How do we learn to work with intelligent machines? | Matt Beane

Translator: Anh Trần Reviewer: Nhật Germany

Đó là vào 6 giờ rưỡi sáng,

It’s 6:30 in the morning,

and Kristen is wheeling her prostate patient into the OR.

và Kristen đang đưa một bệnh nhân tuyến tiền liệt vào phòng phẫu thuật.

She's a resident, a surgeon in training.

Cô ấy là bác sĩ nội trú đang học việc phẫu thuật.

It’s her job to learn.

Công việc của cô là học hỏi.

Today, she’s really hoping to do some of the nerve-sparing,

Hôm nay, cô rất hồi hộp muốn được thực hiện một ca phẫu thuật

extremely delicate dissection that can preserve erectile function.

bảo vệ tế bào thần kinh, cực kỳ tinh vi giúp duy trì chức năng cương dương.

That'll be up to the attending surgeon, though, but he's not there yet.

Bác sĩ phẫu thuật chính vẫn chưa tới.

She and the team put the patient under,

Cô cùng đội ngũ gây mê bệnh nhân,

and she leads the initial eight-inch incision in the lower abdomen.

và cô chỉ đạo thực hiện đường mổ 20 cm dưới rốn.

Once she’s got that clamped back, she tells the nurse to call the attending.

Ngay sau khi cố định đường mổ, cô bảo y tá gọi bác sĩ chính tới.

He arrives, gowns up,

Anh ta tới, mặc áo choàng dài.

And from there on in, their four hands are mostly in that patient --

Từ đó trở đi, bốn bàn tay đó hầu như chỉ ở bên trong bệnh nhân,

with him guiding but Kristin leading the way.

dưới sự hướng dẫn của anh, Kristin thực hiện ca mổ.

When the prostates out (and, yes, he let Kristen do a little nerve sparing),

Khi tuyến tiền liệt lộ ra (đúng, anh ấy để Kristen thực hiện bảo vệ thần kinh)

anh cởi bỏ bộ đồ bác sĩ,

he rips off his scrubs.

He starts to do paperwork.

bắt đầu làm giấy tờ.

Kristen closes the patient by 8:15,

Kristen khâu bệnh nhân vào lúc 8:15,

with a junior resident looking over her shoulder.

với một bác sĩ nội trú khác đang quan sát cô qua vai.

And she lets him do the final line of sutures.

Và cô để anh ta khâu những đường cuối cùng.

Kristen feels great.

Kristen cảm thấy thật tuyệt.

Bệnh nhân sẽ ổn,

Patient’s going to be fine,

and no doubt she’s a better surgeon than she was at 6:30.

và cô ấy đã là phiên bản tốt hơn của chính mình vào lúc 6:30 sáng.

Now this is extreme work.

Đó là một công việc rất khắc nghiệt.

But Kristin’s learning to do her job the way that most of us do:

Nhưng Kristen đã học theo cách của hầu hết chúng ta:

watching an expert for a bit,

quan sát chuyên gia thực hiện,

getting involved in easy, safe parts of the work

làm những phần dễ và an toàn

and progressing to riskier and harder tasks

rồi chuyển sang những việc khó và nguy hiểm hơn

as they guide and decide she’s ready.

dưới sự chỉ dẫn và cho phép của thầy mình.

My whole life I’ve been fascinated by this kind of learning.

Cả cuộc đời, tôi luôn cảm thấy cách học này thật tuyệt diệu.

It feels elemental, part of what makes us human.

Nó rất cơ bản, là một phần tạo nên con người chúng ta.

It has different names: apprenticeship, coaching, mentorship, on the job training.

Nó có những cái tên khác nhau: học việc, huấn luyện, kèm cặp, dạy nghề.

In surgery, it’s called “see one, do one, teach one.”

Trong phẫu thuật, nó được gọi là "nhìn một, làm một, dạy một"

But the process is the same,

Nhưng quá trình là giống nhau,

and it’s been the main path to skill around the globe for thousands of years.

và là con đường đã phổ biến từ hàng ngàn năm qua, trên khắp thế giới.

Right now, we’re handling AI in a way that blocks that path.

Thế nhưng, cách ta sử dụng trí tuệ nhân tạo (AI) hiện nay

đang làm cản trở nó.

We’re sacrificing learning in our quest for productivity.

Ta hy sinh việc học hỏi để theo đuổi năng suất.

I found this first in surgery while I was at MIT,

Tôi lần đầu nhận ra nó trong công việc phẫu thuật khi ở MIT,

but now I’ve got evidence it’s happening all over,

nhưng giờ tôi chắc chắn nó xuất hiện ở khắp nơi,

in very different industries and with very different kinds of AI.

ở những ngành nghề khác nhau với các loại AI khác nhau.

If we do nothing, millions of us are going to hit a brick wall

Nếu ta không làm gì cả, hàng triệu người sẽ gặp trở ngại

as we try to learn to deal with AI.

trong việc ứng phó với AI.

Let’s go back to surgery to see how.

Giờ hãy quay lại việc phẫu thuật.

Fast forward six months.

Sáu tháng trôi qua thật nhanh.

It’s 6:30am again, and Kristen is wheeling another prostate patient in,

Lại là 6:30 sáng, và Kristen đang đưa một bệnh nhân tuyến tiền liệt,

nhưng lần này là vào phòng phẫu thuật robot.

but this time to the robotic OR.

The attending leads attaching

Các bác sĩ tham gia

a four-armed, thousand-pound robot to the patient.

gắn một con robot bốn tay, nặng hơn 450kg vào người bệnh nhân.

They both rip off their scrubs,

Cả hai đều cởi bộ đồ bác sĩ,

head to control consoles 10 or 15 feet away,

điều khiển ở bàn cách đó 3-5 mét

and Kristen just watches.

và Kristen chỉ đứng nhìn.

Robot cho phép các bác sĩ chính tự làm toàn bộ thủ tục,

The robot allows the attending to do the whole procedure himself,

so he basically does.

nên anh ta chỉ việc làm theo.

He knows she needs practice.

Anh biết Kristen cần thực hành.

He wants to give her control.

Anh muốn cho cô điều khiển.

But he also knows she’d be slower and make more mistakes,

Nhưng anh cũng biết rằng cô sẽ làm chậm và mắc lỗi nhiều hơn,

and his patient comes first.

và người bệnh cần được ưu tiên.

So Kristin has no hope of getting anywhere near those nerves during this rotation.

Thế là Kristen không có cơ hội được giải phẫu suốt ca phẫu thuật đó.

She’ll be lucky if she operates more than 15 minutes during a four-hour procedure.

Nếu được phẫu thuật hơn 15 phút suốt ca mổ bốn tiếng thì đó là may mắn.

And she knows that when she slips up,

Và cô biết khi cô nhầm lẫn,

he’ll tap a touch screen, and she’ll be watching again,

anh ta sẽ bấm vào màn hình, và cô sẽ lại chỉ đứng xem,

feeling like a kid in the corner with a dunce cap.

cảm giác như đứa trẻ ngốc nghếch đứng trong góc phòng.

Like all the studies of robots and work I’ve done in the last eight years,

Như những nghiên cứu về robot và các công trình trong tám năm qua,

I started this one with a big, open question:

tôi bắt đầu bằng một câu hỏi lớn:

How do we learn to work with intelligent machines?

Làm thế nào để học cách làm việc với thiết bị thông minh?

To find out, I spent two and a half years observing dozens of residents and surgeons

Để trả lời, tôi dành hai năm rưỡi quan sát hàng tá bác sĩ nội trú và phẫu thuật,

doing traditional and robotic surgery, interviewing them

thực hiện phẫu thuật truyền thống và phẫn thuật robot, phỏng vấn họ

and in general hanging out with the residents as they tried to learn.

và nhìn chung, tiếp xúc với bác sĩ nội trú khi họ đang học việc.

I covered 18 of the top US teaching hospitals,

Tôi đi đến 18 bệnh viện Mỹ dạy tốt nhất,

and the story was the same.

và câu chuyện là giống nhau.

Most residents were in Kristen's shoes.

Hầu hết bác sĩ nội trú đều ở trong trường hợp của Kristen.

They got to “see one” plenty,

Họ được quan sát rất nhiều,

but the “do one” was barely available.

nhưng hiếm khi được làm.

So they couldn’t struggle, and they weren’t learning.

Họ không phải tự xoay sở và vì thế, không học hỏi được gì.

This was important news for surgeons, but I needed to know how widespread it was:

Đó là tin quan trọng với bác sĩ phẫu thuật

nhưng tôi cần biết tình trạng này phổ biến đến mức nào:

Where else was using AI blocking learning on the job?

Còn nơi nào khác đang sử dụng AI làm cản trở việc học việc?

To find out, I’ve connected with a small but growing group of young researchers

Để tìm hiểu, tôi liên hệ với một nhóm nhỏ các nhà nghiên cứu trẻ đang lên,

who’ve done boots-on-the-ground studies of work involving AI

những người mà đã thất bại trong các ngành liên quan đến AI

ở nhiều lĩnh vực như khởi nghiệp, chính trị

in very diverse settings like start-ups, policing,

investment banking and online education.

ngân hàng đầu tư và giáo dục trực tuyến.

Like me, they spent at least a year and many hundreds of hours observing,

Giống như tôi, họ dành ít nhất một năm và hàng trăm giờ đồng hồ để quan sát,

interviewing and often working side-by-side with the people they studied.

gặp mặt và thường làm việc bên cạnh đối tượng nghiên cứu.

We shared data, and I looked for patterns.

Chúng tôi chia sẻ dữ liệu, và tôi tìm các kiểu mẫu.

No matter the industry, the work, the AI, the story was the same.

Ngành nghề nào, công việc nào thì câu chuyện về AI là như nhau.

Các tổ chức đang cố gắng từng ngày để thu quả ngọt từ AI,

Organizations were trying harder and harder to get results from AI,

and they were peeling learners away from expert work as they did it.

và họ đang tách người học ra khỏi các công việc chuyên môn.

Start-up managers were outsourcing their customer contact.

Những người điều hành start-up thuê ngoài dịch vụ kết nối khách hàng.

Cops had to learn to deal with crime forecasts without experts support.

Cảnh sát học cách dự báo tội phạm mà không có sự trợ giúp của chuyên gia.

Junior bankers were getting cut out of complex analysis,

Các nhân viên tín dụng non trẻ bị loại bỏ khỏi những phân tích phức tạp,

and professors had to build online courses without help.

và các giáo sư phải tự mình xây dựng những khoá học online.

And the effect of all of this was the same as in surgery.

Và kết quả của những việc làm này giống như trong ngành phẫu thuật.

Learning on the job was getting much harder.

Việc học hỏi từ việc làm ngày càng trở nên khó khăn.

This can’t last.

Điều này không thể kéo dài.

McKinsey estimates that between half a billion and a billion of us

McKinsey ước tính khoảng nửa tỉ tới một tỉ người trong số chúng ta

are going to have to adapt to AI in our daily work by 2030.

phải thích nghi với AI trong công việc hằng ngày vào năm 2030

Phải thừa nhận, việc học hỏi từ việc làm

And we’re assuming that on-the-job learning

will be there for us as we try.

sẽ còn tồn tại nếu ta còn cố gắng.

Accenture’s latest workers survey showed that most workers learned key skills

Khảo sát ở công nhân mới ở Accenture cho thấy hầu hết họ học kĩ năng mấu chốt

on the job, not in formal training.

từ công việc, không phải từ việc đào tạo chính thống.

So while we talk a lot about its potential future impact,

Nên trong khi ta nói nhiều về ảnh hưởng tiềm tàng trong tương lai,

the aspect of AI that may matter most right now

điều quan trọng nhất hiện giờ về AI

is that we’re handling it in a way that blocks learning on the job

chính là cách ta dùng nó gây cản trở việc học việc

just when we need it most.

khi ta cần nó nhất.

Now across all our sites, a small minority found a way to learn.

Ở nhiều khu vực, một thiểu số nhỏ đã tìm ra được cách để tiếp tục học hỏi.

They did it by breaking and bending rules.

Họ học bằng cách phá vỡ và bẻ gãy quy tắc.

Approved methods weren’t working, so they bent and broke rules

Cách thông thường không hiệu quả, nên họ phá vỡ và bẻ gãy quy tắc

to get hands-on practice with experts.

để được thực hành với các chuyên gia.

In my setting, residents got involved in robotic surgery in medical school

Ở nơi tôi, các bác sĩ nội trú xem việc thực hành phẫu thuật robot

at the expense of their generalist education.

như chương trình học cơ bản.

And they spent hundreds of extra hours with simulators and recordings of surgery,

Họ dành ra thêm hàng giờ với giả lập và đoạn ghi hình ca phẫu thuật,

when you were supposed to learn in the OR.

thay vì học trong trong phẫu thuật.

And maybe most importantly, they found ways to struggle

Và có thể là quan trọng nhất, họ tìm ra cách để chật vật thực hành

in live procedures with limited expert supervision.

với ít sự giám sát chuyên môn.

I call all this “shadow learning,” because it bends the rules

Tôi gọi đó là "học trong bóng tối" vì nó phá vỡ tất cả các quy tắc

and learner’s do it out of the limelight.

và người học thực hiện nó một cách thầm lặng.

And everyone turns a blind eye because it gets results.

Và mọi người đều lờ đi vì nó mang lại kết quả.

Remember, these are the star pupils of the bunch.

Nên nhớ, đây là nhóm các học sinh ưu tú.

Now, obviously, this is not OK, and it’s not sustainable.

Rõ ràng, việc này không ổn và không vững bền.

No one should have to risk getting fired

Không ai phải đánh liều để được học hỏi,

to learn the skills they need to do their job.

để tiếp thu các kĩ năng cần trong công việc.

But we do need to learn from these people.

Nhưng ta cần học từ những người này

They took serious risks to learn.

Họ bất chấp rủi ro để học.

They understood they needed to protect struggle and challenge in their work

Họ hiểu họ cần phải bảo vệ sự chật vật và thách thức trong công việc

so that they could push themselves to tackle hard problems

để thúc đẩy bản thân xử lí các vấn đề khó

right near the edge of their capacity.

ở vùng tiệm cận với khả năng hiểu biết của mình.

They also made sure there was an expert nearby

Họ cũng đảm bảo có một chuyên gia kề cận

to offer pointers and to backstop against catastrophe.

để đưa ra gợi ý và ngăn chặn hậu quả.

Let’s build this combination of struggle and expert support

Hãy xây dựng sự kết hợp giữa sự đấu tranh và sự giúp đỡ chuyên môn

into each AI implementation.

trong mỗi lần làm với trí tuệ nhân tạo.

Here’s one clear example I could get of this on the ground.

Đây là một ví dụ rõ ràng tôi có thể đưa ra về vấn đề này.

Trước khi robot xuất hiện,

Before robots,

if you were a bomb disposal technician, you dealt with an IED by walking up to it.

nếu là người xử lí chất nổ,

bạn giải quyết thiết bị nổ tự tạo bằng cách đến gần nó.

A junior officer was hundreds of feet away,

Một nhân viên trẻ đứng cách đó hàng trăm mét,

so could only watch and help if you decided it was safe

chỉ có thể quan sát và giúp đỡ khi được phép,

and invited them downrange.

khi bạn cảm thấy an toàn để họ xử lí cùng.

Now you sit side-by-side in a bomb-proof truck.

Bây giờ, bạn ngồi cạnh anh ta trong xe tải thử bom.

You both watched the video feed.

Cả hai vừa xem các video.

They control a distant robot, and you guide the work out loud.

Họ điều khiển robot từ xa, và bạn chỉ dẫn cho họ thành tiếng.

Trainees learn better than they did before robots.

Những thực tập sinh học tốt hơn so với thời chưa có robot.

We can scale this to surgery, start-ups, policing,

Chúng ta có thể mở rộng việc này sang phẫu thuật, khởi nghiệp, cảnh sát,

investment banking, online education and beyond.

đầu tư ngân hàng, giáo dục online và hơn thế nữa.

The good news is we’ve got new tools to do it.

Tin tốt là chúng ta có công cụ mới để làm điều này.

The internet and the cloud mean we don’t always need one expert for every trainee,

Internet và đám mây cho phép ta

không phải lúc nào cũng cần một kèm một,

for them to be physically near each other or even to be in the same organization.

phải ở gần bên nhau, hoặc thậm chí phải trong cùng một tổ chức.

And we can build AI to help:

Và chúng ta có thể tạo ra AI để giúp họ:

to coach learners as they struggle, to coach experts as they coach

hướng dẫn học viên khi họ chật vậy, huấn luyện chuyên gia khi họ huấn luyện

and to connect those two groups in smart ways.

và kết nối hai nhóm này một cách thông minh.

There are people at work on systems like this,

Đã có những người đang làm việc trên các hệ thống như vậy,

but they’ve been mostly focused on formal training.

nhưng hầu hết tập trung vào sự đào tạo thông thường.

And the deeper crisis is in on-the-job learning.

Trong khi học việc mới là lĩnh vực gặp khủng hoảng lớn hơn.

We must do better.

Chúng ta phải làm tốt hơn.

Today’s problems demand we do better

Vấn đề hiện nay yêu cầu ta làm tốt hơn

to create work that takes full advantage of AI’s amazing capabilities

để tạo ra công việc vừa tận dụng hết khả năng tuyệt vời của AI

vừa giúp ta cải thiện các kĩ năng khi thực hiện công việc.

while enhancing our skills as we do it.

That’s the kind of future I dreamed of as a kid.

Đó là tương lai mà tôi mơ ước khi còn là một đứa trẻ.

And the time to create it is now.

Và bây giờ là lúc để thực hiện nó.

Thank you.

Xin cảm ơn.

(Applause)

(Vỗ tay)