Hồi ký của Lý Phi Phi, “Thế giới tôi nhìn thấy”, gần đây tôi vừa nghe xong bản sách nói. Xin chia sẻ đôi chút cảm nhận sau khi nghe.
Ban đầu, tôi bị thu hút bởi ba từ khóa: nhập cư, AI, người gốc Á. Nhưng điều đọng lại với tôi lại là từ khóa thứ tư: sự tò mò.
Cuốn sách có hai mạch song song. Một mạch kể về hành trình trưởng thành của bà: sinh ra ở Bắc Kinh, lớn lên ở Thành Đô, năm mười lăm tuổi chuyển đến Mỹ; vừa làm thêm để giúp gia đình trả nợ, vừa tìm chỗ đứng trong một hệ thống giáo dục hoàn toàn xa lạ. Cuối cùng, bà học vật lý tại Princeton, lấy bằng tiến sĩ ở Caltech, rồi lãnh đạo phòng thí nghiệm AI tại Stanford. Mạch còn lại là lịch sử khoa học về cách máy móc học nhìn thấy thế giới; trọng tâm là ImageNet, một bộ dữ liệu chuẩn công khai với hàng chục triệu hình ảnh được gán nhãn và phân loại, giúp các thuật toán khác nhau có thể được so sánh công bằng.
Có một chi tiết trong câu chuyện về ImageNet khiến tôi ấn tượng sâu sắc: khi ấy, nhiều người mải chạy đua phát triển thuật toán, còn nhóm của Lý Phi Phi lại dồn sức vào quy mô và tính đa dạng của dữ liệu. Ban đầu, hướng đi này có vẻ cồng kềnh, thậm chí chẳng đủ “thông minh”. Kết quả thì sao? Về sau, khi dữ liệu quy mô lớn, GPU và mạng nơ-ron sâu hội tụ, thị giác máy tính mới thực sự có bước đột phá.
Điều này đã thay đổi cách tôi hình dung về “đột phá công nghệ”. Tư liệu huấn luyện càng hạn hẹp, mô hình càng chỉ thông minh trong một thế giới hạn hẹp. Giá trị của dữ liệu đầu vào đa dạng nằm ở chỗ nó buộc bạn không ngừng phân biệt: đâu là bản thân sự vật, đâu chỉ là bối cảnh mà bạn đã quen thuộc.
Cách nghĩ này cũng ảnh hưởng đến kế hoạch học từ vựng của tôi. Sổ từ mới của tôi có gần tám trăm từ… Phần này tôi đã trò chuyện kỹ hơn trong podcast.
Tập này dành cho những ai tò mò về lịch sử AI hoặc đang đọc cuốn sách này. Đường dẫn ở bên dưới 👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8
Ban đầu, tôi bị thu hút bởi ba từ khóa: nhập cư, AI, người gốc Á. Nhưng điều đọng lại với tôi lại là từ khóa thứ tư: sự tò mò.
Cuốn sách có hai mạch song song. Một mạch kể về hành trình trưởng thành của bà: sinh ra ở Bắc Kinh, lớn lên ở Thành Đô, năm mười lăm tuổi chuyển đến Mỹ; vừa làm thêm để giúp gia đình trả nợ, vừa tìm chỗ đứng trong một hệ thống giáo dục hoàn toàn xa lạ. Cuối cùng, bà học vật lý tại Princeton, lấy bằng tiến sĩ ở Caltech, rồi lãnh đạo phòng thí nghiệm AI tại Stanford. Mạch còn lại là lịch sử khoa học về cách máy móc học nhìn thấy thế giới; trọng tâm là ImageNet, một bộ dữ liệu chuẩn công khai với hàng chục triệu hình ảnh được gán nhãn và phân loại, giúp các thuật toán khác nhau có thể được so sánh công bằng.
Có một chi tiết trong câu chuyện về ImageNet khiến tôi ấn tượng sâu sắc: khi ấy, nhiều người mải chạy đua phát triển thuật toán, còn nhóm của Lý Phi Phi lại dồn sức vào quy mô và tính đa dạng của dữ liệu. Ban đầu, hướng đi này có vẻ cồng kềnh, thậm chí chẳng đủ “thông minh”. Kết quả thì sao? Về sau, khi dữ liệu quy mô lớn, GPU và mạng nơ-ron sâu hội tụ, thị giác máy tính mới thực sự có bước đột phá.
Điều này đã thay đổi cách tôi hình dung về “đột phá công nghệ”. Tư liệu huấn luyện càng hạn hẹp, mô hình càng chỉ thông minh trong một thế giới hạn hẹp. Giá trị của dữ liệu đầu vào đa dạng nằm ở chỗ nó buộc bạn không ngừng phân biệt: đâu là bản thân sự vật, đâu chỉ là bối cảnh mà bạn đã quen thuộc.
Cách nghĩ này cũng ảnh hưởng đến kế hoạch học từ vựng của tôi. Sổ từ mới của tôi có gần tám trăm từ… Phần này tôi đã trò chuyện kỹ hơn trong podcast.
Tập này dành cho những ai tò mò về lịch sử AI hoặc đang đọc cuốn sách này. Đường dẫn ở bên dưới 👇
https://redcircle.com/shows/936a3212-92e5-41c7-b6f9-39e3596adeb8/episodes/6d6ed2ed-7068-47c7-a7b5-84c34cb6a5f8