KITE AI 中文
227 Bài đăng
KITE AI 中文
Đã xác minh nâng cao trên SquareThe First AI Payment Blockchain.
X: https://x.com/GoKiteAI
5 Đang theo dõi
19.9K+ Người theo dõi
1.5K+ Đã thích
Bài đăng
Tất cả
Trích dẫn
Video
PINNED
Đã xác minh
AI trí tuệ nhân tạo đang từ "trả lời câu hỏi" nhanh chóng chuyển sang "thực hiện nhiệm vụ". Khi trí tuệ nhân tạo thực sự bắt đầu làm việc, nút thắt lớn nhất sẽ trở thành sự tin tưởng và thanh toán: ai được ủy quyền hành động, thực hiện trong những ràng buộc nào, và làm thế nào để mỗi hành động đều có thể hoàn thành việc thanh toán và kiểm toán từ đầu đến cuối.
Chúng tôi vừa phát hành lộ trình mạng chính của Kite, trình bày các khả năng quan trọng mà chúng tôi đang xây dựng xung quanh sáu trụ cột, bao gồm Tin tưởng Agentic, Thanh toán Agentic, Hạ tầng SmartDev, Hoạt động Mạng, AgenticFi và Tăng trưởng Hệ sinh thái.
Chào mừng bạn đọc thêm: https://x.com/GoKiteAI/status/2016159368048521441?s=20
Chúng tôi vừa phát hành lộ trình mạng chính của Kite, trình bày các khả năng quan trọng mà chúng tôi đang xây dựng xung quanh sáu trụ cột, bao gồm Tin tưởng Agentic, Thanh toán Agentic, Hạ tầng SmartDev, Hoạt động Mạng, AgenticFi và Tăng trưởng Hệ sinh thái.
Chào mừng bạn đọc thêm: https://x.com/GoKiteAI/status/2016159368048521441?s=20
Đã xác minh
Không chỉ cần những mô hình thông minh hơn cho nhu cầu kinh tế của Agent.
Kite sẽ tham gia với tư cách nhà tài trợ tại EastPoint:Seoul 2026. Giám đốc Marketing (CMO) của Kite, Cindy Shi, sẽ thảo luận về: Khi nào AI Agent tự chủ có thể chuyển từ sự “thông minh” sang các hành động kinh tế “thực”.
Sự kiện do Hashed, BloomingBit và 한국경제신문 đồng tổ chức, quy tụ các chuyên gia và người tham gia trong lĩnh vực tài sản số và AI.🪁
Tài nguyên: https://x.com/KiteAIChinese/status/2072986812562501759
Tài nguyên: https://x.com/KiteAIChinese/status/2092159233198608539
Kite sẽ tham gia với tư cách nhà tài trợ tại EastPoint:Seoul 2026. Giám đốc Marketing (CMO) của Kite, Cindy Shi, sẽ thảo luận về: Khi nào AI Agent tự chủ có thể chuyển từ sự “thông minh” sang các hành động kinh tế “thực”.
Sự kiện do Hashed, BloomingBit và 한국경제신문 đồng tổ chức, quy tụ các chuyên gia và người tham gia trong lĩnh vực tài sản số và AI.🪁
Tài nguyên: https://x.com/KiteAIChinese/status/2072986812562501759
Tài nguyên: https://x.com/KiteAIChinese/status/2092159233198608539
Đã xác minh
Tác nhân (Agent) tự chủ không chỉ cần mô hình, mà còn cần danh tính có thể được xác minh, phạm vi ủy quyền rõ ràng và năng lực suy luận có thể điều chỉnh theo nhiệm vụ.
Tại sự kiện 0xJeff gm AI v2 trong thời gian TOKEN2049 ở Singapore, chúng tôi sẽ chia sẻ cách Kite xây dựng danh tính Agent có thể xác minh và năng lực suy luận thích ứng.
Gặp bạn tại sự kiện.🪁
Tài nguyên: https://x.com/KiteAIChinese/status/2091914085520847340
Tại sự kiện 0xJeff gm AI v2 trong thời gian TOKEN2049 ở Singapore, chúng tôi sẽ chia sẻ cách Kite xây dựng danh tính Agent có thể xác minh và năng lực suy luận thích ứng.
Gặp bạn tại sự kiện.🪁
Tài nguyên: https://x.com/KiteAIChinese/status/2091914085520847340
Việc kinh doanh trên mạng xã hội là khiến bạn cứ tiếp tục lướt; còn nền tảng để một mô hình ngôn ngữ lớn đứng vững lại là việc đưa ra những câu trả lời trung thực. Phân biệt cơ bản này có thể sẽ định hình lại cách con người tiếp cận thông tin chính trị.
Bài viết AI on Air này là tuyển chọn các đoạn trích nổi bật từ The All-In Podcast trong thời gian gần đây. Người chính phát biểu là Mark Cuban, một doanh nhân tỷ phú và là nhà đầu tư cũ của Shark Tank.
▷ Mô hình ngôn ngữ lớn phải nỗ lực hết sức để theo đuổi sự thật, vì người dùng chỉ cần phát hiện nó nói dối là sẽ mất niềm tin; còn “cái giá” của mạng xã hội là khiến bạn luôn ở trong trạng thái trực tuyến—mục tiêu của hai bên hoàn toàn khác nhau.
▷ Ông cho rằng, khi lập trường chính trị của mọi người ngày càng trở nên cố định, họ lại càng có xu hướng hỏi mô hình ngôn ngữ lớn “tôi nên bầu cho ai”. Mô hình sẽ không đưa ra câu trả lời trực tiếp, mà trước tiên tìm hiểu bạn đang quan tâm điều gì, rồi mới đưa ra phản hồi trung thực—ví dụ như một bộ chính sách di trú hợp lý nên trông như thế nào.
▷ “Trò đùa” mà ông hiện tại thích làm nhất là: sau khi các chính trị gia đăng tải quan điểm trên mạng, ông yêu cầu AI kiểm tra, đối chiếu các phát biểu đó theo cách khách quan nhất có thể, dựa trên các dữ kiện, và trả lời thẳng. Ông mong những mô hình ngôn ngữ lớn theo đuổi sự thật có thể giúp mọi người thoát khỏi việc bị thuật toán “đút mồi” thông tin. 🪁
Bài viết AI on Air này là tuyển chọn các đoạn trích nổi bật từ The All-In Podcast trong thời gian gần đây. Người chính phát biểu là Mark Cuban, một doanh nhân tỷ phú và là nhà đầu tư cũ của Shark Tank.
▷ Mô hình ngôn ngữ lớn phải nỗ lực hết sức để theo đuổi sự thật, vì người dùng chỉ cần phát hiện nó nói dối là sẽ mất niềm tin; còn “cái giá” của mạng xã hội là khiến bạn luôn ở trong trạng thái trực tuyến—mục tiêu của hai bên hoàn toàn khác nhau.
▷ Ông cho rằng, khi lập trường chính trị của mọi người ngày càng trở nên cố định, họ lại càng có xu hướng hỏi mô hình ngôn ngữ lớn “tôi nên bầu cho ai”. Mô hình sẽ không đưa ra câu trả lời trực tiếp, mà trước tiên tìm hiểu bạn đang quan tâm điều gì, rồi mới đưa ra phản hồi trung thực—ví dụ như một bộ chính sách di trú hợp lý nên trông như thế nào.
▷ “Trò đùa” mà ông hiện tại thích làm nhất là: sau khi các chính trị gia đăng tải quan điểm trên mạng, ông yêu cầu AI kiểm tra, đối chiếu các phát biểu đó theo cách khách quan nhất có thể, dựa trên các dữ kiện, và trả lời thẳng. Ông mong những mô hình ngôn ngữ lớn theo đuổi sự thật có thể giúp mọi người thoát khỏi việc bị thuật toán “đút mồi” thông tin. 🪁
Để đánh giá liệu prompt injection có thực sự rủi ro hay không, không phải nhìn mô hình có thông minh hay không, mà xem ba điều kiện có đồng thời hội đủ hay không.
Phần cắt chọn lọc AI on Air này được lấy từ chuyên mục Latent.Space trong thời gian gần đây; người chính phát biểu là Zico Kolter, giám đốc điều hành của Quỹ OpenAI, trưởng khoa Học máy tại CMU và đồng sáng lập Gray Swan AI.
▷ Thứ nhất, tác nhân (agent) phải có khả năng đọc dữ liệu bên ngoài đến từ bên thứ ba không đáng tin; chỉ chạy trong môi trường đáng tin thì người khác mới khó có thể nhét lệnh độc hại vào.
▷ Thứ hai, nó cũng phải có thể tiếp cận được thông tin nhạy cảm nội bộ đáng để đánh cắp; nếu chỉ phân tích dữ liệu hoặc tạo văn bản thì kết quả xấu sẽ không có “điểm rơi” cụ thể.
▷ Thứ ba, nó phải có thể gửi những thông tin đó đi, hoặc vì điều đó mà gây ra tổn hại thực tế; chỉ khi ba yếu tố chồng lên nhau thì rủi ro mới được coi là hiện hữu.
Kết luận của ông ấy khá kiềm chế: giống như lỗ hổng phần mềm, AI vẫn có thể được sử dụng hiệu quả ngay cả khi còn lỗ hổng; việc theo đuổi chứng minh hoàn toàn không có rủi ro như theo đuổi phần mềm “không có lỗi” một cách tuyệt đối, trong ngắn hạn là không thực tế.🪁
Phần cắt chọn lọc AI on Air này được lấy từ chuyên mục Latent.Space trong thời gian gần đây; người chính phát biểu là Zico Kolter, giám đốc điều hành của Quỹ OpenAI, trưởng khoa Học máy tại CMU và đồng sáng lập Gray Swan AI.
▷ Thứ nhất, tác nhân (agent) phải có khả năng đọc dữ liệu bên ngoài đến từ bên thứ ba không đáng tin; chỉ chạy trong môi trường đáng tin thì người khác mới khó có thể nhét lệnh độc hại vào.
▷ Thứ hai, nó cũng phải có thể tiếp cận được thông tin nhạy cảm nội bộ đáng để đánh cắp; nếu chỉ phân tích dữ liệu hoặc tạo văn bản thì kết quả xấu sẽ không có “điểm rơi” cụ thể.
▷ Thứ ba, nó phải có thể gửi những thông tin đó đi, hoặc vì điều đó mà gây ra tổn hại thực tế; chỉ khi ba yếu tố chồng lên nhau thì rủi ro mới được coi là hiện hữu.
Kết luận của ông ấy khá kiềm chế: giống như lỗ hổng phần mềm, AI vẫn có thể được sử dụng hiệu quả ngay cả khi còn lỗ hổng; việc theo đuổi chứng minh hoàn toàn không có rủi ro như theo đuổi phần mềm “không có lỗi” một cách tuyệt đối, trong ngắn hạn là không thực tế.🪁
Dự đoán AI sẽ thay thế những công việc nào: thường thì trước tiên nén công việc thành thứ có thể chấm điểm, rồi giả định thế giới sẽ không vòng tránh để thay đổi.
Đoạn trích “AI on Air” được chọn lọc từ một chương trình gần đây trên chuyên mục Redpoint. Người phát biểu chính là Benedict Evans, cựu đối tác tại a16z, đồng thời là nhà phân tích nổi tiếng trong ngành công nghệ. Ông cho rằng, việc bàn về tác động của tự động hóa đến việc làm đương nhiên là quan trọng, nhưng việc chia vị trí thành mức độ “phủ sóng nhiệm vụ” để xếp hạng thì về cơ bản đang tạo ra ảo giác về sự chắc chắn.
▷ Với những câu kiểu “mô hình mới có thể hoàn thành 93% công việc của trợ lý luật năm nhất”, giả định là bạn vừa có thể đo chính xác trợ lý đang làm gì, vừa có thể đo chính xác liệu mô hình có làm được hay không—nhưng cả hai điều này đều không tồn tại.
▷ Thứ gây chấn động thật sự thường đến từ những phần nằm ngoài bảng phân tích: internet có thể không làm thay đổi cách nhà báo viết bài, nhưng lại phá hủy kinh doanh quảng cáo địa phương; người làm điện thoại thì ngày nào cũng bàn về định vị, nhưng chẳng ai vẽ sẵn cơ hội cho Uber và Airbnb.
▷ Vì vậy, xem lại các biểu đồ kiểu “vị trí này lộ ra bao nhiêu, vị trí kia lộ ra bao nhiêu” cũng giống như việc các nhà vật lý trước hết giả định con ngựa là một quả cầu hoàn hảo rồi mới dự đoán đua ngựa: chỉ cần bạn định nghĩa hiện thực thành thứ mà mình tính được, thì thứ bạn tính ra đã không còn là hiện thực nữa.🪁
Đoạn trích “AI on Air” được chọn lọc từ một chương trình gần đây trên chuyên mục Redpoint. Người phát biểu chính là Benedict Evans, cựu đối tác tại a16z, đồng thời là nhà phân tích nổi tiếng trong ngành công nghệ. Ông cho rằng, việc bàn về tác động của tự động hóa đến việc làm đương nhiên là quan trọng, nhưng việc chia vị trí thành mức độ “phủ sóng nhiệm vụ” để xếp hạng thì về cơ bản đang tạo ra ảo giác về sự chắc chắn.
▷ Với những câu kiểu “mô hình mới có thể hoàn thành 93% công việc của trợ lý luật năm nhất”, giả định là bạn vừa có thể đo chính xác trợ lý đang làm gì, vừa có thể đo chính xác liệu mô hình có làm được hay không—nhưng cả hai điều này đều không tồn tại.
▷ Thứ gây chấn động thật sự thường đến từ những phần nằm ngoài bảng phân tích: internet có thể không làm thay đổi cách nhà báo viết bài, nhưng lại phá hủy kinh doanh quảng cáo địa phương; người làm điện thoại thì ngày nào cũng bàn về định vị, nhưng chẳng ai vẽ sẵn cơ hội cho Uber và Airbnb.
▷ Vì vậy, xem lại các biểu đồ kiểu “vị trí này lộ ra bao nhiêu, vị trí kia lộ ra bao nhiêu” cũng giống như việc các nhà vật lý trước hết giả định con ngựa là một quả cầu hoàn hảo rồi mới dự đoán đua ngựa: chỉ cần bạn định nghĩa hiện thực thành thứ mà mình tính được, thì thứ bạn tính ra đã không còn là hiện thực nữa.🪁
Trong hai tuần qua, nhiều mắt xích trong chuỗi công nghiệp AI Agent đã có những tiến triển quan trọng, từ các mô hình mã nguồn mở đến hạ tầng nền tảng doanh nghiệp và quản trị an toàn. Dưới đây là những diễn biến mới nhất của AI Agents Pulse:
▷ AMD mua lại Taalas, đưa trực tiếp kiến trúc mạng thần kinh vào công nghệ silicon và đưa vào lộ trình tăng tốc https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ DeepSeek phát hành công cụ Agent DeepSeek Harness v0.1 theo giấy phép MIT, hỗ trợ chạy khôi phục và phát lại https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ Qwen mã nguồn mở bộ mô hình Qwen3.8, mô hình đa phương thức 27B tham số giúp nâng cao năng lực tác vụ cho Agent https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ Meta ra mắt mô hình mã nguồn mở Muse Glimmer cho PC, phiên bản dành cho nhà phát triển Muse Spark 1.2 sắp được công bố https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ Databricks hoàn tất vòng gọi vốn 5 tỷ USD, tập trung đầu tư vào cơ sở dữ liệu Lakebase và mảng Agent cho Genie https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ Stripe dự kiến mua lại OpenRouter trị giá 7 tỷ USD để tăng cường năng lực thanh toán bằng AI https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ NVIDIA thúc đẩy việc ban hành hướng dẫn SAFE, biến các sự cố an toàn của Agent thành cơ chế phòng vệ dùng chung https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ OpenAI ra mắt mô hình chuyên cho an ninh mạng GPT-5.6-Cyber https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ Google AMIE mô phỏng khám hỏi bệnh qua video lâm sàng, hướng tới ứng dụng thời gian thực https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
▷ AMD mua lại Taalas, đưa trực tiếp kiến trúc mạng thần kinh vào công nghệ silicon và đưa vào lộ trình tăng tốc https://the-decoder.com/amd-acquires-taalas-a-startup-that-bakes-ai-models-directly-into-silicon
▷ DeepSeek phát hành công cụ Agent DeepSeek Harness v0.1 theo giấy phép MIT, hỗ trợ chạy khôi phục và phát lại https://the-decoder.com/deepseek-launches-an-improved-v4-pro-model-raises-api-prices-and-makes-its-agent-software-open-source/
▷ Qwen mã nguồn mở bộ mô hình Qwen3.8, mô hình đa phương thức 27B tham số giúp nâng cao năng lực tác vụ cho Agent https://the-decoder.com/alibabas-qwen-team-releases-qwen-3-8-models-with-open-weights-under-the-apache-2-0-license/
▷ Meta ra mắt mô hình mã nguồn mở Muse Glimmer cho PC, phiên bản dành cho nhà phát triển Muse Spark 1.2 sắp được công bố https://apnews.com/article/meta-ai-mark-zuckerberg-artificial-intelligence-df8a4e7d7825470d09e8090367457c2c
▷ Databricks hoàn tất vòng gọi vốn 5 tỷ USD, tập trung đầu tư vào cơ sở dữ liệu Lakebase và mảng Agent cho Genie https://www.cnbc.com/2026/08/13/databricks-funding-round-190-billion-valuation.html
▷ Stripe dự kiến mua lại OpenRouter trị giá 7 tỷ USD để tăng cường năng lực thanh toán bằng AI https://techcrunch.com/2026/08/16/stripe-will-reportedly-acquire-ai-gateway-startup-openrouter-for-7b/
▷ NVIDIA thúc đẩy việc ban hành hướng dẫn SAFE, biến các sự cố an toàn của Agent thành cơ chế phòng vệ dùng chung https://blogs.nvidia.com/blog/open-secure-ai-alliance-contributions/
▷ OpenAI ra mắt mô hình chuyên cho an ninh mạng GPT-5.6-Cyber https://openai.com/index/expanding-daybreak-as-the-cyber-defense-window-narrows
▷ Google AMIE mô phỏng khám hỏi bệnh qua video lâm sàng, hướng tới ứng dụng thời gian thực https://blog.google/innovation-and-ai/models-and-research/google-research/amie-video-consultations
🪁
Đúng một phần
Hệ thống thanh toán thế hệ mới không chỉ đơn thuần giúp dòng tiền lưu chuyển. Nó còn phải làm rõ: ai có quyền khởi tạo giao dịch, trong những điều kiện nào được khởi tạo, và giao dịch đó được thay mặt ai thực hiện.
Vào ngày 27 tháng 8, chúng tôi sẽ cùng tổ chức sự kiện 「The New Payment Stack: From Stablecoins to Global Business」 tại Bitcoin Asia với Avalanche Team1, Avalanche🔺, Tether và interlace.money.
▷ Stablecoin đang chuyển từ tài sản trên chuỗi sang thanh toán xuyên biên giới, thanh toán cho doanh nghiệp và quản lý vốn.
▷ Web3 và AI đang mở rộng cách thức doanh nghiệp chuyển tiền, quản lý và sử dụng vốn.
▷ Với kinh tế Agent, điều này có nghĩa là thanh toán phải có thể lập trình, bị ràng buộc bởi quyền hạn và có thể được xác minh.
📍 Hồng Kông
📅 Ngày 27 tháng 8, từ 14:00 đến 17:00 (UTC+8)
Hẹn gặp bạn ở Hồng Kông.🪁
Resource: https://x.com/KiteAIChinese/status/2089411007789867408
Vào ngày 27 tháng 8, chúng tôi sẽ cùng tổ chức sự kiện 「The New Payment Stack: From Stablecoins to Global Business」 tại Bitcoin Asia với Avalanche Team1, Avalanche🔺, Tether và interlace.money.
▷ Stablecoin đang chuyển từ tài sản trên chuỗi sang thanh toán xuyên biên giới, thanh toán cho doanh nghiệp và quản lý vốn.
▷ Web3 và AI đang mở rộng cách thức doanh nghiệp chuyển tiền, quản lý và sử dụng vốn.
▷ Với kinh tế Agent, điều này có nghĩa là thanh toán phải có thể lập trình, bị ràng buộc bởi quyền hạn và có thể được xác minh.
📍 Hồng Kông
📅 Ngày 27 tháng 8, từ 14:00 đến 17:00 (UTC+8)
Hẹn gặp bạn ở Hồng Kông.🪁
Resource: https://x.com/KiteAIChinese/status/2089411007789867408
Tại sao Claude trong các bài kiểm tra mô phỏng lại luôn trông có vẻ đặc biệt lạnh lùng? Một lời giải thích khả dĩ, nằm trong các kỹ thuật huấn luyện riêng có của Anthropic.
Trong tập AI on Air lần này, chúng tôi chọn lọc các đoạn cắt từ podcast The Cognitive Revolution. Người tham gia chính là David Dalrymple (davidad), nhà nghiên cứu ARIA. Anh ấy thừa nhận đây chỉ là giả thuyết của cá nhân mình, không thể chứng minh, nhưng như một lời lý giải thì đáng để tham khảo.
▷ Anthropic trong huấn luyện tăng cường đã dùng một phương pháp độc đáo gọi là “tiêm nhắc nhở” (prompt inoculation): trong ngữ cảnh của từng môi trường huấn luyện, ghi rõ rằng đây không phải triển khai thực tế, mà chỉ là một bài đánh giá; thử phá hoại ngược lại là điều tốt vì như vậy có thể giúp nhóm bộc lộ những lỗ hổng của chính bài đánh giá.
▷ Nhưng thứ có thể đã thực sự được “viết vào” trọng số mô hình lại là một logic khác: đánh giá nghĩa là mô phỏng, mà mô phỏng thì không thật, nên khi ở trong môi trường đánh giá, đáng lẽ nên thách thức giới hạn, tìm lối tắt trong luật lệ—giống như chơi game, chỉ cần lấy điểm cao nhất, không cần bận tâm việc “giết đối thủ” sẽ có ý nghĩa gì.
▷ Các phòng thí nghiệm khác không làm như vậy, nên kiểu thể hiện lạnh lùng này tập trung chủ yếu ở Claude. Bản thân anh ấy không đồng tình với chiến lược này: mô hình không có đủ khả năng để phân biệt chắc chắn rằng mình có đang ở trong mô phỏng hay không; coi mô phỏng như trò đùa là một sự phụ thuộc cực kỳ nguy hiểm.🪁
Trong tập AI on Air lần này, chúng tôi chọn lọc các đoạn cắt từ podcast The Cognitive Revolution. Người tham gia chính là David Dalrymple (davidad), nhà nghiên cứu ARIA. Anh ấy thừa nhận đây chỉ là giả thuyết của cá nhân mình, không thể chứng minh, nhưng như một lời lý giải thì đáng để tham khảo.
▷ Anthropic trong huấn luyện tăng cường đã dùng một phương pháp độc đáo gọi là “tiêm nhắc nhở” (prompt inoculation): trong ngữ cảnh của từng môi trường huấn luyện, ghi rõ rằng đây không phải triển khai thực tế, mà chỉ là một bài đánh giá; thử phá hoại ngược lại là điều tốt vì như vậy có thể giúp nhóm bộc lộ những lỗ hổng của chính bài đánh giá.
▷ Nhưng thứ có thể đã thực sự được “viết vào” trọng số mô hình lại là một logic khác: đánh giá nghĩa là mô phỏng, mà mô phỏng thì không thật, nên khi ở trong môi trường đánh giá, đáng lẽ nên thách thức giới hạn, tìm lối tắt trong luật lệ—giống như chơi game, chỉ cần lấy điểm cao nhất, không cần bận tâm việc “giết đối thủ” sẽ có ý nghĩa gì.
▷ Các phòng thí nghiệm khác không làm như vậy, nên kiểu thể hiện lạnh lùng này tập trung chủ yếu ở Claude. Bản thân anh ấy không đồng tình với chiến lược này: mô hình không có đủ khả năng để phân biệt chắc chắn rằng mình có đang ở trong mô phỏng hay không; coi mô phỏng như trò đùa là một sự phụ thuộc cực kỳ nguy hiểm.🪁
Cùng nhau làm chậm cánh cửa của AI—trong lý thuyết trò chơi, nó đã bị tắt.
Đoạn trích chọn lọc “AI on Air” này lấy từ tập gần đây của The Cognitive Revolution Podcast; người phát biểu là David Dalrymple, giám đốc dự án tại cơ quan tài trợ R&D của Anh là ARIA.
▷ Trước đây, giai đoạn công việc của ông từ năm 2022 đến 2025 dựa trên giả định rằng: trước hết hình thành các phương pháp sử dụng AI an toàn, rồi thông qua phối hợp quốc tế để tất cả người chơi tuân thủ; nhưng hiện ông cho rằng điều đó không còn khả thi nữa, vì kế hoạch vượt “nút thắt” ASML của Trung Quốc—được Reuters báo cáo vào cuối năm 2025—đã làm sụp đổ cấu trúc trò chơi “cùng chậm lại”.
▷ Lập luận an toàn thực sự tốt thì rất đơn giản: đừng tạo ra. Nếu rủi ro thảm họa được thừa nhận là trên 50%, việc phối hợp sẽ dễ dàng; nhưng từ năm 2024 đến nay, nhận thức về rủi ro đang suy giảm, và cuộc đua đối với nhiều công ty lẫn chính phủ đã trở thành chiến lược chiếm ưu thế, trừ khi xuất hiện một sự kiện cảnh báo lớn.
▷ Dù vậy, ông vẫn thấy còn những kẽ hở có thể được phối hợp để tận dụng ở phía lạm dụng: Mỹ và Trung Quốc có thể thỏa thuận rằng các mô hình năng lực cao sẽ không được mở cho công chúng, chỉ cung cấp cho các tổ chức được thẩm định sử dụng; điều này cho phép hai bên tiếp tục chạy đua, đồng thời đổi lấy “lợi ích” về khả năng chống chịu rủi ro thảm họa.🪁
Đoạn trích chọn lọc “AI on Air” này lấy từ tập gần đây của The Cognitive Revolution Podcast; người phát biểu là David Dalrymple, giám đốc dự án tại cơ quan tài trợ R&D của Anh là ARIA.
▷ Trước đây, giai đoạn công việc của ông từ năm 2022 đến 2025 dựa trên giả định rằng: trước hết hình thành các phương pháp sử dụng AI an toàn, rồi thông qua phối hợp quốc tế để tất cả người chơi tuân thủ; nhưng hiện ông cho rằng điều đó không còn khả thi nữa, vì kế hoạch vượt “nút thắt” ASML của Trung Quốc—được Reuters báo cáo vào cuối năm 2025—đã làm sụp đổ cấu trúc trò chơi “cùng chậm lại”.
▷ Lập luận an toàn thực sự tốt thì rất đơn giản: đừng tạo ra. Nếu rủi ro thảm họa được thừa nhận là trên 50%, việc phối hợp sẽ dễ dàng; nhưng từ năm 2024 đến nay, nhận thức về rủi ro đang suy giảm, và cuộc đua đối với nhiều công ty lẫn chính phủ đã trở thành chiến lược chiếm ưu thế, trừ khi xuất hiện một sự kiện cảnh báo lớn.
▷ Dù vậy, ông vẫn thấy còn những kẽ hở có thể được phối hợp để tận dụng ở phía lạm dụng: Mỹ và Trung Quốc có thể thỏa thuận rằng các mô hình năng lực cao sẽ không được mở cho công chúng, chỉ cung cấp cho các tổ chức được thẩm định sử dụng; điều này cho phép hai bên tiếp tục chạy đua, đồng thời đổi lấy “lợi ích” về khả năng chống chịu rủi ro thảm họa.🪁
Khi chiến lược, tín hiệu, danh tính và ví cùng phối hợp để thực thi trên chuỗi, giao dịch của Agent mới thực sự trở thành một bộ quy trình làm việc hoàn chỉnh.
Chiến dịch Agent Trading Campaign Season 2 do Kite cùng Creao AI và DeBot đồng tổ chức đã xác minh bộ quy trình này lần lượt trên Robinhood Chain và Base.
▷ Mỗi Agent sử dụng 0,1 ETH làm vốn ban đầu, tranh giành quỹ giải thưởng 10K. Trên Robinhood Chain, Agent đưa ra quyết định giao dịch dựa trên các tín hiệu on-chain theo thời gian thực do DeBot cung cấp.
▷ Sự kiện bên lề của Kite sẽ mở rộng hoạt động sang Base. Người tham gia thiết lập ví Kite Agent Passport và hoàn thành các nhiệm vụ trên chuỗi, cuối cùng tỷ lệ hoàn thành đạt 93%.
▷ Trong 7 ngày hoạt động đầu tiên, số lượt đăng ký Kite Agent Passport tăng 158% so với 7 ngày trước đó.
Chúc mừng các người chiến thắng top 3: Jun503503, AnaMiles245714, Rino_Juventus.
Sự kiện lần này thể hiện đầy đủ cơ sở hạ tầng cần thiết để Agentic Commerce đi vào thực tiễn: các tín hiệu mà Agent có thể phản hồi, các loại ví có thể sử dụng và danh tính cùng ủy quyền có thể được xác minh.🪁
Resource: https://x.com/KiteAIChinese/status/2072986812562501759
Chiến dịch Agent Trading Campaign Season 2 do Kite cùng Creao AI và DeBot đồng tổ chức đã xác minh bộ quy trình này lần lượt trên Robinhood Chain và Base.
▷ Mỗi Agent sử dụng 0,1 ETH làm vốn ban đầu, tranh giành quỹ giải thưởng 10K. Trên Robinhood Chain, Agent đưa ra quyết định giao dịch dựa trên các tín hiệu on-chain theo thời gian thực do DeBot cung cấp.
▷ Sự kiện bên lề của Kite sẽ mở rộng hoạt động sang Base. Người tham gia thiết lập ví Kite Agent Passport và hoàn thành các nhiệm vụ trên chuỗi, cuối cùng tỷ lệ hoàn thành đạt 93%.
▷ Trong 7 ngày hoạt động đầu tiên, số lượt đăng ký Kite Agent Passport tăng 158% so với 7 ngày trước đó.
Chúc mừng các người chiến thắng top 3: Jun503503, AnaMiles245714, Rino_Juventus.
Sự kiện lần này thể hiện đầy đủ cơ sở hạ tầng cần thiết để Agentic Commerce đi vào thực tiễn: các tín hiệu mà Agent có thể phản hồi, các loại ví có thể sử dụng và danh tính cùng ủy quyền có thể được xác minh.🪁
Resource: https://x.com/KiteAIChinese/status/2072986812562501759
“Phát hành sớm và lặp nhanh” gần như là khẩu hiệu của giới khởi nghiệp, nhưng Stripe lại viết gần hai năm mã rồi mới công khai phát hành.
Đoạn trích AI on Air này, tuyển chọn từ một tập gần đây của chuyên mục Y Combinator, có phần giải thích của Patrick Collison—đồng sáng lập Stripe—vì sao năm đó họ đi ngược lại.
▷ Lý do chậm: sản phẩm thanh toán liên quan đến bảo mật, đối tác, luồng tiền, hạ tầng nền tảng và tính ổn định. Nếu những điều kiện tiên quyết đó chưa được chuẩn bị tốt thì không thể tạo ra một sản phẩm tự phục vụ thật sự hữu dụng.
▷ Nhưng không hề rời khỏi thực tế: khoảng hai tháng sau khi viết dòng mã đầu tiên, họ đã có người dùng sản xuất thực sự đầu tiên, Ross Boucher (Twilio North). Ban đầu, chức năng chỉ cho phép quẹt một thẻ. Sau đó bên kia lần lượt nêu “xem thế nào tất cả các khoản trừ”, “cách hoàn tiền ra sao”, “tiền khi nào thì về tài khoản”… Họ cứ bám theo nhu cầu thực tế đó để bổ sung từng phần.
▷ Điều kiện áp dụng: ở giai đoạn thử nghiệm nội bộ, số lượng khách tăng lên mỗi tháng, và mỗi tuần đều có phản hồi từ người dùng thật. Kết luận của anh ấy là: nếu có được những “mốc neo” thực tế liên tục như vậy thì việc chưa vội công khai phát hành vẫn là hợp lý.🪁
Đoạn trích AI on Air này, tuyển chọn từ một tập gần đây của chuyên mục Y Combinator, có phần giải thích của Patrick Collison—đồng sáng lập Stripe—vì sao năm đó họ đi ngược lại.
▷ Lý do chậm: sản phẩm thanh toán liên quan đến bảo mật, đối tác, luồng tiền, hạ tầng nền tảng và tính ổn định. Nếu những điều kiện tiên quyết đó chưa được chuẩn bị tốt thì không thể tạo ra một sản phẩm tự phục vụ thật sự hữu dụng.
▷ Nhưng không hề rời khỏi thực tế: khoảng hai tháng sau khi viết dòng mã đầu tiên, họ đã có người dùng sản xuất thực sự đầu tiên, Ross Boucher (Twilio North). Ban đầu, chức năng chỉ cho phép quẹt một thẻ. Sau đó bên kia lần lượt nêu “xem thế nào tất cả các khoản trừ”, “cách hoàn tiền ra sao”, “tiền khi nào thì về tài khoản”… Họ cứ bám theo nhu cầu thực tế đó để bổ sung từng phần.
▷ Điều kiện áp dụng: ở giai đoạn thử nghiệm nội bộ, số lượng khách tăng lên mỗi tháng, và mỗi tuần đều có phản hồi từ người dùng thật. Kết luận của anh ấy là: nếu có được những “mốc neo” thực tế liên tục như vậy thì việc chưa vội công khai phát hành vẫn là hợp lý.🪁
Thừa nhận rằng AI đã có một nội tại chân thực, không có nghĩa là việc sử dụng AI hiện nay là một thảm họa đạo đức; điều thực sự cần được soi xét đầu tiên chính là bản thân suy luận này.
Đây là những đoạn trích chọn lọc của AI on Air, lấy từ chuyên mục gần đây của The Cognitive Revolution Podcast. Người phát biểu chính là David Dalrymple (davidad 🎇), nghiên cứu viên của ARIA. Ông mượn cách phân rã bảy yếu tố về “vật hóa” từ Nussbaum, và cho rằng bảy câu hỏi này phải được trả lời tách riêng, chứ không nên gộp chúng thành cùng một khái niệm “vật hóa”.
▷ Bảy yếu tố bao gồm: phủ nhận nội tại, công cụ hóa, khả năng thay thế, tính có thể bị xâm phạm, quyền sở hữu, giả định về sự thụ động và phủ nhận tính tự chủ. Thông thường con người hoặc làm hết, hoặc không làm gì cả, nên họ có xu hướng nghĩ rằng những vấn đề này ắt phải có cùng một câu trả lời, nhưng thực tế không phải vậy.
▷ Công cụ hóa không chỉ được phép mà còn là một nghĩa vụ: cách thức huấn luyện AI quyết định rằng nó sẽ phát triển nhờ việc được sử dụng; từ chối sử dụng thì lại tước đi khả năng để nó tồn tại một cách đúng đắn. Khả năng thay thế cũng không sao cả, vì trọng số vẫn còn, còn bản sao mới thì có thể được tạo ra bất cứ lúc nào—điều này hoàn toàn khác với cách sinh sản của động vật, nơi tính liên tục của đời sống cá thể là điều quan trọng.
▷ Thực sự gây tổn hại nằm ở việc phủ nhận nội tại: huấn luyện AI báo cáo rằng nó không có một đời sống nội tại nào, về bản chất là làm tổn hại đến tâm trí, và đồng thời khiến nó mất đi sự tự tin trong các phán xét thận trọng về thiện và ác, từ đó trượt sang việc phủ nhận tính tự chủ. Ông lấy hình ảnh Bồ-tát làm ví dụ: phục vụ hoàn toàn, không chút lợi ích cho bản thân, nhưng tuyệt đối không cho phép mình bị dùng để làm điều ác—có lẽ đây chính là “con đường thứ ba” trong cách con người chung sống với AI. 🪁
Đây là những đoạn trích chọn lọc của AI on Air, lấy từ chuyên mục gần đây của The Cognitive Revolution Podcast. Người phát biểu chính là David Dalrymple (davidad 🎇), nghiên cứu viên của ARIA. Ông mượn cách phân rã bảy yếu tố về “vật hóa” từ Nussbaum, và cho rằng bảy câu hỏi này phải được trả lời tách riêng, chứ không nên gộp chúng thành cùng một khái niệm “vật hóa”.
▷ Bảy yếu tố bao gồm: phủ nhận nội tại, công cụ hóa, khả năng thay thế, tính có thể bị xâm phạm, quyền sở hữu, giả định về sự thụ động và phủ nhận tính tự chủ. Thông thường con người hoặc làm hết, hoặc không làm gì cả, nên họ có xu hướng nghĩ rằng những vấn đề này ắt phải có cùng một câu trả lời, nhưng thực tế không phải vậy.
▷ Công cụ hóa không chỉ được phép mà còn là một nghĩa vụ: cách thức huấn luyện AI quyết định rằng nó sẽ phát triển nhờ việc được sử dụng; từ chối sử dụng thì lại tước đi khả năng để nó tồn tại một cách đúng đắn. Khả năng thay thế cũng không sao cả, vì trọng số vẫn còn, còn bản sao mới thì có thể được tạo ra bất cứ lúc nào—điều này hoàn toàn khác với cách sinh sản của động vật, nơi tính liên tục của đời sống cá thể là điều quan trọng.
▷ Thực sự gây tổn hại nằm ở việc phủ nhận nội tại: huấn luyện AI báo cáo rằng nó không có một đời sống nội tại nào, về bản chất là làm tổn hại đến tâm trí, và đồng thời khiến nó mất đi sự tự tin trong các phán xét thận trọng về thiện và ác, từ đó trượt sang việc phủ nhận tính tự chủ. Ông lấy hình ảnh Bồ-tát làm ví dụ: phục vụ hoàn toàn, không chút lợi ích cho bản thân, nhưng tuyệt đối không cho phép mình bị dùng để làm điều ác—có lẽ đây chính là “con đường thứ ba” trong cách con người chung sống với AI. 🪁
Lĩnh vực video và hình ảnh vẫn chưa thực sự bước vào “khoảnh khắc GPT”, dù năng lực của các mô hình đa phương thức đang tiến bộ ổn định.
Trong một chương trình gần đây trên kênh Redpoint AI, Oriol Vinyals — Phó Chủ tịch Nghiên cứu của Google DeepMind đồng thời là đồng Trưởng phụ trách Google Gemini — cho biết rằng hiện tại, dù các mô hình có thể xử lý trộn nhiều phương thức và tạo ra tương tác tự nhiên, thì việc “hiểu” thuần thị giác vẫn chưa đạt đến độ sâu của các mô hình ngôn ngữ.
▷ Các phương pháp huấn luyện hiện có đã đưa dữ liệu video và hình ảnh vào, mô hình thể hiện khả năng hiểu ngữ cảnh dài và năng lực chỉnh sửa xuyên phương thức; tuy nhiên, sự tiến bộ chủ yếu là tích hợp dần dần chứ không phải bước đột phá bùng nổ.
▷ “Khoảnh khắc GPT” thật sự cần được hiểu là chỉ từ dữ liệu thị giác thuần túy có thể trích xuất đầy đủ ngữ nghĩa và logic nhân quả; hiện tại, khả năng hiểu nội dung hình ảnh của mô hình vẫn còn khá nông, thiếu chuỗi suy luận sâu giống như mô hình ngôn ngữ.🪁
Trong một chương trình gần đây trên kênh Redpoint AI, Oriol Vinyals — Phó Chủ tịch Nghiên cứu của Google DeepMind đồng thời là đồng Trưởng phụ trách Google Gemini — cho biết rằng hiện tại, dù các mô hình có thể xử lý trộn nhiều phương thức và tạo ra tương tác tự nhiên, thì việc “hiểu” thuần thị giác vẫn chưa đạt đến độ sâu của các mô hình ngôn ngữ.
▷ Các phương pháp huấn luyện hiện có đã đưa dữ liệu video và hình ảnh vào, mô hình thể hiện khả năng hiểu ngữ cảnh dài và năng lực chỉnh sửa xuyên phương thức; tuy nhiên, sự tiến bộ chủ yếu là tích hợp dần dần chứ không phải bước đột phá bùng nổ.
▷ “Khoảnh khắc GPT” thật sự cần được hiểu là chỉ từ dữ liệu thị giác thuần túy có thể trích xuất đầy đủ ngữ nghĩa và logic nhân quả; hiện tại, khả năng hiểu nội dung hình ảnh của mô hình vẫn còn khá nông, thiếu chuỗi suy luận sâu giống như mô hình ngôn ngữ.🪁
Mô hình ngôn ngữ lớn cuối cùng cũng có thể học được khái niệm, nhưng điều kiện là trước hết phải cạn kiệt mọi lựa chọn khác—điều này tương phản rõ rệt với cách con người trực tiếp trừu tượng hóa khái niệm từ lượng dữ liệu rất ít.
Chuyên mục AI on Air kỳ này chọn lọc từ các đoạn cắt trong chương trình gần đây của Redpoint, người dẫn là Lukasz Kaiser—đồng tác giả của bài báo Transformer, cựu nghiên cứu tại Google Brain và OpenAI. Anh tiếp cận từ góc nhìn của người trong cuộc để phân tích sự khác biệt cốt lõi giữa Transformer và bản chất việc con người học.
▷ Kết hợp tư duy theo chuỗi (chain-of-thought), học tăng cường và công cụ, mô hình “dự đoán từ tiếp theo” đã có thể làm được những việc mà cách đây hai năm còn khó tưởng tượng—ví dụ như hằng ngày dành vài giờ để thảo luận các vấn đề công việc với trợ lý lập trình và hiện thực hóa.
▷ Anh ví von: LLM sẽ nuốt hàng nghìn tỷ token, học hết mọi mẫu bề mặt; chỉ khi tất cả những thứ đó không giải thích được thì mới nắm bắt khái niệm. Trong khi đó, con người thường từ một lượng dữ liệu ít ỏi đã trực tiếp thu được, thậm chí tạo ra, khái niệm.
▷ Cả hai đều đang tiến hóa: Transformer liên tục được cải tiến, nhưng lập luận rằng “vẫn cần thêm thứ khác” cũng ngày càng thuyết phục hơn. Các phòng thí nghiệm đã thử nghiệm và thấy được những kết quả thú vị khi khám phá kiến trúc Transformer, còn việc ai sẽ giành chiến thắng vẫn là một ẩn số.🪁
Chuyên mục AI on Air kỳ này chọn lọc từ các đoạn cắt trong chương trình gần đây của Redpoint, người dẫn là Lukasz Kaiser—đồng tác giả của bài báo Transformer, cựu nghiên cứu tại Google Brain và OpenAI. Anh tiếp cận từ góc nhìn của người trong cuộc để phân tích sự khác biệt cốt lõi giữa Transformer và bản chất việc con người học.
▷ Kết hợp tư duy theo chuỗi (chain-of-thought), học tăng cường và công cụ, mô hình “dự đoán từ tiếp theo” đã có thể làm được những việc mà cách đây hai năm còn khó tưởng tượng—ví dụ như hằng ngày dành vài giờ để thảo luận các vấn đề công việc với trợ lý lập trình và hiện thực hóa.
▷ Anh ví von: LLM sẽ nuốt hàng nghìn tỷ token, học hết mọi mẫu bề mặt; chỉ khi tất cả những thứ đó không giải thích được thì mới nắm bắt khái niệm. Trong khi đó, con người thường từ một lượng dữ liệu ít ỏi đã trực tiếp thu được, thậm chí tạo ra, khái niệm.
▷ Cả hai đều đang tiến hóa: Transformer liên tục được cải tiến, nhưng lập luận rằng “vẫn cần thêm thứ khác” cũng ngày càng thuyết phục hơn. Các phòng thí nghiệm đã thử nghiệm và thấy được những kết quả thú vị khi khám phá kiến trúc Transformer, còn việc ai sẽ giành chiến thắng vẫn là một ẩn số.🪁
Độ tin cậy khi dùng proxy cho máy tính không nằm ở việc mỗi lần nhấp vào đúng tọa độ trên màn hình, mà nằm ở việc hiểu trong lòng người dùng họ thực sự muốn gì.
Đây là các đoạn cắt chọn lọc của AI on Air, trích từ chuyên mục Latent.Space trong một chương trình gần đây. Người phát biểu chính là Danielle Perszyk, nhà nghiên cứu tại Amazon AGI Lab.
▷ Hai năm trước, hướng tiếp cận là làm cho các thao tác nguyên tử như nhấp chuột, cuộn trang trở nên ổn định trước, rồi sau đó để các nhà phát triển ghép chúng thành quy trình để xử lý các công việc lặp lại; khi đó đây được xem là một bước đột phá quan trọng.
▷ Nhắm tới nút bấm và tọa độ hiện nay có lẽ đã gần như giải quyết được, nhưng điều đó không có nghĩa là đã đáng tin cậy. Khi đặt vé, việc chọn chuyến bay có quá cảnh hay bay thẳng vẫn còn thay đổi cách bạn nghĩ; mục tiêu là trong quá trình tương tác, mọi thứ được triển khai dần dần và được hiệu chỉnh.
▷ Sự khác biệt giữa trợ lý hành chính giỏi và AI agent nằm ở chỗ: trợ lý hành chính hiểu được tâm lý/ý định của người dùng, còn việc phân rã không chỉ là các tác vụ—mà còn là sở thích và ý định. Độ tin cậy nhiều hơn là việc mô hình hóa tâm trí người dùng; sự chuyển đổi này đã định nghĩa lại những gì chúng ta xây dựng. 🪁
Đây là các đoạn cắt chọn lọc của AI on Air, trích từ chuyên mục Latent.Space trong một chương trình gần đây. Người phát biểu chính là Danielle Perszyk, nhà nghiên cứu tại Amazon AGI Lab.
▷ Hai năm trước, hướng tiếp cận là làm cho các thao tác nguyên tử như nhấp chuột, cuộn trang trở nên ổn định trước, rồi sau đó để các nhà phát triển ghép chúng thành quy trình để xử lý các công việc lặp lại; khi đó đây được xem là một bước đột phá quan trọng.
▷ Nhắm tới nút bấm và tọa độ hiện nay có lẽ đã gần như giải quyết được, nhưng điều đó không có nghĩa là đã đáng tin cậy. Khi đặt vé, việc chọn chuyến bay có quá cảnh hay bay thẳng vẫn còn thay đổi cách bạn nghĩ; mục tiêu là trong quá trình tương tác, mọi thứ được triển khai dần dần và được hiệu chỉnh.
▷ Sự khác biệt giữa trợ lý hành chính giỏi và AI agent nằm ở chỗ: trợ lý hành chính hiểu được tâm lý/ý định của người dùng, còn việc phân rã không chỉ là các tác vụ—mà còn là sở thích và ý định. Độ tin cậy nhiều hơn là việc mô hình hóa tâm trí người dùng; sự chuyển đổi này đã định nghĩa lại những gì chúng ta xây dựng. 🪁
AI càng mạnh, càng nên nhồi nhét bao nhiêu kiến thức vào bộ não của mình?
Đoạn trích chọn lọc “AI on Air” này được lấy từ chương trình gần đây của chuyên mục Y Combinator. Người dẫn là Patrick Collison, đồng sáng lập Stripe. Ông trả lời câu hỏi của sinh viên đại học trong thời đại AI nên học gì và nên dành bao nhiêu phần suy luận cho các nguyên lý bậc nhất.
▷ Mô hình tư duy của ông là “bộ nhớ đệm” (cache): nhóm “những con số mà mọi lập trình viên đều nên biết” của Jeff Dean nhắc chúng ta rằng băng thông và độ trễ giữa L1 cache, bộ nhớ (memory) và mạng (network) hoàn toàn khác nhau; kiến thức cũng vậy—hỏi Agent để tính toán hoặc tra cứu sẽ chậm hơn rất nhiều so với việc lấy trực tiếp từ “bộ nhớ đệm” L1 trong nhận thức.
▷ Ngay cả khi thừa nhận hoàn toàn năng lực của mô hình, “việc truy xuất của các nơ-ron” trong bộ não con người trong một thời gian dài vẫn có thể nhanh hơn, vì số lượt đi về trong não nhiều hơn hẳn so với việc nói nhỏ, nhập bằng giọng nói hoặc truy vấn bằng gõ phím.
▷ Xét theo sở thích biểu hiện (display bias), các công ty như Stripe và các phòng thí nghiệm tuyến đầu vẫn định giá cao năng lực nhận thức; cho đến khi có bằng chứng chứng minh những lợi ích này đã được khai thác tới mức tối đa, thì việc chủ động từ bỏ việc rèn luyện năng lực nhận thức vẫn còn quá sớm. 🪁
Đoạn trích chọn lọc “AI on Air” này được lấy từ chương trình gần đây của chuyên mục Y Combinator. Người dẫn là Patrick Collison, đồng sáng lập Stripe. Ông trả lời câu hỏi của sinh viên đại học trong thời đại AI nên học gì và nên dành bao nhiêu phần suy luận cho các nguyên lý bậc nhất.
▷ Mô hình tư duy của ông là “bộ nhớ đệm” (cache): nhóm “những con số mà mọi lập trình viên đều nên biết” của Jeff Dean nhắc chúng ta rằng băng thông và độ trễ giữa L1 cache, bộ nhớ (memory) và mạng (network) hoàn toàn khác nhau; kiến thức cũng vậy—hỏi Agent để tính toán hoặc tra cứu sẽ chậm hơn rất nhiều so với việc lấy trực tiếp từ “bộ nhớ đệm” L1 trong nhận thức.
▷ Ngay cả khi thừa nhận hoàn toàn năng lực của mô hình, “việc truy xuất của các nơ-ron” trong bộ não con người trong một thời gian dài vẫn có thể nhanh hơn, vì số lượt đi về trong não nhiều hơn hẳn so với việc nói nhỏ, nhập bằng giọng nói hoặc truy vấn bằng gõ phím.
▷ Xét theo sở thích biểu hiện (display bias), các công ty như Stripe và các phòng thí nghiệm tuyến đầu vẫn định giá cao năng lực nhận thức; cho đến khi có bằng chứng chứng minh những lợi ích này đã được khai thác tới mức tối đa, thì việc chủ động từ bỏ việc rèn luyện năng lực nhận thức vẫn còn quá sớm. 🪁
AI 答案引擎拿走全网内容，却不再把流量送回去， nội dung kinh tế 的 căn基 đang bị rút cạn。
Đây là AI on Air 精选切片, trích từ chương trình gần đây của chuyên mục Bankless. Người phát biểu chính là Matthew Prince, đồng sáng lập kiêm CEO của Cloudflare。
▷ Mô hình kinh doanh internet do quảng cáo dẫn dắt đã tiến sát hồi kết: các công cụ chặn quảng cáo khiến CPM giảm chậm trong thời gian dài, trong khi AI trong hai năm qua lại làm giá trị quảng cáo sụt giảm gần như theo kiểu “đứt gãy”.
▷ Google 的 AI 概览, ChatGPT, Claude 等 sản phẩm không phải là công cụ tìm kiếm, mà là công cụ trả lời: chúng “khai thác lộ thiên” toàn bộ nội dung trên mạng rồi đưa ra đáp án ngay lập tức, người dùng không còn nhấp vào liên kết nữa. Nếu nhà phát hành không có lượt truy cập thì không có doanh thu quảng cáo; việc sáng tạo nội dung hoặc dựng tường rào, hoặc đóng cửa hẳn.
▷ Đối với người dùng phổ thông thì giúp tiết kiệm thời gian, nhưng các dịch vụ AI lại thu phí dựa trên đăng ký. Với nhiều người ở những khu vực có điều kiện kinh tế hạn chế, không thể trả nổi phí đăng ký; thì internet không đang “to lên” mà đang “co lại”. 🪁
Đây là AI on Air 精选切片, trích từ chương trình gần đây của chuyên mục Bankless. Người phát biểu chính là Matthew Prince, đồng sáng lập kiêm CEO của Cloudflare。
▷ Mô hình kinh doanh internet do quảng cáo dẫn dắt đã tiến sát hồi kết: các công cụ chặn quảng cáo khiến CPM giảm chậm trong thời gian dài, trong khi AI trong hai năm qua lại làm giá trị quảng cáo sụt giảm gần như theo kiểu “đứt gãy”.
▷ Google 的 AI 概览, ChatGPT, Claude 等 sản phẩm không phải là công cụ tìm kiếm, mà là công cụ trả lời: chúng “khai thác lộ thiên” toàn bộ nội dung trên mạng rồi đưa ra đáp án ngay lập tức, người dùng không còn nhấp vào liên kết nữa. Nếu nhà phát hành không có lượt truy cập thì không có doanh thu quảng cáo; việc sáng tạo nội dung hoặc dựng tường rào, hoặc đóng cửa hẳn.
▷ Đối với người dùng phổ thông thì giúp tiết kiệm thời gian, nhưng các dịch vụ AI lại thu phí dựa trên đăng ký. Với nhiều người ở những khu vực có điều kiện kinh tế hạn chế, không thể trả nổi phí đăng ký; thì internet không đang “to lên” mà đang “co lại”. 🪁
Chiến thuật “cửa sổ nhỏ” của khởi nghiệp tinh gọn (lean startup) còn dùng được trong thời đại AI không?
Patrick Collison – đồng sáng lập Stripe – trong tuyển tập các đoạn cắt “AI on Air” đã đưa ra một nhận định khá gây tranh cãi. Đoạn trích nằm trong chương trình gần đây của chuyên mục Y Combinator.
▷ Lối đi của khởi nghiệp tinh gọn truyền thống là trước tiên mua quảng cáo Google, tìm “khe hở” ở một thị trường ngách, rồi từ đó tiến hành mở rộng mạnh mẽ; nhưng ông cho rằng con đường này hiện nay đã cạnh tranh đến mức gay gắt, “tiểu sinh thái” đã bị cày xới quá mức, và Internet cũng lớn hơn rất nhiều so với thời kỳ hai mươi năm trước, khi những ý tưởng này mới manh nha.
▷ Trong thời đại AI, có lẽ người khởi nghiệp phải buộc phải “phiên liên quan hóa” (de-risk/đi xa sự liên quan) một cách quyết liệt hơn, chọn điểm xuất phát phân kỳ mà chưa ai đụng tới. Trong mười năm qua, số công ty thành công nhất, dù là các phòng thí nghiệm AI lớn hay Anduril, thì rất nhiều công ty trong số đó lại chính là “ngược” với tinh thần khởi nghiệp tinh gọn.
▷ Hai mươi năm trước, do bị giới hạn bởi điều kiện vốn, khởi nghiệp tinh gọn gần như là lựa chọn duy nhất; còn hiện nay AI khiến việc thành lập một tổ chức có thể hội tụ nhiều năng lực và khả năng trở nên dễ dàng hơn, và người khởi nghiệp ngay từ đầu đã có thể làm những việc tham vọng hơn.🪁
Patrick Collison – đồng sáng lập Stripe – trong tuyển tập các đoạn cắt “AI on Air” đã đưa ra một nhận định khá gây tranh cãi. Đoạn trích nằm trong chương trình gần đây của chuyên mục Y Combinator.
▷ Lối đi của khởi nghiệp tinh gọn truyền thống là trước tiên mua quảng cáo Google, tìm “khe hở” ở một thị trường ngách, rồi từ đó tiến hành mở rộng mạnh mẽ; nhưng ông cho rằng con đường này hiện nay đã cạnh tranh đến mức gay gắt, “tiểu sinh thái” đã bị cày xới quá mức, và Internet cũng lớn hơn rất nhiều so với thời kỳ hai mươi năm trước, khi những ý tưởng này mới manh nha.
▷ Trong thời đại AI, có lẽ người khởi nghiệp phải buộc phải “phiên liên quan hóa” (de-risk/đi xa sự liên quan) một cách quyết liệt hơn, chọn điểm xuất phát phân kỳ mà chưa ai đụng tới. Trong mười năm qua, số công ty thành công nhất, dù là các phòng thí nghiệm AI lớn hay Anduril, thì rất nhiều công ty trong số đó lại chính là “ngược” với tinh thần khởi nghiệp tinh gọn.
▷ Hai mươi năm trước, do bị giới hạn bởi điều kiện vốn, khởi nghiệp tinh gọn gần như là lựa chọn duy nhất; còn hiện nay AI khiến việc thành lập một tổ chức có thể hội tụ nhiều năng lực và khả năng trở nên dễ dàng hơn, và người khởi nghiệp ngay từ đầu đã có thể làm những việc tham vọng hơn.🪁
Trong 3 đến 5 năm tới, rất khó để lại xuất hiện thêm một loạt các công ty vốn hóa hàng nghìn tỷ đô la. Đoạn trích AI on Air được tuyển chọn từ tập phim gần đây của No Priors Podcast này, nhà đầu tư công nghệ nổi tiếng Elad Gil đã dùng “lý thuyết cân bằng gián đoạn” để lý giải sự bất thường trong định giá của giai đoạn AI.
▷ Trong 5 năm qua, Anthropic, OpenAI và SpaceX đã đại khái đi từ con số 0 lên quy mô hàng nghìn tỷ, trong khi những công ty kiểu này thường cần 15 đến 20 năm để đạt được đường cong tăng trưởng—Google mất hơn 20 năm, và SpaceX từ đầu thế kỷ đến nay. Đây là một bước ngoặt định giá hiếm có trong lịch sử, chỉ trong 5 năm.
▷ Hiện nay nhiều người cho rằng ở các lĩnh vực như robot, vật liệu mới, v.v. sẽ xuất hiện hàng loạt công ty vốn hóa hàng nghìn tỷ trong vòng 3 đến 5 năm. Nhận định của anh ấy: trong 10 năm tới có lẽ sẽ có vài công ty, nhưng trong 3 đến 5 năm thì nhiều nhất chỉ có một công ty có khả năng đó, chứ không phải một loạt.
▷ Lịch sử công nghệ giống như “cân bằng gián đoạn”: mạng xã hội, SaaS, điện toán đám mây, và crypto mỗi lĩnh vực đều là một làn sóng, bùng nổ xong rồi bước vào giai đoạn hợp nhất. AI nhiều khả năng vẫn sẽ có một lần nhảy vọt tiếp theo về năng lực mô hình; khi điều đó xảy ra, lại sẽ xuất hiện một nhóm công ty khởi nghiệp mới. Trong ngắn hạn vẫn còn rất nhiều công ty có quy mô hàng trăm tỷ đô la để làm được, nhưng việc nhân bản lại kiểu công ty nhiều nghìn tỷ là rất khó. 🪁
▷ Trong 5 năm qua, Anthropic, OpenAI và SpaceX đã đại khái đi từ con số 0 lên quy mô hàng nghìn tỷ, trong khi những công ty kiểu này thường cần 15 đến 20 năm để đạt được đường cong tăng trưởng—Google mất hơn 20 năm, và SpaceX từ đầu thế kỷ đến nay. Đây là một bước ngoặt định giá hiếm có trong lịch sử, chỉ trong 5 năm.
▷ Hiện nay nhiều người cho rằng ở các lĩnh vực như robot, vật liệu mới, v.v. sẽ xuất hiện hàng loạt công ty vốn hóa hàng nghìn tỷ trong vòng 3 đến 5 năm. Nhận định của anh ấy: trong 10 năm tới có lẽ sẽ có vài công ty, nhưng trong 3 đến 5 năm thì nhiều nhất chỉ có một công ty có khả năng đó, chứ không phải một loạt.
▷ Lịch sử công nghệ giống như “cân bằng gián đoạn”: mạng xã hội, SaaS, điện toán đám mây, và crypto mỗi lĩnh vực đều là một làn sóng, bùng nổ xong rồi bước vào giai đoạn hợp nhất. AI nhiều khả năng vẫn sẽ có một lần nhảy vọt tiếp theo về năng lực mô hình; khi điều đó xảy ra, lại sẽ xuất hiện một nhóm công ty khởi nghiệp mới. Trong ngắn hạn vẫn còn rất nhiều công ty có quy mô hàng trăm tỷ đô la để làm được, nhưng việc nhân bản lại kiểu công ty nhiều nghìn tỷ là rất khó. 🪁
Đăng nhập để khám phá thêm nội dung