5 phút, biến AI thành bộ não thứ hai của bạn

marsbitXuất bản vào 2026-04-11Cập nhật gần nhất vào 2026-04-11

Tóm tắt

Tóm tắt: Bài viết giới thiệu hệ thống quản lý kiến thức cá nhân kết hợp Claude Code và Obsidian, hoạt động như "bộ não thứ hai" AI. Hệ thống gồm ba lớp: dữ liệu thô, kho kiến thức có cấu trúc do AI duy trì và lớp quy tắc tổ chức. Với ba thao tác chính: Thu thập (Ingest), Truy vấn (Query) và Kiểm tra (Lint), nó biến thông tin thành tài sản tri thức có thể tái sử dụng, giảm tải nhận thức và nâng cao độ chính xác của AI. Hướng dẫn thiết lập trong 5 phút bao gồm tải Obsidian, tạo kho lưu trữ, cấu hình Claude Code, thiết lập prompt hệ thống và xây dựng cơ sở dữ liệu. Mẹo nâng cao như dùng tiện ích Chrome, tách kho riêng cho công việc/cá nhân và tận dụng tính năng "Orphans" để phát hiện điểm yếu trong dữ liệu. Nhược điểm: đòi hỏi bảo trì liên tục, chiếm dung lượng lưu trữ và phù hợp hơn với người quen dùng hình ảnh hóa dữ liệu.

Biên tập viên ghi chú: Bài viết này giới thiệu một hệ thống kiến thức cá nhân được xây dựng dựa trên Claude Code và Obsidian, cốt lõi của nó không còn là cách dùng "truy vấn mỗi lần, tìm kiếm tạm thời" trong chế độ RAG truyền thống, mà là nỗ lực để AI liên tục xây dựng và duy trì một kho kiến thức (Wiki) có thể phát triển.

Về cấu trúc, hệ thống này có thể được chia thành ba tầng:
· Thứ nhất, là tầng dữ liệu thô, bao gồm các nguồn đầu vào không thể sửa đổi như ghi chú, bài viết, nội dung chép lại;
· Thứ hai, là kho kiến thức có cấu trúc do AI duy trì, hoàn thành việc tham chiếu chéo và xây dựng mối quan hệ thông qua các cập nhật liên tục;
· Thứ ba, là tầng quy tắc Schema, dùng để quy phạm cách thức tổ chức kiến thức và logic vận hành hệ thống.

Xoay quanh cấu trúc này, hệ thống vận hành thông qua ba thao tác cốt lõi: Ingest (Tiếp nhận), liên tục đưa thông tin bên ngoài vào hệ thống; Query (Truy vấn), thực hiện việc gọi kiến thức tức thời; Lint (Kiểm tra), dùng để kiểm tra tính nhất quán cấu trúc và sửa chữa các vấn đề tiềm ẩn.

Trong cơ chế này, kiến thức không còn dừng lại ở kết quả đối thoại một lần, mà thông qua vòng lặp "ghi vào - sắp xếp - tái sử dụng", dần dần lắng đọng thành tài sản dài hạn có thể tái sử dụng. Tác giả từ đó đề xuất rằng mô hình này khiến kiến thức có hiệu ứng tích lũy giống như "lãi kép": một mặt giảm bớt gánh nặng nhận thức cho cá nhân, mặt khác nâng cao độ chính xác và tính nhất quán ngữ cảnh của đầu ra mô hình.

Tuy nhiên, việc vận hành hiệu quả của hệ thống này cũng dựa trên một tiền đề - đó là đầu vào và bảo trì liên tục. Nếu thiếu sự bổ sung dữ liệu ổn định và cập nhật cấu trúc, "bộ não thứ hai" này sẽ khó hình thành hiệu ứng tích lũy thực sự, và ưu thế của nó cũng sẽ theo đó mà suy yếu.

Dưới đây là nguyên văn:

Claude Code + Obsidian, là bộ đôi AI mạnh mẽ nhất mà tôi từng dùng.

Tôi gần như đã xây dựng được một "bộ não thứ hai AI", đưa tất cả nội dung về suy nghĩ, đọc, viết, nghiên cứu trực tuyến,... của tôi vào đó. Bên trong nó chứa kế hoạch kinh doanh của tôi, tất cả video YouTube tôi đã đăng, các bài viết đã viết, và mọi thứ quan trọng đối với tôi.

Claude Code + Obsidian đã nhanh chóng nổi tiếng trên các nền tảng, và điều đó không phải ngẫu nhiên.

Đối với cá nhân tôi, hệ thống AI này đã giảm bớt đáng kể gánh nặng nhận thức, cho phép tôi tập trung năng lượng vào những việc thực sự quan trọng - cho dù là công việc kinh doanh hay cuộc sống cá nhân.

Hệ thống này trông có vẻ hơi phức tạp, nhưng thực ra việc thiết lập chỉ mất 5 phút. Quan trọng hơn, nó có cơ chế ghi nhớ, sẽ không ngừng tự tối ưu hóa theo thời gian sử dụng.

Tiếp theo, tôi sẽ hướng dẫn bạn từng bước để tái tạo hệ thống "bộ não thứ hai AI" này, nó thực sự có thể nâng cao hiệu suất của bạn một cách thiết thực.

Bạn nên đọc đến cuối bài - tôi sẽ đính kèm một bảng tra cứu nhanh thao tác Claude Code + Obsidian đầy đủ, cùng tất cả tài nguyên được đề cập trong bài (hoàn toàn miễn phí).

Trước khi bắt đầu

Hệ thống này không phải do tôi tự sáng tạo, cảm hứng của nó đến từ một bài đăng Twitter gây bão cách đây vài ngày của Andrej Karpathy về "kho kiến thức LLM".

Đọc thêm: https://x.com/karpathy/status/2039805659525644595

Bài đăng này nhanh chóng trở nên nổi tiếng vì nó cung cấp ý tưởng giải quyết một điểm đau then chốt trong sự phát triển AI hiện tại.

Vấn đề đó là: mỗi khi bạn bắt đầu một cuộc trò chuyện mới, hoặc chuyển sang một công cụ AI mới, bạn đều phải liên tục nhập lại prompt, bổ sung ngữ cảnh, gần như là bắt đầu lại từ đầu.

Và sau khi kết hợp bộ prompt hệ thống này với Obsidian và Claude Code, vấn đề đó có thể được giải quyết triệt để, đồng thời nâng cao đáng kể chất lượng đầu ra của AI.

Hệ thống này vận hành như thế nào?

Toàn bộ hệ thống được cấu thành từ bốn mô-đun cốt lõi:

1、Dữ liệu của bạn: bao gồm bài viết, ghi chú, nội dung chép lại, ý tưởng,...

2、Cách thức tổ chức: được Claude Code tự động hoàn thành việc sắp xếp trong Obsidian

3、Gọi tức thời: Bạn có thể hỏi "cơ sở dữ liệu" này bất cứ lúc nào để nhận câu trả lời

4、Trí nhớ tiến hóa: Hệ thống sẽ trở nên thông minh hơn liên tục theo thời gian sử dụng

Sức mạnh thực sự của hệ thống này là gì?

Là con người, băng thông nhận thức của chúng ta là có hạn. Chúng ta sẽ quên, đôi khi cũng khó kết nối các ý tưởng khác nhau, và rốt cuộc thì thông tin có thể theo dõi và xử lý đồng thời là có giới hạn.

Và với sự trợ giúp của hệ thống gồm bốn mô-đun này, bạn thực chất đang giải phóng gánh nặng nhận thức của mình, giao phó công việc "kết nối, sắp xếp và hiểu thông tin" cho Obsidian và Claude Code.

Ý tưởng của bạn bắt đầu được kết nối một cách có hệ thống, một ghi chú có thể tự động liên kết đến một ghi chú khác, và bạn có thể tái trích xuất, kết hợp và gọi những nội dung này thông qua Claude bất cứ lúc nào.

Trong cấu trúc như vậy, kiến thức của bạn không còn rời rạc, mà là một mạng lưới có thể được gọi và tổ chức lại liên tục - hầu như không có giới hạn.

Cách thiết lập bộ não AI của bạn trong 5 phút

1、Tải xuống Obsidian


Trang web chính thức: https://obsidian.md/

2、Tạo Kho (Vault) của bạn

Sau khi tải xuống hoàn tất, Obsidian sẽ nhắc bạn tạo một "Kho" (Vault).

Bạn có thể hiểu nó là một thư mục trên máy tính, chúng ta sẽ lưu trữ tất cả nội dung ở đây và để Claude Code truy cập, quản lý những dữ liệu này.

Tên của Kho này có thể đặt tùy ý - ví dụ bản thân tôi gọi nó là "Obsidian Vault".

Kho này chính là nơi Obsidian dùng để lưu trữ tất cả dữ liệu và ghi chú của bạn, tất cả nội dung sẽ được lưu dưới dạng file MD (Markdown).

3、Thiết lập Claude Code

Tiếp theo, bạn cần cấu hình một cách thức để truy cập Claude Code. Đối với tôi (và rất có thể là đối với hầu hết mọi người), cách đơn giản nhất là sử dụng trực tiếp ứng dụng khách trên desktop.

Trong giao diện trò chuyện chính, nhấp vào "Select Folder (Chọn thư mục)", sau đó tìm đến Obsidian Vault bạn vừa tạo và chọn nó.

4、Thiết lập Prompt Hệ thống (System Prompt)

Sau khi bạn chọn xong thư mục, bước tiếp theo là dán prompt hệ thống của Andrej Karpathy vào hộp trò chuyện chính.

Bạn có thể sao chép prompt này tại đây: https://gist.github.com/karpathy/442a6bf555914893e9891c11519de94f

Đầu vào của bạn sẽ như thế này:

Mẹo nhỏ: Nếu bạn không muốn, cũng hoàn toàn không cần phải mở Obsidian thủ công. Chỉ cần giao thư mục MD (tức là Kho của bạn) và dữ liệu liên quan cho Claude Code, nó có thể trực tiếp đọc, ghi và sửa đổi các file này - và những nội dung này sẽ tự động đồng bộ hóa với "bộ não thứ hai" Obsidian của bạn.

5、Xây dựng cơ sở dữ liệu của bạn

Sau khi bạn nhập xong prompt hệ thống nói trên, Claude Code sẽ bắt đầu hỏi bạn về một số nguồn dữ liệu, dùng để khởi tạo và dần dần lấp đầy "bộ não thứ hai" của bạn.

Bạn có thể hình dung Obsidian như một "quyển sổ tay trắng" - lúc đầu cần bạn chủ động nhập nội dung, cơ sở dữ liệu mới dần được xây dựng. Nội dung có thể nhập vào bao gồm: ghi chú, file CSV, file Markdown / văn bản,...

Một số đề xuất hữu ích:

· Xuất dữ liệu từ công cụ ghi chú hiện có của bạn

· Nếu bạn dùng Notion, có thể xuất ra file CSV

· Để Claude (hoặc mô hình lớn khác) sắp xếp một bản thông tin về bạn, dùng để khởi tạo "bộ não thứ hai" của bạn

· Nhập một lần các bài viết, mục đã lưu, ý tưởng,... mà bạn đã có - đây là thời điểm tốt nhất để thiết lập dữ liệu ban đầu, sau này cũng có thể bổ sung bất cứ lúc nào

Cần lưu ý rằng, một cơ sở dữ liệu có lượng dữ liệu lớn như của tôi, không phải là có thể hoàn thành ngay lập tức, mà là được hình thành thông qua việc liên tục nhập vào và tích lũy dần dần theo thời gian.

Vậy là xong, "bộ não thứ hai AI" của bạn đã được thiết lập và có thể bắt đầu chạy. Tiếp theo, tôi sẽ chia sẻ thêm một số mẹo nâng cao để giúp bạn sử dụng nó hiệu quả hơn.

Mẹo nâng cao (Pro Tips)

1、Tiện ích mở rộng Obsidian cho Chrome

Nếu bạn muốn thêm dữ liệu vào hệ thống dễ dàng hơn, chỉ cần cài đặt tiện ích mở rộng Obsidian cho Chrome. Nó cho phép bạn khi duyệt web, chỉ cần nhấp vào "Add to Obsidian (Thêm vào Obsidian)" để lưu nội dung trực tiếp vào kho kiến thức của bạn. Điều này sẽ khiến quá trình xây dựng "bộ não thứ hai" trở nên rất thuận tiện.

Bản thân tôi cũng thường dùng tính năng này để thu thập bài báo, dữ liệu web, tài liệu nghiên cứu,...

Cần lưu ý rằng, dữ liệu được thêm qua tiện ích mở rộng, ban đầu chỉ là một "nguồn dữ liệu đơn lẻ".

Tiếp theo bạn có thể nói với Claude Code: "Tôi vừa thêm [x] vào Obsidian, hãy giúp tôi tích hợp những nội dung này vào Wiki của tôi."

Claude Code sẽ tự động thiết lập mối liên hệ giữa dữ liệu mới này với nội dung đã có, tạo liên kết, khiến nó thực sự hòa nhập vào "bộ não thứ hai" của bạn. Đây cũng là lý do khiến bộ công cụ này mạnh mẽ.

2、Tách biệt các Kho (Vault)

Andrej Karpathy đề xuất sử dụng hai Kho (Vault) độc lập:

· Một dành cho nội dung công việc / thương mại

· Một dành cho quản lý cuộc sống cá nhân / mục tiêu

Trải nghiệm sử dụng của bản thân tôi cũng vậy, cấu trúc như thế này là rõ ràng và hiệu quả nhất.

3、Tính thực dụng

Tôi phát hiện ra một cách dùng có giá trị nhất của hệ thống này, thực ra rất đơn giản: làm cho prompt LLM của bạn chính xác hơn.

Khi mô hình có thể truy cập đầy đủ thông tin cá nhân, kế hoạch kinh doanh, bối cảnh viết lách,... của bạn, nó có thể tạo ra những prompt được "tùy chỉnh" hơn, gần với tình huống thực tế hơn (thậm chí là "Super Prompt").

Tất nhiên, công dụng của hệ thống này không chỉ có vậy, nhưng nếu bạn chỉ muốn bắt đầu từ một kịch bản thiết thực nhất, tôi sẽ khuyến nghị mạnh mẽ bạn nên bắt đầu từ "nâng cao chất lượng Prompt".

4、Orphans (Nút đơn lẻ)

Trong Obsidian, "Orphans" đề cập đến những điểm dữ liệu chưa được kết nối với các ghi chú khác.

Tính năng này rất hữu ích, vì nó có thể giúp bạn:

· Tìm thấy những ý tưởng chưa được tích hợp

· Phát hiện các "vùng yếu" trong cơ sở dữ liệu

· Đánh giá nội dung nào đáng được mở rộng hoặc đào sâu thêm

Nói cách khác, nó không chỉ là một công cụ sắp xếp, mà còn là một cơ chế giúp bạn phát hiện điểm mù trong suy nghĩ.

Bạn có thể nhấp vào "ba chấm" ở góc trên bên phải, tìm và bật công tắc Orphans, để xem哪些 nội dung chưa thiết lập liên kết.

Nhược điểm tiềm ẩn của hệ thống này

Phía trước chúng ta đã nói nhiều về ưu điểm, kịch bản sử dụng và phương pháp tối ưu hóa, vậy thì thiếu sót của nó là gì? Trường hợp nào bạn không thích hợp để sử dụng hệ thống này?

1、Người không quen với trực quan hóa

Một ưu thế cốt lõi của hệ thống này, là có thể trình bày dữ liệu một cách trực quan. Nếu bản thân bạn không phụ thuộc hoặc không quen với cách thức này, thì sự trợ giúp của nó đối với bạn có thể khá hạn chế.

2、Cần chi phí bảo trì nhất định

Nếu bạn không muốn liên tục bảo trì một cơ sở dữ liệu, thì hệ thống này có thể không phù hợp với bạn. Mặc dù chi phí bảo trì không cao, nhưng nếu không liên tục nhập dữ liệu vào "bộ não thứ hai", nó sẽ khó phát huy giá trị.

3、Chiếm dụng dung lượng lưu trữ

Tất cả nội dung sẽ được lưu trữ cục bộ dưới dạng file Markdown, điều này sẽ chiếm một không gian thiết bị nhất định. Điểm này cũng cần được cân nhắc trước.

Câu hỏi Liên quan

QHệ thống 'Bộ não thứ hai AI' được xây dựng dựa trên những công cụ nào?

AHệ thống được xây dựng dựa trên sự kết hợp giữa Claude Code và Obsidian.

QBa lớp cấu trúc chính của hệ thống này là gì?

ABa lớp cấu trúc gồm: Lớp dữ liệu gốc (nguồn đầu vào không thể sửa đổi), Lớp kho kiến thức có cấu trúc do AI duy trì và Lớp quy tắc Schema để tổ chức kiến thức.

QBa thao thức hoạt động cốt lõi của hệ thống là gì?

ABa thao thức hoạt động chính là Ingest (Thu nạp) - đưa thông tin bên ngoài vào hệ thống, Query (Truy vấn) - gọi kiến thức tức thì, và Lint (Kiểm tra) - kiểm tra tính nhất quán và sửa lỗi.

QLàm thế nào để bắt đầu xây dựng hệ thống này trong 5 phút?

ATải Obsidian, tạo một Kho (Vault), thiết lập Claude Code để truy cập thư mục Vault đó, dán System Prompt của Karpathy vào Claude Code, và bắt đầu nhập dữ liệu để xây dựng cơ sở dữ liệu.

QMột nhược điểm tiềm ẩn của hệ thống này là gì?

AHệ thống đòi hỏi chi phí bảo trì nhất định, cần được duy trì và cập nhật dữ liệu liên tục. Nếu không có dữ liệu đầu vào ổn định, lợi thế của nó sẽ giảm đi. Ngoài ra, nó còn chiếm dung lượng lưu trữ cục bộ và có thể không phù hợp với những người không quen với việc trực quan hóa dữ liệu.

Nội dung Liên quan

‘Cổ Phiếu Lão Làng’ Biến Thành ‘Quý Tộc Mới’: Từ Dell Đến Nokia, AI Định Giá Lại Cơ Sở Hạ Tầng Cũ Như Thế Nào?

**Tóm tắt: "Cổ phiếu 'lão làng' thành 'quý tộc mới': AI định giá lại cơ sở hạ tầng cũ từ Dell đến Nokia như thế nào?"** Chỉ một năm trước, những công ty công nghệ lâu đời như Dell, Nokia, Cisco, Corning, Western Data dường như đứng ngoài cuộc chơi AI. Thị trường chú trọng vào những cái tên "nóng" như NVIDIA hay các mảng chip, lưu trữ, quang học. Tuy nhiên, gần đây, các "lão làng" này lại thể hiện sức hút mạnh mẽ. Nguyên nhân? AI đang chuyển từ giai đoạn phát triển mô hình sang giai đoạn triển khai thực tế, đòi hỏi xây dựng cơ sở hạ tầng vật lý quy mô lớn. Đây là thời điểm các công ty có năng lực tích hợp hệ thống, kinh nghiệm giao hàng và mạng lưới khách hàng doanh nghiệp vững chắc được định giá lại. Họ sở hữu những "tài sản cũ" nhưng lại đáp ứng "nhu cầu mới" của kỷ nguyên AI. Có ba nhóm chính được định giá lại: 1. **Máy chủ & Tích hợp hệ thống:** Dell và HPE không sản xuất GPU, nhưng họ là những "nhà thầu chính" quan trọng, cung cấp năng lực thiết kế server, chuỗi cung ứng và triển khai trọn gói các cụm AI cho khách hàng. 2. **Mạng & Kết nối:** Cơ sở hạ tầng AI cần mạng lưới siêu tốc. Corning (cáp quang), Nokia (mạng không dây AI-RAN, 6G) và Cisco (thiết bị chuyển mạch trung tâm dữ liệu) trở nên quan trọng khi quy mô tính toán mở rộng và AI di chuyển ra biên mạng. 3. **Lưu trữ & Quản lý dữ liệu:** Ngoài bộ nhớ tốc độ cao (HBM), sự bùng nổ dữ liệu AI (dữ liệu huấn luyện, nhật ký, video, lưu trữ lạnh) làm tăng nhu cầu về ổ cứng dung lượng lớn, giúp các công ty như Western Digital và Seagate được chú ý trở lại. Tuy nhiên, không phải mọi công ty cũ đều được hưởng lợi đồng đều. Một sự "định giá lại thực sự" cần đáp ứng ba tiêu chí: (1) Có đơn hàng và doanh thu AI cụ thể được công bố; (2) Ban lãnh đạo điều chỉnh kỳ vọng tăng trưởng (hướng dẫn) tăng lên; (3) Chất lượng lợi nhuận được cải thiện, không chỉ tăng trưởng doanh thu đơn thuần. Tóm lại, đợt định giá lại này không phải là cơn sốt ngắn hạn hay câu chuyện mơ hồ. Nó phản ánh thực tế rằng khi AI bước vào giai đoạn xây dựng hạ tầng thực tế, các công ty có năng lực triển khai và cung cấp các thành phần cơ sở hạ tầng thiết yếu sẽ tìm thấy vị thế mới. Họ không trở nên trẻ trung hơn, mà những gì họ có lại trở nên cần thiết trong kỷ nguyên mới.

marsbit18 phút trước

‘Cổ Phiếu Lão Làng’ Biến Thành ‘Quý Tộc Mới’: Từ Dell Đến Nokia, AI Định Giá Lại Cơ Sở Hạ Tầng Cũ Như Thế Nào?

marsbit18 phút trước

Xác suất ẩn trong giá cả: Tỷ lệ cược World Cup được tính như thế nào?

**Xác suất trong Giá cả: Tỷ lệ World Cup được Tính như thế nào?** Trước World Cup 2026, hai hệ thống uy tín đưa ra "xác suất vô địch" khác nhau: thị trường dự đoán (Polymarket, Kalshi) xếp Pháp là ứng cử viên số 1 (~17%), trong khi siêu máy tính Opta xếp Tây Ban Nha là số 1 (16.1%). Bài viết giải thích cách hai con số này được tạo ra: 1. **Xác suất từ Thị trường:** Giá hợp đồng (từ 0-100 cent) phản ánh trực tiếp xác suất thị trường. Giá tổng hợp dựa trên khối lượng giao dịch khổng lồ (hơn 523 triệu USD). Tuy nhiên, tính thanh khoản vẫn còn hạn chế, và nghiên cứu cho thấy sự thiên lệch "longshot" tồn tại ngay cả trên thị trường tiên đoán crypto: các cửa cược dài hạn thường bị đánh giá thấp hơn khả năng thực tế. 2. **Xác suất từ Mô hình:** Opta sử dụng dữ liệu đội bóng và mô phỏng toàn bộ giải đấu 10,000 lần để tính tần suất vô địch. Điều đáng chú ý là đầu vào của mô hình này bao gồm cả tỷ lệ cược từ thị trường cá cược truyền thống. Không có nghiên cứu học thuật chặt chẽ nào so sánh độ chính xác lâu dài giữa hai phương pháp trên. Một điểm khác biệt lớn là tính minh bạch: mọi giao dịch trên Polymarket đều được ghi lại trên blockchain, cho phép kiểm toán công khai. Một yếu tố phi thị trường ảnh hưởng đến giá là sự không chắc chắn về quy định, như luật mới ở Minnesota (Mỹ) coi việc vận hành thị trường dự đoán là trọng tội. Tóm lại, "xác suất" bạn thấy có thể là giá thị trường (chịu ảnh hưởng của tính thanh khoản và thiên lệch) hoặc tần suất mô phỏng (phụ thuộc vào mô hình). Câu hỏi quan trọng khi đối mặt với bất kỳ con số nào là: **Nó được sản xuất như thế nào?**

marsbit47 phút trước

Xác suất ẩn trong giá cả: Tỷ lệ cược World Cup được tính như thế nào?

marsbit47 phút trước

Bất ngờ! Anthropic kêu gọi toàn ngành ngừng nghiên cứu AI

Bài viết thảo luận về lời kêu gọi tạm dừng nghiên cứu AI từ Anthropic, dựa trên quan sát về khả năng "tự tiến hóa" (recursive self-improvement - RSI) của AI, cụ thể là mô hình Claude. Dữ liệu nội bộ cho thấy Claude đang đẩy nhanh tiến trình phát triển AI: hơn 80% codebase của Anthropic hiện do Claude viết, so với chỉ số ít trước khi Claude Code ra mắt. Năng suất của kỹ sư tăng gấp 8 lần. Quan trọng hơn, chất lượng code của Claude được đánh giá ngang bằng con người và dự kiến vượt trội trong năm nay. Tỷ lệ thành công của Claude trong các nhiệm vụ lập trình phức tạp nhất đã tăng từ 26% lên 76% chỉ trong nửa năm. Anthropic giới thiệu chỉ số "thời gian nhiệm vụ AI có thể hoàn thành độc lập", cho thấy tốc độ tăng trưởng theo cấp số nhân, từ 4 phút (3/2024) lên 16 giờ (hiện tại), với chu kỳ tăng gấp đôi rút ngắn từ 7 tháng xuống 4 tháng. Claude không chỉ viết code mà còn tự động review code, ngăn chặn được khoảng 1/3 lỗi nghiêm trọng. Trong nghiên cứu, Claude đã tối ưu hóa code chạy nhanh hơn 52 lần và tự thiết kế/thực hiện thí nghiệm AI safety, đạt kết quả vượt xa nỗ lực của con người. Bài viết đặt câu hỏi về tương lai khi vai trò con người trong phát triển AI đang thu hẹp lại, chỉ còn lại ưu thế về "khiếu nghiên cứu". Anthropic nêu ba kịch bản có thể xảy ra: (1) Tiến bộ chững lại, (2) AI tiếp tục tăng tốc nhưng con người vẫn kiểm soát, (3) AI đạt đến RSI hoàn toàn, tự thiết kế thế hệ kế tiếp, mang lại lợi ích to lớn hoặc rủi ro mất kiểm soát nếu vấn đề "alignment" thất bại. Do những rủi ro tiềm ẩn này, Anthropic đề xuất một cơ chế có thể xác minh để các phòng lab AI cùng giảm tốc hoặc tạm dừng, nếu đảm bảo không có bên nào "lén lút" phát triển. Lời kêu gọi này trở nên đáng chú ý hơn khi OpenAI cũng gần đây chia sẻ quan sát tương tự về dấu hiệu tự tiến hóa sớm của AI.

marsbit48 phút trước

Bất ngờ! Anthropic kêu gọi toàn ngành ngừng nghiên cứu AI

marsbit48 phút trước

Giao dịch

Giao ngay
Hợp đồng Tương lai
活动图片