trình viên, nhưng nếu muốn bác sĩ tham gia nền tảng, anh làm sao biết được nên dùng heuristic nào để đánh giá bác sĩ?
Brendan: Điểm anh vừa nêu rất thú vị, đó là khi bước vào lĩnh vực vượt quá khả năng của đội học máy, chúng ta cần các chuyên gia. Chúng tôi cần bác sĩ giúp thiết kế tiêu chí đánh giá và bài kiểm tra cho bác sĩ, các lĩnh vực khác cũng vậy. Tương tự, đây cũng là điều các nhà nghiên cứu cần làm. Ví dụ, việc xem bài tập vật lý cấp trung học còn dễ để xác định đáp án đúng, nhưng nếu là bài hóa học cấp tiến sĩ, nhà nghiên cứu không có bằng cấp liên quan sẽ rất khó hiểu và cải thiện bài đánh giá. Vì vậy, đây cũng là một trong những thay đổi lớn về đánh giá mà anh vừa hỏi — dù là đánh giá nhân tài hay nhà nghiên cứu đánh giá mô hình, đều sẽ trở thành quá trình hợp tác hơn, cần làm việc cùng các chuyên gia để giúp mô hình tiến bộ.
Jacob: Tôi nghe anh nói rằng các hợp đồng gắn nhãn dữ liệu ngắn hạn này thực tế là điểm khởi đầu hoàn hảo cho thị trường ban đầu của anh, nhu cầu rất lớn, là chiếc đòn bẩy để tiến tới thị trường lao động đầu cuối. Anh có thể chia sẻ lộ trình và mục tiêu từng giai đoạn để hiện thực hóa tầm nhìn này không?
Brendan: Tôi từng viết một “kế hoạch thầy phù thủy bí mật” nói về điều này. Theo tôi, thị trường có hiệu ứng mạng lưới mạnh, điều này vừa tạo thành hào moat vừa khiến nó khó xây dựng. Vì vậy hiện tại chúng tôi tập trung rất mạnh vào việc nắm bắt nhu cầu khổng lồ, mở rộng hiệu ứng mạng lưới, phát triển thị trường.
Đồng thời, chúng tôi cũng thấy rất nhiều khách hàng là các công ty công nghệ lớn cần một lượng lớn nhân viên hợp đồng, ví dụ như hàng trăm nhà khoa học dữ liệu, kỹ sư phần mềm, v.v., dù những vị trí này không liên quan trực tiếp đến dữ liệu con người, nhưng về bản chất nhu cầu tương tự, chỉ là thị trường truyền thống hơn, trước đây là cạnh tranh với Accenture, Deloitte, v.v. Chúng tôi sẽ coi đây là ưu tiên thứ hai, sau đó mở rộng sang tuyển dụng toàn thời gian. Nhưng thực ra công ty chúng tôi ban đầu làm chính là giúp bạn bè và bản thân tuyển nhân viên hợp đồng, nhiều người sau đó chuyển chính thức.
Vì vậy, các nghiệp vụ này liền mạch, có nhiều điểm chung. Tất cả công ty đều muốn có nhiều ứng viên hơn, tốc độ tuyển nhanh hơn, và sự tự tin cao hơn vào năng lực đảm nhiệm. Chúng tôi chỉ cần liên tục đo lường và cải thiện các chỉ số này, là có thể phục vụ tốt mọi giai đoạn phát triển của công ty.
Jacob: Có khoảnh khắc nào khiến anh quyết định chuyển sang lĩnh vực dữ liệu con người, cảm thấy cơ hội rõ ràng đặc biệt không?
Brendan: Có, tôi gặp phải khi còn đại học. Bối cảnh công ty là tôi và cộng sự quen nhau từ cấp ba lúc 14 tuổi, cùng nhau khởi nghiệp lúc 18 tuổi, họ thắng rất nhiều cuộc thi, tôi không giỏi bằng họ, nhưng luôn khởi nghiệp. Sau đó chúng tôi bắt đầu tuyển dụng nhân tài quốc tế ở Ấn Độ, ví dụ như hợp tác với IIT Code Club, phát hiện ra rất nhiều người thông minh không tìm được việc, chúng tôi nghĩ có thể thuê họ làm dự án, bạn bè cũng sẵn sàng trả tiền để chúng tôi giúp tuyển dụng. Chúng tôi kiếm được khoản phí dịch vụ nhỏ, đưa công ty lên doanh thu một triệu đô la, trừ lương ra vẫn lãi tám chục ngàn đô.
Tôi rất tự hào, nhưng bố mẹ vẫn không hài lòng. Chỉ khi chúng tôi gọi vốn thành công, họ mới hài lòng. Trở lại câu hỏi của anh, tháng 8 năm 2023, một khách hàng giới thiệu chúng tôi với đồng sáng lập x.ai, lúc đó họ còn ở văn phòng Tesla. Anh ấy nói Mercor có những kỹ sư siêu cấp ở Ấn Độ, giỏi toán và lập trình. Ngày hôm sau, người sáng lập x.ai đã gọi điện cho chúng tôi, rất hào hứng. Hai ngày sau chúng tôi đã vào văn phòng Tesla, gặp gần như toàn bộ đội sáng lập x.ai, trừ Elon, ngay trước khi họ họp với Elon. Chúng tôi vẫn đang học đại học, thật không thể tin nổi. Chúng tôi đều tự hỏi, tại sao họ lại muốn sản phẩm của chúng tôi đến vậy? Vì thị trường thay đổi quá nhanh, không ai nhận ra. Giờ chúng tôi đã lớn, chiếm thị phần then chốt, mới bắt đầu công khai kể những chuyện này. Nhưng lúc đó họ chưa sẵn sàng dùng dữ liệu con người, khoảng sáu tháng sau chúng tôi mới hợp tác với các phòng thí nghiệm tiên phong, mở rộng quy mô kinh doanh.
Jacob: Đã nhìn thấy làn sóng ập đến.
Brendan: Đúng vậy, tôi phát hiện nhiều nhà sáng lập khi tìm PMF (Product-Market Fit) quá gượng ép, thực ra nên quan sát tín hiệu thị trường, nơi nào có vàng thì đào. Nếu ban đầu bán hàng đã khó, thì sau này mở rộng quy mô sẽ càng khó hơn. Cần tìm khách hàng đau đớn nhất, giàu có nhất, sẵn sàng trả mọi giá để giải quyết vấn đề, rồi dốc toàn lực.
Jacob: Bây giờ anh đã vượt ra ngoài lập trình, ví dụ như trường hợp bác sĩ khiến tôi nghĩ, tiêu chuẩn đánh giá một bác sĩ giỏi cuối cùng sẽ được các công ty mô hình dùng để huấn luyện mô hình, đánh giá quá trình suy luận của bác sĩ có đúng không. Khi hợp tác với khách hàng, anh cụ thể làm gì?
Brendan: Một điểm then chốt hiện tại con người vượt trội hơn AI là khả năng học hỏi và tiến bộ liên tục. Chúng tôi sẽ tìm kiếm các tín hiệu đại diện này, ví dụ như ứng viên biết đặt câu hỏi đúng, cách suy nghĩ đúng, có kinh nghiệm trong môi trường hiệu suất cao, những điều này đều giúp họ phát hiện lỗ hổng mô hình, nâng cao năng lực mô hình.
Jacob: Bây giờ anh có dùng sản phẩm của chính mình không? Cụ thể dùng thế nào trong tuyển dụng?
Brendan: Tất nhiên, ngoại trừ các vị trí cấp cao, các vị trí khác chúng tôi đều dùng. Các vị trí cấp cao chúng tôi cũng đăng tuyển, nhưng phần lớn vẫn do tôi phỏng vấn trước, chủ yếu để bán vị trí chứ không phải sàng lọc. Buổi phỏng vấn bằng AI của chúng tôi rất hiệu quả, thường là tín hiệu có độ dự đoán cao nhất. Nhiều người đánh giá thấp thành kiến “đánh giá khí chất” trong quá trình tuyển dụng, luôn cảm thấy mình đánh giá chuẩn.
Jacob: Tuyển dụng thực ra là ngành “khí chất” đầu tiên.
Patrick: Các nhà VC chắc chắn không có thành kiến này.
Brendan: Vì vậy chúng tôi phải dùng dữ liệu hiệu suất để ra quyết định. Ví dụ, khi tuyển trưởng dự án chiến lược, trước đây con người làm phân tích tình huống, giờ đây toàn bộ dùng phỏng vấn AI, tỷ lệ chuyển chính thức còn tăng lên. Phỏng vấn AI giúp so sánh khách quan và chuẩn hóa hơn, không còn tình trạng mỗi người phỏng vấn một kiểu.
Patrick: Ở khâu đánh giá, anh tự tìm người làm hay dùng người từ thị trường? Làm nội bộ nhiều không?
Brendan: Chúng tôi dùng người từ thị trường để thực hiện quy trình đánh giá của chính mình, tương tự như quy trình của khách hàng. Dĩ nhiên nhà nghiên cứu vẫn phải tham gia, phân tích lý do mô hình sai, hoàn thiện phân loại lỗi, tối ưu dữ liệu hậu huấn luyện, quy trình và nhân sự đều giống nhau.
Jacob: Anh vừa đề cập đến việc dùng khả năng đa phương tiện để đánh giá các đặc điểm như nhiệt huyết, vậy anh có kế hoạch gì cho video, âm thanh trong tương lai không?
Brendan: Tôi thường nghĩ về vai trò của học tăng cường (RL) trong việc nâng cao khả năng hiểu video. RL giỏi giải quyết bài toán tìm kiếm, trong khi thông tin video rất lớn, nên mô hình xử lý khó khăn. Chúng ta cần suy nghĩ làm sao để tìm ra tín hiệu then chốt trong ngữ cảnh đa phương tiện, ví dụ như ứng viên có hào hứng không, có gian lận không, v.v. Chúng ta cần tạo dữ liệu phù hợp để mô hình chú ý đến các tín hiệu này, các phòng thí nghiệm tiên phong cũng đang nâng cao năng lực nền tảng.
Jacob: Như anh nói, chỉ trong vài năm ngắn ngủi, thị trường gắn nhãn đã thay đổi lớn. Anh nghĩ hai năm nữa sẽ thế nào? Lĩnh vực này còn tồn tại không? Hay chỉ còn lại các chuyên gia?
Brendan: Tôi nghĩ sẽ là một phần rất quan trọng. Khởi nghiệp của chúng tôi xuất phát từ mong muốn tập hợp lực lượng lao động, giúp phân bổ lao động hiệu quả hơn. Chìa khóa là dự đoán vai trò của con người trong nền kinh tế năm năm nữa.
Tôi thấy xu hướng là, tương lai con người sẽ tập trung vào việc tạo ra các bài đánh giá, để mô hình học những điều mà nó chưa thể làm, thay vì lặp đi lặp lại cùng một nhiệm vụ. Vì vậy tôi đánh giá rất cao xu hướng công việc tri thức chuyển sang đánh giá, có thể hình thức sẽ linh hoạt hơn, ví dụ như đối thoại với AI phỏng vấn để giải quyết vấn đề. Tôi cho rằng đây là một phần quan trọng của nền kinh tế, nhưng đa số chưa nhận ra, vì mọi người hay nhầm lẫn với thị trường SFT, RHF, mà giá trị của hai loại dữ liệu này đang giảm, ngân sách cũng đang thu hẹp.
Patrick: Anh nghĩ kỹ năng nào đáng培养 nhất trong tương lai? Nếu anh khuyên sinh viên nên học gì, anh sẽ nói gì?
Brendan: Tôi nhất định khuyên mọi người theo đuổi khả năng học nhanh, vì thay đổi quá nhanh. Nhiều lĩnh vực, người ta nghĩ mô hình sẽ mãi không làm được, nhưng rồi đột phá rất nhanh. Cần thường xuyên hợp tác với AI. Người trên thị trường của chúng tôi thường nói, họ thích làm việc cả ngày với mô hình, suy nghĩ điều gì mô hình chưa làm được, thiếu gì. Những kinh nghiệm này giúp họ trong công việc thực tế đánh giá khâu nào dùng AI hiệu quả hơn. Vì vậy hãy dùng mô hình nhiều nhất có thể, làm quen với ưu nhược điểm của chúng trong lĩnh vực của bạn. Điều này rất hữu ích, nhưng khó nói nhất định phải làm kỹ sư phần mềm hay nghề gì khác.
Jacob: Rất thú vị, tương lai chúng ta có thể dành rất nhiều thời gian để huấn luyện mô hình. Kỹ năng cứng có đúng sai, nhưng lĩnh vực chủ quan gần như vô hạn. Có lẽ sau này chúng ta còn có thể làm việc cho mô hình riêng của mình để kiếm tiền.
Brendan: Hoàn toàn đồng ý. Tôi cũng khuyên mọi người nên chú ý đến các lĩnh vực có độ co giãn nhu cầu cao. Ví dụ như phát triển phần mềm, trong nền kinh tế có nhu cầu gấp 100, gấp 1000 lần, dù không phải 1000 ứng dụng web mới, nhưng cũng có rất nhiều cải tiến chức năng, tối ưu thuật toán sắp xếp, v.v. So với kế toán, nhu cầu rất cố định. Vì vậy hãy cố gắng vào các lĩnh vực nhu cầu sẽ tăng mạnh, có thể nâng cao năng suất tổng thể, như vậy an toàn hơn.
Patrick: Anh nói rất đúng. Tôi vừa nói chuyện với một nhà sáng lập, anh ấy nói, mọi người đều nói kỹ sư phần mềm sẽ bị loại bỏ, nhưng thực ra tôi thực sự cần thêm nhiều kỹ sư phần mềm hơn.
Brendan: Tôi cũng rất hào hứng. Nếu năng suất kỹ sư phần mềm của chúng tôi tăng mười lần, chúng tôi có thể sẽ thuê thêm nhiều kỹ sư phần mềm hơn. Vì vậy mối quan hệ giữa nhu cầu và giá cả luôn rất thú vị.
Jacob: Lúc khởi nghiệp, hẳn anh cũng từng bị cám dỗ làm các công cụ hợp tác tuyển dụng hoặc phần mềm cho các trung gian chứ? Tại sao anh quyết định làm dịch vụ đầu cuối? Quyết định này có được xác định ngay từ đầu không?
Brendan: Ban đầu chúng tôi có rất nhiều suy luận nguyên lý cơ bản, ngược lại có lợi thế, vì chúng tôi chưa từng thấy cách làm truyền thống. Chúng tôi biết vấn đề bạn bè muốn giải quyết là tìm được kỹ sư phần mềm đáng tin cậy, vì vậy chúng tôi đảm nhận toàn bộ quy trình. Nhưng bây giờ nhìn lại, tôi nghĩ ngày càng nhiều công ty sẽ đi theo hướng đầu cuối, vì không cần thiết phát triển công cụ hợp tác cho một vị trí có thể sẽ biến mất trong tương lai, hợp lý hơn là tự động hóa toàn bộ quy trình, để nó có thể học hỏi và tối ưu từ phản hồi.
Jacob: Đúng vậy, đặc biệt là thị trường lao động dữ liệu mà anh làm, rất phù hợp để làm đầu cuối khi năng lực AI chưa chín muồi. Nếu không có thị trường này, anh có thể đã làm công cụ hợp tác trước.
Brendan: Đúng vậy, ví dụ như tuyển dụng toàn thời gian, khách hàng chắc chắn muốn nhân viên đứng dưới tên họ. Chúng tôi rất may mắn, mô hình vận hành của công ty và sự thay đổi nhu cầu thị trường rất ăn khớp.
Jacob: Ban đầu anh giúp bạn bè tìm nhân viên hợp đồng, lúc đầu anh có nghĩ đây là công việc phụ, sau mới thành chính? Khi nào khiến anh quyết tâm khởi nghiệp toàn thời gian?
Brendan: Thực ra tôi luôn khởi nghiệp từ cấp ba, công ty làm khá tốt, nên tôi ban đầu không muốn vào đại học, nói với bố mẹ họ cũng không vui, sau đó để an ủi họ tôi vẫn nộp đơn, nhưng luôn nói với họ tôi sẽ bỏ học, họ cũng không tin, nghĩ rằng vì tôi đã hứa học thì sẽ không bỏ. Nhưng mỗi học kỳ tôi đều nói cùng một câu, cuối cùng thật sự bỏ học, cũng không báo trước, vì tôi đã nói suốt hai năm rồi.
Patrick: Tôi早就 biết anh sẽ bỏ học.
Brendan: Với tôi, tôi rất rõ mình muốn khởi nghiệp, muốn làm việc có ảnh hưởng, chứ không phải học những môn học cảm giác vô dụng. Thực ra tôi luôn tìm kiếm việc đáng để dốc sức. Cộng sự của tôi ban đầu cũng làm công việc phụ, muốn có đủ bằng chứng thuyết phục bố mẹ bỏ học. Yêu cầu của bố mẹ họ là phải gọi vốn thành công, dù công ty đã có doanh thu và lợi nhuận một triệu đô cũng không được, nhất định phải có vòng hạt giống. Vì vậy bố mẹ mới là “nhà đầu tư thiên thần” của các VC – chỉ khi gọi vốn thành công mới có “độ tin cậy”.
Jacob: Đúng vậy, không có bố mẹ thì không có VC.
Brendan: Đây chính là “sự bảo chứng của quyền lực”.
Patrick: Nói đến gọi vốn, anh vừa hoàn tất vòng Series B trị giá 100 triệu USD (tháng Hai năm nay), xin chúc mừng! Số tiền này sẽ dùng thế nào? Anh đánh giá thời điểm nào nên gọi vốn ra sao?
Brendan: Thực ra chúng tôi chỉ chủ động gọi vốn duy nhất một lần là vòng hạt giống, để thuyết phục bố mẹ bỏ học. Vòng A và vòng B đều bị các nhà đầu tư “giành giật” đầu tư. Triết lý của chúng tôi là giữ tỷ lệ pha loãng khoảng 5%, xây “kho vũ khí”, dùng để đầu tư phát triển sản phẩm, ví dụ như khuyến khích giới thiệu, sản phẩm tiêu dùng sáng tạo, mở rộng nguồn cung thị trường, cũng sẽ đầu tư thêm dữ liệu hậu huấn luyện, nâng cao khả năng dự đoán hiệu suất mô hình. Nút thắt cổ chai lớn nhất của đội ML chúng tôi thực ra là làm thêm nhiều bài đánh giá và môi trường huấn luyện, điều này vừa vặn phù hợp với nghiệp vụ chính của chúng tôi.
Jacob: Khách hàng của anh có rất nhiều công ty mô hình nền tảng, anh nhìn nhận thế nào về tương lai lĩnh vực này? Có người nói sẽ chỉ còn lại hai ba gã khổng lồ, anh nghĩ cuối cùng sẽ có bao nhiêu đối thủ? Họ sẽ khác biệt hóa thế nào?
Brendan: Đây là câu hỏi hay. Tôi tin chắc OpenAI hiện tại và tương lai sẽ là một công ty sản phẩm, chứ không phải công ty API. Nhiều khả năng API sẽ bị hàng hóa hóa, chìa khóa là cách tích hợp sâu vào bối cảnh khách hàng, đây mới là nguồn gốc quyền định giá. Nhưng thị trường đủ lớn, mỗi bên đều có thể hấp thụ giá trị lớn trong lĩnh vực ngách. Ngay cả phòng thí nghiệm chuyên về quỹ phòng hộ cũng có thể kiếm lợi nhuận khổng lồ. Mọi người thích dùng chủ nghĩa kinh nghiệm nói các công ty này định giá ảo, nhưng nếu bạn xuất phát từ nguyên lý cơ bản “tự động hóa công việc tri thức”, các đội hàng đầu này nhất định có thể xây dựng công ty vĩ đại.
Jacob: Hiện nay mô hình có khả năng tổng quát hóa mạnh giữa các lĩnh vực, nên cảm giác như người thắng giành hết, hay vẫn sẽ có những ngôi sao trong lĩnh vực ngách? Ví dụ về quỹ phòng hộ của anh rất thú vị, cho thấy tầng ứng dụng vẫn còn nhiều không gian.
Brendan: Đúng vậy, tập trung rất có giá trị. Tôi nghĩ làm API chung không phải là mô hình kinh doanh tốt, cuối cùng chỉ còn lại một công ty. Giá trị sẽ nằm nhiều hơn ở tầng ứng dụng, mỗi lĩnh vực dọc và bối cảnh khách hàng đều cần tùy chỉnh sâu.
Jacob: Anh nghĩ các mô hình tùy chỉnh này sẽ cần rất nhiều gắn nhãn phức tạp chứ?
Brendan: Chắc chắn rồi. Ví dụ như mỗi công ty giao dịch đều có thể tạo bài đánh giá riêng cho phân tích giao dịch độc đáo của họ, xác định kết luận nào chính xác, nào không, có thể chuyển hóa thành lợi nhuận hay không. Nếu có đội hậu huấn luyện hàng đầu chuyên tối ưu phân tích giao dịch, nhanh hơn cả trader con người, thì cơ hội lớn kinh khủng.
Jacob: Cảm giác một số công ty giao dịch nên có chiến lược tối ưu là tạm ngừng giao dịch, dành chín tháng để tập trung hậu huấn luyện mô hình.
Brendan: Tôi thực sự ngạc nhiên, nhiều công ty giao dịch đầu tư vào hậu huấn luyện ít hơn tôi tưởng, có thể do yếu tố địa lý – họ chủ yếu ở New York, phòng thí nghiệm và nhà nghiên cứu đều ở San Francisco, và các nhà nghiên cứu hàng đầu thích làm AI hơn, không muốn chỉ vì kiếm tiền. Nhưng tôi tin họ sẽ đầu tư mạnh, hình thành hợp tác hàng chín đến mười con số với các phòng thí nghiệm tiên phong, tùy chỉnh ứng dụng riêng của mình.
Jacob: Hiện tại điều chưa biết lớn nhất của anh trong lĩnh vực AI là gì? Nếu biết được câu trả lời, sẽ ảnh hưởng thế nào đến vận hành công ty?
Brendan: Vẫn là điều anh vừa nói, con người sẽ làm gì trong năm, mười năm tới. Đây là câu hỏi cực kỳ khó, cũng là một phần sứ mệnh của công ty. Chúng tôi có nhiều trực giác, nhưng thế giới thay đổi quá nhanh. Rất nhiều công việc sẽ bị tự động hóa, chúng ta cần hiểu rõ hơn về cơ hội mới và vai trò kinh tế của con người trong tương lai, điều này rất quan trọng.
Jacob: Anh nghĩ về mặt chính sách nên làm gì thêm? Các tổ chức khác nên đảm nhận vai trò gì?
Brendan: Tất nhiên. Nhiều nhà quản lý đang quan tâm đến những điều thực tế rất xa với người dân. Tôi nghĩ trong hai ba năm tới, mọi người sẽ thực sự lo lắng rằng, mô hình AI vượt trội hơn con người ở rất nhiều công việc, chúng ta cần tìm cách để con người hòa nhập vào nền kinh tế, điều này chắc chắn xảy ra. Đây không phải rủi ro xác suất thấp nhưng ảnh hưởng lớn, mà là xu hướng tất yếu. Vì vậy, các nhà quản lý nên chủ động hơn trong việc lập kế hoạch tương lai, quản lý kỳ vọng công chúng, nói cho mọi người biết vài năm nữa thế giới sẽ ra sao.
Jacob: Đúng vậy, hiện tại thậm chí tái đào tạo còn chưa nói rõ được.
Brendan: Đúng vậy. Nhưng tôi hy vọng sẽ có thêm nhiều thảo luận, chú ý nhiều hơn đến hình thái công việc thế hệ tiếp theo, cũng như định hướng rõ hơn cho sinh viên và người tìm việc.
Jacob: Chúng tôi thích kết thúc phỏng vấn bằng một vòng hỏi nhanh, đặt vài câu hỏi rộng, muốn nghe quan điểm ngắn gọn của anh. Anh nghĩ điều gì trong lĩnh vực AI bị thổi phồng quá mức, và điều gì bị đánh giá thấp?
Brendan: Câu hỏi hay. Tôi nghĩ đánh giá (E-vals) bị đánh giá thấp nghiêm trọng. Dù hiện tại đã rất nóng, nhưng tôi cho rằng vẫn bị đánh giá thấp rất nhiều.
Jacob: Pháo đài cuối cùng của năng lực con người.
Brendan: Tôi nghĩ bị thổi phồng quá mức là các dữ liệu truyền thống như SFT, RHF. Có công ty đã chi hàng chục tỷ đô vào đây, thực ra hoàn toàn không cần thiết, chi phí nên giảm một cấp độ, xu hướng này sẽ thay đổi.
Patrick: Năm qua, quan điểm nào của anh về lĩnh vực AI đã thay đổi?
Brendan: Thú vị. Tôi đã đẩy sớm đáng kể dự kiến về thời điểm tự động hóa kỹ thuật phần mềm. Trước đây tôi còn nghi ngờ về thời gian biểu mà các nhà nghiên cứu đưa ra cho “AI có thể viết PR có tỷ lệ chấp nhận cao hơn con người”, giờ tôi nghĩ sẽ xảy ra vào cuối năm nay hoặc nửa đầu năm sau, điều này sẽ rất tuyệt.
Jacob: Đúng vậy. Thực ra hai năm trước, nếu nói AI có khả năng như hiện tại, mọi người đều nghĩ sẽ thay đổi thế giới, nhưng khi thật sự đạt được, lại không gây sốc bằng. Anh nghĩ điều này có dẫn đến thay đổi lớn về việc làm kỹ sư phần mềm không, hay chỉ là thay đổi 10–20%?
Brendan: Vấn đề then chốt vẫn là “độ co giãn nhu cầu” mà chúng ta đã nói. Ngắn hạn tôi không lo kỹ sư thất nghiệp, vì công cụ giúp họ hiệu quả hơn, ngược lại sẽ có nhiều phần mềm cần viết hơn. Nhưng bản chất công việc chắc chắn sẽ thay đổi, người hiểu sản phẩm, hiểu điểm yếu mô hình sẽ có lợi thế hơn.
Patrick: Ngoài công ty anh, anh đánh giá cao công ty khởi nghiệp AI nào nhất?
Brendan: Tôi rất đánh giá cao năng lực mã nguồn của OpenAI, dù câu trả lời này không đủ “ngược chiều”. Tôi cũng nghĩ tương lai sẽ có rất nhiều tác nhân thông minh tùy chỉnh, có một công ty ở Pháp vẫn đang trong chế độ ẩn danh, tôi rất quan tâm.
Jacob: Vậy anh chắc chắn không thể nói trên podcast rồi, để sau khi ghi hình xong chúng tôi sẽ ép anh tiết lộ (cười).
Chào mừng tham gia cộng đồng chính thức TechFlow
Nhóm Telegram:https://t.me/TechFlowDaily
Tài khoản Twitter chính thức:https://x.com/TechFlowPost
Tài khoản Twitter tiếng Anh:https://x.com/BlockFlow_News
