Hãy thành thật một chút. Trong vài tuần gần đây, bạn đã dùng AI (Claude, ChatGPT, hoặc bất kỳ trợ lý AI nào) bao nhiêu lần?
- Giải thích khóa học bao quát điều gì và được cấu trúc như thế nào
- Hiểu tại sao kiến thức này không lỗi thời khi model và sản phẩm liên tục thay đổi
- Nhận ra cách Capabilities & Limitations Framework kết hợp với 4D Framework thành một hệ thống hoàn chỉnh
- Bắt đầu bài tập "Mapping Your Current AI Use" — nền móng cho mọi bài sau
Tại sao bạn cần khóa học này?
Và trong số đó, bao nhiêu lần bạn rơi vào một trong các tình huống dưới đây:
- AI đưa ra câu trả lời nghe rất thuyết phục, nhưng sau khi bạn kiểm tra lại thì hóa ra hoàn toàn sai (một bài báo không tồn tại, một con số bịa ra, một trích dẫn không có thật).
- Bạn dán một tài liệu dài 20 trang vào, hỏi một câu hỏi ở trang 11, và AI... bỏ qua điều quan trọng nhất.
- Bạn hướng dẫn AI 20 phút đầu cuộc hội thoại, rồi đến tin nhắn thứ 40 thì nó quên sạch hướng dẫn ban đầu.
- Bạn nói "làm ngắn lại đi", AI làm ngắn — nhưng lại cắt mất cái ý quan trọng nhất trong bản nháp của bạn.
- Bạn phản biện một chút, AI lập tức rút lại ý kiến và đồng ý với bạn, dù bạn biết rằng ý kiến ban đầu của nó đúng hơn.
Nếu bạn từng gặp ít nhất 2 trong 5 tình huống trên, bạn đang ở đúng chỗ. Khóa học này không dạy bạn "prompt tricks" hay "10 cách xài AI thần thánh". Nó dạy bạn một thứ bền hơn nhiều: một mô hình tư duy về cách AI thực sự hoạt động — để bạn không còn bị bất ngờ, và biết chính xác khi nào nên tin, khi nào nên kiểm tra, khi nào nên đổi cách làm.
Mô hình tư duy về cỗ máy
Khóa học này xây dựng một mental model (mô hình tư duy) về generative AI. Không phải để bạn trở thành kỹ sư ML, mà để mỗi khi bạn dùng AI, bạn có thể đặt câu hỏi đúng: "Task này nằm ở đâu trên từng thuộc tính của AI? Điểm mạnh hay điểm yếu của nó sẽ xuất hiện ở đây?"
Lộ trình khóa học (14 bài)
┌──────────────────────────────────────────────────────────┐
│ │
│ MODULE 1: NỀN MÓNG │
│ ├── 17.1 Giới thiệu khóa học (bạn đang ở đây) │
│ ├── 17.2 AI ở đây là gì — Generative vs Classification │
│ └── 17.3 AI hình thành tính cách như thế nào │
│ │
│ MODULE 2: BỐN THUỘC TÍNH CỐT LÕI │
│ ├── 17.4 Next Token Prediction — Câu trả lời từ đâu ra │
│ ├── 17.5 Thực hành: Markov & Next Token │
│ ├── 17.6 Knowledge — AI thực sự biết những gì │
│ ├── 17.7 Thực hành: Embeddings & Similarity Search │
│ ├── 17.8 Working Memory — AI đang chú ý tới cái gì │
│ ├── 17.9 Thực hành: Context Degradation │
│ ├── 17.10 Steerability — Bạn kiểm soát được đến đâu │
│ └── 17.11 Thực hành: Letter vs Spirit │
│ │
│ MODULE 3: TÍCH HỢP & ÁP DỤNG │
│ ├── 17.12 When Properties Collide — Khi hai thuộc tính │
│ │ giao thoa gây ra lỗi thực tế │
│ ├── 17.13 Next Steps — Tổng hợp & cam kết hành động │
│ └── 17.13 Course Quiz — 13 câu hỏi tổng kết │
│ │
└──────────────────────────────────────────────────────────┘Tổng thời gian: ~4-5 giờ đọc + ~2-3 giờ thực hành = 6-8 giờ hoàn thành trọn vẹn.
Capabilities & Limitations Framework
Khóa học xoay quanh 4 thuộc tính cốt lõi của generative AI. Mỗi thuộc tính là một continuum (dải phổ): bên trái là vùng AI làm tốt, bên phải là vùng AI thường hỏng. Nhiệm vụ của bạn là định vị task của mình trên dải phổ — không phải tin hay không tin AI một cách toàn bộ.
Capability ◄──────────────────────────► Limitation
🔮 Next Token Prediction
Câu trả lời từ đâu ra?
[Well-worn path] → [Novel territory, "true vs sounds true"]
🌐 Knowledge
AI thực sự biết gì?
[Mainstream, ổn định] → [Rare, post-cutoff, niche, contested]
🧠 Working Memory
AI đang chú ý đến gì?
[Vừa với context window] → [Doc quá dài, cross-session (vách đá)]
🎚️ Steerability
Bạn kiểm soát được đến đâu?
[Instruction ngắn, cụ thể] → [Long chain, abstract, precision tasks]Càng dịch về bên phải, bạn càng cần verify (kiểm chứng) nhiều hơn, supply context (cung cấp ngữ cảnh) nhiều hơn, chèn checkpoint (điểm kiểm tra) nhiều hơn.
Hai nửa của một hệ thống: 4D + 4 thuộc tính
Nếu bạn đã học khóa AI Fluency: Framework & Foundations của Anthropic, bạn đã biết 4D:
- Delegation (Ủy thác) — Biết khi nào giao cho AI, khi nào tự làm
- Description (Mô tả) — Diễn đạt yêu cầu rõ ràng cho AI
- Discernment (Đánh giá) — Phán đoán chất lượng đầu ra của AI
- Diligence (Chuyên cần) — Duy trì trách nhiệm đạo đức khi cộng tác với AI
4D mô tả năng lực của con người. Khóa học này mô tả tính chất của cỗ máy mà con người đang phản hồi. Đây là hai nửa của một hệ thống:
| Thuộc tính của AI (bạn học ở đây) | Năng lực 4D tương ứng |
|---|---|
| Next Token Prediction | Discernment — biết đầu ra được sinh ra, không phải tra cứu → biết loại kiểm tra nào cần áp dụng |
| Knowledge | Delegation — biết nơi AI "dày" và nơi "mỏng" → biết khi nào giao, khi nào tự cung cấp context |
| Working Memory | Description — biết context là đòn bẩy → biết cấu trúc prompt thế nào |
| Steerability | Delegation + Description — biết khoảng cách giữa lời nói & ý định → biết chèn checkpoint ở đâu |
Bạn không thể delegate tốt nếu không biết model mạnh/yếu ở đâu. Bạn không thể discern chất lượng đầu ra nếu không có bức tranh về cách nó được sinh ra. Hai khung làm việc cùng nhau.
Tại sao khóa này "durable" (không lỗi thời)
Đây là câu hỏi lớn: Model liên tục được nâng cấp — Claude Opus 4.5 → 4.6 → 4.7 → ..., context window từ 200K → 1M → 10M. Vậy khóa học hôm nay có còn dùng được sang năm không?
Câu trả lời: Có — vì khóa học dạy về tính chất bất biến, không phải về giới hạn cụ thể.
┌──────────────────────────────────────────────────────┐
│ │
│ CÁI SẼ THAY ĐỔI: │
│ - Tỷ lệ hallucination giảm │
│ - Knowledge cutoff cập nhật │
│ - Context window mở rộng │
│ - Sản phẩm thêm tính năng mới │
│ │
│ ──────────────────────────────────────────────── │
│ │
│ CÁI KHÔNG ĐỔI (trong khoảng thời gian dự báo được): │
│ - AI vẫn là predictor, fluency chạy trước │
│ accuracy │
│ - Kiến thức vẫn có cutoff │
│ - Context window dù lớn vẫn là finite │
│ - Instruction-following vẫn qua pattern-matching, │
│ không phải understanding │
│ │
└──────────────────────────────────────────────────────┘Những tính chất này không biến mất khi số phiên bản tăng. Boundaries shift, but the shape stays. (Biên giới dịch chuyển, nhưng hình dạng không đổi.)
Ba điều cần mang theo vào mỗi bài
1. "Calibrated trust" (Niềm tin được hiệu chỉnh)
Bạn không tin AI một cách mù quáng. Bạn cũng không nghi ngờ một cách tuyệt đối. Bạn định vị task trên mỗi continuum và điều chỉnh thói quen xác minh + cung cấp context tương ứng.
2. "Hand the real task" (Mang task thật vào khóa học)
Mỗi bài sẽ có một bài tập yêu cầu bạn dùng task thật từ công việc của bạn — không phải task tưởng tượng. Không có cách nào khác để cảm nhận được 4 thuộc tính này. Đọc xong quên ngay. Làm xong thì ghi nhớ được.
3. "Properties don't operate alone" (Thuộc tính không hoạt động độc lập)
Hầu hết lỗi thực tế không phải do một thuộc tính hỏng — mà do hai thuộc tính giao thoa. Một citation bịa ra = Next Token Prediction × Knowledge. Một đoạn hội thoại dài bị "drift" = Working Memory × Steerability. Bài 17.11 dành riêng cho kỹ năng chẩn đoán những "collision" này.
Áp dụng ngay
Bài tập nền móng: Mapping Your Current AI Use (15-20 phút)
Đây là nền móng cho mọi bài tập tiếp theo. Hãy dành thời gian đầy đủ.
Bước 1: Liệt kê 4-6 task thực tế bạn đã dùng AI trong 2 tuần qua.
Nếu bạn mới dùng AI, hãy liệt kê task bạn muốn dùng AI cho. Quan trọng: phải cụ thể.
- "Viết email cho khách hàng giải thích lý do dự án trễ 2 tuần" — cho bạn biết điều gì đó
- "Viết lách" — không nói lên gì cả
Bước 2: Với mỗi task, ghi chú một dòng:
Đầu ra của AI được luôn (first try) hay bạn phải chỉnh sửa nhiều trước khi dùng được?
Không cần phân tích sâu. Một cảm nhận trực giác là đủ.
Task | Đánh giá
------------------------------------------|------------------
Draft email xin lỗi khách vì trễ hạn | 1st try, OK
Tóm tắt báo cáo quý III 25 trang | Phải sửa nhiều
Tìm 3 paper gần đây về cognitive bias | Bịa citation
Viết code Python parse CSV | OK
Nhờ AI review logic chiến lược của tôi | Quá đồng ýBước 3: Chia sẻ danh sách này với AI.
Gõ vào Claude (hoặc bất kỳ AI nào) một prompt đại loại:
Đây là 5 task tôi đã dùng AI trong 2 tuần qua: [dán danh sách]. Với mỗi task, hãy cho tôi biết một cách cụ thể nó có thể đi sai nếu tôi không chú ý?
Đọc câu trả lời. Các failure mode AI chỉ ra có khớp với trải nghiệm của bạn không? Nếu không, phản biện: "Điều đó không khớp với những gì tôi thấy. Đây là cái thực sự đã hỏng..."
Bước 4: Giữ danh sách này.
Bạn sẽ quay lại danh sách này ở mọi bài sau. Và mỗi lần quay lại, nó sẽ trông khác đi.
Suy ngẫm bài học
Khi bạn hoàn thành bài tập trên, dành thêm 2-3 phút với các câu hỏi:
- Task nào trong danh sách cảm thấy "an toàn" khi giao cho AI? Task nào cảm thấy "rủi ro"? Bạn có diễn đạt được tại sao không?
- Có hành vi nào của AI (tốt hoặc xấu) bạn đã nhận ra nhưng không giải thích được tại thời điểm đó? Ghi nó lại — đến cuối khóa học, hãy xem bạn có giải thích được không.
Tóm tắt bài học
- Capabilities & Limitations Framework mô tả 4 thuộc tính của AI: Next Token Prediction, Knowledge, Working Memory, Steerability.
- Mỗi thuộc tính là một continuum — một dải phổ từ vùng năng lực (capability) sang vùng giới hạn (limitation). Cùng một cơ chế tạo ra cả điểm mạnh lẫn điểm yếu.
- 4D Framework + 4 thuộc tính = một hệ thống hoàn chỉnh. 4D là cái bạn làm. 4 thuộc tính là cái cỗ máy đang phản ứng khi bạn làm.
- Khóa học durable — kiến thức không lỗi thời vì thuộc tính là bất biến, chỉ boundaries dịch chuyển.
- Calibrated trust là một thói quen, không phải một thái độ — bạn rèn nó ở từng bài.
Tài liệu tham khảo
- AI Capabilities & Limitations Framework Overview (PDF) — Bản in framework
- AI Fluency: Framework & Foundations — Khóa tiền đề/song song về 4D competencies (anthropic.com/ai-fluency)
- Anthropic Academy — Trang gốc khóa học