0:00

9:18

The Most Talented Man in AI

Newsthink·9:18·Technology·B2

Chương · 5

Chương 1·Early Life and Education

Hiển thị

Tiếng ViệtAuto-scroll

0:00

At 22 years old, Andre Karpathy could solve a Rubik's Cube in under 16 seconds.

Ở tuổi 22, Andre Karpathy có thể giải khối Rubik trong vòng chưa đầy 16 giây.

0:05

That obsession with cracking patterns would serve him well in artificial intelligence.

Nỗi ám ảnh về việc giải mã các khuôn mẫu đó sẽ giúp ích cho anh trong lĩnh vực trí tuệ nhân tạo.

0:10

One of the hardest problems is teaching machines to understand the world around them.

Một trong những vấn đề khó nhất là dạy máy móc hiểu thế giới xung quanh chúng.

0:14

- Andre is like really one of the best computer vision people in the world, music arguably the best.

- Andre thực sự là một trong những người giỏi nhất về thị giác máy tính trên thế giới, [nhạc] có thể nói là giỏi nhất.

0:20

Okay, thank you.

Được rồi, cảm ơn.

0:21

- By his early 30s, Karpathy music had become one of the most respected AI researchers in the world.

- Ở độ tuổi đầu 30, Karpathy [nhạc] đã trở thành một trong những nhà nghiên cứu AI được kính trọng nhất thế giới.

0:26

So respected that Elon Musk personally recruited him from OpenAI to lead AI at Tesla.

Được kính trọng đến mức Elon Musk đã đích thân tuyển dụng anh từ OpenAI để dẫn dắt AI tại Tesla.

0:31

In an email to engineer Jim Keller, Musk wrote, "Andre is arguably the number two guy in the world in computer vision after Ilya Sutskever.

Trong một email gửi kỹ sư Jim Keller, Musk viết, "Andre có thể được coi là người số hai thế giới về thị giác máy tính sau Ilya Sutskever.

0:39

- music - The OpenAI guys are going to want to kill me, but it had to be done." Andre Karpathy was born in Bratislava, music Slovakia on October 23, 1986.

- [nhạc] - Những người ở OpenAI sẽ muốn giết tôi, nhưng điều đó phải làm." Andre Karpathy sinh ra tại Bratislava, [nhạc] Slovakia vào ngày 23 tháng 10 năm 1986.

0:48

When he was 15 years old, his family left their comfortable life behind and moved to Toronto in search of better opportunities for Andre and his sister.

Khi anh 15 tuổi, gia đình anh rời bỏ cuộc sống thoải mái và chuyển đến Toronto để tìm kiếm cơ hội tốt hơn cho Andre và em gái.

0:56

He reflected on his parents' sacrifice.

Anh suy ngẫm về sự hy sinh của cha mẹ.

0:59

"It is in large part my determination to vindicate their leap of faith and make them proud that drives my ambitions." music He studied computer science and physics at the University of Toronto.

"Phần lớn chính là quyết tâm chứng minh niềm tin của họ và làm họ tự hào đã thúc đẩy tham vọng của tôi." [nhạc] Anh học khoa học máy tính và vật lý tại Đại học Toronto.

1:09

Originally, his plan was to work in quantum computing, but as he immersed himself in his quantum mechanics class, something felt off.

Ban đầu, kế hoạch của anh là làm việc trong lĩnh vực điện toán lượng tử, nhưng khi đắm mình vào lớp cơ học lượng tử, anh cảm thấy có điều gì đó không ổn.

1:16

He said in an interview, "It became apparent that I was not having fun.

Anh nói trong một cuộc phỏng vấn, "Rõ ràng là tôi không thấy vui.

1:20

It was too distant, too limiting.

Nó quá xa vời, quá hạn chế.

1:22

I couldn't music get my hands dirty." There was one field where he could get his hands dirty, artificial intelligence.

Tôi không thể [nhạc] làm bẩn tay mình." Có một lĩnh vực mà anh có thể làm bẩn tay, đó là trí tuệ nhân tạo.

1:29

One day, while walking through a library surrounded by endless shelves of books, Karpathy realized he wanted to learn everything in all the books, but that was impossible.

Một ngày nọ, khi đi qua thư viện với những kệ sách dài vô tận, Karpathy nhận ra anh muốn học mọi thứ trong tất cả các cuốn sách, nhưng điều đó là không thể.

1:36

There was too much information for a person to absorb.

Có quá nhiều thông tin để một người có thể tiếp thu.

1:39

That led him to a different idea.

Điều đó dẫn anh đến một ý tưởng khác.

1:41

"If I can't learn everything there is to know myself, maybe I could build something that could." He shifted his focus to

"Nếu tôi không thể tự học mọi thứ, có lẽ tôi có thể xây dựng thứ gì đó có thể làm được điều đó." Anh chuyển trọng tâm sang

1:48

machine learning, a branch of AI focused on teaching computers to recognize patterns and learn from data.

học máy, một nhánh của AI tập trung vào việc dạy máy tính nhận diện khuôn mẫu và học từ dữ liệu.

1:53

His introduction to the field came through a class taught by Professor Geoffrey Hinton, often called the godfather of AI.

Sự giới thiệu của anh về lĩnh vực này đến qua một lớp học do Giáo sư Geoffrey Hinton, thường được gọi là cha đỡ đầu của AI, giảng dạy.

2:00

In 2012, music Hinton and his students trained a neural network called AlexNet that stunned the AI world after dominating ImageNet.

Năm 2012, [nhạc] Hinton và các sinh viên của ông đã huấn luyện một mạng nơ-ron có tên AlexNet, làm chấn động thế giới AI sau khi thống trị ImageNet.

2:07

Its image

Tỷ lệ lỗi nhận dạng

2:08

recognition error rate was dramatically lower than its competitors.

hình ảnh của nó thấp hơn đáng kể so với các đối thủ cạnh tranh.

2:11

Karpathy went on to complete a master's at the University of British Columbia, where he worked on physically simulated robots.

Karpathy tiếp tục hoàn thành bằng thạc sĩ tại Đại học British Columbia, nơi anh làm việc với các robot mô phỏng vật lý.

2:18

Instead of manually programming every movement, these systems learn to obey the laws of physics, balancing, falling, and moving almost like living things.

Thay vì lập trình thủ công từng chuyển động, các hệ thống này học cách tuân theo các định luật vật lý, giữ thăng bằng, ngã và di chuyển gần giống như các sinh vật sống.

2:27

Then came a PhD at Stanford under Professor Fei-Fei Li, one of the most influential researchers in computer vision.

Sau đó là bằng tiến sĩ tại Stanford dưới sự hướng dẫn của Giáo sư Fei-Fei Li, một trong những nhà nghiên cứu có ảnh hưởng nhất trong thị giác máy tính.

2:33

Karpathy would later thank her, in his words, "for teaching me how to think." - music - At Stanford University, Karpathy became known for connecting images with natural language.

Karpathy sau này sẽ cảm ơn bà, theo lời anh, "vì đã dạy tôi cách suy nghĩ." - [nhạc] - Tại Đại học Stanford, Karpathy nổi tiếng với việc kết nối hình ảnh với ngôn ngữ tự nhiên.

2:42

In other words, teaching computers not just to recognize images,

Nói cách khác, dạy máy tính không chỉ nhận diện hình ảnh,

2:46

but to describe them.

mà còn mô tả chúng.

2:47

Earlier AI systems mostly worked through classification.

Các hệ thống AI trước đây chủ yếu hoạt động thông qua phân loại.

2:51

Elephant, music baby, Christ the Redeemer.

Voi, [nhạc] em bé, tượng Chúa Cứu Thế.

2:54

- But could a machine describe what it was seeing using human language?

- Nhưng liệu máy móc có thể mô tả những gì nó thấy bằng ngôn ngữ con người không?

2:58

- For example, early AI systems might simply label this picture of my dog Luffy as husky.

- Ví dụ, các hệ thống AI ban đầu có thể chỉ đơn giản gắn nhãn bức ảnh chú chó Luffy của tôi là husky.

3:03

But newer systems could generate something like a husky mix completely passed out in a dog bed with one leg awkwardly sticking into the air.

Nhưng các hệ thống mới hơn có thể tạo ra thứ gì đó như một chú chó husky pha trộn hoàn toàn ngủ say trong ổ chó với một chân vươn lên không trông kỳ cục.

3:11

Today, this kind of image understanding powers systems like ChatGPT.

Ngày nay, loại hiểu hình ảnh này cung cấp sức mạnh cho các hệ thống như ChatGPT.

3:14

But in the early 2010s, the idea that a computer could look at an image and describe it naturally felt magical.

Nhưng vào đầu những năm 2010, ý tưởng rằng một máy tính có thể nhìn vào một hình ảnh và mô tả nó một cách tự nhiên có vẻ như phép màu.

3:22

That didn't happen automatically, as progress in AI wasn't inevitable.

Điều đó không xảy ra tự động, vì tiến bộ trong AI không phải là điều tất yếu.

3:25

Researchers had to push it forward.

Các nhà nghiên cứu phải thúc đẩy nó tiến lên.

3:27

In 2012, before many of the major breakthroughs, Karpathy was frustrated and wrote a blog post titled

Năm 2012, trước nhiều đột phá lớn, Karpathy đã thất vọng và viết một bài blog có tiêu đề

3:34

The State of Computer Vision in AI: We Are Really, Really Far Away.

Tình trạng Thị giác Máy tính trong AI: Chúng Ta Còn Rất, Rất Xa.

3:39

To explain the problem, he used this picture of a man standing on a weighing scale while Barack Obama secretly pushes his foot down on it.

Để giải thích vấn đề, anh sử dụng bức ảnh này về một người đàn ông đứng trên cân trong khi Barack Obama bí mật dùng chân ấn xuống.

3:46

Humans understand the joke almost instantly, but Karpathy realized for a computer to truly understand an image, it would require an enormous amount of hidden knowledge.

Con người hiểu ngay trò đùa, nhưng Karpathy nhận ra rằng để máy tính thực sự hiểu một hình ảnh, nó sẽ cần một lượng kiến thức ẩn khổng lồ.

3:54

The AI would need to understand that some people in the image are reflections in

AI sẽ cần hiểu rằng một số người trong ảnh là phản chiếu trong

3:59

mirrors, that Obama's foot is applying force to the scale, that this would increase the weight reading, that people are self-conscious about their weight, that the man on the scale is unaware of what's happening, that the people around him find his confusion amusing, and the fact that the prank is being carried out by the president somehow makes it even funnier.

gương, rằng chân của Obama đang tác dụng lực lên cân, rằng điều này sẽ làm tăng chỉ số cân, rằng mọi người tự ti về cân nặng của mình, rằng người đàn ông trên cân không biết chuyện gì đang xảy ra, rằng những người xung quanh thấy sự bối rối của anh ta thật buồn cười, và việc trò đùa được thực hiện bởi tổng thống càng làm nó hài hước hơn.

4:17

Humans process a massive amount

Con người xử lý một lượng lớn

4:19

of information in a fraction of a second without even realizing it.

thông tin trong một phần giây mà thậm chí không nhận ra.

4:22

Karpathy was stunned by the complexity of that challenge.

Karpathy đã bị choáng ngợp bởi sự phức tạp của thách thức đó.

4:25

He wrote, "How can we even begin to go about writing an algorithm that can reason about the scene like I did?" He ended his post on a bleak note.

Anh viết, "Làm thế nào chúng ta có thể bắt đầu viết một thuật toán có thể suy luận về cảnh như tôi đã làm?" Anh kết thúc bài viết với một ghi chú ảm đạm.

4:34

- music - "In any case, we are very, very far, and this depresses me.

- [nhạc] - "Dù sao thì, chúng ta cũng rất, rất xa, và điều này làm tôi chán nản.

4:39

What is the way forward?" Karpathy's pessimism was understandable, as the Obama image did expose enormous weaknesses in AI systems.

Con đường phía trước là gì?" Sự bi quan của Karpathy là dễ hiểu, vì bức ảnh Obama đã phơi bày những điểm yếu to lớn trong các hệ thống AI.

4:47

But, what happened next truly shocked nearly everyone.

Nhưng, điều xảy ra tiếp theo thực sự gây sốc cho hầu hết mọi người.

4:50

Over the next decade, vision models improved dramatically.

Trong thập kỷ tiếp theo, các mô hình thị giác đã cải thiện đáng kể.

4:53

In 2014, Karpathy competed directly against one

Năm 2014, Karpathy đã cạnh tranh trực tiếp với một

4:56

of the world's most advanced image recognition systems, GoogleNet, a neural network created by Google for ImageNet.

trong những hệ thống nhận dạng hình ảnh tiên tiến nhất thế giới, GoogleNet, một mạng nơ-ron do Google tạo ra cho ImageNet.

5:03

Karpathy manually labeled around 1,500 difficult images and compared his performance directly against the neural network.

Karpathy đã tự tay gắn nhãn khoảng 1.500 hình ảnh khó và so sánh trực tiếp hiệu suất của mình với mạng nơ-ron.

5:09

His error rate was 5.1%.

Tỷ lệ lỗi của anh ấy là 5,1%.

5:12

GoogleNet's was 6.8%, music so the human had technically won, but barely.

Tỷ lệ lỗi của GoogleNet là 6,8%, [nhạc] vì vậy con người về mặt kỹ thuật đã thắng, nhưng chỉ sít sao.

5:16

In some instances, the machine actually performed better.

Trong một số trường hợp, máy móc thực sự hoạt động tốt hơn.

5:20

The neural network had become extraordinarily good at detecting subtle visual differences across massive data sets, outperforming humans at recognizing things like dog breeds.

Mạng nơ-ron đã trở nên cực kỳ giỏi trong việc phát hiện sự khác biệt thị giác tinh tế trên các tập dữ liệu lớn, vượt trội hơn con người trong việc nhận dạng những thứ như giống chó.

5:30

Karpathy realized something profound.

Karpathy nhận ra một điều sâu sắc.

5:31

"It is clear that humans will

"Rõ ràng là con người sẽ

5:34

soon only be able to outperform state-of-the-art image classification models by use of significant effort, expertise, and time.

sớm chỉ có thể vượt trội hơn các mô hình phân loại hình ảnh hiện đại nhất bằng cách sử dụng nỗ lực, chuyên môn và thời gian đáng kể.

5:42

In other words, the machines were catching up frighteningly fast.

Nói cách khác, máy móc đang bắt kịp một cách đáng sợ nhanh chóng.

5:45

And that mattered because neural networks were finally becoming good enough to perceive the world, which meant one of the most ambitious goals in AI was now far more achievable, a self-driving car.

Và điều đó quan trọng vì cuối cùng mạng nơ-ron cũng đủ tốt để nhận thức thế giới, đồng nghĩa với việc một trong những mục tiêu tham vọng nhất của AI giờ đây khả thi hơn nhiều: một chiếc xe tự lái.

5:57

Karpathy became one of the founding members of OpenAI before Elon Musk recruited him to lead the computer vision team behind Tesla's autopilot.

Karpathy trở thành một trong những thành viên sáng lập của OpenAI trước khi Elon Musk tuyển dụng anh ấy để lãnh đạo nhóm thị giác máy tính đằng sau hệ thống lái tự động của Tesla.

6:04

- music - His team designed neural networks that processed video from the car's eight cameras into a three-dimensional understanding of the world.

- [nhạc] - Nhóm của anh ấy đã thiết kế các mạng nơ-ron xử lý video từ tám camera của xe thành một sự hiểu biết ba chiều về thế giới.

6:11

Those neural networks had to interpret lanes, vehicles, pedestrians, stop signs, traffic lights, and more.

Những mạng nơ-ron đó phải diễn giải làn đường, phương tiện, người đi bộ, biển báo dừng, đèn giao thông, v.v.

6:17

- But there was a big problem at the start.

- Nhưng có một vấn đề lớn lúc ban đầu.

6:19

- Tesla initially processed each camera feed separately before attempting to combine the results afterward, but that didn't work very well.

- Ban đầu Tesla xử lý từng luồng camera riêng biệt trước khi cố gắng kết hợp kết quả sau đó, nhưng điều đó không hiệu quả lắm.

6:26

Because each camera interpreted the world slightly differently, the resulting 3D representation looked awful.

Bởi vì mỗi camera diễn giải thế giới hơi khác nhau, biểu diễn 3D kết quả trông rất tệ.

6:32

Under Karpathy's direction, Tesla made a major change.

Dưới sự chỉ đạo của Karpathy, Tesla đã thực hiện một thay đổi lớn.

6:35

It began feeding all cameras into a single neural network

Họ bắt đầu đưa tất cả camera vào một mạng nơ-ron duy nhất

6:39

simultaneously, instead of processing separate images and fusing them later.

đồng thời, thay vì xử lý các hình ảnh riêng biệt và kết hợp chúng sau đó.

6:43

The network learned a unified consistent 3D representation directly from all inputs at once.

Mạng đã học được một biểu diễn 3D thống nhất nhất quán trực tiếp từ tất cả các đầu vào cùng một lúc.

6:49

- And you can see that it's basically night and day.

- Và bạn có thể thấy nó khác biệt như ngày và đêm.

6:52

Uh you can actually drive on this.

Ừ, bạn thực sự có thể lái xe trên này.

6:54

- After 5 years leading AI at Tesla, Karpathy briefly returned to OpenAI, but he didn't stay long.

- Sau 5 năm dẫn dắt AI tại Tesla, Karpathy quay lại OpenAI một thời gian ngắn, nhưng anh ấy không ở lại lâu.

6:59

He soon stepped out on his own by launching his AI education company Eureka Labs, pouring his energy into teaching the next generation.

Anh ấy sớm tự mình bước ra bằng cách thành lập công ty giáo dục AI Eureka Labs, dồn năng lượng vào việc dạy thế hệ tiếp theo.

7:07

- Hi everyone.

- Xin chào mọi người.

7:08

So in this video, I would like to continue our general audience like ChatGPT.

Vậy trong video này, tôi muốn tiếp tục với khán giả đại chúng như ChatGPT.

7:14

- On his YouTube channel, he started posting in-depth educational videos that have racked up millions of views.

- Trên kênh YouTube của mình, anh ấy bắt đầu đăng các video giáo dục chuyên sâu đã thu hút hàng triệu lượt xem.

7:19

By this point, AI had gotten so good that Karpathy coined the phrase vibe coding to describe a major shift where developers are increasingly just guiding AI systems instead of writing every line of code themselves.

Vào thời điểm này, AI đã trở nên tốt đến mức Karpathy đặt ra cụm từ "vibe coding" để mô tả một sự thay đổi lớn khi các nhà phát triển ngày càng chỉ hướng dẫn các hệ thống AI thay vì tự viết từng dòng mã.

7:31

As Karpathy put it, "I barely even touch the keyboard."

Như Karpathy đã nói, "Tôi hầu như không chạm vào bàn phím."

7:35

Even as AI began generating more and more of the code itself, the biggest AI companies were fighting to hire the world's best researchers.

Ngay cả khi AI bắt đầu tự tạo ra ngày càng nhiều mã, các công ty AI lớn nhất vẫn đang chiến đấu để tuyển dụng các nhà nghiên cứu giỏi nhất thế giới.

7:43

music Anthropic, the company behind Claude, hired Karpathy as part of its pre-training team, the group responsible for teaching Claude how to understand the world.

[nhạc] Anthropic, công ty đứng sau Claude, đã thuê Karpathy vào nhóm tiền huấn luyện, nhóm chịu trách nhiệm dạy Claude cách hiểu thế giới.

7:51

He's now helping Claude build the next generation of an even more powerful Claude.

Hiện anh ấy đang giúp Claude xây dựng thế hệ tiếp theo của một Claude thậm chí còn mạnh mẽ hơn.

7:56

We don't know how much Karpathy is being paid, but the bidding wars have gotten so extreme that Meta has reportedly offered OpenAI employees signing bonuses as high as 100 million to switch sides.

Chúng tôi không biết Karpathy được trả bao nhiêu, nhưng các cuộc chiến đấu thầu đã trở nên cực kỳ khốc liệt đến mức Meta được cho là đã đề nghị nhân viên OpenAI tiền thưởng ký hợp đồng lên tới 100 triệu đô la để đổi phe.

8:07

And yet, even one of the world's top AI engineers feels like he's struggling to keep up.

Và thế mà, ngay cả một trong những kỹ sư AI hàng đầu thế giới cũng cảm thấy như mình đang vật lộn để theo kịp.

8:12

Karpathy tweeted, "I've never felt this much behind as a programmer." One thing that hasn't changed is that people who can work through complex problems have a massive advantage.

Karpathy đã tweet, "Tôi chưa bao giờ cảm thấy tụt hậu nhiều như vậy với tư cách là một lập trình viên." Một điều không thay đổi là những người có thể giải quyết các vấn đề phức tạp có lợi thế rất lớn.

8:22

That's one of the reasons I've been trying the new Brilliant, which now includes an interactive tutor that works through problems with you in real time.

Đó là một trong những lý do tôi đã thử Brilliant mới, hiện bao gồm một gia sư tương tác cùng bạn giải quyết vấn đề theo thời gian thực.

8:28

I've been going through their thinking in code course and thought this nested loop would work, but it didn't.

Tôi đã tham gia khóa học tư duy trong lập trình của họ và nghĩ rằng vòng lặp lồng nhau này sẽ hoạt động, nhưng nó đã không.

8:33

- Not exactly.

- Không chính xác.

8:34

- What I like is that Brilliant's personal tutor helped me think through the problem when I asked it to explain what went wrong.

- Điều tôi thích là gia sư cá nhân của Brilliant đã giúp tôi suy nghĩ về vấn đề khi tôi yêu cầu nó giải thích điều gì đã sai.

8:40

- What condition would make it stop as soon as it finds a gem?

- Điều kiện nào sẽ khiến nó dừng lại ngay khi tìm thấy một viên ngọc?

8:42

- And it helped me solve the problem.

- Và nó đã giúp tôi giải quyết vấn đề.

8:44

This feels like having a real private tutor and it's way better than watching online lessons.

Điều này giống như có một gia sư riêng thực sự và nó tốt hơn nhiều so với xem các bài học trực tuyến.

8:49

- You got it.

- Bạn hiểu rồi đấy.

8:49

- Brilliant's interactive lessons cover everything from math to coding to computer science from grade five to college and beyond.

- Các bài học tương tác của Brilliant bao gồm mọi thứ từ toán học đến lập trình và khoa học máy tính từ lớp năm đến đại học và hơn thế nữa.

8:55

And it's designed by experts from MIT, Harvard, and Stanford.

Và nó được thiết kế bởi các chuyên gia từ MIT, Harvard và Stanford.

8:59

You can get started with Brilliant's tutor for free by clicking the link in my description or scanning the QR code.

Bạn có thể bắt đầu với gia sư của Brilliant miễn phí bằng cách nhấp vào liên kết trong phần mô tả của tôi hoặc quét mã QR.

9:05

You can upgrade to premium to unlock all the courses, and right now News Think viewers can save 20% off an annual subscription at brilliant.org/newsthink.

Bạn có thể nâng cấp lên gói cao cấp để mở khóa tất cả các khóa học, và ngay bây giờ, khán giả của News Think có thể tiết kiệm 20% cho gói đăng ký hàng năm tại brilliant.org/newsthink.

9:15

Thanks for watching.

Cảm ơn bạn đã theo dõi.

9:16

For News Think, I'm Cindy Pom.

Tôi là Cindy Pom, cho News Think.

Transcript

Hiển thị

Early Life and Education

Andre Karpathy was born in Slovakia and moved to Toronto at age 15. He studied computer science and physics at the University of Toronto, initially interested in quantum computing but found it too abstract. He shifted to artificial intelligence after realizing he could build a system to learn everything. He took a class with Geoffrey Hinton and later completed a master's at UBC working on physically simulated robots.

Andre Karpathy sinh ra ở Slovakia và chuyển đến Toronto năm 15 tuổi. Anh học khoa học máy tính và vật lý tại Đại học Toronto, ban đầu quan tâm đến điện toán lượng tử nhưng thấy nó quá trừu tượng. Anh chuyển sang trí tuệ nhân tạo sau khi nhận ra mình có thể xây dựng một hệ thống học mọi thứ. Anh tham gia lớp học của Geoffrey Hinton và sau đó hoàn thành chương trình thạc sĩ tại UBC làm việc với robot mô phỏng vật lý.