Trên mạng xã hội có người đùa rằng bảo AI “think from first principles” có cảm giác như cộng thêm khoảng 20 điểm IQ.
Dĩ nhiên không có chuyện bộ não silicon nhận thêm 20 điểm trí tuệ chỉ vì nghe câu thần chú bí mật.
Điểm thú vị là câu lệnh đó thay đổi loại công việc mà ta yêu cầu AI thực hiện.
Nó không có nghĩa là “liệt kê thêm vấn đề”, “tìm đối thủ”, hay “nghĩ ý tưởng nghe thông minh hơn”.
Nó gần với:
Quay về tận gốc. Câu hỏi, mục tiêu, ràng buộc và giả định hiện tại có đúng không? Sau đó xây lại từ đó.
Cải tiến thông thường nhìn thấy vết nứt trên tường rồi so sánh mười loại vật liệu vá.
Tư duy từ nguyên lý đầu tiên sẽ dừng lại, nhìn bức tường và hỏi:
“Khoan, chúng ta có cần bức tường này không?”
Đội xây dựng vừa chuyển khoa sang triết học.
1. “Tìm vấn đề” và “nghi ngờ chính câu hỏi” là hai công việc khác nhau
Khi yêu cầu AI cải thiện một hệ thống, nó thường làm tốt ba việc:
- Liệt kê vấn đề của hệ thống hiện tại.
- Tìm giải pháp có sẵn, đối thủ và mẫu phổ biến.
- Tạo phương án tốt hơn trong cấu trúc hiện tại.
Tất cả đều hữu ích. Nhưng chúng thường chấp nhận bàn cờ hiện tại.
Nếu tỷ lệ nhấp vào bài liên quan thấp, ta đổi vị trí, phóng to thẻ, sửa câu chữ hoặc nâng cấp hệ gợi ý.
Tư duy first principles lùi thêm một bước:
Tính năng bài liên quan thực sự tồn tại để làm gì?
Để có thêm một lượt nhấp? Hay để giúp người đọc giải quyết câu hỏi tiếp theo? Nếu là vế sau, thẻ “bài liên quan” có nhất thiết không? Có lúc trả lời ngay trên trang hiện tại tốt hơn không?
Giờ thứ bị kiểm tra không chỉ là chất lượng giải pháp, mà là định nghĩa vấn đề.
Bạn mời AI vào cuộc họp tối ưu, và nó bắt đầu bằng việc xóa chữ “mục tiêu” trên đầu bảng.
Đó chính là ý chính.
2. First principles giống đào lại đất trước khi gieo hơn là chỉ “sinh ý tưởng”
Hiểu first principles như kỹ thuật tạo thêm ý tưởng là quá hẹp.
Động tác cốt lõi là tạm gạt các lời giải kế thừa sang một bên rồi hỏi:
- Kết quả ta thực sự muốn là gì?
- Ràng buộc nào thật sự không thể thương lượng?
- Sự kiện nào đã quan sát được?
- Điều gì được gọi là “bắt buộc” nhưng thực ra chỉ là thói quen?
- Nếu không biết bất kỳ lời giải hiện tại nào, ta sẽ thiết kế ra sao?
Vì vậy đây không đơn thuần là nhặt hạt giống.
Nó là xới lại đất trước khi quyết định nên trồng gì.
Bạn có thể nghiên cứu mười đối thủ mà vẫn sao chép cùng một giả định ẩn của cả mười.
First principles hỏi:
“Tại sao mọi người đều xây như thế?”
Đôi khi câu trả lời là: vì cách đó thật sự hợp lý nhất.
Như vậy vẫn là thành công.
Nghi ngờ một giả định không có nghĩa phải phá bỏ nó.
Nếu nghi ngờ mọi biển báo giao thông rồi chạy ngược chiều, đó không còn là triết học. Đó là tai nạn.
3. Đây là nơi double-loop learning nối vào
Công trình năm 1977 của Chris Argyris về double-loop learning phân biệt giữa sửa hành động và đặt lại câu hỏi về chính sách, mục tiêu và giả định đã tạo ra hành động đó.[1]
Phiên bản đơn giản:
Single loop
Kết quả xấu → đổi hành động.
Double loop
Kết quả xấu → trước khi đổi hành động, xem lại ta đã định nghĩa thành công thế nào và quy tắc nào tạo ra hành vi hiện tại.
Ví dụ: “CTR thấp.”
Single loop tối ưu câu chữ, vị trí, màu sắc hoặc xếp hạng.
Double loop hỏi:
“Tại sao ta muốn tăng CTR?”
Nếu mục tiêu thật là “giúp người đọc giải quyết câu hỏi hiện tại và đi tiếp khi cần”, CTR có thể chỉ là chỉ số thay thế.
Câu hỏi thiết kế đổi từ:
“Làm sao lấy thêm một cú nhấp?”
sang:
“Làm sao giúp câu hỏi tiếp theo được giải quyết tự nhiên?”
AI chuyển từ tối ưu KPI sang kiểm tra vì sao KPI đó được chọn.
4. AI đang bước vào vùng từng được xem là chỉ dành cho con người
Trong tự động hóa, người ta thường nói phần việc cuối cùng còn lại cho con người là đặt mục tiêu, đặt câu hỏi, tạo ý nghĩa và phê duyệt quyết định.
Thực thi có thể tự động. Tìm kiếm cũng vậy. Tổng hợp, so sánh, tóm tắt và sinh nội dung cũng vậy.
Nhưng:
“Rốt cuộc chúng ta làm việc này để làm gì?”
nghe như vùng cuối cùng chỉ con người mới có.
Ranh giới đó đang bớt rõ.
Nghiên cứu Step-Back Prompting tại ICLR 2024 yêu cầu mô hình ngôn ngữ lùi từ bài toán cụ thể sang câu hỏi hoặc nguyên lý trừu tượng hơn trước khi quay lại nhiệm vụ cụ thể. Nhóm tác giả báo cáo cải thiện trên nhiều bài toán suy luận và nhiều mô hình.[2]
Nghiên cứu này không chứng minh câu “think from first principles” là công tắc ma thuật phổ quát.
Nhưng nó cung cấp bằng chứng gần với thao tác:
bài toán cụ thể → trừu tượng hóa → nguyên lý → quay lại bài toán cụ thể
Vì vậy cách chia “AI làm chi tiết, con người làm triết học” không còn đơn giản.
AI dường như đã nộp hồ sơ làm giảng viên thỉnh giảng khoa triết.
5. Đưa nó vào quá trình “nảy mầm” và ta có hai làn khám phá ý tưởng
Bài viết, sản phẩm, tính năng và chủ đề nghiên cứu có thể nảy mầm từ hai hướng.
Nảy mầm từ bên ngoài
- Có nhu cầu tìm kiếm.
- Một chủ đề thành xu hướng.
- Người đọc rời đi ở một điểm.
- Câu hỏi hỗ trợ lặp lại.
- Đối thủ ra tính năng mới.
Đây là thu tín hiệu từ thế giới.
Còn một hướng khác:
Nảy mầm từ bên trong
- Tính năng này thực sự muốn đạt gì?
- KPI này có thật sự đại diện cho mục tiêu?
- Ràng buộc này là vật lý, pháp lý hay chỉ do lịch sử?
- Nếu xây lại từ số 0, ta có chọn cùng cấu trúc không?
- Nếu cấm lời giải hiện tại, còn lại gì?
- Đây có phải vấn đề đúng để giải không?
Làn này đào vào giả định trong hệ thống hiện có.
Khám phá xu hướng giống nhặt hạt giống trên mặt đất.
Làn first principles giống cạy tấm sàn lên và thấy một cây lạ đang mọc bên dưới.
Những câu hỏi chưa ai từng tìm kiếm có thể xuất hiện từ chính việc tháo cấu trúc.
6. Khi triển khai, dùng ba bước: phá giả định, xây lại, kiểm tra với thực tế
Nếu chỉ bảo AI “hãy triết lý tự do”, đôi khi nó bay ra khỏi quỹ đạo Trái Đất và không quay về.
Quy trình thực tế cần cấu trúc.
Bước 1: Kiểm toán giả định
Tách:
- mục tiêu,
- chỉ số,
- sự kiện quan sát được,
- ràng buộc không tránh được,
- tiện lợi tổ chức,
- di sản lịch sử,
- thông lệ hiện tại.
Đừng trộn “đây là sự thật” với “chúng tôi luôn làm thế”.
Bước 2: Xây lại từ số 0
Xem giải pháp hiện tại là một ứng viên, không phải chân lý mặc định.
Tạo các phương án khác chỉ từ mục tiêu và ràng buộc thực sự không thể tránh.
Nếu cuối cùng quay về cấu trúc hiện tại cũng được. Giá trị nằm ở việc biết vì sao.
Bước 3: Quay về thực tế
Thử các phương án với chi phí, luật, an toàn, hành vi người dùng, gánh nặng chuyển đổi, dữ liệu và giới hạn vận hành.
First principles không phải vé trốn thực tế.
“Máy chủ tốn tiền, vậy hãy định nghĩa máy chủ là một khái niệm” không phải triết học. Đó là chạy trốn hóa đơn.
7. Điều vẫn còn thuộc về con người: chọn cái gì quan trọng
AI có thể khám phá:
- Giả định này có cần không?
- KPI có lệch khỏi mục tiêu không?
- Dùng hàm giá trị khác thì sao?
- Bỏ gì mà vẫn giữ được kết quả?
Nhưng vẫn còn một ranh giới.
Giá trị nào sẽ thắng cuối cùng?
Tối đa hóa thời gian trên trang hay tối thiểu hóa thời gian đến câu trả lời? Tối đa hóa lợi nhuận hay bảo vệ niềm tin? Tự do, an toàn, công bằng, thú vị, khả năng tiếp cận nên được ưu tiên thế nào?
Không có một đáp án duy nhất được suy ra chỉ bằng quan sát.
AI có thể lập bản đồ:
“Nếu ưu tiên A, thiết kế X hợp lý; nếu ưu tiên B, thiết kế Y hợp lý.”
Nhưng chọn A hay B làm mục tiêu cao nhất vẫn là trách nhiệm của con người.
Điểm cuối của tự động hóa không phải “con người nghĩ mọi thứ” cũng không phải “AI quyết mọi thứ”.
Mà là:
AI chất vấn giả định đến tận gốc; con người chịu trách nhiệm cho các nhánh mang giá trị và trách nhiệm.
8. Câu hỏi cốt lõi thật ra rất ngắn
Bản ngắn nhất:
Bản mạnh hơn:
Đừng coi cách triển khai hiện tại, thông lệ ngành hay ví dụ của đối thủ là câu trả lời.
Hãy tách mục tiêu, sự kiện quan sát được, ràng buộc không thể tránh, giả định ẩn và chỉ số proxy.
Kiểm tra giả định nào có thể bỏ mà vẫn giữ mục tiêu.
Xây lại nhiều phương án từ các first principles còn lại và kiểm tra bằng ràng buộc thực tế.
Nếu quay về thiết kế hiện tại, hãy giải thích vì sao.
Điều đáng chú ý là nó không nói:
“Hãy thật sáng tạo.”
Khi đòi sự mới lạ trực tiếp, AI đôi khi phát minh ra phiên bản khái niệm của một chiếc xe đạp đội ba cái mũ.
Ta không cần sự kỳ quặc.
Ta cần sự khác biệt chỉ khi nó thực sự xuất hiện sau khi tính lại từ nền tảng.
9. Kết luận: AI có thể đi từ “trả lời câu hỏi” sang “tháo tung câu hỏi”
Liệt kê vấn đề quan trọng. Nghiên cứu đối thủ quan trọng. Cải tiến từng bước cũng quan trọng.
Nhưng tất cả vẫn có thể chỉ là đi nhanh hơn trên cùng bàn cờ.
Giao first-principles thinking rõ ràng cho AI mở rộng biên tự động hóa:
giải vấn đề → nghi ngờ định nghĩa vấn đề → nghi ngờ mục tiêu → phân rã giả định → xây lại từ nền
Vòng thứ hai của double-loop learning không nhất thiết phải được con người gọi thủ công mỗi lần.
Ta có thể để máy định kỳ hỏi:
“Vậy rốt cuộc việc này để làm gì?”
Một phần “triết học” từng có vẻ là lớp cuối cùng chỉ dành cho con người có thể biến thành quy trình.
Nhưng nếu bot triết học nói: “Tin tốt, tôi cũng đã quyết định luôn hệ giá trị của bạn,” thì con người nên kéo ghế trở lại bàn.
Ta có thể giao việc tháo câu hỏi.
Chọn xem câu trả lời nên phục vụ loại thế giới nào vẫn là việc của chúng ta.
- Chris Argyris, “Double Loop Learning in Organizations,” Harvard Business Review, September 1977 hbr.org
- Huaixiu Steven Zheng, Swaroop Mishra, Xinyun Chen, Heng-Tze Cheng, Ed H. Chi, Quoc V. Le, Denny Zhou, “Take a Step Back: Evoking Reasoning via Abstraction in Large Language Models,” ICLR 2024 proceedings.iclr.cc
