ATLAS thêm gì trong bản cập nhật lần này
ATLAS là dự án nghiên cứu dài hạn của Google, thu thập dữ liệu về mức độ và cách thức con người dùng AI, từ phòng thí nghiệm cho tới studio sáng tạo. Trong bản cập nhật này, điểm mới đầu tiên là một công cụ tương tác truy cập mở, cho phép người đọc tự tra theo nghề nghiệp, theo cách người ta dùng AI ở nhà, và theo tỷ lệ áp dụng tại từng quốc gia. Trước đây dữ liệu nằm trong các báo cáo dài, nay người ta tự bấm vào xem, từ thợ điện tới quản lý mua hàng.
Phần thứ hai là nghiên cứu mới do Google, Google DeepMind hợp tác với MIT FutureTech thực hiện. Nghiên cứu này rà 2600 mô hình AI chuyên biệt và khảo sát hơn 600 nhà khoa học tại Mỹ và Anh, tất cả được sắp xếp theo một hệ phân loại mới do MIT FutureTech xây dựng để mô tả công việc của nhà khoa học.
Hai con số nổi bật nhất được đưa ra ngay phần đầu: ngành sáng tạo của Ấn Độ dùng AI ở mức cao hơn phần còn lại của thế giới, với nhóm nghệ thuật, thiết kế và truyền thông chiếm 19% lượng AI dùng cho công việc, gấp 1,6 lần trung bình toàn cầu. Ngược lại, Mỹ dẫn đầu ở nhóm kỹ thuật, khi nhóm nghề máy tính và toán học chiếm 30% lượng AI dùng cho công việc, gấp đôi mức của phần còn lại thế giới. Hai con số cạnh nhau cho thấy AI không thấm đều một kiểu, mà bám theo ngành mà một nước đã mạnh sẵn.
Nghề nào dùng AI nhiều nhất, và ở đâu
Dữ liệu ATLAS vẽ ra một bức tranh khác hẳn tùy thuộc bạn nhìn nước giàu hay nước đang phát triển. Ở các nước thuộc OECD, nhóm nghề dẫn đầu là máy tính và toán học, kèm theo vận hành kinh doanh và tài chính. Ở các nước ngoài OECD, thứ tự đảo lại: hỗ trợ văn phòng và hành chính, sáng tạo nghệ thuật - thiết kế - giải trí - thể thao - truyền thông, rồi giảng dạy và thư viện mới là các nhóm dùng nhiều nhất.
Điểm thú vị thứ hai là mối quan hệ giữa thu nhập và mức áp dụng AI. Theo nguồn, tỷ lệ áp dụng nhìn chung đi theo thu nhập bình quân đầu người của quốc gia, nhưng có những nước chạy vượt lên so với mức GDP của họ, và Brazil cùng UAE được nêu đích danh là hai ví dụ như vậy. Nghĩa là tiền không giải thích hết: cấu trúc nghề nghiệp và nhu cầu thực tế của nền kinh tế quyết định phần còn lại.
| Chỉ số đo được | Giá trị | So với trung bình toàn cầu |
|---|---|---|
| Ấn Độ: AI dùng cho nhóm nghệ thuật, thiết kế, truyền thông | 19% lượng AI dùng cho công việc | Gấp 1,6 lần |
| Mỹ: AI dùng cho nhóm máy tính và toán học | 30% lượng AI dùng cho công việc | Gấp đôi phần còn lại thế giới |
| Brazil và Đức: AI dùng cho việc tay chân như chẩn đoán thiết bị | 7% lượng AI dùng cho công việc | Gấp 1,4 lần |
| Nhật Bản: AI dùng cho việc tay chân | 4% lượng AI dùng cho công việc | Thấp hơn Brazil và Đức |
Phần trăm trong bảng tính trên tổng lượng AI dùng cho công việc của nhóm, không phải trên số người lao động. Khoảng cách giữa 7% ở Brazil, Đức và 4% ở Nhật cho thấy việc AI thay người làm trực tiếp vẫn len vào rất không đều.
Cuộc tranh luận AI thay thế con người vẫn sôi nổi, và dữ liệu theo nhóm nghề này để đối chiếu, thay vì đọc một con số toàn cục. Người mới nên nắm khái niệm trước ở AI cho người mới bắt đầu rồi mới đọc bảng số.
Nhà khoa học: hơn 600 người được hỏi, 2600 mô hình được rà
Phần nghiên cứu trả lời câu hỏi hẹp hơn nhưng sát thực tế hơn: các nhà khoa học dùng AI ra sao trong công việc hằng ngày. Kết quả là nhóm nhà khoa học dùng AI ở mức cao hơn nhiều nghề khác, và gần một nửa số người được khảo sát dùng ít nhất một hình thức AI mỗi ngày.
Điều đáng chú ý là họ không chỉ dùng một loại công cụ. Nghiên cứu ghi nhận cả mô hình ngôn ngữ lớn lẫn mô hình chuyên biệt đều được dùng rộng rãi, theo hai hướng bổ trợ cho nhau, nhưng chia việc khá rõ. Kiểu mô hình như Gemini được dùng trải khắp các ngành khoa học và các loại nhiệm vụ, trong khi mô hình chuyên biệt xuất hiện nhiều hơn ở lĩnh vực sức khỏe và khoa học sự sống, cũng như các nhiệm vụ dự đoán, tạo dữ liệu và mô phỏng mang tính chuyên ngành. Phần việc chung chung để mô hình tổng quát lo, phần cần kiến thức ngành sâu thì gọi mô hình chuyên biệt, như cách người ta chọn công cụ trong xưởng. Ví dụ đời thường của xu hướng này có ở DeepSeek là gì.
Tiết kiệm 7 giờ mỗi tuần, nhưng vẫn chưa có thêm phát hiện
Đây là phần nên đọc chậm. Theo khảo sát, nhà khoa học báo cáo tiết kiệm gần 7 giờ mỗi tuần nhờ AI, thời gian quay lại cho việc nghiên cứu. Nhưng chính nghiên cứu đó phanh ngay sau đó: thời gian đáng kể bị dùng để kiểm tra kết quả AI, số giả thuyết chất đống chưa kiểm chứng tăng lên, và nút thắt xuất hiện ở khâu AI không thay được, như thí nghiệm vật lý hay kiểm nghiệm lâm sàng.
Tiết kiệm thời gian không đồng nghĩa có thêm phát hiện: khâu nghĩ giả thuyết nhanh hơn, khâu kiểm chứng thì không, nên backlog chuyển từ đầu ống sang cuối. Để tác động thật sự xuất hiện ở quy mô lớn, nghiên cứu kết luận phải thiết kế lại chính quy trình và luồng công việc, chứ không thể chỉ ghép công cụ vào quy trình cũ.
Cũng cần nói rõ hai giới hạn của con số 7 giờ. Thứ nhất, đây là mức tự báo của hơn 600 nhà khoa học tại Mỹ và Anh, không phải số đo giờ giấc bằng thiết bị, và nhóm này không đại diện cho khoa học toàn cầu. Thứ hai, nguồn không có nhóm đối chứng để so sánh với thời lượng làm việc không dùng AI, nên mức chênh lệch thực sự chưa được xác lập. Đây là chỗ dữ liệu mới dừng lại, chưa phải câu trả lời cuối.
Dùng ở Việt Nam: công cụ mở, nhưng số liệu quốc gia chưa rõ
Câu hỏi thực tế nhất là dùng được cái này ở Việt Nam không. Về chi phí, nguồn gọi đây là trải nghiệm truy cập mở, và không nhắc tới bất kỳ hình thức thu phí hay gói trả phí nào, nên về nguyên tắc không cần thẻ quốc tế, không cần tài khoản trả phí để tra cứu. Về rào cản kỹ thuật với người dùng Việt Nam, nguồn không đề cập, nên tôi không khẳng định được có chặn khu vực hay không.
Về ngôn ngữ, nội dung gốc và công bố đều bằng tiếng Anh, nguồn không nói có bản dịch tiếng Việt. Về dữ liệu, ATLAS cho phép tra theo tỷ lệ áp dụng ở các quốc gia, nhưng các ví dụ cụ thể trong bản công bố chỉ nêu Ấn Độ, Mỹ, Brazil, UAE, Đức, Nhật và hai nhóm OECD - ngoài OECD. Việt Nam không xuất hiện trong bất kỳ con số nào được nêu, nên hiện chưa có căn cứ để nói Việt Nam đứng ở đâu trong bộ dữ liệu này. Ai cần con số cho Việt Nam thì phải tự tra trong công cụ, và nếu không có thì nói thẳng là chưa có.
Riêng phần ứng dụng thực tế, thứ đáng lấy từ bản cập nhật này không phải một con số, mà là cách đọc: hãy nhìn nhóm nghề của mình, xem nhóm đó đang dùng AI cho việc gì nhiều nhất, thay vì hỏi chung chung AI đã phổ biến tới đâu. Với người đang viết nội dung theo nhóm nghề, ví dụ AI viết content Facebook, cách tiếp cận theo nghề như trên cho kết quả cụ thể hơn nhiều so với các bảng xếp hạng tổng.
Nguồn tham khảo
- Google AI Blog — New insights from Google's AI & Economy ATLAS
