Hiện tượng 'larpmaxxing' trên LinkedIn: Khi dự án AI chỉ để diễn cho oai

LinkedIn từ lâu đã nổi tiếng là một nơi khó thở — một mớ hỗn độn của sự chuyên nghiệp mang tính trình diễn và thứ ngôn ngữ doanh nghiệp rỗng tuếch. Người ta đăng bài như thể đang tạo ra những "kiệt tác" ngoài sức tưởng tượng của nhân loại, nhưng thực chất chỉ là văn bản bình thường bị bóp méo đến mức cần một mô hình ngôn ngữ lớn mới đọc nổi.

Và nổi bật nhất trong dòng chảy đó chính là các dự án mang tính "thể hiện". Một bài blog gần đây đã mổ xẻ hiện tượng này, và những gì nó chỉ ra khiến ai từng lướt LinkedIn cũng phải gật gù.

Vấn đề không nằm ở kỹ thuật, mà ở sự trình diễn

Biểu tượng chỉ tay

Mở LinkedIn lên, gần như chắc chắn bạn sẽ gặp một bài đăng thuộc dạng:

"Người anh họ thứ ba của tôi hôm nay bị xe tải đâm 🚚💥! Đây là bài học nó dạy tôi về quản trị kinh doanh 👇"

Kèm theo đó là một giọng điệu giả tạo về sự "tầm nhìn xa", "tiên phong" và "chuyên nghiệp" đến mức mệt mỏi. Nhưng thứ đáng nói hơn không phải là caption, mà là những dự án mà người ta đăng kèm.

Dự án thị giác máy tính — món ăn đã quá quen

Mô hình phát hiện ổ gà

Mỗi lần mở LinkedIn, tác giả bài viết cho biết gần như luôn bị tấn công bởi những dự án Computer Vision với nội dung hệt nhau: một người vẫy tay trước webcam, mô hình nhận diện và theo dõi bàn tay. Không phải một bài, mà là hết bài này đến bài khác.

Điểm đáng lo ngại là những dự án này:

• Không có ứng dụng thực tế rõ ràng, chỉ để "khoe" rằng tôi biết làm thị giác máy tính
• Gần như giống hệt nhau, nghi ngờ phần lớn được lấy từ cùng một hướng dẫn (tutorial) hoặc "vibecode" qua AI mà không hiểu bản chất
• Trình bày như đột phá, trong khi giá trị kỹ thuật gần như bằng không

Ví dụ điển hình là dự án phát hiện ổ gà (pothole detection). Tác giả đặt câu hỏi: còn cách nào phát hiện ổ gà tốt hơn không? Đó là đôi mắt. Chúng vốn rất giỏi việc đó. Nếu hệ thống không gửi dữ liệu đi đâu cả, thì dự án này chẳng mang lại giá trị gì.

Tự tay làm mô hình YOLO để chứng minh

Để chứng minh rằng việc tạo ra một trong những dự án "đáng nể" này không hề khó, tác giả quyết định tự xây dựng một mô hình YOLO — nhưng không phải để nhận diện ổ gà, mà để phát hiện chính những bài đăng khoe dự án YOLO.

Quy trình gồm ba bước đơn giản:

Bước 1 — Thu thập dữ liệu. Một đoạn script Bash tự động cuộn bảng tin LinkedIn và chụp ảnh màn hình:

mkdir -p raw_data
sleep 5
for i in {1..200}; do
  scrot "raw_data/slop_$(printf "%03d" $i).png"
  xdotool key Page_Down
  sleep 3
done

Sau khoảng 200 bức ảnh, tác giả tải lên nền tảng gán nhãn Roboflow và vẽ khung khoảng 20 phút.

Bước 2 — Huấn luyện mô hình. Chỉ vài dòng code với thư viện Ultralytics:

from ultralytics import YOLO
model = YOLO('yolov8n.pt')
results = model.train(
    data='dataset/data.yaml',
    epochs=50,
    imgsz=320,
    name='slop_detector'
)

Quá trình huấn luyện mất khoảng 30 phút trên một chiếc máy tính cấu hình thấp. Tổng thời gian từ đầu đến cuối: khoảng 1 giờ 30 phút, bao gồm cả thời gian chờ mô hình train.

Bước 3 — Chạy thử nghiệm. Kết quả là một "máy dò thính" (slop detector) hoàn chỉnh, đủ để tác giả đùa rằng có thể thêm vào CV những danh xưng như "chuyên gia thị giác máy tính", "Python thần tốc" và "nhà tư tưởng AI/ML".

Vì sao hiện tượng này tồn tại?

Vấn đề cốt lõi mà bài viết đặt ra không nằm ở công nghệ, mà ở động lực của nền tảng. LinkedIn là nơi bạn bán chính mình cho một công việc. Vì vậy, thứ được tưởng thưởng không phải là kỹ năng thật, mà là vẻ ngoài thú vị.

Điều này dẫn đến một hệ quả thú vị:

• Không ai dám nói rằng dự án kia chỉ là thứ tầm thường, vì bình luận của bạn sẽ hiện trên hồ sơ của bạn. Nếu nhà tuyển dụng thấy bạn chê bai, bạn là kẻ xấu tính.
• Vì vậy, ai cũng vỗ tay và lướt tiếp.
• Các hồ sơ trông giống hệt nhau: cùng một người phát hiện ổ gà, lặp đi lặp lại, mà không có dấu hiệu tiến bộ nào.

Kết luận

Công nghệ vốn không đáng chê trách — việc học YOLO hay thị giác máy tính bằng những dự án nhỏ hoàn toàn chính đáng. Vấn đề nằm ở chỗ mọi người biến nó thành trò diễn để đánh bóng bản thân, thay vì thực sự học và chia sẻ kiến thức.

Với độc giả quan tâm đến AI và học máy, bài viết này là lời nhắc nhở: một dự án chỉ thực sự có giá trị khi người làm hiểu rõ nó giải quyết vấn đề gì, tối ưu ra sao và có ích cho ai — chứ không phải khi nó trông ngầu trên bảng tin.