PHÂN TÍCH CHUYÊN SÂU: "3 KEY IDEAS IN AI IN 2025" - JASON WEI

I. TỔNG QUAN VỀ BÀI THUYẾT TRÌNH

Thông tin cơ bản

• Diễn giả: Jason Wei
• Vị trí hiện tại: Research Scientist tại Meta Superintelligence Labs
• Kinh nghiệm:
  • OpenAI (2 năm): Đồng tạo ra O1
  • Google Brain: Popularize Chain of Thought Prompting và Instruction Tuning
• Ảnh hưởng: Hơn 90,000 citations - một trong những nhà nghiên cứu AI có ảnh hưởng nhất

Mục đích bài nói

Trình bày 3 ý tưởng nền tảng để hiểu và định hướng AI trong năm 2025, giúp trả lời câu hỏi: "Thế giới sẽ thay đổi như thế nào với AI?"

II. PHÂN TÍCH CHI TIẾT 3 Ý TƯỞNG CHÍNH

1. TRÍ TUỆ NHƯ MỘT HÀNG HÓA (Intelligence as a Commodity)

A. Khái niệm cốt lõi

Trí tuệ và khả năng suy luận sẽ trở thành một "commodity" (hàng hóa) - nghĩa là chi phí và độ khó để tiếp cận chúng sẽ tiến về 0.

B. Hai giai đoạn tiến bộ AI

1. Giai đoạn Frontier Pushing (Đẩy biên giới):
   • AI chưa thể làm tốt nhiệm vụ
   • Nghiên cứu tập trung vào việc "unlock" khả năng mới
   • Đo lường bằng việc cải thiện hiệu suất trên benchmark (ví dụ: MMLU)
2. Giai đoạn Commoditization (Hàng hóa hóa):
   • Một khi AI đã có khả năng, chi phí để đạt cùng một mức hiệu suất giảm theo thời gian
   • Xu hướng: Mỗi năm, chi phí để có một model với cùng intelligence level giảm đáng kể

C. Yếu tố kỹ thuật then chốt: Adaptive Compute

Trước đây:

• Lượng compute để giải một bài toán là cố định
• Dù là câu hỏi dễ hay khó đều dùng cùng lượng tài nguyên

Hiện nay (sau O1):

• Có thể điều chỉnh lượng compute theo độ khó của bài toán
• Bài dễ → dùng ít compute → rẻ hơn
• Bài khó → dùng nhiều compute → nhưng vẫn giải được

Ý nghĩa:

• Không cần phải scale model size liên tục
• Có thể tiến tới giới hạn "cực rẻ" cho các task đơn giản
• Chi phí intelligence sẽ tiếp tục giảm

D. Instant Knowledge (Kiến thức tức thì)

So sánh qua các thời đại:

Ví dụ thực tế:

• O3 không làm được câu hỏi về số cặp kết hôn Busan
• OpenAI Operator làm được vì có thể navigate database Kosis (database Hàn Quốc)

Benchmark BrowsComp (Browser Composition):

• Các câu hỏi: Dễ xác minh khi có đáp án, nhưng mất rất nhiều thời gian để giải
• Ví dụ: "Cho các ràng buộc về trận bóng đá, tìm trận phù hợp"
• Con người: Nhiều câu mất >2 giờ, nhiều câu không giải được trong 2 giờ
• OpenAI Deep Research: Giải được ~50% câu hỏi

E. Hàm ý thực tiễn

1. Democratization (Dân chủ hóa) các lĩnh vực:
   • Coding: Không còn rào cản kiến thức cao
   • Personal Health: Trước đây phụ thuộc bác sĩ, giờ ChatGPT có thể cho advice tương đương doctor tốt
   • Phá bỏ "arbitrary barriers of entry" (rào cản nhân tạo)
2. Tăng giá trị tương đối của thông tin riêng tư:
   • Public information → cost gần 0
   • Private/Insider information → giá trị tương đối tăng mạnh
   • Ví dụ: Biết nhà chưa lên thị trường có thể bán → thông tin có giá trị cao hơn
3. Personalized Internet:
   • Thay vì Internet công cộng chung
   • Mỗi người sẽ có "internet cá nhân hóa"
   • Bất kỳ thông tin nào muốn biết → có website cá nhân hóa hiển thị

F. Đánh giá phê bình

Điểm mạnh:

• Quan sát chính xác về xu hướng giảm chi phí AI
• Adaptive compute là breakthrough thực sự
• Ví dụ cụ thể, dễ hiểu

Điểm cần lưu ý:

• Knowledge không phải chỉ là "truy xuất thông tin"
• Understanding và contextual wisdom vẫn khó hơn
• "Instant knowledge" có thể dẫn đến information overload
• Chất lượng và độ tin cậy của knowledge vẫn là vấn đề

2. ĐỊNH LUẬT CỦA NGƯỜI XÁC MINH (Verifier's Law)

A. Khái niệm Asymmetry of Verification

Định nghĩa: Đối với một số task, xác minh giải pháp dễ hơn nhiều so với tìm ra giải pháp.

Phổ bất đối xứng:

Dễ verify hơn generate:
- Sudoku (khó giải, dễ check)
- Code chạy Uber (nghìn engineer tạo, nhưng chỉ cần click để verify)
- Competition math (một số bài)

Cân bằng:
- Competition math (một số bài khó verify bằng khó solve)

Dễ generate hơn verify:
- Data processing code (có thể mất thời gian hơn để hiểu code người khác so với tự viết)
- Factual essay (dễ viết claim nghe có vẻ đúng, khó fact-check)
- Create new diet (10 giây để claim "only eat bison is best", cần nghiên cứu lâu dài để verify)

B. Cải thiện Asymmetry bằng Privileged Information

Ý tưởng quan trọng: Có thể dịch chuyển vị trí của task trên "asymmetry plane" bằng cách cung cấp thông tin đặc quyền.

Ví dụ:

• Competition math: Ban đầu khó verify → Cung cấp answer key → Đột nhiên rất dễ verify
• Writing code: Ban đầu khó verify → Cung cấp test cases (như SWE-bench) → Dễ verify hơn nhiều

Insight: Đây là công việc có thể làm trước để tăng asymmetry → giúp AI học tốt hơn

C. Verifier's Law - Định luật chính

"Khả năng train AI để solve một task TỶ LỆ THUẬN với mức độ dễ verify của task đó"

Hệ quả: "Any solvable, easily verifiable task will eventually be conquered by AI"
(Bất kỳ task nào có thể giải được và dễ verify cuối cùng sẽ bị AI chinh phục)

D. 5 Chiều của Verifiability

Một task "dễ verify" nếu thỏa mãn các tiêu chí sau:

1. Objective Truth: Có sự thật khách quan về response tốt/xấu không?
2. Fast Verification: Verify nhanh đến mức nào?
3. Scalable Verification: Có thể verify hàng triệu responses cùng lúc không?
4. Low Noise: Độ nhiễu thấp không? (cùng một test case cho kết quả giống nhau)
5. Continuous Reward: Có continuous reward signal không?
   • Không chỉ pass/fail
   • Có thể differentiate giữa các mức độ chất lượng response

E. Case Study: AlphaProof của DeepMind

Context:

• Paper quan trọng, nên đọc nếu chưa đọc
• Giải các task thỏa mãn asymmetry of verification
• Phương pháp: Dùng nhiều compute + smart algorithm

Ví dụ task:
"Tìm cách đặt 11 hình lục giác sao cho có thể vẽ hình lục giác bao quanh nhỏ nhất"

Tại sao task này lý tưởng?

1. ✅ Objective: Có thể plot để check answer
2. ✅ Fast & Scalable: Verification là computational
3. ✅ Low noise: Cùng input → cùng output
4. ✅ Continuous reward: Kích thước hexagon trực tiếp đo "goodness" của answer

Thuật toán AlphaProof (đơn giản hóa):

1. Bắt đầu với Large Language Model
2. Sample nhiều candidate solutions (có tốt, có xấu)
3. Grade chúng (vì có cách grade theo định nghĩa của task)
4. Lấy solution tốt nhất
5. Feed nó vào LLM làm "inspiration" cho vòng sampling tiếp theo
6. Lặp lại với nhiều compute iterations
7. Performance tăng theo thời gian

Insight quan trọng:

• Sidestep vấn đề generalization (train → test)
• Không quan tâm "unseen examples" hay "unseen tasks"
• Chỉ pick problems mà train và test là giống nhau
• Chỉ muốn biết answer cho một problem cụ thể
• Điều kiện: Phải có khả năng get better answer hơn những gì đã biết

F. Hàm ý thực tiễn

1. Task nào sẽ bị automate đầu tiên?
   • Những task "trivial to verify"
   • Ví dụ: Code generation (có test cases), Translation (có reference), Math (có answer key)
2. Cơ hội kinh doanh/nghiên cứu mới:
   • "Coming up with ways to measure things"
   • Nếu muốn start company: Focus vào việc tạo ra measurement systems
   • Khi đã measure được → AI có thể optimize
   • "You can't improve what you can't measure" - now AI makes this even more important
3. Benchmark trong AI:
   • Hầu hết benchmarks "by definition" đều easy to verify
   • Đó là lý do chúng được solved tương đối nhanh
   • Instantiation của Verifier's Law

G. Đánh giá phê bình

Điểm mạnh:

• Framework rất hữu ích để suy nghĩ về AI capabilities
• Giải thích tại sao một số task tiến bộ nhanh, một số chậm
• AlphaProof là ví dụ minh họa xuất sắc

Hạn chế:

• Nhiều task quan trọng trong thực tế KHÔNG dễ verify:
  • Creative work (art, design)
  • Strategic decisions
  • Interpersonal communication
• Verifier's Law có thể bias chúng ta toward "easily verifiable" tasks
• Nguy cơ: Optimize những gì dễ đo, bỏ qua những gì quan trọng nhưng khó đo

Questions to ponder:

• Liệu có task nào fundamentally unverifiable nhưng vẫn valuable?
• Việc focus vào verifiable tasks có làm mất đi creativity và innovation không?

3. RANH GIỚI LỞM CHỞM CỦA TRÍ TUỆ (The Jagged Edge of Intelligence)

A. Tranh luận về "Fast Takeoff"

Giả thuyết Fast Takeoff (Superintelligence):

• Một khi AI pass humans ở một khả năng nào đó
• Sẽ có "takeoff duration" ngắn
• Trong thời gian đó AI gain huge amount of intelligence
• Trở nên mạnh hơn humans rất nhiều, rất nhanh

Jason Wei's position: "This is probably not going to happen"

Lý do:

Simplistic version của Fast Takeoff:

Year 0: Can't train GPT-n+1 with AI ❌
Year 1: Suddenly can train GPT-n+1 with AI ✅
→ Discontinuous jump

Reality sẽ là:

Year 0.0: Can't get codebase running
Year 0.3: Can train something but results aren't amazing
Year 0.5: Trains autonomously but not as good as 10 best researchers
Year 0.7: Still need humans to intervene occasionally
Year 1.0: Mostly autonomous with rare human interventions
→ Gradual spectrum of self-improvement

Key insight: Self-improvement ability là spectrum, không phải binary.

B. Self-Improvement Rate nên nhìn nhận theo từng Task

Metaphor của "Jagged Edge":

        Math
        /\
       /  \
  Code/    \
      \    /\
       \  /  \ Translation
        \/    \
       9.11>9.9   \
                  /\
                 /  \Tlingit

• Peaks (Đỉnh): Problems AI đặc biệt giỏi
  • Hard math problems
  • Competition coding
• Valleys (Thung lũng): Problems AI vẫn struggle
  • "9.11 > 9.9" (string comparison quirk)
  • Speaking Tlingit (very low-resource language)

Tại sao không uniform improvement?

Mỗi task có:

1. Different rate of improvement
2. Different bottlenecks

Ví dụ:

• High verifiability tasks: Improve rất nhanh (có thuật toán tốt)
• Speaking Tlingit: Bottleneck là data collection (phải đi Native American reservation, document language) → Improve rất chậm

C. Heuristics để predict AI improvement rate

Jason Wei đưa ra các heuristics thực tế để dự đoán AI sẽ improve nhanh/chậm như thế nào ở các tasks:

Heuristic 1: AI is good at digital tasks

Ví dụ vui:

• Comic "Homework Machine" từ 1981 → Surprisingly accurate
• "I, Robot" → Chúng ta chưa có

Core reason: Iteration speed

• Digital tasks: Dễ scale compute
• Physical tasks (robots): Khó scale experiments
• Development nhanh hơn nhiều cho digital

Heuristic 2: Tasks easier for humans → easier for AI

Intuitive insight:

• Có correlation giữa human difficulty và AI difficulty
• Nếu humans struggle → AI cũng sẽ struggle (ít nhất ban đầu)

Heuristic 3: AI có thể làm những tasks humans can't do

Due to fundamental human limitations:

Ví dụ: Predicting breast cancer occurrence

• Cần đọc 10 million breast cancer images
• Tìm pattern cho phép predict
• Humans không sống đủ lâu + không có enough attention span
• AI không có limitations này

Implication: AI có thể mở khóa những capabilities mà humans fundamentally không có

Heuristic 4: AI thrives when data is abundant

Evidence rất rõ ràng:

Graph từ paper:

• X-axis: Frequency of language in training data
• Y-axis: Math performance in that language
• Clear positive correlation

Insight: More data = Better performance (still holds trong era of LLMs)

Heuristic 5: Exception - Single objective metric

Khi nào không cần nhiều data?

Nếu có single objective metric → Có thể dùng AlphaProof/AlphaZero tactics:

• Generate synthetic data via reinforcement learning
• Self-play
• Self-improvement without human data

Quote from Danny Zou (OpenAI colleague):

"Any benchmark can be rapidly solved as long as the task provides a clear evaluation metric that can be used as reward signal during fine-tuning"

D. Bảng dự đoán cụ thể

Jason Wei đưa ra bảng dự đoán thực tế về thời điểm AI có thể làm các tasks:

Insight từ bảng:

• 3 factors chính: Human difficulty, Digital, Data availability
• Combine 3 factors → Reasonable predictions
• Some tasks are "AI-proof" do fundamental nature

E. Hàm ý thực tiễn

1. Certain fields → Extremely heavily accelerated:
   • Software development: Tất cả 3 factors thuận lợi
   • Research (digital aspects)
   • Data analysis
2. Other fields → Remain untouched:
   • Hairdressing: Not digital, hard to get data
   • Traditional crafts
   • Physical services requiring human touch
3. Career implications:
   • Không nên give/receive career advice dễ dàng
   • High variance trong future
   • "Nobody knows shit" about how it'll play out exactly
4. Investment/Business strategy:
   • Focus on areas matching the 3 heuristics
   • Avoid areas that are fundamentally non-digital or data-scarce
   • Look for "measurement" opportunities (tie to Verifier's Law)

F. Đánh giá phê bình

Điểm mạnh:

• Framework rất practical và dễ apply
• Heuristics đơn giản nhưng powerful
• Grounded in evidence (graph về language frequency vs performance)
• Honest về uncertainty ("not sure", "maybe")

Điểm cần lưu ý:

• Heuristics có thể break down khi có breakthrough mới
  • Ví dụ: Self-play, synthetic data generation
• Prediction timelines rất khó (AI field notorious for bad predictions)
• "Digital" boundary có thể blur với embodied AI, better robotics

Questions to ponder:

• Liệu có breakthrough nào đột ngột làm "non-digital" tasks trở nên solvable?
• Robotics + foundation models có thể thay đổi game như thế nào?
• Data scarcity có thể overcome bằng synthetic data không?

III. TỔNG HỢP 3 Ý TƯỞNG

Mối liên hệ giữa 3 ý tưởng

Intelligence as Commodity
         ↓
    (enables)
         ↓
Verifier's Law ←→ Jagged Edge
    (explains)      (shows)
         ↓            ↓
  Which tasks     Different rates
  solved first    for different tasks

1. Intelligence as Commodity → Foundation
   • Intelligence cost → 0
   • Adaptive compute enables this
   • Sets stage for rapid progress
2. Verifier's Law → Mechanism
   • Explains HOW tasks get solved
   • Verifiability determines speed of progress
   • Connects to measurement and benchmarking
3. Jagged Edge → Reality check
   • Shows WHY progress is uneven
   • Not all tasks equally affected
   • Different rates for different domains

Framework tổng hợp để đánh giá impact của AI

Khi đánh giá một task/field, hỏi:

Questions from Idea #1 (Commodity):

• Task này có benefit từ cheap intelligence không?
• Có thể dùng adaptive compute không?
• Knowledge component chiếm bao nhiêu %?

Questions from Idea #2 (Verifier's Law):

• Task này verify dễ đến mức nào?
• Có objective truth không?
• Có thể scale verification không?
• Có continuous reward signal không?
• Có cách tạo measurement system không?

Questions from Idea #3 (Jagged Edge):

• Task này digital không?
• Difficulty level cho humans?
• Data có abundant không?
• Có single objective metric không?

Synthesis:

• ✅✅✅ trên cả 3 ideas → Task sẽ bị automate rất nhanh
• ❌❌❌ trên cả 3 ideas → Task sẽ remain human-dominated

IV. ĐÁNH GIÁ TỔNG THỂ BÀI THUYẾT TRÌNH

Điểm mạnh

1. Clarity of thinking:
   • 3 ideas rõ ràng, distinct
   • Không overlap quá nhiều
   • Easy to remember và apply
2. Grounded in evidence:
   • Graphs, benchmarks (BrowsComp, MMLU)
   • Real examples (AlphaProof, Operator)
   • Personal experience từ OpenAI, Google Brain
3. Practical framework:
   • Có thể apply ngay
   • Heuristics đơn giản
   • Prediction table cụ thể
4. Intellectual honesty:
   • Admits uncertainty
   • "Not sure" khi không biết
   • Không overhype
5. Balance:
   • Optimistic về capabilities
   • Realistic về limitations
   • Humor (girlfriend dating task 😄)

Điểm hạn chế

1. Overfocus on verifiable tasks:
   • Nhiều valuable tasks không easily verifiable
   • Creativity, taste, judgment
   • Risk: Optimize measurable, ignore important
2. Underestimate breakthrough potential:
   • Heuristics có thể break với new paradigms
   • Embodied AI, robotics có thể surprise
   • Synthetic data generation đang improve nhanh
3. Timeline predictions are hard:
   • AI field notorious for bad predictions
   • "2027 for AI research" - very uncertain
   • Many factors ngoài technical (regulation, economics)
4. Limited discussion of:
   • Safety và alignment
   • Economic disruption và transition
   • Social impacts
   • (Có thể do time constraints)

Giá trị của framework

Cho researchers:

• Pick problems wisely (focus on verifiable)
• Think about measurement early
• Understand which problems will be "commoditized"

Cho entrepreneurs:

• Identify opportunities (measurement systems)
• Avoid areas soon-to-be-commoditized
• Focus on non-digital or hard-to-verify value

Cho policymakers:

• Understand uneven impact
• Prepare for disruption in specific sectors
• Don't expect uniform transformation

Cho cá nhân:

• Career planning
• Skill development (focus on non-commodity skills)
• Realistic expectations

V. SO SÁNH VỚI CÁC PERSPECTIVE KHÁC

vs. Fast Takeoff / AGI-soon camp

Họ nói:

• AGI within few years
• Rapid capability explosion
• Need urgent action on safety

Jason Wei:

• Gradual improvement, jagged edge
• Different rates for different tasks
• More nuanced view of progress

Truth likely: Ở giữa. Có thể có rapid progress trong specific domains, nhưng uneven across tasks.

vs. AI Skeptics / "Just autocomplete" camp

Họ nói:

• LLMs don't really understand
• Just pattern matching
• Won't replace real intelligence

Jason Wei:

• Focus on capabilities, not mechanism
• "Intelligence as commodity" regardless of how it works
• Pragmatic về what AI can do

Truth likely: Mechanism debate ít quan trọng hơn capability trajectory.

vs. "AI will replace all jobs" camp

Họ nói:

• Universal automation coming
• All jobs at risk
• Need UBI soon

Jason Wei:

• Jagged edge → Uneven impact
• Some jobs safe (hairdressing, dating 😄)
• Digital vs physical distinction matters

Truth likely: Jason's view seems more grounded và realistic.

VI. IMPLICATIONS CHO VIỆT NAM VÀ KHU VỰC

Opportunities

1. Software Development:
   • Vietnam strong in this area
   • Will be heavily accelerated
   • But also more competitive
2. Digital Services:
   • Can leverage cheap intelligence
   • Localization opportunities
   • Language-specific applications
3. Education:
   • Democratization of knowledge
   • Access to world-class tutoring
   • Can level playing field

Challenges

1. Traditional Crafts:
   • Một số nghề truyền thống sẽ an toàn (may mắn)
   • But economically may not be sustainable
2. White Collar Work:
   • Many positions will be impacted
   • Need reskilling
3. Language Barrier:
   • Vietnamese là lower-resource language
   • May lag behind English, Chinese
   • But improving

Strategy Recommendations

1. Focus on:
   • Skills hard to verify (creativity, leadership)
   • Domain expertise + AI tool usage
   • Non-digital services with human touch
2. Invest in:
   • AI education and literacy
   • Measurement and evaluation systems
   • Industry-specific AI applications
3. Prepare for:
   • Rapid changes in job market
   • Need for continuous learning
   • Economic disruption in some sectors

VII. KẾT LUẬN

3 Takeaways Chính

1. Intelligence is becoming cheap and abundant
   → Focus on problems/opportunities where intelligence was the bottleneck
2. Measurement drives progress
   → Build measurement systems, enable optimization
3. Impact will be uneven
   → Don't expect uniform transformation, plan accordingly

Câu hỏi mở cho tương lai

1. Liệu Verifier's Law có bị break bởi unsupervised/self-supervised methods?
2. Jagged edge có thể smoothen với better embodiment?
3. Khi intelligence becomes commodity, value sẽ move về đâu?
4. Làm thế nào để ensure equitable access to AI benefits?

Final Thoughts

Jason Wei's framework là một trong những cách suy nghĩ practical và grounded nhất về AI progress. Không overhype, không quá pessimistic, focus vào actionable insights.

Dù predictions có thể sai về timeline, nhưng directional insights rất valuable:

• Verify → Progress
• Digital → Faster
• Data → Better
• Edge → Jagged

Framework này giúp chúng ta:

• Navigate uncertainty với structured thinking
• Make better decisions về career, investment, research
• Temper both hype và skepticism với realism

Trong thế giới AI đầy noise và contradicting opinions, having clear frameworks like này là extremely valuable.

Kết luận tổng thể:

Bài nói chuyện của Jason Wei cung cấp một lộ trình tư duy (roadmap) rõ ràng cho bất kỳ ai đang hoạt động trong lĩnh vực AI. Thay vì sa đà vào các chi tiết kỹ thuật phức tạp, anh tập trung vào 3 trụ cột chiến lược:

1. Tư duy Sản phẩm: Làm thế nào để biến công nghệ thành giá trị thực tế.
2. Hướng đi Kỹ thuật: Đâu là nút thắt cổ chai lớn nhất cần tháo gỡ (lập luận).
3. Tư duy Định hướng: Làm thế nào để chọn con đường đúng đắn để tạo ra tác động.

Nguồn: https://www.youtube.com/watch?v=b6Doq2fz81U

Dịch và tổng hợp bởi A.I