Jeff Dean ແນະນຳຄົນຮຸ່ນໃໝ່ວ່າ ບໍ່ຈຳເປັນຕ້ອງພະຍາຍາມເກັ່ງ AI ທຸກດ້ານ
ຫຼັງຈາກເຮັດວຽກຢູ່ Google ເປັນເວລາ 27 ປີ Jeff Dean ໃຫ້ຄຳແນະນຳທີ່ອາດຟັງເບິ່ງສວນທາງກັບຄວາມກົດດັນໃນຍຸກ AI: ຄົນຮຸ່ນໃໝ່ບໍ່ຈຳເປັນຕ້ອງພະຍາຍາມຮູ້ເລິກທຸກ Model, Paper ຫຼື Technique ທີ່ອອກມາໃໝ່. ວົງການ AI ປ່ຽນແປງໄວ ແລະເຊື່ອມກັບຫຼາຍສາຂາເກີນໄປທີ່ຄົນຄົນດຽວຈະຕິດຕາມທຸກຢ່າງໃນລະດັບເລິກໄດ້ພ້ອມກັນ.
- Jeff Dean ແນະນຳຄົນຮຸ່ນໃໝ່ວ່າ ບໍ່ຈຳເປັນຕ້ອງພະຍາຍາມເກັ່ງ AI ທຸກດ້ານ
- ອ່ານໃຫ້ກວ້າງກ່ອນ ແລ້ວຄ່ອຍເຊື່ອມແນວຄິດທີ່ຄົນອື່ນຍັງບໍ່ໄດ້ເຊື່ອມ
- Problem ທີ່ຄຸ້ມຄ່າອາດຕ້ອງຍາກພໍໃຫ້ໃຊ້ເວລາປະມານ 5 ປີ
- ຈາກ Google 27 ປີ ສູ່ບົດໃໝ່ກັບ DiscoveryLoop
- Dean ເຊື່ອວ່າ AI ສາມາດຂະຫຍາຍຂອບເຂດຄວາມສາມາດຂອງມະນຸດ
- ສຳລັບ Gen Z ບົດຮຽນຄື ບໍ່ແມ່ນຮຽນໜ້ອຍລົງ ແຕ່ຕ້ອງເລືອກໃຫ້ເປັນວ່າຈະລົງເລິກກັບຫຍັງ
ໃນງານ 2026 Frontier & Pioneer Symposium, Dean ເນັ້ນວ່າບາງຄັ້ງການສ້າງຄວາມຮູ້ໃຫ້ກວ້າງກ່ອນມີປະໂຫຍດກວ່າການລົງເລິກໃນຫົວຂໍ້ດຽວທັນທີ. ການອ່ານຜ່ານ Paper 10 ສະບັບອາດມີຄຸນຄ່າກວ່າການໃຊ້ເວລາທັງໝົດກັບ Paper ສະບັບດຽວ ເພາະແຕ່ລະສະບັບເພີ່ມຈຸດໃໝ່ໃຫ້ແຜນທີ່ຄວາມຄິດວ່າ Technology ສາມາດເຮັດຫຍັງໄດ້. ລາວຍັງແນະນຳໃຫ້ອ່ານ Abstract ປະມານ 100 ອັນເພື່ອເຫັນພາບກວ້າງຂຶ້ນ.
ນີ້ບໍ່ໄດ້ໝາຍຄວາມວ່າໃຫ້ຮຽນແບບຜິວເຜີນ. ຈຸດສຳຄັນຄືການໃຊ້ເວລາທີ່ຈຳກັດໃຫ້ຄຸ້ມຄ່າ. ເມື່ອຮູ້ວ່າ Method ໜຶ່ງມີຢູ່ໃນ Domain ອື່ນ ເຮົາສາມາດກັບໄປສຶກສາໃຫ້ເລິກເມື່ອຈຳເປັນ ແລະອາດເຫັນ Connection ທີ່ຜູ້ຊ່ຽວຊານໃນສາຂາດຽວມອງຂ້າມ.
ອ່ານໃຫ້ກວ້າງກ່ອນ ແລ້ວຄ່ອຍເຊື່ອມແນວຄິດທີ່ຄົນອື່ນຍັງບໍ່ໄດ້ເຊື່ອມ
ແກ່ນຂອງແນວຄິດ Dean ຄື Innovation ຫຼາຍຢ່າງເກີດຈາກ Connection ລະຫວ່າງແນວຄິດ. AI ປັດຈຸບັນເຊື່ອມກັບ Healthcare, Education, Biology, Engineering, Robotics, Mathematics ແລະອີກຫຼາຍສາຂາ. ບໍ່ມີໃຜສາມາດຕິດຕາມທຸກຄວາມກ້າວໜ້າໄດ້ເລິກເທົ່າກັນ.
ການອ່ານ Research ຢ່າງກວ້າງຂວາງຊ່ວຍໃຫ້ນັກຮຽນ ແລະຄົນທີ່ຫາກໍເລີ່ມ Career ດ້ານ Technology ສ້າງຄັງຄວາມຄິດກ່ຽວກັບ Methods, Concepts ແລະ Open Problems. ບໍ່ຈຳເປັນຈື່ Equation ຫຼື Implementation Detail ທຸກຢ່າງ. ພຽງຮູ້ວ່າ Approach ໜຶ່ງເຄີຍມີຢູ່ໃນ Domain ອື່ນ ກໍອາດຊ່ວຍໃຫ້ນຶກອອກເມື່ອພົບ Problem ໃໝ່.
ດັ່ງນັ້ນ Skill ທີ່ສຳຄັນຄືການຮູ້ວ່າຫົວຂໍ້ໃດຄວນ Deep Dive. Broad Reading ເປັນຊ່ວງ Discovery ແລະ Deep Technical Work ຍັງຈຳເປັນເມື່ອພົບ Connection ທີ່ມີສັກກະຍະພາບ. Dean ບໍ່ໄດ້ບອກໃຫ້ຮຽນໜ້ອຍລົງ ແຕ່ໃຫ້ສຳຫຼວດໃຫ້ກວ້າງກ່ອນຈະເລືອກບ່ອນທີ່ຈະລົງ Expertise.
ອ່ານເພີ່ມ
Problem ທີ່ຄຸ້ມຄ່າອາດຕ້ອງຍາກພໍໃຫ້ໃຊ້ເວລາປະມານ 5 ປີ
Dean ຍັງໃຫ້ກອບຄິດສຳລັບການເລືອກ Problem ໄລຍະຍາວ. ຖ້າ Problem ໜຶ່ງອາດໃຊ້ເວລາ 20 ປີ ແລະຍັງບໍ່ເຫັນ Approach ທີ່ນ່າເຊື່ອຖື ມັນອາດຈະໄກເກີນໄປ. ອີກດ້ານໜຶ່ງ ຖ້າແກ້ໄດ້ງ່າຍໃນ 2 ປີ ກໍອາດບໍ່ທ້າທາຍພໍທີ່ຈະສ້າງ Breakthrough ທີ່ສຳຄັນ.
ປະມານ 5 ປີແມ່ນຊ່ວງທີ່ Dean ເຫັນວ່າໜ້າສົນໃຈ. ມັນຍາວພໍສຳລັບ Experiments ຫຼາຍຮອບ ການລົ້ມເຫຼວ ການປ່ຽນທິດ ແລະການທົດລອງ Approaches ຫຼາຍແບບ ແຕ່ຍັງສັ້ນພໍທີ່ຈະມອງເຫັນ Path ໄປຫາຄຳຕອບ.
ໃນອຸດສາຫະກຳທີ່ AI Trend ປ່ຽນທຸກອາທິດ ຫຼືທຸກເດືອນ ຄຳແນະນຳນີ້ເປັນການຄິດໄລຍະຍາວ. Career ບໍ່ຄວນຖືກຈັດຕາມ Model Release ທຸກຄັ້ງ. Problem ທີ່ດີຄວນຍັງມີຄຸນຄ່າຜ່ານ Product Cycles ຫຼາຍຮອບ ແລະນຳ AI Tools ໃໝ່ໆມາຊ່ວຍໄດ້ຕາມທາງ.
Dean ຍັງເນັ້ນການທົດລອງ. Approaches ຫຼາຍຢ່າງອາດບໍ່ສຳເລັດ ແຕ່ຄວາມລົ້ມເຫຼວເຫຼົ່ານັ້ນຊ່ວຍຄັດເລືອກທິດທາງທີ່ມີໂອກາດເຮັດວຽກໄດ້ຈິງ.
ຈາກ Google 27 ປີ ສູ່ບົດໃໝ່ກັບ DiscoveryLoop
ຄຳແນະນຳຂອງ Dean ເກີດຂຶ້ນໃນຊ່ວງທີ່ Career ຂອງລາວເອງກຳລັງປ່ຽນແປງຄັ້ງໃຫຍ່. ລາວອອກຈາກ Google ໃນຕົ້ນເດືອນສິງຫາ 2026 ຫຼັງຈາກຢູ່ກັບບໍລິສັດ 27 ປີ. Dean ເຄີຍນຳ Google AI ລະຫວ່າງ 2018–2023 ແລະເປັນ Chief Scientist ຂອງ Google ຈາກ 2023 ຫາ 2026.
ຫຼັງອອກຈາກ Google ລາວກາຍເປັນ Co-founder ແລະ CEO ຂອງ DiscoveryLoop, AI Startup ທີ່ມຸ່ງເລັ່ງການຄົ້ນພົບໃນ Science ແລະ Engineering ດ້ວຍ Autonomous Research Systems.
ການປ່ຽນແປງນີ້ເຮັດໃຫ້ຄຳແນະນຳຂອງ Dean ຊັດຂຶ້ນ. ລາວບໍ່ໄດ້ບອກວ່າ Expertise ບໍ່ສຳຄັນອີກແລ້ວ. ກົງກັນຂ້າມ ບໍລິສັດໃໝ່ຂອງລາວກຳລັງແກ້ Scientific Problems ທີ່ຍາກ. ແຕ່ Dean ເຫັນ AI ເປັນວິທີຫຼຸດກຳແພງໃນການເຂົ້າເຖິງຄວາມຮູ້ສະເພາະທາງ ແລະຊ່ວຍ Researchers ສຳຫຼວດທາງເລືອກໄດ້ຫຼາຍຂຶ້ນ.
ສຳລັບຄົນທີ່ຫາກໍເລີ່ມ Career ຄວາມໄດ້ປຽບອາດປ່ຽນຈາກການຈື່ Technical Information ໃຫ້ໄດ້ຫຼາຍທີ່ສຸດ ໄປເປັນການຮູ້ວ່າຄວນຖາມ Questions ໃດ, ຄວນເຊື່ອມ Domains ໃດ ແລະຈະປະເມີນ AI Output ແນວໃດ.
Dean ເຊື່ອວ່າ AI ສາມາດຂະຫຍາຍຂອບເຂດຄວາມສາມາດຂອງມະນຸດ
ເຖິງແມ່ນຈະມີຄວາມກັງວົນວ່າ AI ອາດແທນທີ່ວຽກບາງສ່ວນ ຫຼືເພີ່ມຄວາມເຫຼື່ອມລ້ຳ Dean ຍັງຄົງມີມຸມມອງ Optimistic ຕໍ່ຄຸນຄ່າຂອງ AI. ລາວຍົກ Healthcare ແລະ Education ເປັນຕົວຢ່າງຂອງບ່ອນທີ່ Models ທີ່ມີຄວາມສາມາດສູງອາດຊ່ວຍຄົນແກ້ Problems ທີ່ເກີນຄວາມຮູ້ ຫຼືຊັບພະຍາກອນຂອງຕົນ.
ໜຶ່ງໃນແນວຄິດທີ່ທະເຍີທະຍານທີ່ສຸດຄື Models ທີ່ສາມາດໃຫ້ຄວາມຊ່ວຍເຫຼືອໃກ້ຄຽງ Ph.D.-level expertise ໃນ Science ແລະ Engineering Domains ຫຼາຍສາຂາ. ຖ້າລະບົບນີ້ນ່າເຊື່ອຖືພໍ Researcher ໃນສາຂາໜຶ່ງອາດຂ້າມໄປສຳຫຼວດອີກສາຂາໄດ້ ໂດຍບໍ່ຕ້ອງລໍຖ້າຫຼາຍປີຂອງ Formal Training ກ່ອນຈະໄດ້ຮັບຄຳຊ່ວຍລະດັບສູງ.
ແຕ່ Human Judgment ຍັງຈຳເປັນ. Models ອາດຕອບຜິດ Experiments ອາດລົ້ມເຫຼວ ແລະ Conclusions ທີ່ສຳຄັນຍັງຕ້ອງການ Expert Validation. Dean ເອງກໍຍອມຮັບວ່າບໍ່ມີ Magic Answer ສຳລັບທຸກ Problem.
ດັ່ງນັ້ນມຸມມອງໃນແງ່ດີຂອງລາວບໍ່ແມ່ນວ່າ AI ຈະເຮັດໃຫ້ວຽກຍາກກາຍເປັນງ່າຍໂດຍອັດຕະໂນມັດ ແຕ່ມັນອາດຍົກເພດານຂອງສິ່ງທີ່ຄົນຄົນດຽວ ຫຼື Small Team ສາມາດລອງເຮັດໄດ້.
ສຳລັບ Gen Z ບົດຮຽນຄື ບໍ່ແມ່ນຮຽນໜ້ອຍລົງ ແຕ່ຕ້ອງເລືອກໃຫ້ເປັນວ່າຈະລົງເລິກກັບຫຍັງ
ສຳລັບ Gen Z ຄຳແນະນຳຂອງ Dean ເປັນອີກທາງໜຶ່ງຈາກຄວາມກົດດັນທີ່ຕ້ອງຕາມທຸກ AI Update. ເປົ້າໝາຍບໍ່ແມ່ນການຮູ້ທຸກຢ່າງ ແຕ່ແມ່ນມີຄວາມກວ້າງພໍທີ່ຈະເຫັນ Opportunities, ມີຄວາມເລິກພໍເມື່ອພົບທິດທາງທີ່ຖືກ ແລະມີຄວາມອົດທົນກັບ Problems ທີ່ມີຄຸນຄ່າຍາວກວ່າ Hype ຊົ່ວຄາວ.
ໃນທາງປະຕິບັດ ສາມາດອ່ານ Research ນອກສາຂາຂອງຕົນເປັນປະຈຳ, ຈົດ Ideas ທີ່ອາດນຳກັບມາໃຊ້ໄດ້, ຊອກຫາ Problems ທີ່ຍັງສຳຄັນໃນອີກຫຼາຍປີ ແລະໃຊ້ AI Tools ເພື່ອເລັ່ງ Exploration ແລະ Prototype ແທນທີ່ຈະໃຫ້ AI ຄິດແທນທັງໝົດ.
ເມື່ອ Information ແລະ Technical Assistance ມີຢູ່ຫຼາຍ ສິ່ງທີ່ຫາຍາກອາດເປັນ Judgment: ຄວາມສາມາດໃນການຕັດສິນວ່າຫຍັງສຳຄັນ. ຄົນທີ່ເຊື່ອມ Ideas ຈາກ Communities ທີ່ປົກກະຕິແຍກກັນ ອາດພົບ Opportunities ທີ່ຄົນທີ່ມຸ່ງແຕ່ Mastery ໃນສາຂາແຄບໆມອງບໍ່ເຫັນ.
Dean ບໍ່ໄດ້ປະຕິເສດ Expertise. ລາວກຳລັງແນະນຳໃຫ້ສ້າງແຜນທີ່ຄວາມຮູ້ໃຫ້ກວ້າງກ່ອນ ແລ້ວຈຶ່ງເລືອກຢ່າງຮອບຄອບວ່າສ່ວນໃດຄຸ້ມຄ່າກັບການລົງເວລາຫຼາຍປີເພື່ອກາຍເປັນ Expert ຢ່າງແທ້ຈິງ.
