Có một hiện tượng gần đây khiến tôi khá ngạc nhiên khi nói chuyện với một số học viên của Conan School.
Các bạn biết rất nhiều.
Biết ChatGPT.
Biết Claude.
Biết Gemini.
Biết NotebookLM.
Biết hàng chục công cụ AI khác.
Một công cụ mới xuất hiện là các bạn thử ngay.
Một model mới ra mắt là các bạn chuyển sang.
Một workflow mới được chia sẻ trên mạng là các bạn lại muốn thử.
Nhìn bên ngoài, đây có vẻ là một dấu hiệu của một người rất ham học.
Nhưng khi nói chuyện sâu hơn, tôi phát hiện ra một điều khá nghịch lý:
Các bạn biết rất nhiều công cụ, nhưng lại không thực sự giỏi công cụ nào.
Những công cụ cực kỳ mạnh mà các bạn đã có trong tay từ nhiều tháng trước lại chỉ được sử dụng ở mức rất cơ bản.
Và cứ mỗi khi gặp một giới hạn, thay vì hỏi:
“Làm thế nào để mình sử dụng công cụ này tốt hơn?”
các bạn lại hỏi:
“Có tool nào khác tốt hơn không?”
Tôi nghĩ đây không chỉ là vấn đề của AI.
Nó liên quan đến một vấn đề rất sâu trong cognitive science và learning science.
Có ít nhất ba concepts giúp chúng ta hiểu hiện tượng này.
1. Exploration–Exploitation: Tìm cái mới hay tận dụng cái đang có?
Trong decision science, có một bài toán kinh điển gọi là exploration–exploitation dilemma.
Nó xuất hiện ở khắp nơi.
Bạn có một nhà hàng mà bạn biết khá ngon.
Bạn có thể tiếp tục đến đó.
Đó là exploitation.
Hoặc bạn có thể thử một nhà hàng hoàn toàn mới.
Đó là exploration.
Bạn có một chiến lược học đã chứng minh hiệu quả.
Bạn có thể tiếp tục luyện tập và cải thiện nó.
Hoặc bạn có thể tìm một phương pháp mới trên YouTube.
Đó là exploration.
Cả hai đều cần thiết.
Nếu chỉ exploitation, bạn có thể bị mắc kẹt trong một phương pháp không còn tối ưu.
Nếu chỉ exploration, bạn sẽ không bao giờ tích lũy đủ kinh nghiệm để trở thành chuyên gia.
Nghiên cứu về exploration–exploitation xem đây là một bài toán nền tảng của decision-making: exploration giúp chúng ta tìm kiếm những lựa chọn có thể tốt hơn, trong khi exploitation tận dụng những gì chúng ta đã biết là có giá trị.
Vấn đề của nhiều người học hiện nay không phải là họ exploration quá nhiều.
Mà là:
Họ exploration nhưng không chuyển sang exploitation.
Họ cứ ở mãi trong phase:
“Cái gì mới?”
thay vì chuyển sang:
“Cái gì đang hiệu quả, và làm thế nào để tôi khai thác nó đến giới hạn?”
Đây là một khác biệt rất lớn.
Một học sinh có thể thử 30 công cụ AI.
Nhưng một học sinh khác có thể chọn 3 công cụ và dành 6 tháng để hiểu thật sâu:
chúng mạnh ở đâu;
yếu ở đâu;
khi nào nên dùng;
khi nào không nên dùng;
cách kết hợp chúng;
cách xây workflow;
cách kiểm tra output;
cách tự động hóa;
cách xử lý failure modes.
Sau một thời gian, người thứ hai có thể tạo ra năng suất vượt xa người thứ nhất.
Knowledge of tools và mastery of tools là hai thứ hoàn toàn khác nhau.
2. Novelty Seeking: Tại sao cái mới lại hấp dẫn đến vậy?
Nếu exploration là một chiến lược ra quyết định, thì novelty seeking giúp giải thích tại sao chúng ta lại dễ bị cái mới hấp dẫn.
Cái mới mang đến một thứ rất đặc biệt:
uncertainty.
“Tool này có thể làm được gì?”
“Model mới này có thông minh hơn không?”
“Workflow này có giúp mình nhanh hơn không?”
“Biết đâu đây chính là thứ mình đang tìm kiếm?”
Cái mới tạo ra một cảm giác về possibility.
Và possibility rất dễ bị nhầm với progress.
Đây là một trong những cái bẫy nguy hiểm nhất trong việc học.
Cảm giác đang tiến bộ không đồng nghĩa với thực sự tiến bộ
Hãy tưởng tượng một học sinh học programming.
Thứ Hai:
“Hôm nay em học React.”
Thứ Ba:
“Em chuyển sang Next.js.”
Thứ Tư:
“Em thử một AI coding agent.”
Thứ Năm:
“Em thấy framework này hay hơn.”
Thứ Sáu:
“Có tool mới này tự code được.”
Một tuần trôi qua.
Bạn ấy đã tiếp xúc với rất nhiều thứ.
Nhưng nếu hỏi:
“Em có thể tự xây một ứng dụng hoàn chỉnh không?”
Có thể câu trả lời vẫn là:
“Chưa.”
Đây là điểm quan trọng:
Exposure is not mastery.
Biết một thứ tồn tại không có nghĩa là biết sử dụng nó.
Dùng được một lần không có nghĩa là hiểu nó.
Hiểu nó không có nghĩa là có thể vận dụng nó trong những tình huống mới.
Và biết vận dụng nó không có nghĩa là đã đạt mastery.
3. Deliberate Practice: Mastery đến từ việc ở lại đủ lâu
Đây chính là phần mà nhiều người học bỏ qua.
Expertise không xuất hiện đơn giản vì chúng ta “dùng một thứ nhiều”.
Nó được xây dựng thông qua deliberate practice: thực hành có chủ đích, có feedback, có sự điều chỉnh và tập trung vào những điểm còn yếu. APA cũng phân biệt deliberate practice với việc chỉ lặp lại một nhiệm vụ một cách máy móc.
Ví dụ:
Một học sinh học piano.
Người A:
Học 10 bài hát khác nhau.
Người B:
Chọn một kỹ thuật khó, luyện nó hàng trăm lần, nhận feedback, sửa lỗi, rồi tăng dần độ khó.
Sau vài năm, hai người có thể có trải nghiệm hoàn toàn khác nhau.
Người A:
“Tôi đã chơi rất nhiều bài.”
Người B:
“Tôi đã xây dựng năng lực chơi piano.”
Đây chính là khác biệt giữa:
activity
và
capability.
Và điều này xảy ra với AI tools mỗi ngày
Một người có thể sử dụng ChatGPT trong một năm nhưng vẫn chỉ hỏi:
“Hãy viết cho tôi một bài.”
Trong khi một người khác sử dụng cùng công cụ đó để xây dựng:
research workflows;
reasoning workflows;
coding workflows;
evaluation systems;
knowledge systems;
automation;
agents;
domain-specific processes.
Hai người đều có thể nói:
“Tôi dùng ChatGPT mỗi ngày.”
Nhưng năng lực của họ hoàn toàn khác nhau.
Thời gian sử dụng không tự động tạo ra mastery.
Điều quan trọng là:
Bạn đã luyện cái gì trong khoảng thời gian đó?
Cái bẫy lớn nhất: Restarting the Learning Curve
Có một chi phí rất lớn mà người thích thử tool mới thường không nhìn thấy.
Mỗi lần chuyển sang một công cụ mới, chúng ta lại phải trả một loại switching cost.
Bạn phải học:
interface mới;
terminology mới;
mental model mới;
workflow mới;
limitations mới;
shortcuts mới;
failure modes mới.
Nói cách khác:
Bạn lại bắt đầu từ đầu.
Hãy tưởng tượng năng lực của một người với một công cụ tăng như thế này:
Capability
100% | ______
| ____/
80% | ____/
| ____/
60% | ____/
| ____/
40% |____/
|
20% |
+------------------------------------> Time
Nhưng người đó cứ liên tục đổi tool:
Tool A █████
Tool B ████
Tool C █████
Tool D ███
Tool E ████
Họ liên tục trải nghiệm learning curve.
Nhưng hiếm khi đi đến phần sâu nhất của đường cong.
Vì vậy, vấn đề không phải là “đừng thử cái mới”
Đây là điểm rất quan trọng.
Exploration không xấu.
Thậm chí exploration là một năng lực cực kỳ quan trọng.
Nếu một học sinh không bao giờ thử cái mới, em có thể trở nên rigid.
Một learner tốt cần biết:
Explore.
Nhưng một learner xuất sắc còn phải biết:
When to stop exploring.
Đó mới là vấn đề.
Một nguyên tắc rất đơn giản
Tôi thích hình dung quá trình học như thế này:
Explore → Select → Exploit → Master
Explore
Tìm kiếm.
Thử nghiệm.
So sánh.
Select
Chọn ra thứ đủ tốt.
Không nhất thiết phải là thứ “tốt nhất trên thế giới”.
Chỉ cần:
good enough + high leverage + phù hợp với mục tiêu.
Exploit
Ở lại với nó.
Dùng nó trong nhiều tình huống.
Tìm giới hạn của nó.
Xây workflow quanh nó.
Master
Hiểu sâu đến mức bạn không còn chỉ “dùng tool”.
Bạn bắt đầu:
thinking through the tool.
Đây là một cấp độ hoàn toàn khác.
Có một nghịch lý rất thú vị
Người mới thường hỏi:
“Tool nào tốt nhất?”
Người có kinh nghiệm hỏi:
“Tool nào phù hợp nhất?”
Người rất giỏi hỏi:
“Tôi có thể làm được gì với tool tôi đang có?”
Và người đạt mastery có thể đi xa hơn nữa:
“Làm thế nào để biến tool này thành một phần của hệ thống năng lực của tôi?”
Đó là lúc một tool ngừng là một tool.
Nó trở thành một capability multiplier.
Conan School không nên chỉ dạy học sinh “tool”
Nếu chúng ta thực sự muốn chuẩn bị cho học sinh trong một thế giới mà công nghệ thay đổi từng tháng, thì việc dạy:
“Đây là 20 AI tools mà em cần biết.”
có thể không phải là câu trả lời tốt nhất.
Bởi vì 20 tools hôm nay có thể trở thành 5 tools vào năm sau.
Thứ bền vững hơn là dạy học sinh:
How to learn a tool.
Và quan trọng hơn:
How to master a tool.
Học sinh cần biết cách:
Discover → Evaluate → Select → Practice → Apply → Integrate → Master
Đó mới là một meta-skill.
Và có lẽ đây mới là câu hỏi đáng hỏi
Đừng hỏi học sinh:
“Em biết bao nhiêu công cụ?”
Hãy hỏi:
“Có công cụ nào em thực sự master chưa?”
Đừng hỏi:
“Em đã thử bao nhiêu phương pháp học?”
Hãy hỏi:
“Có phương pháp nào em đã sử dụng đủ lâu để thực sự trở nên giỏi chưa?”
Đừng hỏi:
“Em biết bao nhiêu thứ?”
Hãy hỏi:
“Em có thể làm được những gì mà trước đây em không thể làm?”
Bởi vì cuối cùng:
Learning is not the accumulation of exposures.
Learning is the accumulation of capabilities.
Cái mới có thể cho chúng ta excitement.
Nhưng mastery mới cho chúng ta leverage.
Và trong một thế giới mà mỗi ngày đều có một tool mới xuất hiện, có lẽ một trong những năng lực quan trọng nhất của một learner thế kỷ 21 là:
Biết khi nào nên tiếp tục khám phá — và biết khi nào phải dừng lại để master.