Dũng Virgo
Cuộc đua phát triển trí tuệ nhân tạo đang tạo ra một nghịch lý đặc biệt: những kỹ sư hiểu rõ nhất sức mạnh của AI cũng có thể là người trực tiếp đẩy nhanh quá trình công nghệ này thay thế công việc của chính họ.
Shengyu Liu, kỹ sư của DeepSeek, là một ví dụ điển hình. Anh cho rằng chỉ trong khoảng 6-12 tháng nữa, AI có thể viết các kernel có chất lượng ngang, thậm chí vượt qua năng lực của mình. Tuy nhiên, nhận định đó không khiến Liu dừng lại. Ngược lại, anh vẫn dành thời gian mỗi ngày để tối ưu mã nguồn, giúp các mô hình AI hoạt động nhanh và hiệu quả hơn.
Người đứng sau những lớp mã sâu nhất của AI
Liu không làm công việc phổ biến như xây dựng chatbot, thiết kế giao diện hay phát triển các tính năng AI dành cho người dùng cuối. Chuyên môn của anh nằm ở tầng thấp hơn nhiều: các kernel và thành phần phần mềm tác động trực tiếp đến tốc độ huấn luyện, suy luận của mô hình.
Những công việc này đòi hỏi khả năng sử dụng CUDA, PTX và SASS để khai thác tối đa năng lực của phần cứng. Chỉ một thay đổi nhỏ trong cách sắp xếp lệnh, truy cập bộ nhớ hoặc phân bổ tài nguyên cũng có thể ảnh hưởng đáng kể đến hiệu năng của cả hệ thống.
Trước khi gia nhập DeepSeek, Liu từng tham gia phát triển những hệ thống phục vụ các mô hình ngôn ngữ lớn như DistServe, LoongServe và FastServe. Anh cũng từng là sinh viên lớp Turing tại Đại học Bắc Kinh và dẫn dắt đội tuyển siêu máy tính giành chức vô địch ASC.
Trong quá trình phát triển DeepSeek V4.1, Liu đảm nhiệm việc viết các kernel Attention chính của mô hình. Đây là vị trí đòi hỏi kiến thức sâu về thuật toán, kiến trúc máy tính và cách vận hành của hệ thống AI quy mô lớn.
AI đang tiến vào phần việc từng được xem là rất khó tự động hóa
Khoảng một năm trước, AI chủ yếu hỗ trợ lập trình viên ở những nhiệm vụ như tìm tài liệu, giải thích mã nguồn, phát hiện lỗi hoặc đề xuất các đoạn code đơn giản. Hiện nay, năng lực của công cụ đã mở rộng đáng kể.
Theo Liu, AI có thể đọc và xử lý CUDA, PTX, SASS, đồng thời sử dụng các công cụ chuyên nghiệp để phân tích thời gian đình trệ của từng lệnh. Không chỉ đưa ra gợi ý, hệ thống còn có thể tham gia vào quá trình tối ưu kernel, vốn trước đây phụ thuộc nhiều vào kinh nghiệm thực tế của kỹ sư.
Bước tiếp theo có thể là khả năng tự xây dựng chiến lược lập lịch kernel. AI sẽ đánh giá nhiều phương án, triển khai phương án phù hợp, đo lường kết quả rồi tiếp tục điều chỉnh. Đây là một vòng lặp tối ưu hóa mà máy móc có thể thực hiện liên tục, trong khi con người thường bị giới hạn bởi thời gian và sức tập trung.
“AI có thể suy nghĩ với tốc độ 300 token mỗi giây, nhập một câu lệnh trong nửa giây và viết code trong khoảng 20 giây. Tôi thì không”, Liu viết.
Sự khác biệt không chỉ nằm ở tốc độ gõ code. AI còn có thể mở rộng quá trình xử lý theo nhiều hướng cùng lúc, từ tăng độ sâu suy luận, gọi thêm công cụ cho đến chạy song song nhiều phương án. Một kỹ sư giàu kinh nghiệm vẫn có lợi thế về phán đoán, nhưng khó có thể tăng năng lực cá nhân theo cấp số nhân như một hệ thống máy tính.
Vì sao Liu vẫn tiếp tục cải tiến công nghệ có thể thay thế mình?
Nếu tin rằng AI sắp làm tốt công việc của mình, lựa chọn hợp lý có vẻ là giảm tốc độ hoặc chuyển sang lĩnh vực khác. Nhưng Liu lại nhìn vấn đề theo hướng ngược lại.
Với anh, tối ưu kernel mang đến cảm giác giống như một game thủ phá kỷ lục speedrun. Việc tìm ra một kỹ thuật mới, rút ngắn thời gian xử lý hoặc vượt qua cách triển khai tiêu chuẩn của nhà sản xuất phần cứng tạo ra cảm giác chinh phục rất rõ ràng.
Niềm vui nghề nghiệp là một lý do, nhưng chưa phải yếu tố duy nhất. Ngành AI đang vận hành như một cuộc đua giữa các phòng thí nghiệm và công ty công nghệ. Nếu một nhóm chủ động chậm lại, những đối thủ khác nhiều khả năng vẫn tiếp tục đầu tư và cải tiến.
Trong hoàn cảnh đó, việc không tối ưu hệ thống không giúp công việc của Liu an toàn hơn. Trái lại, nó có thể khiến vị trí của anh và đội ngũ bị suy yếu nhanh hơn. Vì vậy, anh chọn cách trực tiếp thúc đẩy tiến bộ thay vì đứng ngoài quan sát.
Liu từng diễn đạt quan điểm này bằng ý tưởng: nếu cuộc cách mạng AI chắc chắn sẽ loại bỏ mình, anh muốn chính mình là người góp phần tạo ra sự thay đổi đó. Đây không hẳn là thái độ bi quan, mà là cách chủ động đối diện với một xu hướng khó đảo ngược.
Kỹ sư sẽ biến thành “phi công” điều khiển AI?
AI giỏi hơn con người ở một nhiệm vụ cụ thể không đồng nghĩa kỹ sư lập tức mất việc. Kinh nghiệm, khả năng đánh giá rủi ro, hiểu bối cảnh sản phẩm và năng lực đưa ra quyết định vẫn có giá trị. Tuy nhiên, nội dung công việc có thể thay đổi rất sâu.
Trước đây, nghề nghiệp thường tạo ra sự thống nhất giữa ba yếu tố: điều một người yêu thích, điều họ làm tốt và thứ doanh nghiệp cần. AI đang phá vỡ mối liên kết này. Một kỹ năng từng giúp kỹ sư nổi bật có thể dần trở thành phần việc mà máy móc thực hiện nhanh hơn, rẻ hơn và liên tục hơn.
Trong tương lai, Liu có thể không còn dành phần lớn thời gian để tự viết từng kernel. Thay vào đó, anh sẽ phải xác định mục tiêu, thiết kế tiêu chí đánh giá, kiểm tra kết quả do AI tạo ra và xử lý những trường hợp hệ thống chưa thể giải quyết. Vai trò này giống một “phi công AI”: con người không trực tiếp thực hiện mọi thao tác, nhưng vẫn chịu trách nhiệm định hướng và kiểm soát toàn bộ quá trình.
Doanh nghiệp cũng có thể bắt đầu ưu tiên những người biết sử dụng AI để tạo ra kernel tốt hơn, thay vì chỉ tìm kiếm người có khả năng viết kernel thủ công nhanh nhất. Điều đó sẽ làm thay đổi cách tuyển dụng, đào tạo và đánh giá năng lực trong ngành phần mềm.
Bài toán đào tạo: sinh viên có thể mất cơ hội rèn kỹ năng nền tảng
Mối lo của Liu không chỉ liên quan đến các kỹ sư hàng đầu. Anh đặc biệt quan tâm đến cách sinh viên đang sử dụng AI để làm bài tập, viết chương trình và hoàn thành các dự án kỹ thuật.
AI có thể giúp người học tiết kiệm thời gian và tiếp cận kiến thức dễ dàng hơn. Tuy nhiên, nếu công cụ làm thay phần lớn quá trình suy nghĩ, sinh viên có thể bỏ qua những bước quan trọng như tổ chức mã nguồn, phân tích yêu cầu, xây dựng kiến trúc hệ thống và tự tìm lỗi.
Những kỹ năng này thường được hình thành qua quá trình thử sai kéo dài. Một chương trình chạy được chưa chắc đã có thiết kế tốt; một đoạn code cho kết quả đúng cũng chưa chắc dễ bảo trì hoặc mở rộng. Nếu chỉ dựa vào câu trả lời có sẵn, người học có thể gặp khó khăn khi phải xử lý một bài toán mới mà AI không cung cấp ngay giải pháp hoàn chỉnh.
Vì thế, giáo dục công nghệ sẽ cần thay đổi. Thay vì chỉ cấm hoặc khuyến khích sử dụng AI, các trường có thể phải tập trung hơn vào khả năng giải thích quyết định, kiểm chứng kết quả và xây dựng hệ thống từ những nguyên tắc nền tảng.
Đây cũng là vấn đề được nhắc đến trong nhiều tranh luận về tốc độ phát triển AI và những rủi ro đi kèm. Khi công cụ ngày càng mạnh, con người cần duy trì năng lực hiểu công nghệ thay vì chỉ học cách sử dụng giao diện của nó.
Ai sẽ hưởng lợi từ năng suất do AI tạo ra?
Một câu hỏi lớn hơn phía sau câu chuyện nghề nghiệp của Liu là quyền kiểm soát thành quả từ AI. Trong kịch bản tích cực, AI giúp tăng năng suất, giảm chi phí tính toán và mở rộng khả năng tiếp cận các công cụ hiện đại. Doanh nghiệp nhỏ, nhà nghiên cứu độc lập và người dùng phổ thông đều có thể hưởng lợi.
Nhưng cũng tồn tại kịch bản khác, khi năng lực AI tiên tiến tập trung vào một nhóm nhỏ công ty sở hữu dữ liệu, phần cứng và hạ tầng tính toán. Khi đó, quyền tiếp cận mô hình mạnh có thể trở thành yếu tố quyết định lợi thế kinh tế và vị thế xã hội.
Đây là lý do Liu muốn DeepSeek tiếp tục phát triển những hệ thống AI có tốc độ cao, năng lực mạnh và khả năng tiếp cận rộng rãi hơn. Quan điểm này đặt cuộc đua công nghệ trong mối liên hệ với câu hỏi về phân phối lợi ích, chứ không chỉ dừng ở việc mô hình nào có điểm số cao hơn.
Trong khi đó, các doanh nghiệp cũng đang tìm cách tối ưu chi phí triển khai AI bằng những hướng tiếp cận khác nhau, chẳng hạn sử dụng hạ tầng tại chỗ và thiết bị chuyên dụng. Xu hướng này được thể hiện qua các giải pháp AI PC dành cho doanh nghiệp, nơi hiệu năng và chi phí vận hành được cân nhắc song song.
Nghịch lý của người đang thúc đẩy AI
Câu chuyện của Shengyu Liu không đơn giản là lời cảnh báo một lập trình viên có nguy cơ mất việc. Nó cho thấy sự thay đổi đang diễn ra ngay trong những phần chuyên sâu nhất của ngành AI.
Người kỹ sư càng tối ưu kernel, mô hình càng được huấn luyện và vận hành nhanh. Mô hình tiến bộ nhanh lại giúp AI có thêm khả năng hỗ trợ hoặc thay thế chính công việc tối ưu đó. Vòng lặp này khiến ranh giới giữa người xây dựng công nghệ và người bị công nghệ thay thế ngày càng mờ đi.
Tuy vậy, tương lai không nhất thiết chỉ có hai lựa chọn là con người hoặc máy móc. Những kỹ sư như Liu có thể tiếp tục giữ vai trò quan trọng bằng cách chuyển từ người trực tiếp viết mọi dòng mã sang người thiết kế quy trình, kiểm chứng chất lượng và định hướng hệ thống AI.
Điều chắc chắn hơn là lợi thế nghề nghiệp sẽ không còn nằm ở việc một người có thể làm thủ công nhanh đến đâu. Khả năng học liên tục, hiểu bản chất hệ thống và sử dụng AI một cách có kiểm soát sẽ ngày càng quan trọng. Với Liu, cách chuẩn bị cho tương lai không phải là dừng lại trước sự tiến bộ của AI, mà là tiếp tục cải tiến nó trong khi tìm cách thích nghi với những thay đổi mà chính mình đang tạo ra.
Meta mở loạt gói thuê bao trả phí cho doanh nghiệp và người dùng AI
Claude hỗ trợ phát hiện lỗ hổng dẫn tới kho mã nguồn OpenAI
Nvidia cân nhắc rót 10 tỷ USD vào IPO Anthropic
AI đang rút ngắn thời gian tấn công, doanh nghiệp phải đổi cách bảo mật
DLSS 5 chạy trên GPU Intel nhưng chỉ đạt 10 FPS
Jensen Huang bác bỏ cảnh báo AI diệt vong vì sao?
Huawei cảnh báo AI Trung Quốc chưa chạm ngưỡng rủi ro tác nhân
