AI tăng tốc nghiên cứu tiến sĩ, nhưng không thay được trực giác

Một nghiên cứu sinh làm việc ở giao điểm giữa học máy và sinh thái học cho rằng AI agent đang rút ngắn đáng kể phần "thực thi" của nghiên cứu, nhưng không giải quyết được vấn đề cốt lõi: dữ liệu có bối cảnh phức tạp vẫn cần con người thấu hiểu. Ba dự đoán của tác giả về tương lai phòng lab cũng đáng để các kỹ sư và doanh nghiệp công nghệ lưu tâm.

Bài viết được đăng trên Towards Data Science, kể lại trải nghiệm của một nghiên cứu sinh sau ba năm làm việc trong một phòng lab AI. Tác giả nhận thấy công việc hàng ngày của mình đã thay đổi rõ rệt: việc học một ngôn ngữ lập trình mới hay sửa một lỗi đơn giản từng tốn hàng giờ, thậm chí hàng ngày, giờ đây được mô hình ngôn ngữ lớn (LLM) hỗ trợ giải thích và gỡ lỗi trong thời gian ngắn hơn nhiều.

Những gì thực sự nhanh hơn

Tác giả dẫn lại quan điểm của nhà vật lý Scott Dodelson trên tạp chí Physics: AI agent có thể đảm nhận nhiều việc vốn được giao cho nghiên cứu sinh như đọc bài báo, xử lý số liệu và viết chương trình, chỉ trong vài phút thay vì vài tháng. Tuy nhiên, Dodelson cũng ghi nhận một hạn chế: AI có thể tạo ra một biểu đồ sai lệch tới 20 bậc độ lớn mà không hề nhận ra cho đến khi con người chỉ điểm.

Trong công việc của mình, tác giả thấy tốc độ tăng rõ nhất ở lớp thực thi của nghiên cứu:

• Code: Dựng mã khung (boilerplate) với data loader, script huấn luyện nhanh, kiểm định và trực quan hóa giờ chỉ tốn một phần nhỏ thời gian trước đây.
• Thí nghiệm: Có thể chạy nhiều thí nghiệm hơn trong một tuần, nhờ đó nhiều ý tưởng được kiểm chứng và loại bỏ sớm hơn.
• Hỗ trợ viết: Việc soạn thảo và biên tập có được khởi đầu thuận lợi, đặc biệt với người thấy khó khăn khi đối diện trang giấy trắng.

Những gì không thay đổi

Tác giả lấy một ví dụ cụ thể từ sinh thái học: một máy ghi âm đặt trong rừng để dò tiếng chim. Năm buổi sáng liên tiếp không ghi được gì. Vậy con chim có vắng mặt không? Có thể. Nhưng cũng có thể trời mưa, chim im lặng, và nó vẫn ở đó suốt thời gian. Giới sinh thái học gọi hiện tượng này là "phát hiện không hoàn hảo" (imperfect detection) — một quan sát bị thiếu không đồng nghĩa với sự vắng mặt.

Đưa bộ dữ liệu đó cho AI agent nhanh nhất có thể, nó sẽ vui vẻ huấn luyện một bộ phân loại (classifier), tinh chỉnh qua đêm và báo cáo độ chính xác xuất sắc cho nhãn "có mặt" và "vắng mặt". Mọi dòng code đều đúng. Nhưng kết luận vẫn có thể sai, vì chính các nhãn đã đánh lừa.

Không tốc độ nào sửa được điều đó. Thứ sửa được là một người hiểu dữ liệu đã ra đời thế nào: máy ghi âm đặt ở đâu, thời tiết ra sao, loài vật hành xử thế nào. Hiểu biết đó dẫn tới một mô hình khác, chẳng hạn mô hình chiếm cứ (occupancy model) tách biệt câu hỏi "nó có ở đó không?" với "liệu chúng ta có nhận ra nó không?".

Tác giả cho rằng mô thức này phổ biến trong các phòng lab AI hơn ta thường thừa nhận. Bài viết của Alex Sen Gupta trên Nature đề cập rằng các nghiên cứu tiến sĩ dựa trên thực địa khó tự động hóa hơn. Theo tác giả, bất kỳ dự án nào mà dữ liệu có bối cảnh riêng đều khó tự động hóa — và phần lớn những dự án thú vị đều như vậy.

Ba dự đoán về tương lai phòng lab

1. Mỗi nhà nghiên cứu trở thành trưởng nhóm. Nghiên cứu sinh đã có thể giao việc code, tra cứu tài liệu và đánh giá sơ bộ cho các công cụ AI cùng lúc. Câu hỏi chuyển từ "Tuần này tôi làm được bao nhiêu?" sang "Tôi nên yêu cầu gì, có đáng theo đuổi không, và kết quả có đúng không?". Kỹ năng quý nhất trở thành điều hướng công việc và phán đoán nó.

2. Kiến thức chuyên ngành trở thành lợi thế. Khi mọi người có cùng công cụ mạnh, điều tạo khác biệt cho một phòng lab là những gì nó biết mà công cụ không biết — cách dữ liệu được thu thập, câu hỏi nào quan trọng nhất cho dự báo và bảo tồn loài trong 5 đến 10 năm tới.

3. Phòng lab ngày càng liên ngành. Một sinh viên học máy giờ có thể làm quen với khoa học khí hậu, y tế, giáo dục, bán dẫn hay tài chính nhanh hơn trước. Những phòng lab AI tốt nhất sẽ không chỉ gồm các chuyên gia học máy.

Những gì vẫn thuộc về con người

Nếu phần thực thi ngày càng rẻ, điều còn lại là gì? Theo tác giả, đó là sự tò mò và khiếu chọn vấn đề — đặt ra câu hỏi mà không công cụ nào nghĩ tới, và biết câu hỏi nào đáng để dành một năm cuộc đời.

Thứ hai là niềm tin giữa con người với nhau. Một chuyên gia thực địa sẽ không tin ngay vào lời một mô hình, ít nhất là trong thời điểm hiện tại. Khi một kết quả thách thức nhiều thập kỷ kinh nghiệm thực địa, họ muốn có người chịu trách nhiệm — máy không thể đứng sau kết quả của mình, còn nhà nghiên cứu thì có thể.

Góc nhìn

Với các kỹ sư Việt Nam, bài viết này củng cố một thực tế đã rõ: AI giúp rút ngắn mạnh phần việc kỹ thuật — dựng khung dự án, thử nghiệm nhanh, đọc tài liệu — nhưng không thay thế được việc hiểu dữ liệu và bối cảnh nghiệp vụ. Khi các công cụ code trở nên phổ cập, lợi thế cạnh tranh của đội ngũ chuyển dịch sang khả năng đặt đúng bài toán, kiểm chứng kết quả và chịu trách nhiệm về chất lượng đầu ra.

Với doanh nghiệp đang triển khai AI, cảnh báo về "mọi dòng code đều đúng nhưng kết luận vẫn sai" là lời nhắc thực tế: cần những người hiểu nguồn gốc dữ liệu tham gia vào khâu đánh giá, thay vì chỉ dựa vào các chỉ số độ chính xác. Đầu tư vào kiến thức chuyên ngành và quy trình thẩm định của con người có lẽ là khoản đầu tư bền vững hơn việc chạy đua tốc độ huấn luyện mô hình.