“Dạo này gần như không đọc sách. Như vậy có hại cho đầu óc không?”
Câu trả lời ngắn là: chỉ việc đọc xong một cuốn sách không tự động cộng EXP cho não. Điều quan trọng là trong lúc đọc, não phải làm những công việc gì.
Sách có thể đưa vào kiến thức mới, nối kiến thức mới với kiến thức cũ, buộc ta theo một lập luận dài, cho ta gặp những chủ đề mà ta không chủ động tìm, và tạo thời gian tiếp xúc lâu với ngôn ngữ viết. Tiểu thuyết còn khiến ta tưởng tượng suy nghĩ và cuộc sống của người khác.
Bây giờ hãy so với việc liên tục hỏi AI: “Tại sao?”, “Thật không?”, “Nghiên cứu nói gì?”, “Còn trường hợp này?”, “Nó có cùng cấu trúc với chuyện trước không?”. Rất nhiều công việc nhận thức bị trùng. AI còn cho phép dừng đúng chỗ chưa hiểu, yêu cầu phản biện, tìm bài nghiên cứu gốc và nối thông tin mới với cái ta đã biết.
Vì vậy, đọc ít sách không đồng nghĩa với ít hoạt động trí tuệ. Nếu dùng đúng cách, đối thoại tích cực với AI đôi khi còn bắt não làm việc nhiều hơn đọc thụ động.
Rủi ro cũng rất rõ: AI trả lời quá nhanh nên ta dễ giao luôn những việc mình muốn rèn—tự nhớ, tự giải và tự theo một chuỗi logic dài. Bài viết này tập trung phân biệt việc nào nên thuê ngoài và việc nào phải tự làm nếu thật sự muốn có kỹ năng.
1. Tách “lợi ích của đọc sách” thành từng chức năng
Nói “đọc sách tốt” là quá chung chung.
Thứ nhất, đọc mang kiến thức vào: lịch sử, khoa học, kinh tế, tâm lý.
Thứ hai, đọc nối kiến thức. “Lãi suất” có thể nối với lạm phát, khoản vay, ngân hàng trung ương, đầu tư và sức mua.
Thứ ba, đọc buộc ta theo logic dài. Tác giả xây A → B → C → D và người đọc phải giữ được dây đó.
Thứ tư, sách cho ta gặp thông tin mình không tự chọn. Tìm kiếm thường trả lời câu hỏi đã có sẵn. Sách có thể tạo một tai nạn hữu ích: “Chương này mình chẳng quan tâm, hóa ra nó lại quan trọng.”
Thứ năm, sách tạo tiếp xúc kéo dài với ngôn ngữ: từ vựng, cấu trúc câu, cách giải thích.
Thứ sáu, đặc biệt với hư cấu, đọc là một dạng mô phỏng tâm trí người khác. Một meta-analysis đăng ký trước năm 2024 tìm thấy lợi ích nhận thức thực nghiệm trung bình nhỏ, g = 0,14; hiệu ứng có ý nghĩa nổi bật ở đồng cảm và suy đoán trạng thái tâm trí người khác [1]. Có tác dụng, nhưng không phải siêu năng lực.
Điểm riêng của sách không chỉ là thông tin. Nó còn là đi một con đường dài, bị đưa tới nơi mình không chọn, và ở lâu trong thế giới ngôn ngữ.
2. Đối thoại “ném qua ném lại” với AI thay được những gì?
Hỏi một câu rồi chép đáp án khác hẳn với việc liên tục đào sâu.
Nếu chỉ hỏi “Mùi mưa đến từ đâu?” rồi dừng, nó gần giống tìm kiếm. Nhưng nếu tiếp tục:
- Tại sao mưa làm mùi đó xuất hiện?
- Trong đất có gì?
- Vi sinh vật à?
- Tại sao người phát hiện được nồng độ rất thấp?
- Vì sao đôi lúc ngửi thấy trước khi mưa?
- Động vật khác thì sao?
- Nghiên cứu gốc thật sự chứng minh đến mức nào?
chủ đề biến từ một điểm thành một mạng.
Điều này gần với self-explanation và elaboration trong khoa học học tập. Self-explanation nghĩa là tự tạo các mối nối như “tại sao việc này xảy ra?” và “khái niệm này liên quan khái niệm kia thế nào?”. Meta-analysis năm 2018 tổng hợp 69 effect size từ 64 báo cáo, cho thấy prompt khuyến khích self-explanation có hiệu ứng học tập trung bình g = 0,55 [2].
Đây là thế mạnh lớn của đối thoại AI: mỗi câu hỏi là một cơ hội cập nhật bản đồ trong đầu.
Sách: đi trên con đường tác giả đã xây.
AI: tự chọn hướng rồi nhờ AI chở vật liệu.
Cả hai đều có thể là học tập; công việc trí óc khác nhau.
3. Schema là gì? “Bản đồ kiến thức” trong đầu
Từ schema nghe học thuật, nhưng ý tưởng đơn giản.
Schema là bản đồ tinh thần về cách một phần của thế giới thường vận hành.
Ban đầu có thể chỉ có một điểm: “lãi suất”.
Sau đó nó nối với tiền gửi, khoản vay, lạm phát, ngân hàng trung ương, đầu tư và tỷ giá. Khi thấy tin “tăng lãi suất chính sách”, các câu hỏi tự bật ra: “Lãi tiền gửi?”, “Vay mua nhà?”, “Cổ phiếu?”, “Tiền tệ?”
Nghiên cứu mô tả schema là cấu trúc kiến thức bậc cao được trừu tượng hóa từ nhiều trải nghiệm. Nó giúp tích hợp thông tin mới vào trí nhớ, nhưng kỳ vọng cũ quá mạnh cũng có thể làm trí nhớ lệch hoặc méo [3].
Vì vậy cảm giác “mạng nơ-ron trong não đang nối lại” là một ẩn dụ khá tốt, miễn đừng hiểu theo nghĩa một câu hỏi lập tức mọc ra một sợi dây vật lý. Chính xác hơn là thông tin mới được đặt vào cấu trúc có sẵn và tạo quan hệ với các thông tin khác.
AI làm vòng này chạy cực nhanh: thấy lỗ → hỏi → lấp → thấy lỗ kế tiếp.
4. Elaboration: muốn nhớ thì thêm đường nối, không chỉ thêm điểm
Elaboration nghe có vẻ khó, nhưng làm rất đơn giản:
làm một ý giàu hơn và nối nó với những ý khác.
Chỉ nhớ:
“Geosmin = một phần của mùi mưa”
thì có ít đường để quay lại ký ức.
Nếu nối:
vi sinh vật đất tạo geosmin
→ giọt mưa có thể giúp đưa hợp chất vào không khí
→ con người phát hiện nồng độ rất thấp
→ vì vậy mùi trở nên rõ quanh lúc mưa
thì có nhiều đường truy cập hơn.
Không chỉ có A mà là B ← A → C và A → D.
Những câu như “tại sao?”, “ví dụ?”, “có giống X không?”, “phản ví dụ?”, “áp vào trường hợp này thì sao?” chính là thêm đường.
Nhưng không cần elaboration cho mọi thứ. Nếu hôm nay phí ATM là 220 yên, không cần xây “Thuyết thống nhất phí ATM”. Nguyên lý muốn giữ lâu thì xây mạng; con số tạm thời thì để ngoài đầu.
5. Retrieval practice: nói chuyện với người khác thành bài kiểm tra bất ngờ
Retrieval practice không phải tìm trên Google. Nó là kéo thông tin ra từ trí nhớ của chính mình mà không nhìn đáp án.
Thứ Hai tra một chuyện với AI. Thứ Năm nói chuyện với ai đó:
“Khoan, cái này mình từng đọc… hình như là…”
Việc cố kéo nó ra đã là retrieval.
Một systematic review năm 2021 về nghiên cứu trong trường học sàng lọc gần 2.000 abstract và đưa vào 50 thí nghiệm với 5.374 người học. Trong 49 effect size, 57% cho thấy lợi ích trung bình hoặc lớn của retrieval practice, ở nhiều cấp học, môn, khoảng trễ và dạng kiểm tra [4].
Hội thoại thêm một bước nữa:
học với AI
→ giải thích cho người khác
→ họ hỏi “tại sao?”
→ không trả lời được
→ thấy lỗ kiến thức
→ quay lại tra.
Đó là vòng input → retrieval → phát hiện lỗ → input mới.
Không nhất thiết mỗi tối phải thành nhà sư với nghi lễ “nhắc lại ba điều hôm nay đã học”. Tán gẫu bình thường cũng có thể là kiểm tra đột xuất.
6. Làm bài viết có thể rèn “xây logic dài” thay vì chỉ “theo logic dài”
Một lợi ích của đọc là theo một chuỗi lập luận dài. Vậy người làm nội dung?
Người đọc theo A → B → C → D.
Người viết hoặc biên tập quyết định A, B, C, D nên xếp thế nào.
Một phần việc “theo logic” chuyển thành “xây logic”.
Meta-analysis năm 2020 gồm 56 thí nghiệm ở học sinh lớp 1–12 cho thấy viết về nội dung khoa học, xã hội học hoặc toán giúp học, với effect size trung bình 0,30 [5]. Viết buộc ta chọn, sắp xếp, nối và giải thích lại.
Nhưng thời AI có một cái hố. Nếu chỉ bảo “nghiên cứu hết, làm cấu trúc, viết bài” rồi không đọc dòng nào, AI đã làm phần lớn công việc xây logic dài.
Ngược lại, nếu trong quá trình liên tục nói “điểm này sai”, “thêm nghiên cứu này”, “nối hai phần này”, “phản biện đâu?”, con người vẫn làm nhiều công việc lập kế hoạch và biên tập.
Vì thế hoàn toàn có thể có người đọc ít sách hơn nhưng làm rất nhiều công việc trí óc trước khi một cuốn sách hoặc bài viết được hình thành.
7. Bẫy AI: AI làm được nên tưởng mình làm được
Đây là cảnh báo lớn nhất.
AI dễ làm mờ khác biệt giữa:
“đáp án đúng”
và
“tôi tự làm được.”
Trong thí nghiệm thực địa toán trung học đăng trên PNAS năm 2025, học sinh dùng giao diện GPT-4 khá tự do (“GPT Base”) tăng kết quả luyện tập có hỗ trợ 48% so với đối chứng. Phiên bản bảo vệ việc học (“GPT Tutor”) tăng 127%. Nhưng khi AI bị lấy đi trong kỳ thi, nhóm GPT Base thấp hơn 17% so với nhóm chưa từng dùng AI. Tác hại gần như biến mất ở Tutor, nhưng nhóm này cũng không vượt rõ nhóm đối chứng trong bài thi không AI [6].
Bật AI: “Ồ, mình giỏi toán ghê.”
Tắt AI: “Xin lỗi, bạn là ai?”
Một working paper được sửa tháng 8/2026 cho cảnh báo tương tự từ cờ vua. Hơn 200 học viên câu lạc bộ luyện 12 tuần. Nhóm chỉ nhận gợi ý tự động ở thời điểm quan trọng cải thiện 64%; nhóm có thêm nút xin trợ giúp bất cứ lúc nào cải thiện 30%. Tác giả cho rằng việc giảm productive struggle—nỗ lực với bài mà người học vẫn có khả năng tự thử—giải thích phần lớn khoảng cách [7]. Đây vẫn là working paper nên cần peer review và lặp lại thêm.
AI không tự nhiên phá học tập. Cùng một AI có thể là gia sư hoặc máy chép bài, tùy lúc và cách nó đưa đáp án.
8. Có nên giao toán cho AI? “Học toán” khác “dùng toán”
Hỏi mục tiêu trước.
Nếu mục tiêu là giỏi toán hơn, để AI làm toàn bộ bước là luyện tập yếu. Tự lập phương trình, sai, rồi sửa là một phần của kỹ năng.
Nhưng nếu câu hỏi thật là:
“Một triệu yên gửi 10 năm ở 0,2% và 0,6% chênh nhau bao nhiêu?”
thì mục tiêu không phải luyện cơ bắp tính lãi kép bằng tay. Điều cần quyết định là:
- chênh tiền thật,
- thuế,
- phí,
- lạm phát,
- thanh khoản,
- đổi ngân hàng có đáng công không.
Không cần mỗi lần đều khai triển công thức lãi kép bằng giấy bút.
Không cần gia nhập giáo phái “tính lãi ngân hàng bằng tay để luyện não”. Dùng máy tính đi.
Điều này không có nghĩa khái niệm toán vô dụng. Ta vẫn cần hiểu đủ để nhận ra kết quả vô lý. Nhưng nếu mục tiêu là có con số đáng tin để quyết định, chứ không phải thành thạo thuật toán thủ công, outsourcing là hợp lý.
9. Mahjong: vấn đề khi chỉ AI lên hạng
Game kỹ năng như mahjong cũng vậy.
Mỗi ván:
“Bỏ quân nào?”
AI: “Năm vạn.”
Người: “À, ra vậy.”
Nếu lặp mãi, ta bỏ qua vòng đọc tình huống, tạo lựa chọn, so sánh, quyết định, xem kết quả và sửa mô hình.
AI lên rank; con người trở thành nhân viên chuyên nói “hay đấy”.
Nhưng điều đó không đồng nghĩa phải cấm AI.
Mahjong là sở thích. Nếu niềm vui là tự mình ra quyết định tốt dần, luyện tập có giá trị. Nếu mục tiêu chỉ là chơi, phân tích cùng AI và không muốn grind hàng trăm ván để tăng vài phần trăm win rate, không có nghĩa vụ đạo đức phải tối ưu kỹ năng.
Khi sở thích biến thành:
“Hôm nay lặp thêm 100 bài để tăng win rate 2%,”
có thể hỏi:
“Từ bao giờ sở thích của mình thành bài tập về nhà?”
Một kỹ năng đặc biệt đáng giữ trong đầu khi bản thân việc làm nó đã vui, không thể thuê ngoài, hoặc cái giá của việc không làm được rất cao. Nếu không, thuê ngoài cũng ổn.
10. Dị ứng tiểu thuyết. Xem phim không được à?
Được một phần.
Nếu mục tiêu là câu chuyện, nhân vật, cảm xúc và trải nghiệm một cuộc đời khác, phim làm được rất nhiều. Nó cung cấp khuôn mặt, giọng nói, căn phòng, chuyển động, âm nhạc và nhịp độ.
Tiểu thuyết để một phần công việc render cho người đọc.
Chữ: “Một người đàn ông đứng trong căn phòng tối.”
Não: phòng nào? khuôn mặt nào? giọng nào? bầu không khí nào?
Trong phim, studio đã thuê ngoài phần lớn việc render trong đầu cho bạn.
Meta-analysis năm 2024 tìm thấy lợi ích thực nghiệm trung bình nhỏ của đọc fiction, g = 0,14, với hiệu ứng đáng kể chủ yếu ở đồng cảm và mentalizing [1]. Vì vậy không có cơ sở nói “không đọc tiểu thuyết thì mất nhân tính”.
Tiểu thuyết vẫn có việc riêng: tiếp xúc lâu với ngôn ngữ viết, xây cảnh từ chữ, theo ngôn ngữ của tác giả hàng giờ. Phim có lợi thế khác: thông tin nghe nhìn dày đặc và diễn xuất.
Nếu mục tiêu là “trải nghiệm câu chuyện”, phim là con đường hoàn toàn hợp lệ. Nếu mục tiêu còn gồm đọc bền và tự tạo cảnh từ chữ, tiểu thuyết vẫn có vai trò riêng.
11. Cognitive offloading: chuyển việc ra khỏi não có xấu không?
Cognitive offloading là dùng hành động hoặc công cụ bên ngoài để thay đổi yêu cầu xử lý và giảm gánh cho não [8].
Nhắc việc.
Ghi chú.
Máy tính.
GPS.
AI.
Cùng một họ.
Con người luôn thuê ngoài. Chúng ta không còn nhớ mọi số điện thoại nhưng nền văn minh không sụp đổ.
Câu hỏi quan trọng không phải “có thuê ngoài không?” mà là:
“Có thuê ngoài luôn thứ mình vẫn cần tự làm được không?”
Ví dụ:
- phép tính lãi → dễ thuê ngoài
- quyết định nên so cái gì → giữ
- kiểm tra lỗi chữ → dễ thuê ngoài
- nhận ra một lập luận đáng ngờ → giữ phán đoán
- nước đi mahjong tối ưu → tùy mục đích sở thích
- điều khiển khẩn cấp → nếu lỗi có giá cao, nên tự làm được
Câu hỏi thời AI không phải “tránh AI thế nào?”
Mà là:
“Việc nào nên ra khỏi não, và dùng dung lượng giải phóng vào đâu?”
12. Câu hỏi này có xây schema không? Vấn đề “lúc đó Dekopin làm gì?”
Nhiều câu hỏi không tự động bằng nhiều học tập.
Khi Shohei Ohtani thông báo tháng 12/2024 rằng anh và vợ đang chờ con đầu lòng, ảnh thông báo cũng có chú chó nổi tiếng Dekopin/Decoy [9]. Trên mạng xã hội Nhật, kiểu hỏi chi tiết quá mức như “lúc đó Dekopin làm gì?” lan thành một dạng meme. Ở đây không khẳng định một post duy nhất là nguồn gốc đã xác minh; chỉ coi đây là mẫu câu đùa đã lan rộng.
Câu hỏi xây schema:
“A có gây B không?”
“Cùng cơ chế với C không?”
“Ngoại lệ là gì?”
“Đây là tương quan hay nhân quả?”
Câu hỏi lấp ô:
“Khi nào?”
“Ở đâu?”
“Mấy giờ mấy phút?”
“Còn Dekopin?”
Nhóm sau đôi khi chỉ là thấy ô trống thì bấm tất cả vì nó tồn tại.
Vẫn vui. Không phải mọi tò mò đều phải tối ưu ROI học tập. Phòng ban Dekopin có nhiệm vụ làm cuộc sống đỡ chán.
Nhưng nếu mục tiêu là hiểu và nhớ, hãy hỏi câu đó có thêm một liên kết hữu ích hay chỉ lấp thêm một ô.
13. Thời AI, nên giữ gì trong não?
Nếu AI ngày càng mạnh, con người còn cần học gì?
Không phải mọi con số. Không phải mọi phép tính.
Nên giữ:
Mục tiêu. Thật sự muốn đạt điều gì?
Khái niệm nền. Lãi suất, xác suất, nhân quả, rủi ro.
Khả năng đặt câu hỏi. Tại sao? So với gì? Điều gì sẽ bác bỏ?
Sự nghi ngờ lành mạnh. AI có thể sai rất tự tin; việc quan trọng nên xem nguồn gốc.
Khả năng kết nối. Nối thông tin mới với kiến thức cũ.
Phán đoán. Sau khi có con số, quyết định “vậy làm gì?”.
Dù AI làm máy tính, công cụ tìm kiếm và người viết nháp, con người vẫn quyết định tính cái gì, tin câu trả lời nào, và dùng nó làm gì.
14. Thực hành: biến đối thoại AI thành thiết bị học tập
Không cần tạo nghi lễ học phức tạp. Chỉ cần đổi câu hỏi.
Nếu muốn nhớ kiến thức
Đừng dừng ở “cho đáp án”. Hỏi tiếp:
- Giải thích cho học sinh THCS.
- Tại sao?
- Ví dụ cụ thể?
- Trường hợp thất bại?
- Nối với X thế nào?
- Nghiên cứu thật sự chắc tới đâu?
- Nguồn sơ cấp?
- Đây là cách tôi giải thích; sai ở đâu?
Nếu muốn có kỹ năng
Giáng chức AI từ tài xế xuống huấn luyện viên.
Toán: “Chưa cho đáp án; chỉ giúp tôi lập phương trình.”
Mahjong: tự chọn quân trước rồi nhờ AI chấm.
Nếu không cần thành thạo
Outsource không cần áy náy.
Lãi ngân hàng, tổng hợp dài, so sau thuế—nếu mục tiêu thật là ra quyết định, không cần thần thánh hóa tính tay.
Sau đó retrieval
Khi chủ đề xuất hiện trong hội thoại, giải thích mà không nhìn màn hình. Phần không nói được là lỗ tiếp theo.
Chu kỳ:
AI input → elaboration/kết nối → retrieval trong hội thoại → phát hiện lỗ → AI lần nữa.
15. Tổng kết: tăng liên kết, không chỉ tăng thông tin
Sách vẫn rất mạnh ở:
- gặp thông tin mình không chọn,
- theo lập luận dài,
- tiếp xúc lâu với ngôn ngữ viết,
- xây nhân vật và thế giới từ chữ.
Đối thoại AI mạnh ở:
- hỏi ngay tại điểm vướng,
- tìm nghiên cứu,
- tạo phản biện,
- nối với kiến thức cũ,
- lấp lỗ schema nhanh.
Trong RCT vật lý Harvard công bố năm 2025, một AI tutor được thiết kế theo nguyên tắc sư phạm tạo mức tăng học tập lớn hơn active learning trong lớp, với thời gian trung vị thấp hơn: AI 49 phút, lớp khoảng 60 phút. Trong phân tích xử lý ceiling effect, tác giả ước tính effect size 0,73–1,3 độ lệch chuẩn. Đây không phải “AI đấu gia sư người một-kèm-một”. Đó là thiết kế crossover, mỗi sinh viên trải nghiệm cả hai điều kiện, và đối chứng là lớp học chủ động Harvard dựa trên nghiên cứu [10].
Vì vậy “học bằng AI nhất định hời hợt” không còn dùng được như quy tắc chung.
Nhưng nghiên cứu toán và cờ vua cũng cho thấy, nếu AI lấy đi quá nhiều nỗ lực, ta có thể có hiệu suất tốt khi AI bật nhưng thiếu kỹ năng độc lập [6][7].
Vì thế câu trả lời không phải “sách hay AI”.
Ý tưởng muốn nhớ lâu: dùng AI để tăng liên kết.
Kỹ năng muốn tự làm: thử tự làm trước.
Phép tính không cần thành thạo: outsource.
Và thỉnh thoảng để sách hay tác phẩm khác đưa ta tới nơi mà ta chưa từng nghĩ sẽ tìm.
Não không cần cất mọi con số.
Nó cần bản đồ tốt và nhiều con đường giữa các điểm.
Muốn nhớ tốt hơn, đừng chỉ tăng thông tin. Hãy tăng liên kết.
- Wimmer, L. F., Currie, G., Friend, S., Wittwer, J., & Ferguson, H. J. (2024). “Cognitive effects and correlates of reading fiction: Two preregistered multilevel meta-analyses.” Journal of Experimental Psychology: General, 153(6), 1464–1488. DOI: 10.1037/xge0001583
- Bisra, K., Liu, Q., Nesbit, J. C., Salimi, F., & Winne, P. H. (2018). “Inducing Self-Explanation: a Meta-Analysis.” Educational Psychology Review, 30, 703–725. DOI: 10.1007/s10648-018-9434-x
- Gilboa, A., & Marlatte, H. (2017). “Neurobiology of Schemas and Schema-Mediated Memory.” Trends in Cognitive Sciences, 21(8), 618–631. DOI: 10.1016/j.tics.2017.04.013
- Agarwal, P. K., Nunes, L. D., & Blunt, J. R. (2021). “Retrieval Practice Consistently Benefits Student Learning: a Systematic Review of Applied Research in Schools and Classrooms.” Educational Psychology Review, 33, 1409–1453. DOI: 10.1007/s10648-021-09595-9
- Graham, S., Kiuhara, S. A., & MacKay, M. (2020). “The Effects of Writing on Learning in Science, Social Studies, and Mathematics: A Meta-Analysis.” Review of Educational Research, 90(2), 179–226. DOI: 10.3102/0034654320914744
- Bastani, H., Bastani, O., Sungu, A., Ge, H., Kabakcı, Ö., & Mariman, R. (2025). “Generative AI without guardrails can harm learning: Evidence from high school mathematics.” Proceedings of the National Academy of Sciences, 122(26), e2422633122. DOI: 10.1073/pnas.2422633122
- Poulidis, S., Bastani, H., & Bastani, O. (working paper; posted 2025, revised 1 Aug 2026). “Self-Regulated AI Use Hinders Long-Term Learning.” Wharton School Research Paper / SSRN
- Risko, E. F., & Gilbert, S. J. (2016). “Cognitive Offloading.” Trends in Cognitive Sciences, 20(9), 676–688. DOI: 10.1016/j.tics.2016.07.002
- MLB.com (2024-12-28). “Baby Ohtani! Shohei, wife Mamiko expecting first child.
- Kestin, G., Miller, K., Klales, A., Milbourne, T., & Ponti, G. (2025). “AI tutoring outperforms in-class active learning: an RCT introducing a novel research-based design in an authentic educational setting.” Scientific Reports, 15, 17458. DOI: 10.1038/s41598-025-97652-6
