YC AI Startup Camp Ngày 2: Nadella, Andrew Ng, CEO của Cursor đều đến tham dự
Tuyển chọn TechFlowTuyển chọn TechFlow
YC AI Startup Camp Ngày 2: Nadella, Andrew Ng, CEO của Cursor đều đến tham dự
Mục đích tốt nhất của AI là tăng tốc độ lặp lại, chứ không phải theo đuổi "phép màu" tạo ra mọi thứ chỉ bằng một cú nhấp chuột.
Chuyên sâu báo cáo Web3Tổng hợp: Founder Park
Ngày thứ hai của YC AI Startup School chào đón bảy diễn giả hàng đầu: Satya Nadella (CEO Microsoft), Andrew Ng (Người sáng lập Deep Learning.AI), Chelsea Finn (Đồng sáng lập Physical Intelligence), Michael Truell (CEO & Đồng sáng lập Cursor), Dylan Field (CEO & Đồng sáng lập Figma), Andrej Karpathy (Cựu Giám đốc AI Tesla) và Sriram Krishnan (Chuyên gia chính sách cấp cao về trí tuệ nhân tạo tại Nhà Trắng).
Xung quanh các chủ đề như công nghệ AI và khởi nghiệp, những chuyên gia này đã chia sẻ nhiều quan điểm sâu sắc trong bài phát biểu của mình, ví dụ như:
-
Không nên nhân cách hóa AI. AI không phải con người, mà là một công cụ. Biên giới tiếp theo là trao cho nó khả năng ghi nhớ, sử dụng công cụ và hành động – nhưng điều này hoàn toàn khác biệt với tư duy con người.
-
Trong tương lai, tác nhân (agent) sẽ trở thành thế hệ máy tính mới. Tương lai này không chỉ phụ thuộc vào độ chính xác kỹ thuật, mà còn vào sự tin tưởng của người dùng và trải nghiệm tương tác liền mạch.
-
Các sản phẩm có vòng phản hồi, như Agentic AI, hiệu suất vượt trội so với các công cụ chỉ hoàn thành nhiệm vụ "một lần". Tương tác liên tục giúp tối ưu kết quả, còn lặp lại mang lại hiệu suất tăng theo cấp số nhân.
-
Tốc độ xây dựng nguyên mẫu hiện nay nhanh hơn 10 lần, hiệu suất phát triển phần mềm ở cấp độ sản xuất cũng tăng 30-50%. Cần tận dụng lợi thế này để giảm rủi ro thị trường thông qua phản hồi người dùng theo thời gian thực.
-
Mã nguồn không còn là tài sản cốt lõi khan hiếm như trước. Với các công cụ nguyên mẫu nhanh và AI, mã nguồn dễ dàng được tạo ra. Điều thực sự quan trọng là giá trị mà mã nguồn đó mang lại.
-
Dữ liệu từ thế giới thực là không thể thay thế. Dù dữ liệu tổng hợp và mô phỏng có ích, dữ liệu thực vẫn cực kỳ quan trọng, đặc biệt với các tác vụ thị giác và vật lý phức tạp.
-
Mục đích tốt nhất của AI là tăng tốc độ lặp, chứ không phải tìm kiếm phép màu "tạo ngay một cú nhấp". Các nhà thiết kế và quản lý sản phẩm giờ đây cần đóng góp tích cực trong việc đánh giá AI.
Ngoài Andrej Karpathy (phần chia sẻ của Andrej Karpathy xem thêm bài viết hôm qua của chúng tôi “Ngày đầu YC AI Startup Camp, bài phát biểu của Andrej Karpathy gây bão mạng”) và Sriram Krishnan, dưới đây là tóm tắt các quan điểm chính từ năm diễn giả còn lại.
CEO Microsoft: Satya Nadella
1. Hiệu ứng cộng hưởng nền tảng: AI không xuất hiện từ hư vô, mà được xây dựng trên cơ sở hạ tầng điện toán đám mây đã phát triển suốt vài thập kỷ, đủ mạnh để hỗ trợ huấn luyện mô hình quy mô lớn. Mỗi thế hệ nền tảng đều đặt nền móng cho thế hệ tiếp theo.
2. Mô hình là cơ sở hạ tầng, sản phẩm là hệ sinh thái: Mô hình nền tảng giống như cơ sở dữ liệu SQL kiểu mới. Sản phẩm thực sự không phải bản thân mô hình, mà là toàn bộ hệ sinh thái xoay quanh nó: vòng phản hồi, tích hợp công cụ và trải nghiệm người dùng.
3. Tác động kinh tế là tiêu chuẩn then chốt: Chỉ số định hướng (North Star) của Satya để đo giá trị AI là: “Liệu nó có đang tạo ra thặng dư kinh tế không?” Nếu một công nghệ không thúc đẩy tăng trưởng GDP, thì nó chưa phải là bước ngoặt.
4. Ranh giới giữa năng lực tính toán và trí tuệ: Mức độ thông minh tăng theo cấp logarit khi đầu tư năng lực tính toán. Nhưng bước đột phá lớn trong tương lai sẽ không đến từ quy mô đơn thuần, mà từ sự chuyển đổi mô hình – như một “khoảnh khắc định luật quy mô” tiếp theo.
5. Năng lượng và sự đồng thuận xã hội: Việc mở rộng quy mô AI đòi hỏi nhiều năng lượng hơn, và cần sự chấp thuận từ xã hội. Để giành được sự chấp thuận, chúng ta phải chứng minh lợi ích xã hội tích cực và thực tế của AI xứng đáng với chi phí bỏ ra.
6. Thách thức thực sự của AI là quản lý thay đổi: Rào cản trong ngành truyền thống không nằm ở công nghệ, mà ở các quy trình làm việc cố hữu. Chuyển đổi thực sự cần suy nghĩ lại cách thực hiện công việc, chứ không chỉ đơn giản là đưa AI vào.
7. Sự hòa nhập vai trò công việc: Trên LinkedIn và các nền tảng khác, các vai trò như thiết kế, frontend và sản phẩm đang dần hòa nhập, tạo ra nhân tài "full-stack". AI giúp ngày càng nhiều người có khả năng đa ngành, thúc đẩy xu hướng này.
8. Đừng coi thường giá trị của công việc lặp lại: Trong công việc tri thức tồn tại rất nhiều lao động tay chân lặp đi lặp lại. Ứng dụng tốt nhất của AI là loại bỏ "chi phí ma sát vô hình" này, giải phóng sức sáng tạo con người.
9. Giữ tâm thế cởi mở với tương lai: Ngay cả Satya cũng không dự đoán được tiến triển của "tính toán lúc suy luận" (test-time compute) và học tăng cường (reinforcement learning) lại nhanh đến vậy. Đừng giả định rằng ta đã thấy hình dạng cuối cùng của AI – có thể còn nhiều đột phá phía trước.
10. Không nên nhân cách hóa AI: AI không phải con người. Nó là một công cụ. Biên giới tiếp theo là trao cho nó trí nhớ, công cụ và khả năng hành động – nhưng điều này hoàn toàn khác biệt với tư duy con người.
11. Tương lai của phát triển phần mềm: AI sẽ không thay thế lập trình viên, mà trở thành trợ thủ đắc lực. VSCode là một khung vẽ để cộng tác với AI. Cốt lõi kỹ thuật phần mềm sẽ chuyển từ viết mã sang thiết kế hệ thống và đảm bảo chất lượng.
12. Trách nhiệm và niềm tin là thiết yếu: Sự xuất hiện của AI không miễn trừ trách nhiệm con người. Doanh nghiệp vẫn phải chịu trách nhiệm pháp lý về hành vi sản phẩm. Vì vậy, quyền riêng tư, an ninh và chủ quyền phải luôn ở vị trí trung tâm.
13. Niềm tin bắt nguồn từ giá trị thực tiễn: Niềm tin đến từ tính hữu ích, chứ không phải lời hoa mỹ. Satya lấy ví dụ chatbot dành cho nông dân Ấn Độ – sự giúp đỡ cụ thể, nhìn thấy được, là nền tảng xây dựng niềm tin.
14. Từ giọng nói đến tác nhân: Hành trình AI của Microsoft bắt đầu từ công nghệ giọng nói năm 1995. Hiện nay, trọng tâm chiến lược đã chuyển sang các "tác nhân" (agents) đầy đủ chức năng, tích hợp giọng nói, thị giác và thiết bị tính toán khắp nơi.
15. Tác nhân chính là máy tính tương lai: Tầm nhìn dài hạn của Satya là: “Tác nhân sẽ trở thành thế hệ máy tính mới.” Tương lai này không chỉ phụ thuộc vào độ chính xác kỹ thuật, mà còn vào sự tin tưởng của người dùng và trải nghiệm tương tác liền mạch.
16. Bài học về lãnh đạo: Ông khuyên nên bắt đầu từ vị trí thấp nhất, nhưng nuôi hoài bão lớn nhất. Hãy học cách xây dựng đội ngũ, chứ không chỉ phát triển một sản phẩm.
17. Kiểu người Satya trân trọng: Những người đơn giản hóa vấn đề, mang lại tư duy rõ ràng; khơi dậy năng lượng đội nhóm, tập hợp mọi người; thích thú giải quyết vấn đề phức tạp trong điều kiện giới hạn.
18. Câu hỏi phỏng vấn yêu thích: “Hãy kể tôi nghe về một vấn đề bạn từng không biết cách giải quyết, và bạn đã xử lý nó như thế nào?” Ông muốn thấy sự tò mò, khả năng thích nghi và ý chí kiên trì của ứng viên.
19. Tiềm năng của máy tính lượng tử: Công nghệ đột phá tiếp theo có thể đến từ lĩnh vực lượng tử. Microsoft đang tập trung nghiên cứu “qubit sửa lỗi”, công nghệ này có thể cho phép mô phỏng thế giới tự nhiên với độ chính xác chưa từng có.
20. Lời khuyên cho giới trẻ: Đừng chờ đợi sự cho phép từ người khác. Hãy xây dựng những công cụ thực sự trao quyền cho người khác. Ông thường tự hỏi: “Ta có thể tạo ra gì để giúp người khác sáng tạo?”
21. Sản phẩm yêu thích: VSCode và Excel – vì chúng trao cho con người siêu năng lực.
Người sáng lập Deep Learning.AI: Andrew Ng
1. Tốc độ thực thi quyết định thành bại: Chỉ số tốt nhất đo lường khả năng thành công của một startup là tốc độ xây dựng, thử nghiệm và lặp lại. Tốc độ tạo ra hiệu ứng lãi kép từ việc học, và AI khiến hiệu ứng này tăng theo cấp số mũ.
2. Cơ hội nằm chủ yếu ở tầng ứng dụng: Phần lớn lợi nhuận hiện nay không đến từ việc xây dựng mô hình mới, mà từ việc áp dụng các mô hình hiện có vào các tình huống có giá trị, hướng tới người dùng. Đây mới là nơi các founder nên tập trung.
3. Agentic AI vượt trội hơn công cụ “một lần”: Các sản phẩm có vòng phản hồi, như Agentic AI, hiệu suất vượt xa các công cụ chỉ hoàn thành nhiệm vụ một lần. Tương tác liên tục tối ưu kết quả, lặp lại tạo ra hiệu suất tăng theo cấp số nhân.
4. Lớp điều phối đang nổi lên: Một lớp trung gian mới đang hình thành giữa mô hình nền tảng và ứng dụng: điều phối tác nhân (agent orchestration). Lớp này hỗ trợ các tác vụ phức tạp nhiều bước xuyên suốt các công cụ và nguồn dữ liệu.
5. Ý tưởng càng cụ thể, thực thi càng nhanh: Cách tốt nhất để hành động nhanh là bắt đầu từ một ý tưởng cụ thể, chi tiết đến mức kỹ sư có thể lập tức bắt tay xây dựng. Những ý tưởng hay thường đến từ các chuyên gia lĩnh vực có trực giác rõ ràng.
6. Tránh bẫy “câu chuyện lớn”: Những mục tiêu trừu tượng như “AI cho y tế” nghe có vẻ tham vọng, nhưng thường dẫn đến hành động chậm chạp. Thứ thật sự tạo hiệu quả là các công cụ nhỏ và cụ thể như “tự động hóa đặt lịch MRI”.
7. Dám điều chỉnh định hướng, nhưng phải đi đúng bước đầu tiên: Nếu dữ liệu ban đầu cho thấy ý tưởng không khả thi, một phương án ban đầu cụ thể sẽ giúp bạn dễ dàng chuyển hướng hơn. Chỉ khi hiểu rõ bạn đang kiểm tra điều gì, bạn mới có thể nhanh chóng chuyển sang hướng khác sau thất bại.
8. Sử dụng vòng phản hồi để giảm rủi ro: Tốc độ xây dựng nguyên mẫu hiện nay nhanh hơn 10 lần, hiệu suất phát triển phần mềm ở cấp độ sản xuất cũng tăng 30-50%. Cần tận dụng lợi thế này để giảm rủi ro thị trường thông qua phản hồi người dùng theo thời gian thực.
9. Làm nhiều hơn là theo đuổi sự hoàn hảo: Đừng cố hoàn thiện phiên bản đầu tiên. Hãy xây dựng 20 nguyên mẫu thô sơ, xem cái nào sống sót. Tốc độ học hỏi quan trọng hơn việc mài giũa.
10. Hành động nhanh và chịu trách nhiệm: Andrew Ng tái định nghĩa khẩu hiệu Silicon Valley: đừng “hành động nhanh và phá vỡ”, mà hãy “hành động nhanh và chịu trách nhiệm”. Trách nhiệm là nền tảng xây dựng niềm tin.
11. Mã nguồn đang mất đi giá trị khan hiếm: Mã nguồn không còn là tài sản cốt lõi khan hiếm như trước. Với các công cụ nguyên mẫu nhanh và AI, mã nguồn dễ dàng được tạo ra. Điều thực sự quan trọng là giá trị mà mã nguồn đó mang lại.
12. Kiến trúc công nghệ có thể đảo ngược: Trước đây, chọn kiến trúc là quyết định một chiều. Giờ đây, đó là cánh cửa hai chiều – chi phí thay đổi kiến trúc giảm mạnh. Tính linh hoạt này khuyến khích thử nghiệm táo bạo và nhanh hơn.
13. Ai cũng nên học lập trình: Luận điểm “đừng học lập trình” là sai lệch. Khi chuyển từ hợp ngữ sang ngôn ngữ bậc cao, người ta cũng từng lo lắng tương tự. AI đang hạ thấp rào cản lập trình – tương lai, nhiều vị trí hơn nên nắm được kỹ năng này.
14. Kiến thức chuyên môn giúp AI tốt hơn: Hiểu sâu một lĩnh vực giúp bạn vận dụng AI hiệu quả hơn. Nhà sử học nghệ thuật viết prompt hình ảnh tốt hơn. Bác sĩ tạo ra AI sức khỏe tốt hơn. Các founder nên kết hợp kiến thức chuyên môn với năng lực AI.
15. Quản lý sản phẩm giờ là điểm nghẽn: Rào cản hiện nay không phải kỹ thuật, mà là quản lý sản phẩm. Một nhóm của Andrew Ng thậm chí đề xuất tỷ lệ 2 product manager : 1 kỹ sư để tăng tốc phản hồi và ra quyết định.
16. Kỹ sư cần tư duy sản phẩm: Kỹ sư có trực giác sản phẩm hành động nhanh hơn, tạo ra sản phẩm tốt hơn. Chỉ có năng lực kỹ thuật là chưa đủ – họ cũng cần hiểu sâu nhu cầu người dùng.
17. Lấy phản hồi nhanh nhất có thể: Andrew Ng đề xuất thứ tự lấy phản hồi (từ nhanh nhất đến chậm nhất): tự dùng thử nội bộ (dogfood) → hỏi bạn bè → hỏi người lạ → phát hành giới hạn cho nghìn người dùng → A/B test toàn cầu. Startup nên nhanh chóng leo lên chuỗi này.
18. Kiến thức AI sâu sắc vẫn là lợi thế cạnh tranh: Năng lực AI chưa phổ biến. Những người thực sự hiểu nguyên lý công nghệ AI vẫn có lợi thế lớn – họ có thể đổi mới một cách thông minh, hiệu quả và độc lập hơn.
19. Xôn xao ≠ Sự thật: Cẩn thận với các câu chuyện nghe ấn tượng nhưng chủ yếu phục vụ gọi vốn hoặc nâng tầm. Các thuật ngữ như AGI, tuyệt chủng, trí tuệ vô hạn thường là dấu hiệu của sự thổi phồng, chứ không phải ảnh hưởng thực tế.
20. An toàn nằm ở cách dùng, không phải công nghệ: Khái niệm “an toàn AI” thường bị hiểu sai. AI như điện hay lửa – bản thân không tốt hay xấu, tùy vào cách sử dụng. An toàn nằm ở cách dùng, chứ không phải ở công cụ.
21. Điều duy nhất quan trọng là người dùng có yêu thích không: Đừng quá lo về chi phí mô hình hay điểm chuẩn hiệu suất. Câu hỏi duy nhất cần quan tâm là: Bạn có đang tạo ra sản phẩm mà người dùng thực sự yêu thích và sẵn sàng dùng lâu dài?
22. AI giáo dục vẫn đang trong giai đoạn khám phá: Các công ty như Kira Learning đang thực hiện nhiều thí nghiệm, nhưng hình thái cuối cùng của AI trong giáo dục vẫn chưa rõ. Chúng ta vẫn đang ở giai đoạn đầu chuyển đổi.
23. Cẩn trọng với “thuyết tận thế” và “bắt giữ quy định”: Nỗi sợ hãi thái quá về AI đang bị dùng để biện minh cho các quy định bảo vệ doanh nghiệp hiện hữu. Cần nghi ngờ các câu chuyện “an toàn AI” có lợi cho những người đang nắm quyền lực.
Đồng sáng lập Physical Intelligence: Chelsea Finn
1. Công nghệ robot cần tư duy toàn hệ thống: Bạn không thể đơn giản thêm công nghệ robot vào một công ty hiện có. Bạn cần xây dựng toàn bộ stack từ đầu – dữ liệu, mô hình, triển khai.
2. Chất lượng dữ liệu quan trọng hơn số lượng: Các tập dữ liệu khổng lồ từ ngành công nghiệp, YouTube hay môi trường mô phỏng thường thiếu tính đa dạng và thực tế. Dữ liệu đúng và chất lượng cao quan trọng hơn quy mô.
3. Mô hình tốt nhất: Tiền huấn luyện + Tinh chỉnh: Đầu tiên tiền huấn luyện trên tập dữ liệu rộng, sau đó tinh chỉnh bằng khoảng 1.000 mẫu chất lượng cao, nhất quán về bối cảnh – phương pháp này cải thiện đáng kể hiệu suất robot.
4. Robot tổng quát vượt trội hơn chuyên dụng: Các mô hình tổng quát có thể hoạt động trên nhiều nhiệm vụ và nền tảng phần cứng (như robot bên thứ ba) đang chứng minh thành công hơn các hệ thống được xây dựng cho mục đích cụ thể.
5. Dữ liệu từ thế giới thực là không thể thay thế: Dù dữ liệu tổng hợp và mô phỏng có ích, dữ liệu thực vẫn cực kỳ quan trọng, đặc biệt với các tác vụ thị giác và vật lý phức tạp.
6. Quá nhiều nguồn lực có thể phản tác dụng: Tài trợ quá mức hoặc làm mọi thứ quá phức tạp sẽ làm chậm tiến độ. Sự rõ ràng về vấn đề và thực thi tập trung mới là quan trọng nhất.
CEO & Đồng sáng lập Cursor: Michael Truell
1. Bắt đầu sớm và tiếp tục xây dựng: Dù cộng sự rút lui, Michael vẫn tiếp tục lập trình. Thành công lan truyền nhanh ban đầu (một bản sao Flappy Bird) giúp ông xây dựng niềm tin và kỹ năng.
2. Xác minh nhanh, ngay cả trong lĩnh vực không quen: Nhóm của họ xây dựng trợ lý lập trình cho ngành cơ khí dù không có kinh nghiệm trước đó. Triết lý của họ là “học qua thực hành”.
3. Định vị khác biệt, không sợ đối đầu với gã khổng lồ: Họ từng do dự khi cạnh tranh với GitHub Copilot, nhưng sau đó nhận ra ít công ty nào thực sự hướng tới “tự động hóa toàn bộ quy trình phát triển”. Định vị này mở ra thị trường cho họ.
4. Hành động nhanh từ mã đến phát hành: Từ dòng mã đầu tiên đến phát hành công khai, họ chỉ mất 3 tháng. Lặp lại nhanh giúp họ nhanh chóng hiệu chỉnh định hướng sản phẩm.
5. Tập trung hơn là phức tạp: Họ dứt khoát từ bỏ kế hoạch vừa phát triển IDE (môi trường phát triển tích hợp) vừa phát triển công cụ AI. Tập trung vào chức năng AI giúp họ phát triển nhanh hơn.
6. Phân phối có thể bắt đầu từ một bài đăng: Tăng trưởng người dùng ban đầu của Cursor bắt nguồn từ một bài đăng trên mạng xã hội của đồng sáng lập. Trước khi quảng bá chính thức, lan truyền miệng đã là động lực chính.
7. Hiệu ứng lãi kép của năng lực thực thi: Năm 2024, doanh thu định kỳ hàng năm của Cursor tăng từ 1 triệu USD lên 100 triệu USD trong một năm, đạt tăng trưởng kép hàng tuần 10% nhờ cải tiến sản phẩm và đáp ứng nhu cầu người dùng.
8. Lời khuyên tốt nhất: Theo đuổi sự tò mò: Hãy quên những việc làm chỉ để tô đẹp hồ sơ. Lời khuyên chính của Michael là: Làm việc bạn yêu thích cùng những người thông minh.
CEO & Đồng sáng lập Figma: Dylan Field
1. Tìm một cộng sự truyền cảm hứng cho bạn: Động lực của Dylan đến từ việc hợp tác với cộng sự Evan Wallace – “Tuần nào cũng cảm giác như đang tạo ra tương lai.”
2. Bắt đầu sớm, học khi làm: Dylan khởi nghiệp lúc 19 tuổi, còn đang đi học. Những dự án thất bại ban đầu như “trình tạo meme” cuối cùng đã rèn giũa nên ý tưởng vĩ đại như Figma.
3. Phát hành nhanh, nhận phản hồi nhanh hơn: Họ liên hệ người dùng đầu qua email, lặp lại nhanh và kiên trì thu phí từ đầu. Phản hồi là động lực liên tục cho sự tiến hóa sản phẩm.
4. Chia nhỏ lộ trình dài hạn thành các đợt chạy ngắn hạn: Phân tách tầm nhìn lớn thành các phần nhỏ hơn là chìa khóa đảm bảo tốc độ và năng lực thực thi.
5. Sự phù hợp sản phẩm-thị trường có thể mất vài năm: Figma mất 5 năm mới nhận được tín hiệu then chốt: Microsoft nói rằng nếu Figma không bắt đầu thu phí, họ sẽ phải hủy hợp tác.
6. Thiết kế là yếu tố khác biệt mới: Ông tin rằng nhờ sự trỗi dậy của AI, thiết kế đang ngày càng quan trọng. Figma đang theo xu hướng này bằng cách ra mắt loạt sản phẩm mới như Draw, Buzz, Sites và Make.
7. Dùng AI tăng tốc thiết kế nguyên mẫu: Mục đích tốt nhất của AI là tăng tốc độ lặp, chứ không phải tìm kiếm phép màu "tạo ngay một cú nhấp". Các nhà thiết kế và quản lý sản phẩm giờ đây cần đóng góp tích cực trong việc đánh giá AI.
8. Chấp nhận từ chối, đừng trốn tránh: Kinh nghiệm biểu diễn thời thơ ấu giúp Dylan học cách đối mặt bình tĩnh với chỉ trích và phản hồi. Ông tin rằng bị từ chối là một phần trên con đường đến thành công.
9. Kết nối con người luôn là cốt lõi: Cảnh báo đừng dùng AI thay thế các mối quan hệ. Khi được hỏi về ý nghĩa cuộc sống, ông trả lời: “Khám phá ý thức, kiên trì học hỏi, chia sẻ yêu thương.”
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
