Jeff Dean ណែនាំយុវជនថា មិនចាំបាច់ព្យាយាមស្ទាត់ជំនាញ AI គ្រប់ផ្នែកទាំងអស់
បន្ទាប់ពីធ្វើការនៅ Google អស់រយៈពេល 27 ឆ្នាំ Jeff Dean បានផ្តល់ដំបូន្មានមួយដែលផ្ទុយពីសម្ពាធដែលយុវជនជាច្រើនកំពុងមាននៅក្នុងសម័យ AI៖ មិនចាំបាច់ព្យាយាមស្ទាត់ជំនាញរាល់ Model, Paper ឬ Technique ថ្មីៗទាំងអស់នោះទេ។ វិស័យ AI កំពុងផ្លាស់ប្តូរលឿនពេក ហើយក៏ពង្រីកទៅកាន់វិស័យជាច្រើនពេក ដើម្បីឱ្យមនុស្សម្នាក់អាចតាមដានគ្រប់យ៉ាងក្នុងកម្រិតជ្រៅដូចគ្នាបាន។
- Jeff Dean ណែនាំយុវជនថា មិនចាំបាច់ព្យាយាមស្ទាត់ជំនាញ AI គ្រប់ផ្នែកទាំងអស់
- អានឱ្យទូលំទូលាយសិន រួចភ្ជាប់គំនិតដែលអ្នកដទៃមិនទាន់បានភ្ជាប់
- Problem ដែលសមស្របសម្រាប់ការងាររយៈពេលវែង អាចមានចន្លោះប្រហែល 5 ឆ្នាំ
- បន្ទាប់ពី 27 ឆ្នាំនៅ Google លោក Dean ចាប់ផ្តើមជំពូកថ្មីជាមួយ DiscoveryLoop
- Dean ជឿថា AI អាចពង្រីកសមត្ថភាពរបស់មនុស្ស
- សម្រាប់ Gen Z ចំណុចសំខាន់មិនមែនរៀនតិចទេ ប៉ុន្តែត្រូវដឹងថាអ្វីគួររៀនឱ្យជ្រៅ
ក្នុងកម្មវិធី 2026 Frontier & Pioneer Symposium លោក Dean បានលើកឡើងថា ការមានទស្សនៈទូលំទូលាយអាចមានតម្លៃជាងការចូលជ្រៅភ្លាមៗទៅលើប្រធានបទតែមួយ។ ពេលខ្លះ ការអានរំលង Paper ចំនួន 10 អាចមានប្រយោជន៍ជាងការចំណាយពេលទាំងអស់លើ Paper តែមួយ ព្រោះ Paper នីមួយៗបន្ថែមចំណុចថ្មីមួយទៅក្នុងផែនទីគំនិតអំពីអ្វីដែលបច្ចេកវិទ្យាអាចធ្វើបាន។ លោកថែមទាំងណែនាំឱ្យអាន Abstract ប្រហែល 100 ដើម្បីបង្កើតទិដ្ឋភាពកាន់តែទូលំទូលាយ។
នេះមិនមែនជាការណែនាំឱ្យរៀនតែផ្ទៃក្រៅទេ។ ចំណុចសំខាន់គឺការប្រើពេលវេលាដែលមានកំណត់ឱ្យមានប្រសិទ្ធភាព។ ប្រសិនបើយើងដឹងថា Method មួយមាននៅក្នុង Domain ផ្សេង យើងអាចត្រឡប់ទៅសិក្សាវាឱ្យជ្រៅនៅពេលត្រូវការ ហើយប្រហែលជាអាចភ្ជាប់វាជាមួយ Problem ដែលអ្នកជំនាញក្នុងវិស័យតែមួយមិនបានមើលឃើញ។
អានឱ្យទូលំទូលាយសិន រួចភ្ជាប់គំនិតដែលអ្នកដទៃមិនទាន់បានភ្ជាប់
ចំណុចស្នូលនៃគំនិតរបស់ Dean គឺ Innovation ជាច្រើនកើតចេញពី Connection រវាងគំនិត មិនមែនត្រឹមតែការស្ទាត់ជំនាញលើប្រធានបទតែមួយប៉ុណ្ណោះ។ AI សព្វថ្ងៃពាក់ព័ន្ធជាមួយ Healthcare, Education, Biology, Engineering, Robotics, Mathematics និងវិស័យជាច្រើនទៀត។ មនុស្សម្នាក់មិនអាចតាមដានការរីកចម្រើនគ្រប់ផ្នែកទាំងអស់ក្នុងកម្រិតលម្អិតបានទេ។
ការអាន Research ឱ្យបានទូលំទូលាយអាចជួយនិស្សិត និងអ្នកចាប់ផ្តើម Career ក្នុង Technology បង្កើតឃ្លាំងគំនិតអំពី Methods, Concepts និង Open Problems។ ពួកគេមិនចាំបាច់ចងចាំ Equation ឬ Implementation Detail គ្រប់យ៉ាងទេ។ ការដឹងថា Approach មួយមានស្រាប់នៅក្នុង Domain ផ្សេង អាចគ្រប់គ្រាន់ដើម្បីឱ្យយើងនឹកឃើញវា នៅពេលជួប Problem ថ្មី។
ដូច្នេះ Skill សំខាន់កាន់តែខ្លាំងគឺការសម្រេចថា តើអ្វីគួរត្រូវបាន Deep Dive។ Broad Reading គឺជាដំណាក់កាល Discovery ខណៈ Deep Technical Work នៅតែចាំបាច់នៅពេលរកឃើញ Connection ដែលមានសក្តានុពល។ Dean មិនបានប្រាប់ឱ្យរៀនតិចទេ ប៉ុន្តែឱ្យស្វែងយល់ឱ្យទូលំទូលាយមុនពេលសម្រេចថា តើគួរវិនិយោគ Expertise នៅកន្លែងណា។
អានបន្ថែម
Problem ដែលសមស្របសម្រាប់ការងាររយៈពេលវែង អាចមានចន្លោះប្រហែល 5 ឆ្នាំ
Dean ក៏បានផ្តល់គោលការណ៍សម្រាប់ជ្រើសរើស Problem ដែលគួរវិនិយោគពេលវេលារយៈពេលវែង។ ប្រសិនបើ Problem មួយអាចត្រូវការ 20 ឆ្នាំ ហើយនៅមិនទាន់ឃើញ Approach ដែលអាចជឿទុកចិត្តបាន នោះវាអាចនៅឆ្ងាយពេក។ ផ្ទុយទៅវិញ ប្រសិនបើអាចដោះស្រាយបានងាយក្នុងរយៈពេល 2 ឆ្នាំ វាអាចមិនពិបាកគ្រប់គ្រាន់ដើម្បីបង្កើត Breakthrough ធំមួយ។
Dean មើលឃើញថា ប្រហែល 5 ឆ្នាំជាចន្លោះពេលគួរឱ្យចាប់អារម្មណ៍។ វាវែងគ្រប់គ្រាន់សម្រាប់ការធ្វើ Experiments ជាច្រើន ការបរាជ័យ ការផ្លាស់ប្តូរទិស និងការសាកល្បង Approaches ផ្សេងៗ ប៉ុន្តែក៏នៅខ្លីគ្រប់គ្រាន់ដើម្បីអាចមើលឃើញ Path ទៅកាន់ដំណោះស្រាយ។
ក្នុងឧស្សាហកម្មដែល AI Trend អាចផ្លាស់ប្តូររៀងរាល់សប្តាហ៍ ឬរៀងរាល់ខែ គំនិតនេះមានទស្សនៈរយៈពេលវែងយ៉ាងច្បាស់។ Dean កំពុងប្រាប់យុវជនថា មិនគួររៀបចំ Career ទាំងមូលតាម Model Release រាល់លើកទេ។ Problem ដែលមានតម្លៃពិតគួរតែអាចរក្សាសារៈសំខាន់ឆ្លងកាត់ Product Cycles ជាច្រើន ខណៈ AI Tools ថ្មីអាចត្រូវបានយកមកប្រើតាមផ្លូវ។
ការបរាជ័យក៏ជាផ្នែកមួយនៃដំណើរការ។ Approaches ជាច្រើនអាចមិនដំណើរការ ប៉ុន្តែវាមិនមានន័យថាជ្រើសរើស Problem ខុសទេ។ ការសាកល្បងដែលបរាជ័យអាចជួយបង្ហាញថា ទិសណាដែលមានសក្តានុពលពិតប្រាកដ។
បន្ទាប់ពី 27 ឆ្នាំនៅ Google លោក Dean ចាប់ផ្តើមជំពូកថ្មីជាមួយ DiscoveryLoop
ដំបូន្មានរបស់ Dean កើតឡើងនៅពេល Career របស់លោកផ្ទាល់កំពុងផ្លាស់ប្តូរយ៉ាងសំខាន់។ លោកបានចាកចេញពី Google នៅដើមខែសីហា ឆ្នាំ 2026 បន្ទាប់ពីធ្វើការជាមួយក្រុមហ៊ុនអស់ 27 ឆ្នាំ។ លោកដឹកនាំ Google AI ពីឆ្នាំ 2018 ដល់ 2023 ហើយបន្ទាប់មកធ្វើជា Chief Scientist របស់ Google ពីឆ្នាំ 2023 ដល់ 2026។
បន្ទាប់ពីចាកចេញ លោកបានក្លាយជា Co-founder និង CEO របស់ DiscoveryLoop ដែលជា AI Startup ផ្តោតលើការបង្កើនល្បឿនការរកឃើញក្នុង Science និង Engineering តាមរយៈ Autonomous Research Systems។
ការផ្លាស់ប្តូរនេះផ្តល់បរិបទច្បាស់ជាងមុនដល់ដំបូន្មានរបស់លោក។ Dean មិនបាននិយាយថា Expertise លែងសំខាន់ទេ។ ផ្ទុយទៅវិញ ក្រុមហ៊ុនថ្មីរបស់លោកកំពុងផ្តោតលើ Scientific Problems ដែលពិបាក។ អ្វីដែលលោកមើលឃើញគឺ AI អាចធ្វើឱ្យចំណេះដឹងកម្រិតខ្ពស់ងាយចូលដល់ និងជួយ Researchers សាកល្បងលទ្ធភាពច្រើនជាងមុន។
សម្រាប់និស្សិត និងអ្នកចាប់ផ្តើម Career អត្ថប្រយោជន៍ប្រកួតប្រជែងអាចផ្លាស់ពីការចងចាំ Technical Information ឱ្យបានច្រើនបំផុត ទៅជាសមត្ថភាពជ្រើសរើស Questions ត្រឹមត្រូវ ភ្ជាប់ Domains និងវាយតម្លៃ AI Output ដោយប្រុងប្រយ័ត្ន។
Dean ជឿថា AI អាចពង្រីកសមត្ថភាពរបស់មនុស្ស
ទោះបីមានការព្រួយបារម្ភថា AI អាចជំនួសការងារមួយចំនួន ឬបង្កើនភាពមិនស្មើគ្នាក៏ដោយ Dean នៅតែមានទស្សនៈ Optimistic ចំពោះតម្លៃរបស់បច្ចេកវិទ្យានេះ។ លោកបានលើក Healthcare និង Education ជាឧទាហរណ៍នៃវិស័យដែល Models មានសមត្ថភាពខ្ពស់អាចជួយមនុស្សដោះស្រាយ Problems ដែលពីមុនលើសពីចំណេះដឹង ឬធនធានរបស់ពួកគេ។
គំនិតមួយដែលមានមហិច្ឆតាខ្លាំងគឺ Models ដែលអាចផ្តល់ជំនួយប្រហាក់ប្រហែល Ph.D.-level expertise ក្នុង Science និង Engineering Domains ជាច្រើន។ ប្រសិនបើប្រព័ន្ធបែបនេះអាចទុកចិត្តបាន Researcher ម្នាក់ដែលមានជំនាញក្នុងវិស័យមួយ អាចចូលទៅស្វែងយល់វិស័យមួយទៀតដោយទទួលបានជំនួយកម្រិតខ្ពស់ មុនពេលត្រូវចំណាយពេលជាច្រើនឆ្នាំលើ Formal Training។
យ៉ាងណាក៏ដោយ Human Judgment នៅតែសំខាន់។ Models អាចខុស Experiments អាចបរាជ័យ ហើយ Conclusions សំខាន់ៗនៅតែត្រូវការ Expert Validation។ Dean ផ្ទាល់ក៏ទទួលស្គាល់ថា លោកមិនមាន Magic Answer សម្រាប់គ្រប់ Problem ទេ ហើយការបរាជ័យក៏កើតឡើងជាធម្មតា។
ទស្សនៈវិជ្ជមានរបស់លោកមិនមែនថា AI នឹងធ្វើឱ្យការងារលំបាកក្លាយជារឿងងាយស្រួលភ្លាមៗទេ ប៉ុន្តែវាអាចបង្កើនកម្រិតនៃអ្វីដែលមនុស្សម្នាក់ ឬ Small Team អាចព្យាយាមធ្វើបាន។
សម្រាប់ Gen Z ចំណុចសំខាន់មិនមែនរៀនតិចទេ ប៉ុន្តែត្រូវដឹងថាអ្វីគួររៀនឱ្យជ្រៅ
សម្រាប់ Gen Z ដំបូន្មានរបស់ Dean ផ្តល់ជាជម្រើសមួយចំពោះសម្ពាធដែលត្រូវតាមរាល់ AI Update។ គោលដៅមិនចាំបាច់ជាការដឹងគ្រប់យ៉ាងទេ ប៉ុន្តែត្រូវមានទស្សនៈទូលំទូលាយគ្រប់គ្រាន់ដើម្បីមើលឃើញ Opportunities មានជម្រៅគ្រប់គ្រាន់នៅពេលរកឃើញទិសត្រឹមត្រូវ និងមានការអត់ធ្មត់ធ្វើការលើ Problems ដែលមានតម្លៃយូរជាង Hype បច្ចុប្បន្ន។
ក្នុងការអនុវត្ត អាចចាប់ផ្តើមពីការអាន Research ក្រៅជំនាញរបស់ខ្លួនជាប្រចាំ កត់ត្រា Ideas ដែលអាចប្រើឡើងវិញ ស្វែងរក Problems ដែលនៅតែសំខាន់ក្នុងរយៈពេលប៉ុន្មានឆ្នាំខាងមុខ និងប្រើ AI Tools ដើម្បីបង្កើនល្បឿន Exploration និង Prototype ជំនួសឱ្យការឱ្យ AI គិតជំនួសទាំងស្រុង។
នៅពេល Information និង Technical Assistance កាន់តែងាយរក អ្វីដែលកម្រអាចក្លាយជា Judgment៖ សមត្ថភាពក្នុងការសម្រេចថាអ្វីពិតជាសំខាន់។ អ្នកដែលអាចភ្ជាប់ Ideas ពី Communities ដែលធម្មតាមិនសូវទាក់ទងគ្នា អាចរកឃើញ Opportunities ដែលអ្នកផ្តោតតែលើ Mastery ក្នុងផ្លូវតូចមួយមើលមិនឃើញ។
ដូច្នេះ Dean មិនបានបដិសេធ Expertise ទេ។ លោកកំពុងណែនាំឱ្យបង្កើតផែនទីចំណេះដឹងឱ្យទូលំទូលាយជាមុន ហើយបន្ទាប់មកជ្រើសរើសដោយប្រុងប្រយ័ត្នថា តើផ្នែកណាដែលសមនឹងវិនិយោគពេលវេលាជាច្រើនឆ្នាំដើម្បីក្លាយជាអ្នកជំនាញពិតប្រាកដ។
