Giáo sư Jia Da phân tích về AI tạo sinh: Vibe Coding có thực sự thần kỳ như vậy không? Phương pháp tốt nhất để viết mã bằng AI là gì?

Trong bối cảnh AI sáng tạo phát triển nhanh chóng, nhiều người cảm thấy bối rối về việc có nên tiếp tục học lập trình hay không. Trong chương trình của GQ Magazine, giáo sư đã phân tích nguyên lý của LLM đằng sau ChatGPT, chỉ ra những hạn chế của Vibe Coding.

Giáo sư đã phân tích chi tiết về AI sáng tạo, giúp bạn hiểu đúng về Vibe Coding

Gần đây, GQ Taiwan đã chia sẻ một video trên kênh YouTube, mời đặc biệt giáo sư khoa học máy tính của Đại học California, Berkeley (UC Berkeley) Sarah Chasins, trả lời các câu hỏi của cộng đồng về lập trình và AI.

Trong bối cảnh AI sáng tạo phát triển nhanh, nhiều người cảm thấy bối rối về việc có nên tiếp tục học lập trình hay không. Giáo sư Chasins trong video không chỉ phân tích nguyên lý kỹ thuật mà còn đưa ra những quan sát thực tế về xu hướng “Vibe Coding” mới nổi gần đây.

Giáo sư phân tích nguyên lý kỹ thuật của LLM đằng sau ChatGPT

Giáo sư Sarah Chasins bắt đầu bằng cách giải thích một cách dễ hiểu cho đại chúng về cơ chế hoạt động của ChatGPT.

ChatGPT dựa trên mô hình ngôn ngữ lớn (LLM), với logic hoạt động đơn giản là một chương trình chịu trách nhiệm ghép các từ phù hợp lại với nhau.

Nhà phát triển LLM đầu tiên sẽ thu thập tất cả các tài liệu và trang web do con người viết trên internet, những dữ liệu này đại diện cho các tổ hợp từ hợp lý trong nhận thức của con người.

Sau đó, chương trình sẽ tiến hành huấn luyện theo dạng “trò chơi điền vào chỗ trống” quy mô lớn. Ví dụ, hệ thống sẽ thấy câu như “Chó có bốn [chỗ trống]”, câu trả lời phù hợp theo nhận thức của con người là “Chó có bốn chân”, nhưng nếu chương trình đoán sai, nhà phát triển sẽ chỉnh sửa cho đến khi đúng.

Sau khi huấn luyện mất khoảng thời gian tính bằng 300 đến 400 năm tính toán của Trái đất, chương trình cuối cùng sẽ tạo ra một “bản cheat” cực kỳ lớn, còn gọi là “tham số” trong giới công nghệ.

Tiếp theo, chỉ cần cung cấp một tài liệu dạng đối thoại, chương trình giỏi điền vào chỗ trống này sẽ biến thành chatbot, tự động hoàn thiện phần phản hồi còn lại dựa trên logic.

Nguồn hình ảnh: Hình do AI tạo ra bởi Nanobanana, chỉ mang tính chất tham khảo, xin thông cảm về một số chữ Trung bị mờ

Trong thời đại AI, cách học lập trình tốt nhất

Đối mặt với khả năng mạnh mẽ của các công cụ AI, nhiều người đặt câu hỏi về sự cần thiết của việc học lập trình. Giáo sư cho rằng, kỹ năng cốt lõi trong giáo dục lập trình là “phân tích vấn đề”, tức là chia nhỏ một vấn đề mơ hồ thành các phần nhỏ hơn, cho đến khi mỗi phần có thể giải quyết bằng vài dòng mã.

Nếu thiếu kỹ năng này, người dùng sẽ khó có thể sử dụng các công cụ AI để tạo ra các chương trình phức tạp hoạt động thực sự. Thêm vào đó, dữ liệu huấn luyện của LLM chủ yếu là ngôn ngữ mô tả theo phong cách kỹ sư, không phải ngôn ngữ hàng ngày của người dùng không chuyên, thường không phù hợp với dữ liệu huấn luyện, dễ dẫn đến AI không thể tạo ra mã có ích.

Về cách tối đa hóa lợi ích của AI trong việc hỗ trợ lập trình, giáo sư Chasins đề xuất theo ba bước:

1. Thu gọn vấn đề: Phân chia vấn đề thành quy mô khoảng 5 dòng mã.
2. Sử dụng mã giả (Pseudo code): Đây là cách mô tả logic bằng cách kết hợp nhiều ngôn ngữ lập trình, dùng từ khóa đặc biệt, nhằm giúp AI hiểu rõ hơn. Mặc dù mã giả giống như ngôn ngữ tự nhiên, nhưng không phải ngôn ngữ hàng ngày của chúng ta, mục đích là để máy tính hiểu chính xác hơn.
3. Lập kế hoạch xác thực: Thực hiện nhiều thử nghiệm hoặc kiểm tra chuyên nghiệp để đảm bảo độ chính xác của kết quả AI sinh ra.

Nguồn hình ảnh: Hình do AI tạo ra bởi Nanobanana, chỉ mang tính chất tham khảo, xin thông cảm về một số chữ Trung bị mờ

Vibe Coding không phải thần thánh?

Về xu hướng sử dụng LLM để trực tiếp sinh mã thay vì viết mã thủ công của con người, giáo sư Sarah Chasins tỏ ra thận trọng.

Bà phân tích, các công cụ này hoạt động tốt khi xử lý các nội dung đã được con người viết đi viết lại hàng nghìn lần, nhưng nếu muốn thử nghiệm các ý tưởng sáng tạo, mô hình này thường không phù hợp.

Giáo sư còn trích dẫn dữ liệu nghiên cứu cho thấy, người sử dụng công cụ LLM cảm thấy hiệu quả tăng 20%, nhưng thực tế tốc độ phát triển lại chậm hơn 20% so với những người không dùng.

Điều này cho thấy việc quá phụ thuộc vào công cụ có thể tạo ra ảo tưởng về hiệu quả, khi gặp các yêu cầu lập trình chưa từng thấy, nếu thiếu khả năng phân tích logic cơ bản và hiểu biết về nguyên lý vật lý, sẽ không thể sửa lỗi do AI gây ra, dẫn đến mất thời gian hơn.

Ví dụ đơn giản, LLM giống như một chiếc xe tự lái cao cấp, có thể giúp bạn xử lý các tuyến đường phổ biến, nhưng nếu bạn không biết cách phân tích đường đua, không hiểu nguyên lý vật lý của xe, giống như phân tích logic lập trình, khi gặp các đoạn đường nguy hiểm chưa từng thấy hoặc yêu cầu sáng tạo, xe tự lái dễ mắc lỗi, và bạn cũng sẽ không biết cách sửa chữa vì thiếu kiến thức nền tảng.

Tham khảo thêm:
AI giúp một người thành lập công ty! “Vibe Coding” thay đổi truyền thống, nhóm nhỏ cũng có thể thu về hàng trăm tỷ mỗi năm