7 Nguyên tắc làm việc từ Researcher Anthropic — và cách mình đang áp dụng
Ghi chú #001 | Vivek Nair · Anthropic | khoảng 10 phút đọc
Tác giả là Vivek Nair, researcher tại Anthropic. Bài “How to be good at research” đang được share rầm rộ trên X — kể cả Lin Junyang (cựu lead Qwen) repost. Mình tóm lược + chú thích cá nhân từ góc nhìn Marketing Operator, kèm audio để bạn nghe trong lúc di chuyển.
Thực tế là chẳng ai dạy bạn cách làm nghiên cứu cả. Người ta quăng cho bạn một cái bàn, một bài toán do người khác chọn sẵn, và một chỉ thị mơ hồ: “Làm ra cái gì đó mới đi.”
Hậu quả là hầu hết chúng ta cố dịch ngược công việc từ những gì thấy trên mạng — bài báo khoa học, chuỗi tweet, thông báo ra mắt sản phẩm. Cuối cùng, thứ chúng ta học được là cách trông có vẻ giống nhà nghiên cứu, chứ không phải cách trở thành nhà nghiên cứu thực thụ.
Năng lực nghiên cứu thực chất là tập hợp các kỹ năng nhỏ — và gần như kỹ năng nào cũng có thể chủ đích rèn luyện.
Hãy tự chọn bài toán của mình
Nhà toán học Richard Hamming có thói quen khiến chẳng ai muốn ăn trưa cùng ông: ông quay sang người bên cạnh và hỏi “Đâu là vấn đề quan trọng nhất trong lĩnh vực của anh?” Sau đó bồi thêm: “Vậy tại sao anh không làm nó?”
Câu hỏi nhức nhối vì hầu hết chúng ta không có câu trả lời. Chúng ta hiếm khi tự chọn bài toán — chúng ta “hấp thụ” chúng từ sếp, từ trend cõi mạng, từ phòng lab danh tiếng vừa công bố thứ gì đó. Vấn đề của hấp thụ là bạn cầm kết luận nhưng thiếu tư duy cốt lõi. Bạn theo trend, tham gia cuộc đua với hàng ngàn người đã xuất phát trước.
Lời khuyên: chọn một kết quả bạn thực sự muốn nó tồn tại trên đời, rồi đi ngược ra các bước thí nghiệm. Một mục tiêu bạn thực sự quan tâm sẽ kéo bạn vào những vùng đất chưa ai từng khám phá.
Đồng thời, rèn “Gu” (Taste) của mình như rèn một múi cơ. Hãy tập dự đoán kết quả trước khi chạy thí nghiệm. Đọc phương pháp và tự đoán các con số trước khi xem kết quả. Dự đoán, đối chiếu, rồi sửa sai — lặp lại hàng trăm lần. Đó là cách mọi mô hình tốt nhất được huấn luyện, bao gồm cả “mô hình trực giác” bên trong não bạn.
Nâng cấp đầu vào của bạn
Đọc giống nhau sẽ sinh ra suy nghĩ giống nhau. Nếu “thực đơn” thông tin của bạn chỉ là những bài trending, bạn sẽ luôn đi đến cùng một kết luận với tất cả mọi người, cùng một lúc — và kết luận đó có giá trị xấp xỉ bằng không.
Đừng coi thường tài liệu cũ. Giới nghiên cứu thường xuyên “xào” lại quá khứ. Đọc rộng ra. Và đọc chính bài báo gốc, đừng chỉ đọc tóm tắt của ai đó. “Xác chết” thường được giấu ở phần Phụ lục (Appendix), còn phần Hạn chế (Limitations) luôn là đoạn thành thật nhất trong toàn bộ tài liệu.
Đây là lý do mình tự làm tool đơn giản nhất từ chính nhu cầu cá nhân — sau khi hỏi han người xung quanh để kiểm chứng, và trải nghiệm giải pháp của nhiều bên để biết đâu phù hợp nhất với mình.
Mình cũng rút ra bài học về việc xem tóm tắt YouTube bằng AI: chả có gì đọng lại sau đó. Chí ít phần tóm tắt cho mình biết chủ đề video nào cần, để mình trích xuất, tổng hợp thêm, rồi tự giải đáp thắc mắc của chính mình. Đối chiếu phần Phụ lục và Hạn chế trong research thì mình lọc keyword chuyên môn, các tool chưa biết, comment người dùng — nhiều khi lượm được ý tưởng hay từ đó.
Viết mọi thứ ra
Paul Graham chỉ ra rằng một ý tưởng có thể tưởng như đã thành hình trọn vẹn — cho tới khi bạn thử viết nó ra. Trang giấy sẽ giúp bạn phát hiện những lỗ hổng mà bộ não bạn vốn khéo che đậy: cái giả định bạn chưa từng kiểm chứng, cái quy trình thật ra chẳng dẫn tới đâu, hai luận điểm âm thầm mâu thuẫn với nhau.
Richard Feynman từng đề ra nguyên tắc: người đầu tiên bạn phải tránh lừa dối chính là bản thân, vì bạn là con mồi dễ dãi nhất. Và viết, chính là hàng phòng thủ ít tốn kém nhất loài người từng phát minh ra.
Hãy giữ nhật ký ghi mọi thứ — giả thuyết, thiết lập, kỳ vọng, kết quả, và niềm tin sau khi cập nhật. Ghi cả lần chạy thất bại. Darwin có thói quen viết ngay lập tức những bằng chứng đi ngược lý thuyết của mình, vì ông biết não sẽ tự “xóa sổ” sự thật gây mất lòng nhanh hơn nhiều.
Và viết công khai. Giải thích một thứ phức tạp bằng ngôn ngữ bình dân là sự cống hiến thực sự. Những bài viết công khai chính là tấm bằng chứng nhận mạnh mẽ nhất, không thể làm giả, về cách bạn tư duy.
Ví dụ như chính bài này đi. Trí nhớ mình không giỏi nên phải viết ra Notion rồi ngồi phân tích từng nguyên tắc lại — mới thấy đọc tóm tắt thì trôi tuột, nhưng nếu ngồi review từng cái thì rõ ràng các luận điểm trong đầu mình được so sánh đối chiếu. Tự nó nâng cấp góc nhìn và chọn ra cái đúng, tốt hơn, để giữ lại.
Tối ưu hóa tốc độ nhận sai
Tốc độ nghiên cứu thực chất là tốc độ bạn nhận ra mình đã sai. Bạn càng thử nghiệm nhiều, vứt bỏ nhiều ý tưởng tồi tệ nhanh bao nhiêu, mô hình thực tế trong đầu bạn càng được cập nhật nhanh bấy nhiêu.
Hãy làm cho mọi thứ thật rẻ và nhanh. Vứt bỏ suy nghĩ rằng Engineering chỉ là vai phụ cho Research — ở ranh giới của đổi mới, hai công việc này đã hòa làm một. Ai tự xây dựng được pipeline xử lý dữ liệu, giả thuyết của người đó mới được kiểm chứng. Những người còn lại chỉ đang xếp hàng chờ đợi.
Nhìn thẳng vào dữ liệu, đừng chỉ nhìn biểu đồ
Đường cong loss đi xuống không phải là phân tích — nó chỉ là liều thuốc an thần. Hầu hết lỗi của mô hình đều nằm trong mớ dữ liệu thô, và chúng thất bại trong im lặng.
Đừng chỉ nhìn số. Hãy tự tay kéo ra 100 trường hợp thất bại, đọc từng cái, phân loại thành các đống, và tấn công đống to nhất. Đọc một đoạn dữ liệu có hành vi kỳ quái sẽ dạy bạn nhiều điều hơn là tăng thêm 0.01% độ chính xác.
Thay vì chờ hoàn hảo để đăng bài, mình tự cho mình thời gian vừa đủ để thúc đẩy tốc độ hoàn thiện — rồi đăng. Hầu hết cái mình đăng đều xuất phát từ nhu cầu thực tế trong công việc và cuộc sống, nên mình thực sự sống với giải pháp đó mỗi ngày.
Với tính cầu toàn, mình thấy ngứa mắt ngứa tay vì cái workflow phải như thế này nữa mới đúng, à bối cảnh kia thì nên thế kia. Nội bộ đã vậy, người dùng bên ngoài còn khắt khe hơn — họ có 1001 tình huống. Khi họ phản ánh, đó là lúc mình có số liệu thực tế để cải tiến. Mình đâu phải thiên tài để làm 1 lần là trúng. Có cơ hội hoàn thiện lại thấy vui hơn là dậm chân trong mớ lý thuyết của mình.
Đi lạc có chủ đích
Phân ngành đầu tiên bạn làm thường chỉ là do tình cờ, nên đừng trói buộc bản thân. Hãy thử chạy phiên bản “rẻ tiền” của mọi ý tưởng và để phần lớn chết yểu. Khi chạy thử, dùng phương pháp Cắt lớp / Loại trừ (Ablation) — thử bỏ đi từng thành phần để xem cái nào thực sự tạo ra kết quả. Thường chỉ có đúng một thành phần mang lại hiệu quả, và trớ trêu thay, nó hiếm khi nằm ở tiêu đề bài báo.
Biết rộng cũng là một loại bảo hiểm. Mọi ngách nghiên cứu rồi sẽ bão hòa (thường ngay sau khi tạo trend trên mạng). Người sống sót qua các đợt chuyển giao là những người đã lượn lờ đủ lâu ở các vùng đất lân cận.
Cái tool TTS đăng trên kaitago.com cũng thế. Hiện tại mình lại chuẩn bị sửa tiếp vì thấy phần tách đoạn thu âm không còn cần thiết — nhu cầu cuối của người dùng là bản audio hoàn chỉnh, vậy thì bỏ bớt cái không liên quan đi.
Về nghề, mình cũng là người đa dạng skill — từ nhiếp ảnh, thiết kế, hành chính, quản lý… ứng dụng công nghệ theo từng nhu cầu và sở thích học hỏi cái mới. Thành ra khi hỏi về các lĩnh vực, mình đều biết ít nhiều, và hay kết hợp chúng để ra giải pháp tốt hơn. Công ty thuê mình cũng hưởng lợi đấy chứ — trừ tội hay cầu toàn, đang sửa từng chút bằng cách tối ưu tốc độ sai lầm.
Chơi một trò chơi dài hạn
Sự hào phóng trong nghiên cứu sẽ sinh lãi kép. Hãy công bố công cụ bạn tự làm. Hãy đưa những ý tưởng mới chỉ hình thành một nửa ra trước công chúng — vì sai trên mạng xã hội rẻ hơn rất nhiều so với sai trên một ấn phẩm chính thức.
Một cộng sự sẵn sàng chê ý tưởng của bạn tệ trước khi bạn nướng 3 tháng vào nó còn đáng giá hơn vạn lần một dàn máy tính khủng. Mối quan hệ đó không thể mua được — chỉ có thể đánh đổi bằng sự chân thành.
Kiến thức và năng suất sẽ sinh lãi kép như tiền gửi ngân hàng. Những quyết định nhỏ nhặt hàng ngày — bạn đọc gì, bạn ghi chép thế nào, bạn tối ưu tốc độ ra sao — cứ cho chúng vài năm, chúng sẽ tạo ra những sự nghiệp mà người ngoài nhìn vào chỉ chép miệng: “Chà, đúng là ăn may!”
Hãy bắt đầu tích lũy sớm hơn mức bạn cảm thấy cần thiết. Phiên bản tương lai của bạn sẽ biết ơn vì điều đó.
MK. chính là dự án mình đang dùng kiến thức tích lũy trước đây để tiếp tục tích lũy trong chính dự án mới này. Để đầu óc không ủ rũ tiêu cực vì rảnh. Để bản thân tiếp tục được tạo giá trị trên thị trường lao động.
Nói đâu ngay, chính những gì mình nhận được hôm nay cũng nhờ những bộ óc xuất sắc để lại di sản kiến thức của họ để mình hấp thụ và tiếp tục sáng tạo phục vụ cộng đồng. Vậy những nghiên cứu nhỏ nhoi này sẽ là bằng chứng năng lực tự thân, tiếp tục tích lũy trải nghiệm thực tế trong lĩnh vực công nghệ ứng dụng — chẳng phải đó là cách chúng ta thi đại học sao? Không là thiên tài thì ít nhất phải là chăm làm việc mình thích chứ nhỉ.
Bản trên là tóm lược + chú thích cá nhân từ góc nhìn Marketing Operator, dựa trên bài “How to be good at research” của Vivek Nair — researcher tại Anthropic. Đọc nguyên bản tiếng Anh được khuyến nghị cao — voice của Vivek sharper hơn bất kỳ bản dịch nào.
#MKbyKaitago #AIMarketingOps #BuildInPublic
MK. ra mỗi tuần, miễn phí.
AI Marketing Ops cho SME Việt · Đăng ký để nhận bài mới thẳng vào hộp thư.
Mỗi tuần một bài · có thể huỷ bất cứ lúc nào
Lúc mới bắt đầu mình cũng bị FOMO — chạy theo thông số chọn laptop cấu hình mạnh, đóng gói giải pháp có sẵn từ người khác đem bán lại mà không hiểu tường tận.
Mình không phải nhà khoa học để nghiên cứu lại từ đầu, nhưng với kinh nghiệm operator, mình hiểu rõ từng bước “tại sao” và điều chỉnh liên tục để giải pháp thành hình theo ý mình. Cứ mỗi lần đụng lại giải pháp, mình lại thấy có thể rút ngắn thêm, tối ưu thêm — thế là làm thôi.