Cuộc Khủng Hoảng Kỳ Vọng —
Và Những Con Số Chúng Ta Muốn Tin

Mười Sáu Lập Trình Viên, Hai Trăm Bốn Mươi Sáu Nhiệm Vụ

Tháng Bảy năm 2025, một tổ chức nghiên cứu đánh giá mô hình tên METR công bố kết quả một thí nghiệm mà chính họ mô tả là đã làm họ bất ngờ. Thiết kế của nó đơn giản đến mức khó bắt bẻ: mười sáu lập trình viên mã nguồn mở giàu kinh nghiệm, trung bình năm năm gắn bó với chính kho mã họ sẽ làm việc trên đó, nhận tổng cộng 246 nhiệm vụ có thật. Mỗi nhiệm vụ được bốc thăm ngẫu nhiên vào một trong hai nhóm: được dùng công cụ AI, hoặc không.

Đây là thử nghiệm đối chứng ngẫu nhiên — cùng phương pháp mà ngành dược dùng để quyết định một loại thuốc có tác dụng hay không. Trong một lĩnh vực ngập trong khảo sát tự khai và nghiên cứu điển hình do nhà cung cấp tài trợ, việc có ai đó chịu bốc thăm ngẫu nhiên đã là chuyện hiếm.

Kết quả: nhóm được dùng AI hoàn thành công việc chậm hơn 19%.

Nhưng con số làm nên tiếng vang không phải con số đó. Sau khi xong việc, các lập trình viên được hỏi họ nghĩ AI đã ảnh hưởng thế nào đến tốc độ của mình. Trung bình, họ tin rằng mình đã nhanh hơn khoảng 20%.

Khoảng cách giữa hai con số là gần bốn mươi điểm phần trăm. Và nó không xuất hiện ở những người mới, những người dễ bị lóa mắt. Nó xuất hiện ở chính những người đáng lẽ phán đoán chuẩn nhất về công việc của họ: các kỹ sư nhiều năm kinh nghiệm, làm trên mã nguồn họ thuộc nằm lòng, được đo bằng đồng hồ chứ không bằng ký ức.

“Họ không chỉ sai về mức độ. Họ sai về cả chiều.”

Ghi chú của Ban Biên Tập về kết quả METR 2025

Trong vòng vài tuần, con số 19% đi khắp nơi. Nó xuất hiện trong bài phân tích của các quỹ đầu tư, trong bản ghi nhớ nội bộ của các phòng kỹ thuật, trong những cuộc tranh luận trên mạng xã hội nơi nó được dùng làm bằng chứng kết liễu cho toàn bộ làn sóng AI. Với những ai đã hoài nghi, đây là thứ họ chờ đợi: một thí nghiệm nghiêm túc, phương pháp chuẩn vàng, kết luận rõ ràng.

Điều gần như không ai chú ý, ở thời điểm đó, là khoảng tin cậy đi kèm.

Vì sao con số này quan trọng đến thế

Toàn bộ lập luận kinh tế của làn sóng AI đứng trên một mệnh đề duy nhất: nó làm con người làm được nhiều hơn trong cùng một khoảng thời gian. Mọi thứ khác — định giá cổ phiếu, kế hoạch xây trung tâm dữ liệu, dự báo tăng trưởng, quyết định tuyển dụng — đều là hệ quả suy ra từ mệnh đề đó.

Nếu mệnh đề đúng ở mức lớn, khoản chi hiện tại là hợp lý, thậm chí còn dè dặt. Nếu nó đúng ở mức nhỏ, phần lớn khoản chi đó là sai lầm phân bổ vốn ở quy mô lịch sử. Sự khác biệt giữa hai kịch bản không nằm ở triết học hay dự cảm. Nó nằm ở một đại lượng có thể đo được.

Và giữa năm 2026, sau ba năm và hơn một nghìn tỷ đô-la, đại lượng đó vẫn chưa được đo xong.

Tháng Hai 2026: METR Sửa Chính Thí Nghiệm Của Mình

Ngày 24 tháng Hai năm 2026, METR công bố một bản cập nhật ít được chia sẻ hơn nhiều so với kết quả gốc. Nội dung của nó: họ đang thay đổi thiết kế thí nghiệm, vì đã phát hiện ra một hiệu ứng chọn mẫu làm lệch kết quả ban đầu.

Vấn đề nằm ở chỗ không ai ngờ tới. Khi được giao một nhiệm vụ có thể rơi vào nhóm “không được dùng AI”, nhiều lập trình viên đã lặng lẽ không nộp nhiệm vụ đó vào nghiên cứu. Theo ghi nhận của METR, 30% đến 50% lập trình viên nói với họ rằng họ chọn không nộp một số nhiệm vụ, vì họ không muốn làm những việc ấy mà không có AI.

Hệ quả về mặt thống kê rất nghiêm trọng. Những nhiệm vụ bị giữ lại chính là những nhiệm vụ mà người ta tin AI sẽ giúp nhiều nhất. Cái còn lại trong mẫu là phần công việc mà AI ít hữu dụng hơn. Thí nghiệm, một cách không cố ý, đã tự loại bỏ những trường hợp thuận lợi nhất cho thứ nó đang đo.

Thêm vào đó, ngày càng nhiều lập trình viên từ chối tham gia hoàn toàn — không chịu làm việc mà không có công cụ AI, kể cả với mức thù lao của nghiên cứu. Bản thân việc này cũng là một dữ kiện đáng chú ý, nhưng nó khiến mẫu nghiên cứu ngày một khó đại diện.

METR chạy lại với thiết kế mới: 57 lập trình viên, trong đó 10 người từ nghiên cứu cũ và 47 người mới, trên 143 kho mã và hơn 800 nhiệm vụ. Mức thù lao giảm từ 150 xuống 50 đô-la một giờ.

Hãy nhìn kỹ cột cuối cùng. Nhóm mới cho kết quả −4%, nhưng khoảng tin cậy trải từ −15% đến +9%. Nói cách khác: dữ liệu này tương thích với việc AI làm chậm đáng kể, tương thích với việc AI không ảnh hưởng gì, và tương thích với việc AI giúp tăng tốc vừa phải. Nó không loại trừ được kịch bản nào.

“Chỉ là bằng chứng rất yếu về độ lớn của mức tăng này.”

METR, bản cập nhật thiết kế thí nghiệm, tháng 2/2026

METR nói rõ rằng họ tin các lập trình viên hiện được AI hỗ trợ nhiều hơn so với ước tính đầu 2025, và rằng do hiệu ứng chọn mẫu, ước lượng hiện tại của họ có lẽ là cận dưới của tác động thật. Nhưng họ cũng nói rõ không kém rằng dữ liệu mới chưa đủ mạnh để chốt độ lớn.

Điều thật sự đáng chú ý ở đây

Con số 19% đã được lan truyền như một kết luận. Nó không bao giờ là một kết luận. Nó là một ước lượng từ một mẫu nhỏ, với khoảng tin cậy rộng, trong một thiết kế mà chính tác giả sau đó phát hiện là có sai lệch.

Và nó được lan truyền mạnh nhất bởi những người hoài nghi AI — tức là chính những người tự nhận mình đang phản đối sự nhẹ dạ.

Đây là điểm mà chuyên đề này muốn đặt ở trung tâm. Phần I kể về những cỗ máy phát ngôn chắc nịch về điều chúng không biết. Phần II phải bắt đầu bằng việc thừa nhận rằng cùng một hành vi ấy xuất hiện ở cả hai phía của cuộc tranh luận về AI: phía lạc quan tin vào những con số năng suất do nhà cung cấp công bố, phía hoài nghi tin vào một RCT mười sáu người. Cả hai đều bỏ qua khoảng tin cậy.

Không phải trường hợp cá biệt

Tháng Tám năm 2025, một báo cáo từ Project NANDA thuộc MIT, mang tên The GenAI Divide: State of AI in Business 2025, đưa ra con số còn dễ nhớ hơn: 95% dự án thí điểm GenAI trong doanh nghiệp không tạo ra tác động đo được lên lợi nhuận. Con số này lập tức trở thành tiêu đề trên khắp báo chí tài chính.

Nền tảng của nó: 52 cuộc phỏng vấn lãnh đạo, khảo sát 153 người quản lý, và phân tích 300 lượt triển khai công khai. Báo cáo được phát hành dưới dạng kết quả sơ bộ, không qua bình duyệt. Nhiều nhà phân tích yêu cầu nhóm tác giả công bố dữ liệu gốc; có người lập luận rằng đọc kỹ báo cáo cũng khó tái dựng được con số 95% từ phương pháp mô tả. Một điểm nữa được nêu: NANDA có sứ mệnh thúc đẩy hạ tầng AI phi tập trung dựa trên tác nhân, tức là không hoàn toàn trung lập với kết luận rằng cách triển khai AI hiện hành đang thất bại.

Phía bảo vệ báo cáo phản hồi rằng thông điệp cốt lõi vẫn đứng vững bất kể con số chính xác là bao nhiêu: điểm nghẽn nằm ở tích hợp và quy trình làm việc, không nằm ở năng lực mô hình. Đó là một lập luận hợp lý. Nhưng nó cũng cho thấy điều đang lặp lại: một con số gây sốc được lan truyền tách rời khỏi phương pháp sinh ra nó, rồi được dùng để kết luận những chuyện nó không đủ sức kết luận.

Phát Hiện Sống Sót Sau Khi Con Số Sụp Đổ

Nếu độ lớn của tác động năng suất vẫn còn tranh cãi, thì có một phần trong nghiên cứu METR ban đầu ít bị lung lay hơn nhiều: khoảng cách giữa cảm nhận và đo đạc.

Ước lượng về tốc độ có thể dao động từ −19% đến −4% tùy mẫu và tùy năm. Nhưng ở mọi phiên bản của thí nghiệm, người tham gia đều đánh giá tác động của AI lên bản thân họ theo chiều tích cực hơn so với những gì đồng hồ ghi lại. Sai số nằm ở phép đo. Sai lệch nằm ở nhận thức.

Cơ chế của nó không bí ẩn, và cũng không có gì đặc thù cho AI. Nó là tổ hợp của vài thứ đã được biết đến từ lâu.

Thời gian chờ không được tính vào trí nhớ

Khi một công cụ trả lời trong ba giây, ba giây đó không được ghi nhận là “làm việc”. Nhưng khi cùng công việc ấy đòi hỏi tự viết trong mười lăm phút, mười lăm phút đó được ghi nhận đầy đủ. Trí nhớ về nỗ lực không đối xứng với đồng hồ. Một quy trình gồm nhiều bước ngắn, mỗi bước nhẹ nhàng, có thể dài hơn một quy trình gồm một bước nặng — mà vẫn được nhớ lại là nhanh hơn.

Việc sửa chữa không được tính vào cột chi phí

Đọc, kiểm tra, và sửa đầu ra của máy là công việc. Nhưng về mặt tâm lý, nó được xếp vào loại khác với việc tự làm từ đầu — nó cảm giác như đang giám sát, chứ không phải đang lao động. Chi phí này có thật, chiếm thời gian thật, nhưng rất khó được cộng vào bảng tổng kết mà một người tự lập trong đầu.

Cái mới được thưởng riêng

Công cụ mới tạo cảm giác tiến bộ độc lập với kết quả. Trong giai đoạn đầu của mọi làn sóng công nghệ, bản thân việc đang dùng thứ mới nhất đã là một phần thưởng — và phần thưởng đó dễ bị nhầm với hiệu quả.

Đây không phải câu chuyện về những người ngây thơ bị lừa. Đây là câu chuyện về việc con người vốn dĩ không có công cụ nội tại để đo năng suất của chính mình.

Ban Biên Tập COGITO

Điều làm phát hiện này quan trọng không phải vì nó khiến ai đó trông ngốc nghếch. Mà vì gần như toàn bộ dữ liệu mà thế giới đang dùng để quyết định chi tiêu AI đều là dữ liệu tự khai.

Khảo sát doanh nghiệp hỏi lãnh đạo xem AI có giúp không. Khảo sát lập trình viên hỏi kỹ sư xem họ có nhanh hơn không. Báo cáo nhà cung cấp trích lời khách hàng. Nghiên cứu điển hình được viết bởi bên có lợi ích trong kết luận. Trên toàn bộ chuỗi ấy, thứ đang được đo không phải năng suất, mà là niềm tin về năng suất — và ta vừa biết rằng hai đại lượng đó có thể lệch nhau bốn mươi điểm phần trăm ngay cả ở chuyên gia.

Đây là chỗ mà Phần I và Phần II của chuyên đề gặp nhau. Ảo giác máy nguy hiểm vì mô hình không biết nó đang bịa. Ảo giác kỳ vọng nguy hiểm vì con người không biết mình đang ước lượng sai. Trong cả hai trường hợp, vấn đề không phải là sự dối trá. Vấn đề là sự tự tin không có cơ sở hiệu chỉnh.

Một Nghìn Một Trăm Năm Mươi Tỷ Đô-La

Trong lúc giới nghiên cứu còn đang tranh luận xem hiệu ứng là âm bốn phần trăm hay dương mười tám, thì tiền đã đi trước từ lâu — và đi với quy mô không có tiền lệ trong lịch sử chi tiêu hạ tầng doanh nghiệp.

Goldman Sachs dự phóng tổng capex của các hyperscaler giai đoạn 2025–2027 đạt khoảng 1.150 tỷ đô-la — hơn gấp đôi con số 477 tỷ của cả ba năm 2022–2024 cộng lại. Riêng cho năm 2026, các mức hướng dẫn công bố đã vẽ nên bức tranh sau.

Để có cảm giác về độ lớn: con số 725 tỷ đô-la trong một năm vượt GDP danh nghĩa của phần lớn các quốc gia trên thế giới. Nó được chi cho một loại tài sản có vòng đời hữu dụng ngắn, tiêu thụ điện liên tục, và mất giá theo từng thế hệ chip.

Phần nằm ngoài bảng cân đối

Đầu năm 2026, Moody's ghi nhận các hyperscaler có khoảng 662 tỷ đô-la cam kết thuê trung tâm dữ liệu đã ký nhưng chưa khởi động. Các nghĩa vụ này nằm ngoài bảng cân đối kế toán. Theo ghi nhận đó, khoản nợ ngoại bảng này lớn hơn tổng nợ trên bảng cân đối của chính các doanh nghiệp ấy cộng lại.

Câu hỏi khấu hao

Có một tranh luận kế toán, nghe khô khan nhưng có thể là điểm nhạy cảm nhất trong toàn bộ cấu trúc. Các hyperscaler khấu hao GPU trong năm đến sáu năm. Nhiều nhà phân tích cho rằng vòng đời kinh tế thực của một con chip, trong bối cảnh thế hệ mới ra khoảng ba năm một lần, gần với hai đến ba năm hơn.

Kéo dài lịch khấu hao làm giảm chi phí ghi nhận mỗi năm, và do đó làm lợi nhuận công bố đẹp hơn thực tế kinh tế.

# Số học của lịch khấu hao
# Giả định: 60 tỷ USD giá trị GPU mua trong một năm

Khấu hao 6 năm   →  60 / 6  =  10,0 tỷ USD chi phí / năm
Khấu hao 3 năm   →  60 / 3  =  20,0 tỷ USD chi phí / năm
                              ─────────────────────────
Chênh lệch                     10,0 tỷ USD lợi nhuận / năm
                               (không đổi một xu tiền mặt nào)

Theo tính toán của những người chỉ trích, chênh lệch này tương đương khoảng 176 tỷ đô-la chi phí khấu hao bị ghi thiếu trong giai đoạn 2026–2028 trên toàn nhóm. Cùng cách tính đó ước lượng Oracle khai vượt lợi nhuận khoảng 27% và Meta khoảng 21% tính đến năm 2028.

Cần nói rõ: đây là ước tính của bên phê phán, dựa trên giả định về vòng đời chip mà các doanh nghiệp không đồng ý. Nếu GPU thế hệ cũ vẫn còn giá trị kinh tế thực cho các tác vụ nhẹ hơn — suy luận thay vì huấn luyện — thì lịch sáu năm là bảo thủ hợp lý. Câu hỏi chưa có lời giải dứt khoát, và nó trị giá hàng trăm tỷ đô-la.

Vòng tiền khép kín

Cấu trúc gây tranh cãi nhất là dòng tiền đi vòng giữa các bên. Nvidia ký thư ý định đầu tư lên tới 100 tỷ đô-la vào OpenAI. OpenAI cam kết mua 300 tỷ đô-la điện toán từ Oracle bắt đầu từ 2027. Oracle dự kiến vay khoảng 100 tỷ đô-la để xây dựng hạ tầng ấy — một phần đáng kể trong đó quay lại thành doanh thu bán chip của Nvidia.

Tiền rời khỏi nhà sản xuất chip, đi qua một phòng thí nghiệm mô hình, qua một nhà cung cấp đám mây, rồi quay về chỗ cũ dưới dạng doanh thu.

Mô tả cấu trúc tài trợ vòng, 2025–2026

Tiền lệ lịch sử gần nhất là hoạt động tài trợ nhà cung cấp của Lucent và Nortel giai đoạn 1999–2001, kết thúc bằng một trong những vụ sụp đổ lớn nhất ngành viễn thông.

Nhưng cần giữ tỷ lệ. UBS ước tính thỏa thuận OpenAI–Nvidia chiếm tối đa khoảng 13% doanh thu dự phóng năm 2026 của Nvidia. 87% còn lại đến từ khách hàng mua theo giá thị trường sòng phẳng. Cấu trúc vòng tồn tại và đáng theo dõi; nó chưa phải là toàn bộ bức tranh.

Không Phải Không Có Gì Xảy Ra

Một bài viết về khoảng cách giữa kỳ vọng và thực tế rất dễ trượt thành bài phủ nhận. Đó sẽ là cùng một lỗi, chỉ đổi dấu. Nên phần này dành cho câu hỏi ngược lại: cái gì đang thật sự hoạt động, và ở quy mô nào.

Tháng Năm năm 2026, Cục Điều tra Dân số Hoa Kỳ công bố kết quả Khảo sát Xu hướng và Triển vọng Doanh nghiệp. Tỷ lệ doanh nghiệp Mỹ sử dụng AI dao động trong khoảng 17% đến 20%, với 20–23% dự kiến sẽ dùng trong sáu tháng tới.

Nhưng con số tổng che giấu một phân bố rất lệch. Trong nhóm doanh nghiệp rất lớn thuộc các ngành thông tin, tài chính và dịch vụ chuyên môn, tỷ lệ sử dụng đạt 50–60%. Doanh nghiệp nhỏ tụt lại phía sau rõ rệt.

Hãy để ý sự căng thẳng giữa hai dòng cuối. 66% nói có cải thiện; chỉ 29% thấy ROI đáng kể; 79% gặp khó khăn, tăng hai chữ số so với 2025. Đây không phải bức tranh của một công nghệ vô dụng, cũng không phải bức tranh của một cuộc chuyển đổi toàn diện. Đây là bức tranh của một công cụ thật sự hữu ích trong những tác vụ cụ thể, và rất khó biến thành thay đổi cấp tổ chức.

Ghi nhận từ dữ liệu Census đáng chú ý ở một điểm nữa: với đa số doanh nghiệp, AI đang được đưa vào như công cụ hỗ trợ nhân viên, không phải cơ chế cắt giảm nhân sự.

Các nhà kinh tế học vẫn cách nhau một vực

Ở tầng vĩ mô, khoảng cách giữa các ước tính đáng tin cậy lớn đến mức bản thân nó là dữ kiện chính.

Acemoglu đi tới con số của mình bằng cách ước lượng tỷ lệ tác vụ mà AI có thể đảm nhiệm một cách có lời trong mười năm tới: khoảng 5%. Nhân tỷ lệ đó với mức tiết kiệm chi phí trung bình ở cấp tác vụ, ông ra kết quả khiêm tốn. Goldman Sachs giả định tỷ lệ tác vụ bị ảnh hưởng lớn hơn nhiều và tốc độ lan tỏa nhanh hơn.

Khoảng cách giữa hai con số này — hơn sáu điểm phần trăm GDP toàn cầu — không phải là bất đồng về dữ liệu. Đó là bất đồng về giả định. Và toàn bộ chương trình chi tiêu 1.150 tỷ đô-la đang được biện minh bằng phía lạc quan của khoảng cách đó.

Trong khi đó, dữ liệu vĩ mô quan sát được vẫn phẳng. Điều này tương thích với hai cách đọc trái ngược nhau: hoặc lợi ích tổng hợp là khiêm tốn đúng như Acemoglu ước tính, hoặc nền kinh tế đang trong giai đoạn điều chỉnh mà ma sát tổ chức và vấn đề đo lường làm lợi ích chưa hiện ra. Lịch sử điện khí hóa và máy tính cá nhân ủng hộ cách đọc thứ hai; độ dài của độ trễ trong cả hai trường hợp đó được tính bằng thập kỷ.

Những Con Chim Hoàng Yến Trong Hầm Mỏ

Nếu tác động năng suất còn mơ hồ, có một nơi mà tác động đã hiện ra rõ ràng và đo được — và nó không phải bảng cân đối kế toán. Nó là thị trường lao động cho người mới vào nghề.

Tháng Mười Một năm 2025, Phòng thí nghiệm Kinh tế Số của Đại học Stanford công bố một nghiên cứu mang tên Canaries in the Coal Mine?, dựa trên dữ liệu bảng lương quy mô lớn. Phát hiện trung tâm: lao động 22–25 tuổi trong những nghề chịu ảnh hưởng AI nhiều nhất đã trải qua mức suy giảm việc làm tương đối 16% sau khi AI tạo sinh lan rộng, sau khi đã kiểm soát các yếu tố khác.

Ba đối chứng trong nghiên cứu này mới là phần thuyết phục:

Cấu trúc này quan trọng vì nó loại trừ những lời giải thích thay thế thông thường. Nếu nguyên nhân là suy thoái chung, việc làm sẽ giảm ở cả nghề ít chịu ảnh hưởng. Nếu nguyên nhân là lãi suất hay chu kỳ tuyển dụng công nghệ, lao động nhiều kinh nghiệm cũng phải chịu tác động. Cả hai đều không xảy ra. Mức giảm tập trung chính xác vào giao điểm của trẻ và chịu ảnh hưởng AI.

Dữ liệu cập nhật cho thấy xu hướng đang tăng tốc chứ không lắng xuống: với nhóm 22–25 tuổi trong các nghề chịu ảnh hưởng cao, việc làm đang giảm khoảng 3,8%/năm; mức giảm sắc nét hơn sau năm đầu, từ 2,8% tính đến tháng Tư 2024 lên hơn 4%/năm sau đó. Ngân hàng Dự trữ Liên bang Dallas ghi nhận cùng hiện tượng vào tháng Một năm 2026. Các nghề bị ảnh hưởng nặng nhất bao gồm lập trình viên, nhân viên chăm sóc khách hàng, và lễ tân.

Đây là nghịch lý trung tâm của năm 2026: tác động rõ ràng nhất, đo được nhất của AI cho đến nay không phải là năng suất tăng thêm, mà là những bậc thang đầu tiên của sự nghiệp đang biến mất.

Ban Biên Tập COGITO

Hàm ý dài hạn của nó khó chịu hơn con số. Công việc cấp thấp là cách con người trở thành lao động cấp cao. Nếu tầng đó bị rút đi trong khi tầng trên vẫn cần người có kinh nghiệm, thì bài toán không phải là thất nghiệp ngắn hạn, mà là một đường ống đào tạo bị cắt đứt mà hệ quả chỉ hiện ra sau mười năm.

Rồi thị trường mới lên tiếng

Tháng Sáu và tháng Bảy năm 2026, thị trường cổ phiếu bán dẫn trải qua đợt bán tháo mạnh. Ngày 29 tháng Bảy, các cổ phiếu chip mất hơn 1.000 tỷ đô-la vốn hóa. Micron giảm 10,57%, AMD giảm 6,89%.

Điều đáng chú ý là chất xúc tác. Không phải một báo cáo lợi nhuận tệ, cũng không phải một nghiên cứu năng suất. Mà là thông báo của Meta rằng họ có công suất điện toán dư để bán ra.

Nếu các hyperscaler có đủ GPU dư để trở thành người bán thay vì chỉ là người mua, thì luận điểm khan hiếm — nền tảng cho phần lớn định giá của chuỗi cung ứng AI — có ngày hết hạn. Các nhà chiến lược mô tả đợt bán tháo tháng Sáu là điều chỉnh định giá chứ không phải đổ vỡ nền tảng. Đến đầu tháng Tám, Nvidia tăng khoảng 8,7% tính từ đầu năm, trong khi S&P 500 tăng 10,2% — một sự tụt lại đáng kể so với những năm trước, dù vốn hóa vẫn trên 4.300 tỷ đô-la.

Cần đọc đúng tín hiệu này. Đây không phải thị trường kết luận rằng AI vô dụng. Đây là thị trường bắt đầu đặt câu hỏi về tốc độ — liệu chi tiêu hạ tầng có đang đạt đỉnh sớm hơn dự kiến hay không.

Điều Gì Phải Đúng Để Mỗi Kịch Bản Xảy Ra

Chuyên đề này sẽ không đưa ra dự báo về thời điểm. Lịch sử các bài viết dự đoán ngày vỡ bong bóng là một lịch sử của những người đúng về cơ chế và sai về lịch — và cái sai về lịch thường được nhớ lâu hơn.

Thay vào đó, dưới đây là ba kịch bản kèm điều kiện có thể quan sát được. Giá trị của chúng không nằm ở việc đoán trúng, mà ở chỗ nêu rõ cần nhìn vào cái gì để biết mình đang ở đâu.

Ba kịch bản này không loại trừ nhau theo thời gian. Một đợt điều chỉnh có kiểm soát trong hai năm hoàn toàn tương thích với một J-curve hiện ra sau năm năm. Điện khí hóa nước Mỹ đi qua một bong bóng đầu tư và một cuộc sụp đổ trước khi tạo ra phần lớn giá trị của nó.

Điều Cuộc Khủng Hoảng Này Dạy Chúng Ta

Phần I của chuyên đề kết thúc bằng nhận định rằng ảo giác máy nguy hiểm không phải vì máy nói sai, mà vì máy nói sai với sự tự tin không phân biệt được với sự tự tin có căn cứ.

Phần II kết thúc bằng cùng một câu, đổi chủ ngữ.

Trong ba năm qua, thế giới đã xây một trong những chương trình đầu tư hạ tầng lớn nhất lịch sử trên nền một đại lượng chưa đo xong. Khi bằng chứng phản bác xuất hiện dưới dạng một con số dễ nhớ, phía hoài nghi đón nhận nó với đúng mức độ nhẹ dạ mà họ phê phán ở phía kia — và không đọc khoảng tin cậy. Khi tác giả của con số ấy công bố rằng thiết kế của họ có sai lệch chọn mẫu, bản đính chính lan đi bằng một phần nhỏ tốc độ của bản gốc.

Vấn đề chưa bao giờ là AI được đánh giá quá cao hay quá thấp. Vấn đề là chúng ta liên tục kết luận nhanh hơn mức dữ liệu cho phép — và làm vậy ở cả hai chiều.

Ban Biên Tập COGITO

Có một sự đối xứng khó chịu ở đây. Giải pháp mà Phần I mô tả cho ảo giác máy — buộc mô hình nêu độ bất định, gắn đầu ra với nguồn kiểm chứng được, thưởng cho quá trình suy luận thay vì chỉ kết quả — chính là kỷ luật mà cuộc tranh luận về giá trị kinh tế của AI đang thiếu.

Nêu khoảng tin cậy, không chỉ ước lượng điểm. Phân biệt dữ liệu tự khai với dữ liệu đo được. Hỏi ai được lợi từ kết luận. Sửa lại khi thiết kế hóa ra có lỗi, và lan bản sửa mạnh như đã lan bản gốc.

Đó là những yêu cầu chúng ta đang đặt ra cho máy. Chúng cũng vừa vặn là những yêu cầu chúng ta chưa đặt ra cho chính mình.