Fei-Fei Li, hành trình từ người nhập cư đến ngôi sao AI
Chắc hẳn mọi người đều biết Fei-Fei Li (Lý Phi Phi), giáo sư ngôi sao trong thế giới AI.
Fei-Fei Li, hành trình từ người nhập cư đến ngôi sao AI
Ảnh bìa
Ngày 1 tháng 5, Bảo tàng Khoa học và Công nghệ Thâm Quyến với thiết kế như một phi thuyền vũ trụ đã chính thức mở cửa. Ảnh trên chụp đội ngũ thiết kế đứng trước bảo tàng mới. (via)
Fei-Fei Li, hành trình từ người nhập cư đến ngôi sao AI
Chắc hẳn mọi người đều biết Fei-Fei Li (Lý Phi Phi), giáo sư ngôi sao trong thế giới AI.
Cô giảng dạy tại Đại học Stanford, là thành viên của ba viện hàn lâm quốc gia Mỹ (bao gồm Viện Hàn lâm Kỹ thuật Quốc gia), từng giữ chức Giám đốc Phòng thí nghiệm AI Stanford và Giám đốc khoa học AI tại Google Cloud.
Sinh năm 1976 tại Bắc Kinh, lớn lên ở Thành Đô, cô cùng gia đình nhập cư sang Mỹ năm 16 tuổi.
Tôi luôn tò mò, làm thế nào cô bước chân vào con đường AI, từ một người nhập cư trở thành một ngôi sao học thuật?
Mấy ngày gần đây, tôi đọc xong cuốn tự truyện của cô có tên “Thế giới tôi nhìn thấy” (Nhà xuất bản Citic, 2024), mới nhận ra cuộc đời cô đầy kịch tính, và ở mỗi ngã rẽ quan trọng đều có những điều may mắn xuất hiện.
(1) Giai đoạn trung học
Cô sinh ra trong một gia đình bình thường, thời trung học không có gì quá nổi bật.
Nhà chúng tôi nằm cạnh đường vành đai ngoài của Thành Đô lúc bấy giờ, khu chung cư gồm ba tòa tháp giống hệt nhau, nhà tôi ở tầng bốn. Đường vành đai này là rìa của một đô thị đang không ngừng mở rộng, một bên là nhà máy, bên kia là đồng ruộng.
Tôi đỗ vào một trường trung học thu hút học sinh giỏi toàn thành phố. Trong những năm đó, những định kiến và thiên kiến áp đặt lên các cô gái khiến tôi ngày càng thiếu kiên nhẫn, sự khó chịu ấy đã vượt ra ngoài phạm vi bài vở. Trong mắt bạn bè đồng trang lứa, tôi đã có biệt danh là “cô nàng tomboy”.
Năm 1992, sau khi nhập cư sang Mỹ, cuộc sống gia đình cô lập tức rơi vào cảnh khó khăn. Cả nhà ba người chen chúc trong một căn hộ một phòng ngủ ở vùng nông thôn New Jersey, cô phải ngủ ở phòng khách, kê giường ngay cạnh bàn ăn.
Người cha sửa máy ảnh cũ tại một cửa hàng của người Hoa, sau đó bị sa thải và thất nghiệp. Người mẹ làm thu ngân ở tiệm tạp hóa, sau đó phải nghỉ ở nhà dưỡng bệnh vì thấp tim. Sau giờ học, Fei-Fei Li phải đi làm thêm, có khi bưng bê ở nhà hàng Trung Hoa suốt 12 tiếng đồng hồ với mức lương chỉ 2 USD một giờ.
Cuối cùng, khi lâm vào đường cùng, gia đình cô quyết định mua lại một tiệm giặt là trong khu phố để kiếm sống qua ngày. Để mua tiệm giặt là cần 100.000 USD, trong khi cả nhà chỉ có 20.000 USD tiền tiết kiệm, 80.000 USD còn lại đều là tiền đi vay.
(2) Giai đoạn đại học
Năm 1997, tốt nghiệp trung học, cô chuẩn bị nộp đơn vào đại học.
Ban đầu, mục tiêu của tôi chủ yếu là các trường đại học bang và đại học cộng đồng, chứ không phải các trường Ivy League. Nhưng tôi luôn không thể quên một trường đại học hàng đầu, đó là Đại học Princeton.
Gia đình chúng tôi chỉ có thể sống đắp đổi qua ngày nhờ đồ cũ mua ở các hội chợ nhà xe (garage sale), ngay cả chiếc máy tính bỏ túi tôi dùng cũng bị hỏng, làm sao chúng tôi có thể gánh nổi học phí của trường Ivy League?
Mặc dù vậy, tôi vẫn không thể kiềm chế được thôi thúc trong lòng và nộp đơn. Dù chỉ là nộp đơn mang tính tượng trưng, tôi cũng cảm thấy nó có một ý nghĩa đặc biệt.
Cô nộp đơn vào Đại học Princeton, và giấc mơ đã thành hiện thực khi Princeton cấp học bổng toàn phần.
Nếu không có học bổng toàn phần, với hoàn cảnh kinh tế của gia đình, cô không thể chi trả học phí. Và nếu không học Princeton, cô khó lòng bước đi trên con đường học thuật, chứ chưa nói đến những thành tựu sau này.
(3) Giai đoạn tiến sĩ
Tốt nghiệp đại học, ban đầu Fei-Fei Li muốn làm việc tại Wall Street để giải quyết vấn đề tài chính cho gia đình.
Người mẹ đã khuyến khích cô tiếp tục theo đuổi ước mơ. Thế là cô chọn đến Viện Công nghệ California (Caltech) học thạc sĩ và tiến sĩ, chuyên ngành cơ chế nhận diện thị giác.
Năm 2004, để thực hiện luận án tiến sĩ, cô cần tài liệu hình ảnh để huấn luyện thuật toán. Cô gom 9.000 bức ảnh tạo thành một bộ sưu tập, tự tay phân loại và gắn nhãn cho từng bức ảnh thành 101 danh mục.
Bộ sưu tập ảnh này được gọi là Caltech 101. Sau khi thuật toán được huấn luyện, nó có thể nhận diện 101 loại vật thể này từ các hình ảnh mới. Nhờ đó, cô đã bảo vệ thành công luận án tiến sĩ.
(4) Giai đoạn trợ giảng
Sau khi tốt nghiệp tiến sĩ, Fei-Fei Li lần lượt làm trợ giảng khoa học máy tính tại Đại học Illinois và sau đó là Đại học Princeton.
Cô tiếp tục nghiên cứu nhận diện thị giác, muốn tìm kiếm một thuật toán tổng quát có thể nhận diện mọi loại vật thể trên đời, chứ không chỉ giới hạn ở 101 loại như Caltech 101.
Điều này đồng nghĩa với việc cô cần một tập dữ liệu huấn luyện hình ảnh cực lớn, bao quát mọi vật thể trên thế giới. Đây là một nhiệm vụ vô cùng khó khăn, và hầu như ai cũng phản đối ý tưởng đó.
Chúng tôi đều là những trợ lý giáo sư trẻ tuổi, làm việc trong các khoa có tính cạnh tranh gay gắt. Trong những năm đầu khởi nghiệp, chúng tôi đều đối mặt với tình cảnh “hoặc công bố bài báo, hoặc cuốn gói ra đi”. Dưới áp lực đó, chúng tôi phải làm việc không ngừng nghỉ để hoàn thành công việc cả về lượng lẫn chất, vì biết rằng chỉ cần một chút lơ là, cơ hội đạt chức danh giáo sư trọn đời sẽ tan biến, kéo theo đó là mất đi cơ hội tốt nhất để có một sinh kế ổn định.
Những lời khuyên ngăn mà tôi nghe được đã nhiều đến mức đủ dùng cho cả đời này (và có lẽ cả đời sau nữa).
Một tập dữ liệu có hàng vạn danh mục thì có ích gì? Hầu hết các mô hình ngay cả một hoặc hai danh mục còn nhận diện không chuẩn!
Cô có biết mất bao lâu để huấn luyện một mô hình với nhiều hình ảnh như vậy không? Thời gian đó phải tính bằng “năm” đấy.
Người khác làm sao tải về được? Tổng dung lượng hình ảnh của cô còn lớn hơn dung lượng lưu trữ của hầu hết các ổ cứng thời bấy giờ.
Cô đã có kế hoạch cụ thể chưa? Ai sẽ gắn nhãn cho hàng triệu bức ảnh? Mất bao lâu? Làm sao xác thực độ chính xác của toàn bộ nội dung?
(5) ImageNet
Fei-Fei Li vẫn kiên trì thực hiện, và tập dữ liệu hình ảnh tổng quát này được đặt tên là ImageNet. Lúc đó là năm 2006.
Cô nảy ra một ý tưởng: từ điển tiếng Anh có một số danh từ cơ bản dùng để giải thích mọi vật thể khác. Chỉ cần thống kê xem có bao nhiêu danh từ cơ bản, và mỗi danh từ có bao nhiêu biến thể, là có thể có được các danh mục cơ bản của mọi vật thể.
Kết quả thống kê là 30.000 danh mục. Vì vậy, cô ước tính ImageNet sẽ có 30.000 danh mục, chứa tổng cộng 20 triệu bức ảnh. Mỗi bức ảnh đều cần phân loại và gắn nhãn, được lọc ra từ hàng trăm triệu bức ảnh ứng viên.
Chúng tôi đã gửi email tuyển dụng các sinh viên đại học sẵn sàng giúp tải xuống và gắn nhãn hình ảnh từ internet, thời gian làm việc linh hoạt, lương 10 USD một giờ. Chúng tôi tuyển được một số sinh viên, nhưng với tiến độ đó, dự án sẽ mất 19 năm để hoàn thành.
Tốc độ đó quá chậm. Phương pháp của dự án được cải tiến, sử dụng script để tự động tìm kiếm hình ảnh trên Google rồi thu thập dữ liệu. Tuy nhiên, cách này vẫn đòi hỏi con người phải đối chiếu và sàng lọc, chỉ giúp rút ngắn thời gian từ 19 năm xuống còn 18 năm.
May mắn thay, Amazon vừa ra mắt nền tảng crowdsourcing mang tên “Amazon Mechanical Turk” (AMT). Trên nền tảng này, bạn có thể trả tiền để giao các nhiệm vụ nhỏ cho những người nhận việc tự do trên khắp thế giới qua internet.
Thông qua nền tảng này, họ chia nhỏ dự án ImageNet để phân phối. Số lượng người tham gia lập tức tăng lên hàng nghìn người, trong khi chi phí bình quân đầu người chỉ bằng một phần nhỏ so với trước đây.
Tháng 6 năm 2009, phiên bản đầu tiên của ImageNet cuối cùng đã hoàn thành. Chúng tôi đã đạt được mục tiêu: thu thập được 15 triệu bức ảnh, bao phủ 22.000 danh mục khác nhau. Những bức ảnh này được lọc ra từ gần 1 tỷ ảnh ứng viên, và được gắn nhãn bởi hơn 48.000 cộng tác viên trên toàn cầu đến từ 167 quốc gia.
(6) Cuộc thi thuật toán ILSVRC
Dù ImageNet đã hoàn thành nhưng nó hầu như không tạo được tiếng vang trong giới học thuật, không có nhiều người chú ý đến.
Chúng tôi đã vấp phải thất bại đầu tiên và cũng là nghiêm trọng nhất: tại Hội nghị về Thị giác Máy tính và Nhận dạng Mẫu năm đó, ImageNet bị hạ cấp xuống dạng “trình bày poster” (poster presentation).
Cái gọi là “trình bày poster” là một thuật ngữ học thuật, nghĩa là chúng tôi không được trình bày công việc của mình trước thính giả trong giảng đường, mà chỉ có thể dựng một tấm poster lớn in tóm tắt dự án tại một khu vực chỉ định trong hội trường, với hy vọng thu hút sự quan tâm của những người qua đường.
Tôi từng nghĩ ImageNet có thể được chứng minh là đúng, hoặc cũng có thể là sai, và tôi đã chuẩn bị sẵn sàng cho cả hai khả năng ấy. Dù kết quả thế nào, đó cũng là một cơ hội để học hỏi. Tuy nhiên, tôi chưa bao giờ ngờ rằng nó lại bị phớt lờ.
Vì ImageNet không được thừa nhận, cô nghĩ ra một cách: tổ chức một cuộc thi thuật toán thường niên để xem thuật toán nào có tỷ lệ nhận diện chính xác nhất trên tập dữ liệu ImageNet.
Bằng cách này, trong lĩnh vực thị giác máy tính, ImageNet sẽ trở thành một tiêu chuẩn so sánh (benchmark). Các thuật toán khác nhau đều cần sử dụng nó để chứng minh năng lực nhận diện của mình, và mọi người sẽ không thể phớt lờ nó nữa. Cuộc thi này được gọi là ILSVRC (ImageNet Large Scale Visual Recognition Challenge).
Năm 2010, cuộc thi đầu tiên diễn ra khá thất vọng khi chỉ có 11 đội nộp 35 thuật toán tham gia. Thuật toán vô địch sử dụng phương pháp so sánh vector hình ảnh truyền thống, không có gì sáng tạo và tỷ lệ chính xác cũng không cao.
Năm 2011, cuộc thi thứ hai còn tệ hơn. Thuật toán chiến thắng vẫn là so sánh vector hình ảnh, tỷ lệ chính xác chỉ tăng vỏn vẹn 2%. Điều này có nghĩa là không có bất kỳ sự đổi mới hay tiến bộ nào.
Tệ nhất là số lượng người tham gia giảm mạnh, số thuật toán dự thi giảm từ 35 xuống còn 15. Có vẻ ngày càng ít người muốn bỏ công sức cho cuộc thi này.
Dùng từ “xấu hổ” đã không còn đủ để mô tả tâm trạng của chúng tôi lúc đó. Để thúc đẩy ImageNet, chúng tôi đã dốc hết tâm huyết trong nhiều năm, thu thập lượng hình ảnh vượt xa mọi tập dữ liệu trước đây, và tổ chức một cuộc thi quốc tế để thử nghiệm khả năng của nó. Nhưng kết quả nhận được chỉ là sự lặp lại đơn điệu của thực tại. Nếu ImageNet là một canh bạc, thì đã đến lúc chúng tôi phải nghĩ xem có phải mình đã thua rồi không.
Ngay khi dự án tưởng chừng như sắp thất bại và công sức nhiều năm có nguy cơ đổ sông đổ biển, bất ngờ và bước ngoặt lớn nhất trong cuộc đời Fei-Fei Li đã xuất hiện.
Năm 2012, tại cuộc thi lần thứ ba, một đội ngũ đến từ Canada đã sử dụng mạng nơ-ron tích chập (Convolutional Neural Network) - một phương pháp đã bị giới học thuật lãng quên từ lâu - và lập tức nâng tỷ lệ nhận diện chính xác thêm 10%.
Những gì diễn ra sau đó đã trở thành lịch sử được ghi vào sách giáo khoa. Cả thế giới chấn động trước hiệu quả của mạng nơ-ron, nghiên cứu AI đạt được bước đột phá, và nhân loại bước vào kỷ nguyên AI.
Fei-Fei Li hoàn toàn lật ngược thế cờ, nổi danh chỉ sau một đêm, từ một trợ lý giáo sư trở thành nhà lãnh đạo nghiên cứu AI nổi tiếng thế giới, mở ra một chương mới cho cuộc đời.
Câu chuyện của cô khiến người ta phải suy ngẫm: nếu thuật toán mạng nơ-ron không xuất hiện vào năm 2012 mà muộn hơn vài năm, hoặc sớm hơn một chút, hay nếu nền tảng AMT của Amazon không ra đời vào năm 2005, thì mọi chuyện sẽ ra sao?
Đó chính là thời thế. Cuộc đời của các nhà khoa học, cũng giống như các phát hiện khoa học, đều được thúc đẩy bởi những sự kiện ngẫu nhiên. Nỗ lực cá nhân đương nhiên quan trọng, nhưng vào những thời điểm quyết định, may mắn vẫn là yếu tố không thể thiếu.
Điểm tin công nghệ
(1) Điện não đồ (EEG) truyền thống yêu cầu gắn đầy các điện cực lên đầu (ảnh dưới), gây ra nhiều hạn chế và không thoải mái.
Các nhà khoa học tại Đại học Pennsylvania, Mỹ, đã chế tạo thành công một loại điện cực dạng sợi tóc, mỏng như tóc, có thể dán trực tiếp lên da mà không bị bong ra ngay cả khi tắm hay vận động mạnh.
Loại điện cực này hiện vẫn có dây, nhưng nhóm nghiên cứu đang lên kế hoạch phát triển phiên bản không dây.
(2) Baidu Maps tích hợp quảng cáo ngay trên giao diện dẫn đường.
(3) Ứng dụng ghi chú AI NotebookLM của Google có thể sẽ sớm bổ sung tính năng “tóm tắt video”.
Công cụ này đã hỗ trợ tạo âm thanh và hỏi đáp với AI, nếu hỗ trợ thêm cả tạo video thì thật khó tưởng tượng liệu chúng ta có còn cần đến giáo viên là người thật hay không.
Chỉ cần tải sách giáo khoa lên, AI sẽ tự động tạo ra video bài giảng.
(4) Ảnh chụp thực tế của chế độ máy tính để bàn (Desktop Mode) chính thức trên Android đã bị rò rỉ. Hình dưới đây là chế độ nhiều cửa sổ của nó.
Tuy nhiên, có vẻ Android 16 sẽ không kịp tích hợp tính năng này, và người dùng phải đợi đến Android 17.
Ngày điện thoại thay thế máy tính để bàn không còn xa nữa.
(5) Baidu công bố bằng sáng chế mang tên “Phương pháp, thiết bị, thiết bị điện tử và phương tiện lưu trữ chuyển đổi ngôn ngữ động vật”, sử dụng AI để nhận diện trạng thái cảm xúc của động vật và dịch sang ngôn ngữ con người có thể hiểu được, từ đó thực hiện giao tiếp cảm xúc và thấu hiểu giữa con người và động vật.
Bài viết
1. Đoạn code làm sập các bot chạy Chromium (tiếng Anh)
Tác giả giới thiệu một đoạn mã JS có khả năng làm sập trình duyệt Chromium không giao diện (headless) như Puppeteer và Playwright. Đoạn mã này có thể được dùng để nhận biết xem khách truy cập có phải là bot hay không.
2. Giới thiệu về Git worktree (tiếng Anh)
Một kho lưu trữ Git thông thường chỉ có thể có một thư mục làm việc tại một thời điểm. Nếu muốn thiết lập nhiều thư mục làm việc song song, bạn có thể sử dụng lệnh git worktree.
3. Tác động quan trọng của việc Microsoft dùng Go để viết lại TypeScript (tiếng Trung)
Microsoft đang có kế hoạch viết lại dự án TypeScript bằng ngôn ngữ Go. Bài viết này phân tích mục đích và những ảnh hưởng của quyết định này. (Đóng góp từ @imbant)
4. Tại sao các mô hình ngôn ngữ lớn có thể điều khiển điện thoại (tiếng Trung)
Dự án mã nguồn mở droidrun cho phép sử dụng LLM để vận hành các ứng dụng trên điện thoại Android thông qua ngôn ngữ tự nhiên. Bài viết phân tích cách thức hoạt động của nó. (Đóng góp từ @lezhi12)
5. Các công ty khởi nghiệp có thể không gánh nổi kiến trúc microservices (tiếng Anh)
Bài viết lập luận rằng microservices đòi hỏi năng lực vận hành (DevOps) rất mạnh và làm tăng độ phức tạp của mã nguồn. Các startup không nên mù quáng áp dụng, ứng dụng nguyên khối (monolith) vẫn là lựa chọn đơn giản hơn.
6. Chuyển dịch từ Prettier và ESLint sang BiomeJS (tiếng Anh)
BiomeJS là một công cụ viết bằng Rust dùng để định dạng và kiểm tra cú pháp mã nguồn JS với tốc độ cực nhanh, có thể thay thế hoàn hảo cho Prettier và ESLint.
7. Cách tự host Obsidian (tiếng Anh)
Obsidian là một phần mềm ghi chú xuất sắc. Tác giả hướng dẫn chi tiết các bước tự lưu trữ máy chủ Obsidian để có thể truy cập qua trình duyệt từ bất kỳ đâu.
Công cụ
1. Void
Trình soạn thảo mã nguồn tích hợp AI mã nguồn mở, một giải pháp thay thế cho Cursor, được phát triển dựa trên VS Code.
2. Hyvector
Công cụ chỉnh sửa ảnh vector (file SVG) trực tuyến.
3. Karakeep
Ứng dụng quản lý bookmark tự host, cung cấp tính năng tìm kiếm toàn văn và tự động phân loại thẻ bằng AI. Xem thêm bài viết giới thiệu.
4. PairDrop
Ứng dụng web truyền file trong mạng cục bộ, mã nguồn mở, tương tự như ShareDrop và LocalSend.
5. zVault
Hệ điều hành NAS TrueNAS vốn dựa trên FreeBSD đang chuyển hướng sang Linux. zVault là một nhánh rẽ của cộng đồng nhằm tiếp tục phát triển hệ điều hành này trên nền tảng FreeBSD.
6. YAMLResume
Tạo sơ yếu lý lịch bằng định dạng YAML và xuất ra PDF thông qua LaTeX, giúp quản lý phiên bản dễ dàng hơn. (Đóng góp từ @xiaohanyu)
7. AllinSSL
Nền tảng quản lý chứng chỉ SSL tự động mã nguồn mở, tích hợp đăng ký, quản lý, triển khai và giám sát chứng chỉ. (Đóng góp từ @KincaidYang)
8. Basecoat
Bộ thư viện thành phần giao diện dựa trên Shadcn UI nhưng không sử dụng React.
9. Scraperr
Bảng điều khiển web dành cho các tác vụ cào dữ liệu mạng (web scraping).
AI
Ứng dụng AI mã nguồn mở tự động hoàn thành mô hình toán học và tạo ra một bài báo cáo hoàn chỉnh. (Đóng góp từ @jihe520)
2. BiliFilter
Bộ lọc bình luận (danmaku) trên Bilibili dựa trên mô hình ngôn ngữ lớn chạy cục bộ, giúp phân loại và lọc bình luận. (Đóng góp từ @ddddng)
Công cụ sao chép giọng nói miễn phí, có khả năng giả giọng người chỉ từ 3 giây ghi âm. (Đóng góp từ @xiaodaidai0701)
Tài nguyên
Một công cụ tìm kiếm âm nhạc. Khi nhập liên kết từ Spotify, YouTube, Apple Music hay SoundCloud, nó sẽ cung cấp liên kết của bài hát đó trên các nền tảng khác.
2. IPinfo Lite
Dịch vụ miễn phí từ cơ sở dữ liệu vị trí địa lý IPinfo, cho phép tra cứu vị trí qua IP mà không cần thẻ tín dụng và không giới hạn số lượt yêu cầu API.
Tài liệu hướng dẫn nhập môn Web Component bằng tiếng Anh.
Hình ảnh
Bàn phím số có nguồn gốc từ điện thoại.
Những chiếc điện thoại thời kỳ đầu đều sử dụng bàn quay số. Vào thập niên 1950, khi điện thoại có thể quay số trực tiếp đường dài, việc nhập 11 chữ số bằng bàn quay trở nên quá phiền phức, dẫn đến sự ra đời của bàn phím số.
Năm 1955, các nhà nghiên cứu tại công ty AT&T đã thực hiện một nghiên cứu nhằm tìm ra bố cục sắp xếp 10 chữ số trên bàn phím nhỏ sao cho đạt hiệu quả cao nhất.
Họ đã liệt kê tổng cộng 15 kiểu sắp xếp khác nhau.
Sau quá trình nghiên cứu và so sánh, người dùng tỏ ra ưa chuộng bố cục từ trái qua phải, từ trên xuống dưới.
Cụ thể, bố cục hai hàng năm cột nằm ngang có tốc độ nhập liệu tương đương và chỉ có sự khác biệt rất nhỏ so với bố cục 3x3+1 đang phổ biến hiện nay.
Cuối cùng, AT&T đã lựa chọn bố cục 3x3+1 cho điện thoại, lý do chính có lẽ vì nó gọn gàng hơn.
Trích đoạn
1. Bài học từ lần đầu tham gia công ty khởi nghiệp
Một nhà phát triển sau khi tốt nghiệp đại học đã đầu quân cho một startup.
Dần dần, anh nhận ra công ty tồn tại rất nhiều mâu thuẫn nội bộ, các quyết định về sản phẩm cũng gặp sai lầm.
Cuối cùng, khi công ty bắt đầu đi xuống, anh đã nộp đơn từ chức và từ bỏ quyền mua cổ phần của mình.
Sau khi nghỉ việc, anh viết một bài viết tổng kết lại những bài học kinh nghiệm xương máu mà mình rút ra được.
1. Cho dù mọi nhân viên trong startup đều tràn đầy động lực, nhưng nếu nhà sáng lập không phải là người tài giỏi xuất chúng, cơ hội đạt được thành công lớn là rất thấp (nhưng bạn vẫn có thể học hỏi được rất nhiều điều).
2. Một công ty khởi nghiệp thực chất chỉ có hai loại công việc: phát triển sản phẩm và bán hàng. Nếu nhà sáng lập không làm kỹ thuật cũng chẳng làm kinh doanh, và bạn không biết họ đang làm gì, hãy tin vào trực giác của mình.
3. Khi sản phẩm của startup chưa được thị trường kiểm chứng, việc xây dựng ứng dụng native cho nhiều nền tảng cùng lúc là một hành động cực kỳ kém hiệu quả. Việc phát triển đồng thời hai ứng dụng native cho hai sản phẩm khác nhau trên mọi nền tảng thực sự là một sự điên rồ.
4. Hầu hết các buổi thuyết trình gọi vốn (pitching) của startup là lãng phí thời gian. Sự kiểm chứng sản phẩm đến từ việc trò chuyện với người dùng và liên tục cải tiến, chứ không phải từ việc gây ấn tượng với ban giám khảo.
5. Không có gì kỳ diệu hơn việc được kề vai sát cánh chiến đấu và cùng nhau thực hiện ước mơ. Nếu bạn hiếm khi gặp nhà sáng lập và mọi liên lạc đều phải qua hình thức từ xa, đó không phải là một điềm lành.
6. Nếu một startup tuyển dụng bạn mà không trải qua các vòng phỏng vấn nghiêm ngặt, đó là một dấu hiệu nguy hiểm. Họ tuyển bạn thực sự dựa trên năng lực, hay chỉ vì bạn là kỹ sư đầu tiên chấp nhận làm việc với mức thù lao ít ỏi?
Trích dẫn
1.
Các dự án khoa học ngày càng trở nên quy mô lớn và mang tính thể chế, điều này khiến cho sự tò mò và sáng tạo của cá nhân trong việc thúc đẩy khoa học ngày một giảm sút. Sự tiến bộ của khoa học đang ngày càng phụ thuộc vào sự tổ chức hiệu quả và nguồn đầu tư khổng lồ.
— 《Người tư duy và kẻ thực thi》
2.
Bạn không thể tự nhận mình là kỹ sư cấp cao trừ khi bạn đã từng tham gia vào các dự án di sản (legacy projects).
3.
Điều gì làm cho các công ty ở Thung lũng Silicon mạnh mẽ đến vậy?
Không chỉ là hàng tỷ USD tài chính hay hàng tỷ người dùng của họ, cũng không chỉ vì họ sở hữu năng lực tính toán và kho dữ liệu khổng lồ khiến các phòng thí nghiệm học thuật phải lu mờ. Họ mạnh mẽ là bởi vì hàng nghìn con người tài năng đang cùng nhau nỗ lực dưới một mái nhà.
— Tự truyện Fei-Fei Li
4.
Trước đây, một đội ngũ nhỏ gồm 1 nhà phát triển cấp cao + 5 nhà phát triển cấp thấp, còn sau này sẽ là 1 nhà phát triển cấp cao + mô hình ngôn ngữ lớn AI.
— Độc giả Hacker News
5.
Tôi cá rằng sau này các kỹ sư sẽ phải đi sâu xuống tầng dưới cùng, tiếp cận gần hơn với mức độ của phiến bán dẫn (silicon). Việc phát triển ứng dụng sẽ không còn cần đến những người tinh thông công nghệ nữa, AI cho phép bất kỳ ai cũng có thể tự phát triển ứng dụng của riêng mình.
— Độc giả Hacker News