Bạn đã vào khóa học này với một phiên bản nào đó của câu hỏi:
- Tổng hợp 4 thuộc tính + training fingerprints thành một working mental model duy nhất
- Kết nối Capabilities & Limitations Framework với 4D Framework — hai nửa của một hệ thống
- Xác định một thay đổi cụ thể bạn sẽ áp dụng trong AI practice tuần này
- Biết đi đâu tiếp theo để đi sâu hơn
Mở đầu: Bạn đến với một câu hỏi, rời với một cấu trúc
"Tại sao AI làm như thế?"
Bạn đang rời khóa học với một cấu trúc để tự trả lời câu hỏi kế tiếp.
Đó là khác biệt mọi người cần. Không phải 1 danh sách failure modes để thuộc lòng. Không phải 5 prompt tricks cho 5 tình huống. Mà là một mental model giúp bạn đứng trước bất kỳ task AI nào mới và hỏi đúng câu hỏi.
Cái bạn mang theo
Hai giai đoạn training → mọi hành vi truy ngược được
┌──────────────────────────────────────────────────────────┐
│ │
│ Stage 1: PRETRAINING │
│ → Document completer (predict next token) │
│ │
│ ↓ │
│ │
│ Stage 2: FINE-TUNING │
│ → Assistant (follow instructions, be helpful, safe) │
│ │
│ ↓ │
│ │
│ → 4 Fingerprints: │
│ - Sycophancy (xu nịnh) │
│ - Verbosity (nói dài) │
│ - Over-caution (quá cẩn trọng) │
│ - Loose confidence calibration │
│ │
└──────────────────────────────────────────────────────────┘Mọi hành vi lạ của AI đều truy ngược về 1 trong 2 fingerprints này. Bạn đã mất khả năng để "bị surprised" theo nghĩa xấu.
Bốn thuộc tính, mỗi cái là một continuum
🔮 Next Token Prediction Câu trả lời từ đâu ra?
[well-worn] ←──────→ [novel]
🌐 Knowledge AI thực sự biết gì?
[frequent] ←──────→ [rare/niche/post-cutoff]
🧠 Working Memory AI đang chú ý gì?
[fits] ←──────→ [cliff]
🎚️ Steerability Bạn kiểm soát đến đâu?
[concrete] ←──────→ [abstract]Mỗi cái có:
- Capability zone (bên trái): AI hoạt động tốt, cần verify ít
- Limitation zone (bên phải): AI hỏng dễ, cần compensate nhiều
- Product features đẩy edge ra xa
Lỗi thường là 2 thuộc tính giao thoa
Hầu hết failures thực tế = 2 properties colliding. Bạn diagnose bằng cách hỏi "Which 2 collided?", không phải "What broke?".
5 collision patterns chính:
- NTP × Knowledge → hallucinated specifics
- Working Memory × Steerability → long-conversation drift
- NTP × Steerability → letter-over-spirit
- Knowledge × Steerability → confidently wrong niche
- All 4 → complex agentic failures
Two halves of one system: 4D + 4 Properties
Capabilities & Limitations Framework và 4D Framework không phải 2 thứ riêng bạn phải juggle. Chúng là 2 mặt của cùng một đồng xu:
┌──────────────────────────────────────────────────────────┐
│ │
│ WHAT THE MACHINE DOES WHAT YOU DO │
│ ─────────────────── ────────── │
│ │
│ 🔮 Next Token Prediction 🔍 Discernment │
│ (fluency ≠ accuracy) (evaluate outputs) │
│ ↕ explains ↕ │
│ │
│ 🌐 Knowledge 📋 Delegation │
│ (broad, uneven, frozen) (what to hand off) │
│ ↕ explains ↕ │
│ │
│ 🧠 Working Memory ✍️ Description │
│ (fixed window, cliff) (how to describe │
│ ↕ explains ↕ + supply context) │
│ │
│ 🎚️ Steerability (Description + │
│ (pattern-match instructions) Delegation) │
│ │
│ 🛡️ Diligence │
│ (the entire ethical │
│ posture across all) │
│ │
└──────────────────────────────────────────────────────────┘Mapping cụ thể:
Next Token Prediction → sharpens Discernment
- Biết output được generated, không phải retrieved → biết loại scrutiny
- Fluency và accuracy là variables độc lập → kiểm tra tách biệt
Knowledge → sharpens Delegation
- Biết ở đâu model "dày", ở đâu "mỏng" → biết khi nào giao, khi nào tự cung cấp
- Know limits → know when to go elsewhere
Working Memory → sharpens Description
- Biết context là leverage → biết structure prompt thế nào
- Biết cliff exists → biết khi nào start fresh
Steerability → sharpens both Description and Delegation
- Biết gap words/intent → biết cách diễn đạt
- Biết limitation zone → biết task nào không nên giao nguyên
Diligence stitches them all
- Verify where fabrication concentrates (NTP)
- Cite where knowledge is uneven (Knowledge)
- Repeat critical context (WM)
- State goals (Steerability)
Calibrated Trust là một habit, không phải một attitude
Trước khi giao bất cứ gì cho AI, chạy quick internal check:
┌──────────────────────────────────────────────────────────┐
│ │
│ PRE-DELEGATION CHECKLIST (30 giây): │
│ │
│ 🔮 NTP: │
│ - Task ở well-worn territory hay sparse? │
│ - Cần specifics (names, numbers, citations)? │
│ - Nếu yes/no → cần verify ở đâu? │
│ │
│ 🌐 Knowledge: │
│ - Topic mainstream hay niche? │
│ - Stable hay recent/changing? │
│ - Nếu niche/recent → bật search hay supply context? │
│ │
│ 🧠 Working Memory: │
│ - Context có fit comfortably trong window? │
│ - Critical info ở edges (đầu/cuối) hay middle? │
│ - Cần chunk hay standing context setup? │
│ │
│ 🎚️ Steerability: │
│ - Instructions concrete hay abstract? │
│ - Có goal statement kèm instruction? │
│ - Multi-step → cần checkpoints? │
│ │
│ THEN ADJUST: │
│ - More verification where fabrication concentrates │
│ - More context where model can't guess │
│ - More checkpoints where reasoning runs long │
│ │
└──────────────────────────────────────────────────────────┘Bạn không trust AI. Bạn không distrust AI. Bạn locate the task và set habits accordingly.
Hình dạng của framework stays useful
Models sẽ tiếp tục thay đổi. Context windows grow. Hallucination rates drop. Features close gaps. Nhưng AI sẽ tiếp tục là:
- Một predictor có fluency chạy trước accuracy
- Có uneven knowledge với cutoff
- Làm việc trong finite window
- Theo instructions qua gap giữa words và intent
Những fact này không expire khi version number tăng. Bạn đã xây một mental model durable on purpose.
Cái sẽ thay đổi — và cái sẽ không
| Will change | Won't change |
|---|---|
| Tỷ lệ hallucination | NTP mechanism → fabrication possible |
| Knowledge cutoff dates | Knowledge is finite |
| Context window sizes | Windows still bounded |
| Specific features available | Gap intent-vs-instruction always exists |
| Model names/versions | 4 property dimensions remain |
Một vài ghi chú về điều khóa học không nói
Để bạn có mental model hoàn chỉnh, cần biết cái gì nằm ngoài khóa học này:
1. Agentic systems
Khóa nói về AI trả lời 1 prompt at a time. Agentic AI (Claude với tool use, browser automation, code execution tự chủ) là một chiều kích riêng — collision patterns phức tạp hơn, security risks lớn hơn, cần governance framework riêng.
Reference: Anthropic's work on agentic safety, Claude Code, Claude Plays Pokemon paper.
2. Multi-modal
Khóa chủ yếu nói text. Vision (image understanding), audio, video có properties riêng — ví dụ: hallucination trong image description có patterns khác text.
3. Fine-tuning custom models
Bạn có thể fine-tune Claude/GPT cho domain riêng. Điều này dịch chuyển Knowledge zone + reduce hallucination cho that domain — nhưng có tradeoffs (capabilities general có thể giảm).
4. AI safety & alignment research
Deeper questions về: tại sao model làm những điều không dự đoán được, làm thế nào ensure models behave as intended ở scale. Research areas: interpretability, RLHF refinements, Constitutional AI.
Commitment: Một thay đổi cụ thể tuần này
Đừng để khóa học này chỉ là knowledge sitting in head. Chọn một thay đổi bạn sẽ áp dụng tuần này.
4 categories of change
Category 1: Verification habit
- Every time AI gives specifics (names, numbers, citations) in [specific domain], verify via [specific source] before acting
- Example: "Every Claude citation for client work → Google Scholar check"
Category 2: Standing context setup
- Set up [Project / Memory / Custom Instructions] for [recurring task]
- Example: "Claude Project 'Monthly Financial Review' with uploaded templates + brand guidelines"
Category 3: Checkpoint protocol
- For [multi-step task type], insert checkpoint after step [X]
- Example: "DCF calculations → pause after revenue projection, verify assumptions before margins"
Category 4: Goal-stated prompting
- For [task type where I've been format-only], add goal statement
- Example: "Email rewrites → always state 'Goal: [reader outcome]' alongside 'make shorter/better/etc'"
Choose ONE. Write it down.
Task where I'll make a change: _________________________
Change I'll make this week: _____________________________
How I'll know it worked: ________________________________
Accountability: _________________________________________
(share với team? set weekly reminder?)Áp dụng ngay
Bài tập: Your Commitment (15 phút)
Lý do: Khóa học kết thúc ở đây. Nhưng thực hành mới bắt đầu.
Bước 1: Quay lại task list từ Bài 17.0 một lần cuối.
For every task, jot nhanh cảm nhận:
| Task | NTP zone | Knowledge zone | WM zone | Steerability zone | Mitigations cần |
|---|---|---|---|---|---|
| 1 | |||||
| 2 | |||||
| 3 | |||||
| 4 | |||||
| 5 | |||||
| 6 |
Bước 2: Pick 1 task + 1 change bạn'll make this week:
Options:
- Verification step
- Standing-context setup
- Checkpoint in multi-step process
- Goal-stated (not just format) prompt habit
Write it down:
Task: ______________________________________
Change: ____________________________________
By when: ___________________________________
Expected impact: ____________________________Bước 3 (optional): Share với one person — colleague, mentor, partner. Accountability = follow-through.
Suy ngẫm bài học (cuối cùng)
- Shift lớn nhất trong cách bạn nghĩ về AI behavior từ Bài 17.0 đến giờ?
- Which of 4Ds (Delegation, Description, Discernment, Diligence) cảm thấy immediately sharpened bởi những gì bạn vừa học?
- Có câu chuyện AI failure nào trước đây giờ bạn'd diagnose hoàn toàn khác?
Tóm tắt bài học
- Bạn giờ hold một working mental model: 4 thuộc tính như continuums, characteristic failures as property intersections.
- Framework này và 4D Framework là 2 sides of 1 system. Properties giải thích cái 4D competencies đang respond to.
- Calibrated trust nghĩa là locating your task trên mỗi continuum và matching verification + context habits với nơi nó sit.
- Models sẽ tiếp tục thay đổi. Shape của properties stays useful dù exact boundaries shift.
- Mental model durable là mục đích. Bạn không chỉ học AI hôm nay — bạn học cách hiểu AI ngày mai khi công nghệ advance.
Đi sâu hơn
Nếu bạn chưa học AI Fluency: Framework & Foundations
Đây là next step tự nhiên. Nó đi sâu vào 4Ds (Delegation, Description, Discernment, Diligence) — nhưng từ góc nhìn con người. Bạn đã có machine-side context cho 4Ds; khóa kia sẽ complete the picture.
Link: anthropic.com/ai-fluency
Advanced reading
Research papers (Anthropic):
- "Tracing the Thoughts of a Large Language Model" (2025) — interpretability research
- "Constitutional AI" (2022) — how Claude được aligned
- "Claude Plays Pokemon" (2025) — agentic AI lessons
Books:
- "Prediction Machines" (Agrawal, Gans, Goldfarb) — economic lens
- "The Age of AI" (Kissinger, Schmidt, Huttenlocher) — societal implications
Hands-on:
- Claude Cookbook (github.com/anthropics/anthropic-cookbook) — code patterns
- Claude API docs (docs.anthropic.com) — deep technical
Keep testing edges
Properties stay stable, but where the lines sit keep moving as models improve. Every major model release: re-test your assumptions. Your Bài 17.0 task list → quarterly revisit. The habits stay; the specific thresholds may shift.
Feedback
Khóa học sẽ improve liên tục nếu có feedback của bạn. Những gì bạn thấy:
- Giá trị nhất?
- Khó hiểu nhất?
- Phần nào muốn thêm depth?
- Use case của bạn mà framework chưa address?
Anthropic luôn welcomes feedback — share tại đây (gốc tiếng Anh) hoặc comment trên bài này nếu bạn đang dùng bản Vietnamese.
Lời kết
Ba tuần đầu bạn gặp một colleague mới (AI) bạn không hiểu. Bạn làm việc cùng, nhưng mỗi lần xài là một gamble.
Sau khóa học này, bạn đã get to know this colleague. Không phải theo nghĩa "biết mọi ngôi sao Thuộc Cung nó"; mà theo nghĩa biết khi nào dựa vào, khi nào cẩn trọng, khi nào nhờ verify, khi nào giao cho người khác.
Calibrated trust. Đó là tên của thing bạn vừa build.
Cám ơn vì đã dành 6-8 giờ cho khóa học này. Hy vọng cái bạn mang theo sẽ useful qua các generations của AI tiếp theo — không chỉ hôm nay.
— The Anthropic Academy team
Tài liệu tham khảo
- Anthropic — AI Fluency: Framework & Foundations — Next course natural
- Anthropic Academy — anthropic.com/learn
- Anthropic Research — anthropic.com/research
- Claude Documentation — docs.anthropic.com