Jeff Dean cho rằng người trẻ không cần cố làm chủ mọi ngóc ngách của AI
Sau 27 năm làm việc tại Google, Jeff Dean đưa ra một lời khuyên khá trái ngược với áp lực mà nhiều người trẻ đang cảm nhận trong kỷ nguyên AI: đừng cố làm chủ mọi Model, Paper hay Technique mới xuất hiện. Lĩnh vực này thay đổi quá nhanh và lan sang quá nhiều ngành để một người có thể theo sát tất cả với cùng một mức độ chuyên sâu.
- Jeff Dean cho rằng người trẻ không cần cố làm chủ mọi ngóc ngách của AI
- Đọc rộng trước, rồi kết nối những ý tưởng mà người khác chưa nối với nhau
- Một Problem đáng theo đuổi có thể cần khoảng năm năm
- Sau 27 năm ở Google, Dean bắt đầu chương mới với DiscoveryLoop
- Dean tin AI có thể mở rộng giới hạn năng lực của con người
- Với Gen Z, bài học không phải học ít hơn mà là biết chọn thứ cần đào sâu
Tại 2026 Frontier & Pioneer Symposium, Dean nhấn mạnh giá trị của việc xây dựng độ rộng kiến thức trước. Trong một số trường hợp, lướt qua 10 Papers có thể hữu ích hơn dành toàn bộ thời gian cho một Paper, bởi mỗi nghiên cứu bổ sung thêm một điểm vào bản đồ tư duy về những gì công nghệ có thể làm được. Ông thậm chí gợi ý đọc lướt khoảng 100 Abstracts để mở rộng bản đồ đó hơn nữa.
Điều này không có nghĩa là học hời hợt. Dean đang nói về cách phân bổ quỹ thời gian hữu hạn. Khi biết một Method tồn tại ở Domain khác, người nghiên cứu có thể quay lại đào sâu khi thực sự cần và có cơ hội kết nối nó với một Problem mà những Specialist chỉ hoạt động trong một lĩnh vực có thể bỏ qua.
Đọc rộng trước, rồi kết nối những ý tưởng mà người khác chưa nối với nhau
Trọng tâm trong lập luận của Dean là Connection. AI hiện giao thoa với Healthcare, Education, Biology, Engineering, Robotics, Mathematics và nhiều lĩnh vực khác. Không ai có thể theo dõi mọi tiến bộ trong tất cả các ngành này với cùng độ sâu.
Đọc Research rộng giúp sinh viên và những người mới bắt đầu Career trong Technology xây dựng một kho Methods, Concepts và Open Problems lớn hơn trong đầu. Họ không cần nhớ từng Equation hay Implementation Detail. Chỉ cần biết một Approach đã tồn tại ở Domain khác cũng có thể đủ để nhận ra nó khi gặp một Problem mới.
Vì vậy, Skill ngày càng quan trọng là biết điều gì xứng đáng để Deep Dive. Broad Reading đóng vai trò Discovery; Deep Technical Work vẫn không thể thiếu sau khi tìm thấy một Connection có tiềm năng. Dean không khuyên học ít đi mà đề xuất một trình tự khác: khảo sát rộng trước, sau đó đầu tư chiều sâu vào nơi có khả năng tạo ra giá trị mới.
Đọc thêm
Một Problem đáng theo đuổi có thể cần khoảng năm năm
Dean cũng đưa ra một framework thực tế để lựa chọn Problem dài hạn. Nếu một vấn đề có thể cần 20 năm để giải quyết và hiện chưa có Approach đáng tin cậy, nó có thể quá xa vời. Ngược lại, một vấn đề có khả năng hoàn thành khá dễ trong hai năm có thể chưa đủ khó để tạo ra Breakthrough đáng kể.
Khoảng năm năm là khung thời gian Dean cho rằng hấp dẫn. Nó đủ dài để thực hiện nhiều Experiments, gặp thất bại, đổi hướng và thử nhiều Approaches khác nhau, nhưng vẫn đủ gần để người nghiên cứu hình dung được một Path khả thi tới lời giải.
Đây là tư duy dài hạn đáng chú ý trong một ngành thường đo tốc độ thay đổi bằng tuần hoặc tháng. Dean về cơ bản khuyên người trẻ không nên xây toàn bộ Career quanh từng AI Trend hay Model Release. Một Problem có giá trị thật sự có thể tồn tại qua nhiều Product Cycles, trong khi các AI Tools mới được bổ sung dần trên hành trình.
Ông cũng nhấn mạnh việc chấp nhận thất bại. Nhiều Approach có thể không hoạt động, nhưng điều đó không đồng nghĩa Problem đã được chọn sai. Chính những Experiment thất bại giúp loại bỏ hướng kém hiệu quả và làm rõ con đường đáng theo đuổi.
Sau 27 năm ở Google, Dean bắt đầu chương mới với DiscoveryLoop
Những chia sẻ của Dean xuất hiện đúng lúc Career của ông bước vào một thay đổi lớn. Ông rời Google vào đầu tháng 8/2026 sau 27 năm gắn bó. Dean lãnh đạo Google AI từ 2018 đến 2023, sau đó giữ vai trò Chief Scientist của Google từ 2023 đến 2026.
Sau khi rời công ty, ông trở thành Co-founder kiêm CEO của DiscoveryLoop, một AI Startup tập trung tăng tốc Science và Engineering Discovery bằng Autonomous Research Systems.
Bước chuyển này giúp đặt lời khuyên của Dean vào đúng bối cảnh. Ông không nói Expertise đã hết giá trị. Ngược lại, công ty mới của ông đang nhắm đến những Scientific Problems rất khó. Điều Dean nhìn thấy là khả năng AI làm cho kiến thức chuyên môn cao cấp dễ tiếp cận hơn và giúp Researchers khám phá nhiều khả năng hơn mức một người có thể tự xử lý.
Đối với sinh viên và người mới bắt đầu Career, Competitive Advantage vì thế có thể chuyển từ việc ghi nhớ nhiều Technical Information nhất sang khả năng đặt đúng Questions, kết nối các Domains và đánh giá AI Output một cách có phê phán.
Dean tin AI có thể mở rộng giới hạn năng lực của con người
Dù có nhiều lo ngại rằng AI có thể thay thế một số công việc hoặc làm gia tăng bất bình đẳng kinh tế, Dean vẫn khá Optimistic về giá trị xã hội của công nghệ. Ông lấy Healthcare và Education làm ví dụ về những lĩnh vực nơi Models mạnh có thể giúp con người giải quyết Problems vốn vượt quá kiến thức hoặc nguồn lực của họ.
Một trong những ý tưởng tham vọng nhất của Dean là Models có thể cung cấp sự hỗ trợ gần với Ph.D.-level expertise trong nhiều Science và Engineering Domains. Nếu những hệ thống như vậy trở nên đủ đáng tin cậy, một Researcher chuyên về lĩnh vực này có thể nhận được hỗ trợ có giá trị khi bước sang lĩnh vực khác mà không phải chờ nhiều năm Formal Training.
Tuy nhiên, Human Judgment vẫn rất cần thiết. Models có thể sai, Experiments có thể thất bại và những Conclusions quan trọng vẫn cần Expert Validation. Dean cũng thừa nhận bản thân không có Magic Answer cho mọi Problem và vẫn thường xuyên gặp thất bại.
Vì vậy, sự lạc quan của ông không nằm ở ý tưởng AI sẽ tự động biến công việc khó thành dễ. Giá trị lớn hơn là AI có thể nâng trần những gì một cá nhân hoặc Small Team có khả năng thử sức.
Với Gen Z, bài học không phải học ít hơn mà là biết chọn thứ cần đào sâu
Với Gen Z, lời khuyên của Dean mang đến một cách nhìn khác trước áp lực phải chạy theo mọi AI Update. Mục tiêu không nhất thiết là biết tất cả. Quan trọng hơn là có đủ độ rộng để nhìn thấy Opportunities, đủ chiều sâu khi đã xác định đúng hướng và đủ kiên nhẫn để làm việc với những Problems có giá trị lâu hơn một chu kỳ Hype ngắn hạn.
Trong thực tế, chiến lược này có thể bắt đầu bằng việc thường xuyên đọc Research ngoài chuyên môn của mình, ghi lại những Ideas có khả năng tái sử dụng, tìm các Problems vẫn còn quan trọng trong vài năm tới và dùng AI Tools để tăng tốc Exploration hoặc Prototype thay vì giao toàn bộ quá trình suy nghĩ cho AI.
Khi Information và Technical Assistance ngày càng dồi dào, thứ khan hiếm có thể là Judgment: khả năng quyết định điều gì thực sự quan trọng. Những người có thể kết nối Ideas từ các Communities vốn ít giao tiếp với nhau có thể tìm thấy Opportunities mà người chỉ theo đuổi Mastery trong một lối đi hẹp không nhìn thấy.
Dean không phủ nhận Expertise. Thông điệp của ông là hãy xây một bản đồ kiến thức rộng hơn trước, sau đó mới quyết định một cách có chủ đích nơi nào đáng để đầu tư nhiều năm nhằm trở thành Expert thực sự.
