Vina Technology at AI time - Công nghệ Việt Nam thời AI

How One Author Pushed the Limits of AI Copyright

Kate Knibbs. Wired. April 17, 2024.

Elisa Shupe was initially rebuffed when she tried to copyright a book she wrote with help from ChatGPT. Now the US Copyright Office has changed course—but there’s a catch.

Conceptual artwork of glitchy copyright symbol

Last October, I received an email with a hell of an opening line: “I fired a nuke at the US Copyright Office this morning.”

The message was from Elisa Shupe, a 60-year-old retired US Army veteran who had just filed a copyright registration for a novel she’d recently self-published. She’d used OpenAI's ChatGPT extensively while writing the book. Her application was an attempt to compel the US Copyright Office to overturn its policy on work made with AI, which generally requires would-be copyright holders to exclude machine-generated elements.

That initial shot didn’t detonate—a week later, the USCO rejected Shupe’s application—but she ultimately won out. The agency changed course earlier this month after Shupe appealed, granting her copyright registration for AI Machinations: Tangled Webs and Typed Words, a work of autofiction self-published on Amazon under the pen name Ellen Rae.

The novel draws from Shupe’s eventful life, including her advocacy for more inclusive gender recognition. Its registration provides a glimpse of how the USCO is grappling with artificial intelligence, especially as more people incorporate AI tools into creative work. It is among the first creative works to receive a copyright for the arrangement of AI-generated text.

“We’re seeing the Copyright Office struggling with where to draw the line,” intellectual property lawyer Erica Van Loon, a partner at Nixon Peabody, says. Shupe’s case highlights some of the nuances of that struggle—because the approval of her registration comes with a significant caveat.

The USCO’s notice granting Shupe copyright registration of her book does not recognize her as author of the whole text as is conventional for written works. Instead she is considered the author of the “selection, coordination, and arrangement of text generated by artificial intelligence.” This means no one can copy the book without permission, but the actual sentences and paragraphs themselves are not copyrighted and could theoretically be rearranged and republished as a different book.

The agency backdated the copyright registration to October 10, the day that Shupe originally attempted to register her work. It declined to comment on this story. “The Copyright Office does not comment on specific copyright registrations or pending applications for registration,” Nora Scheland, an agency spokesperson says. President Biden’s executive order on AI last fall asked the US Patent and Trademark Office to make recommendations on copyright and AI to the White House in consultation with the Copyright Office, including on the “scope of protection for works produced using AI.”

Although Shupe’s Limited copyright registration is notable, she originally asked the USCO to open a more significant path to copyright recognition for AI-generated material. “I seek to copyright the AI-assisted and AI-generated material under an ADA exemption for my many disabilities,” she wrote in her original copyright application.

Shupe believes fervently that she was only able to complete her book with the assistance of generative AI tools. She says she has been assessed as 100 percent disabled by the Department of Veterans Affairs and struggles to write due to cognitive impairment related to conditions including bipolar disorder, borderline personality disorder, and a brain stem malformation.

She is proud of the finished work and sees working with a text generator as a different but no less worthwhile method of expressing thoughts. “You don't just hit ‘generate’ and get something worthy of publishing. That may come in the future, but we're still far from it,” she says, noting that she spent upwards of 14 hours a day working on her draft.

Làm thế nào một tác giả đã thách thức giới hạn của bản quyền AI

Kate Knibbs. Wired. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Ngày 17 tháng 4, 2024.

Elisa Shupe ban đầu bị từ chối khi cô cố gắng đăng ký bản quyền một cuốn sách mà bà viết với sự giúp đỡ từ ChatGPT. Bây giờ Văn phòng Bản quyền Hoa Kỳ đã thay đổi hướng đi — nhưng có một nhược điểm. [ nhưng có một nhược điểm", đề cập đến điều kiện ẩn làm phức tạp tình huống.]

Tác phẩm nghệ thuật khái niệm về biểu tượng bản quyền trục trặc

Tháng Mười năm ngoái, tôi nhận được một email với một dòng mở đầu: " Sáng nay tôi đã có một hành động quyết liệt đối với Văn phòng Bản quyền Hoa Kỳ."

Tin nhắn là từ Elisa Shupe, một cựu chiến binh Quân đội Hoa Kỳ đã nghỉ hưu 60 tuổi, người vừa nộp đơn đăng ký bản quyền cho một cuốn tiểu thuyết mà bà tự xuất bản gần đây. Bà đã sử dụng ChatGPT của OpenAI khá nhiều trong khi viết cuốn sách. Đơn của bà là một nỗ lực để buộc Văn phòng Bản quyền Hoa Kỳ đảo ngược chính sách của mình đối với tác phẩm được làm bằng AI, thường yêu cầu chủ sở hữu bản quyền loại trừ các yếu tố do máy tạo ra.

Phát súng ban đầu đó đã không phát nổ - một tuần sau, USCO đã từ chối đơn đăng ký của Shupe - nhưng cuối cùng bà đã giành chiến thắng. Cơ quan này đã thay đổi hướng đi vào đầu tháng này sau khi Shupe kháng cáo, cấp đăng ký bản quyền cho AI Machinations: Tangled Webs and Typed Words, một tác phẩm tự truyện tự xuất bản trên Amazon dưới bút danh Ellen Rae.

Cuốn tiểu thuyết rút ra từ cuộc đời đầy biến cố của Shupe, bao gồm cả việc bà ủng hộ việc công nhận giới tính toàn diện hơn. Việc đăng ký của nó cung cấp một cái nhìn thoáng qua về cách Văn phòng Bản quyền Hoa Kỳ đang vật lộn với trí tuệ nhân tạo, đặc biệt là khi nhiều người kết hợp các công cụ AI vào công việc sáng tạo. Đây là một trong những tác phẩm sáng tạo đầu tiên nhận được bản quyền cho việc sắp xếp văn bản do AI tạo ra. ["việc sắp xếp văn bản do AI tạo ra" đề cập đến cấu trúc nội dung văn bản được tạo ra bởi trí tuệ nhân tạo và bản quyền được cấp liên quan đến sự sắp xếp hoặc thành phần sáng tạo của văn bản này.]

"Chúng tôi đang thấy Văn phòng Bản quyền Hoa Kỳ đang vật lộn với việc vạch ra ranh giới ở đâu", luật sư sở hữu trí tuệ Erica Van Loon, một đối tác tại Nixon Peabody, nói. Trường hợp của Shupe nêu bật một số sắc thái của cuộc đấu tranh đó - bởi vì việc phê duyệt đăng ký của bà đi kèm với một cảnh báo quan trọng.

Thông báo của Văn phòng Bản quyền Hoa Kỳ cấp cho Shupe đăng ký bản quyền cuốn sách của bà không công nhận bà là tác giả của toàn bộ văn bản như thông thường đối với các tác phẩm viết. Thay vào đó, bà được coi là tác giả của "lựa chọn, phối hợp và sắp xếp văn bản được tạo ra bởi trí tuệ nhân tạo". Điều này có nghĩa là không ai có thể sao chép cuốn sách mà không được phép, nhưng bản thân các câu và đoạn văn thực tế không có bản quyền và về mặt lý thuyết có thể được sắp xếp lại và tái bản thành một cuốn sách khác.

Cơ quan này đã lùi thời hạn đăng ký bản quyền đến ngày 10 tháng 10, ngày mà Shupe ban đầu cố gắng đăng ký tác phẩm của mình. Họ từ chối bình luận về câu chuyện này. " Văn phòng Bản quyền Hoa Kỳ không bình luận về đăng ký bản quyền cụ thể hoặc các đơn đăng ký đang chờ xử lý", Nora Scheland, phát ngôn viên của cơ quan cho biết. Sắc lệnh hành pháp của Tổng thống Biden về AI vào mùa thu năm ngoái đã yêu cầu Văn phòng Sáng chế và Nhãn hiệu Hoa Kỳ đưa ra các khuyến nghị về bản quyền và AI cho Nhà Trắng với sự tham vấn của Văn phòng Bản quyền Hoa Kỳ, bao gồm cả "phạm vi bảo vệ đối với các tác phẩm được sản xuất bằng AI".

Mặc dù đăng ký bản quyền hạn chế của Shupe là đáng chú ý, ban đầu bà yêu cầu Văn phòng Bản quyền Hoa Kỳ mở một con đường quan trọng hơn để công nhận bản quyền cho tài liệu do AI tạo ra. "Tôi tìm cách giữ bản quyền tài liệu do AI hỗ trợ và do AI tạo ra theo miễn trừ ADA cho nhiều khuyết tật của tôi", bà viết trong đơn đăng ký bản quyền ban đầu của mình.

Shupe tin tưởng một cách nhiệt thành rằng bà chỉ có thể hoàn thành cuốn sách của mình với sự hỗ trợ của các công

Eric Schmidt Warned Against China’s AI Industry - Emails Show He Also Sought Connections to It

Will Knight – WIRED. April 11, 2024.

Transparency advocates say that Eric Schmidt's pursuit of “personal” connections with AI companies in China represents a concerning conflict of interest.

In November 2019, the US government’s National Security Commission on Artificial Intelligence (NSCAI), an influential body chaired by former Google CEO and executive chairman Eric Schmidt, warned that China was using artificial intelligence to “advance an autocratic agenda.”

Just two months earlier, Schmidt was also seeking potential personal connections to China’s AI industry on a visit to Beijing, newly disclosed emails reveal. Separately, tax filings show that a nonprofit private foundation overseen by Schmidt and his wife contributed to a fund that feeds into a private equity firm that has made investments in numerous Chinese tech firms, including those in AI.

When the NSCAI issued its full findings in 2021, Schmidt and the NSCAI’s vice chairman said in a statement that “China’s plans, resources, and progress should concern all Americans,” and warned that “China’s domestic use of AI is a chilling precedent for anyone around the world who cherishes individual liberty.”

The 2019 email communications, obtained through a Freedom of Information Act request by the Tech Transparency Project (TTP), a nonprofit research initiative that tracks tech industry influence, show staff at Schmidt Futures, a philanthropic venture, asking NSCAI employees to help identify “possible engagements [Schmidt] might have on AI, in a personal capacity.” The names are redacted, but an NSCAI staff member replies, “Sure thing, happy to help out.” One person is tasked with coming up with “interesting companies in Beijing.”

It is unclear what meetings, if any, occurred in China as a result of the discussions, or whether such meetings might have translated into business dealings. However, the messages add detail to what appears to be a complicated relationship between Schmidt and America’s chief geopolitical rival. They also reflect the paradox of rivalry and interdependence that characterizes the dynamics between the world's two most powerful nations.

Flight records previously obtained by TTP show that a Gulfstream flew from Google’s home hanger in November 2019. A day later, press reports suggest Schmidt, who was in China for the Bloomberg New Economy Forum, dined with Kai-Fu Lee, ex-head of Google China and a prominent Chinese entrepreneur and investor. The pair told a Bloomberg reporter at the time that they were “just catching up.”

Tax filings for 2019 show that the Eric and Wendy Schmidt Fund for Strategic Innovation, a nonprofit overseen by the billionaire and his wife, had invested almost $17 million in a fund that feeds into an investment firm then called Hillhouse Capital, which invests in a number of prominent Chinese tech companies, among other businesses. In October 2016, Reuters reported that Hillhouse launched an AI investment fund with the Chinese Academy of Sciences, a state-run institution. In 2017, Hillhouse led a funding round of $55 million in the Chinese AI company Yitu, a startup that would soon be repeatedly blacklisted by the US government for allegedly supplying face recognition technology used for surveillance in China.

The final NSCAI report includes a section on promoting “International Digital Democracy” initiatives. It provides a handful of suggestions for how to “develop, promote, and fund” digital ecosystems, including partnerships with the private sector—citing Hillhouse as a positive example

There is no indication that Schmidt’s visit to China is related to the investments made by Hillhouse, and no evidence that Schmidt used his role at the NSCAI to further his own business goals. But even as separate matters, the emails and investments associated with Schmidt underscore the potential conflicts of interest he may have encountered in his role

Eric Schmidt cảnh báo chống ngành công nghiệp AI của Trung Quốc

Email cho thấy anh ta cũng tìm kiếm các kết nối với nó.

Will Knight – WIRED. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số. Ngày 11 tháng 4, 2024.

Những người ủng hộ tính minh bạch nói rằng việc Eric Schmidt theo đuổi các kết nối "cá nhân" với các công ty AI ở Trung Quốc thể hiện sự xung đột lợi ích liên quan.

Trong tháng 11 năm 2019, Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo của chính phủ Mỹ, một cơ quan có ảnh hưởng do cựu Giám đốc điều hành và Chủ tịch điều hành Google Eric Schmidt làm chủ tịch, cảnh báo rằng Trung Quốc đang sử dụng trí tuệ nhân tạo để "thúc đẩy một chương trình nghị sự chuyên quyền".

Chỉ hai tháng trước đó, Schmidt cũng đang tìm kiếm các kết nối cá nhân tiềm năng với ngành công nghiệp AI của Trung Quốc trong chuyến thăm Bắc Kinh, các email mới được tiết lộ. Một cách riêng biệt, hồ sơ thuế cho thấy một quỹ tư nhân phi lợi nhuận do Schmidt và vợ giám sát đã đóng góp vào một quỹ cung cấp cho một công ty cổ phần tư nhân đã đầu tư vào nhiều công ty công nghệ Trung Quốc, bao gồm cả những công ty trong lĩnh vực AI.

Khi Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo công bố những phát hiện đầy đủ vào năm 2021, Schmidt và phó chủ tịch Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo cho biết trong một tuyên bố rằng "các kế hoạch, nguồn lực và tiến bộ của Trung Quốc nên liên quan đến tất cả người Mỹ" và cảnh báo rằng "việc Trung Quốc sử dụng AI trong nước là một tiền lệ tiêu cực hoặc đáng ngại đối với bất kỳ ai trên thế giới trân trọng tự do cá nhân".

Thông tin liên lạc qua email năm 2019, có được thông qua yêu cầu Đạo luật Tự do Thông tin của Dự án Minh bạch Công nghệ, một sáng kiến nghiên cứu phi lợi nhuận theo dõi ảnh hưởng của ngành công nghệ, cho thấy nhân viên tại Schmidt Futures, một liên doanh từ thiện, yêu cầu nhân viên Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo giúp xác định "các cam kết có thể có [Schmidt] có thể có trên AI, trong khả năng cá nhân." Những cái tên đã được biên tập lại, nhưng một nhân viên Ủy ban An ninh Quốc gia về Trí tuệ nhân tạo trả lời, "Chắc chắn rồi, rất vui khi được giúp đỡ." Một người được giao nhiệm vụ tìm ra "các công ty thú vị ở Bắc Kinh".

Không rõ những cuộc họp nào, nếu có, đã xảy ra ở Trung Quốc do kết quả của các cuộc thảo luận, hoặc liệu các cuộc họp như vậy có thể chuyển thành các giao dịch kinh doanh hay không. Tuy nhiên, các thông điệp bổ sung thêm chi tiết cho những gì dường như là một mối quan hệ phức tạp giữa Schmidt và đối thủ địa chính trị chính của Mỹ. Chúng cũng phản ánh nghịch lý của sự cạnh tranh và phụ thuộc lẫn nhau đặc trưng cho động lực giữa hai quốc gia hùng mạnh nhất thế giới.

Hồ sơ chuyến bay mà Dự án Minh bạch Công nghệ thu được trước đó cho thấy một chiếc Gulfstream đã bay từ bãi đậu máy bay của Google vào tháng 11 năm 2019. Một ngày sau, báo chí đưa tin Schmidt, người đang ở Trung Quốc để tham dự Diễn đàn Kinh tế Mới Bloomberg, đã ăn tối với Kai-Fu Lee, cựu giám đốc Google Trung Quốc và là một doanh nhân và nhà đầu tư nổi tiếng của Trung Quốc. Cặp đôi nói với một phóng viên Bloomberg vào thời điểm đó rằng họ "chỉ gặp bình thường để cập nhật cho nhau các vấn đề cá nhân".

Hồ sơ thuế năm 2019 cho thấy Quỹ Eric và Wendy Schmidt về đổi mới chiến lược, một tổ chức phi lợi nhuận do tỷ phú và vợ giám sát, đã đầu tư gần 17 triệu USD vào một quỹ cung cấp cho một công ty đầu tư khi đó có tên Hillhouse Capital, đầu tư vào một số công ty công nghệ nổi tiếng của Trung Quốc, trong số các doanh nghiệp khác. Vào tháng 10 năm 2016, Reuters báo cáo rằng Hillhouse đã ra mắt một quỹ đầu tư AI với Viện Hàn lâm Khoa học Trung Quốc, một tổ chức nhà nước. Năm 2017, Hillhouse đã dẫn đầu vòng tài trợ 55 triệu đô la trong công ty AI Yitu của Trung Quốc, một công ty khởi nghiệp sẽ sớm bị chính phủ Mỹ đưa vào danh sách đen vì bị cáo buộc cung cấp công nghệ nhận dạng khuôn mặt được sử dụng để giám sát ở Trung Quốc.

Chương 2 - Các khái niệm thực tế về học máy – Phần 3

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Học máy: Bạn và dữ liệu của bạn

Học máy là một ngành khoa học cũ, nhưng nó đang có được động lực do tạo ra lượng dữ liệu khổng lồ từ các nguồn không đồng nhất với tốc độ nhanh chóng. Trong khi nhiều thuật toán học máy đã tồn tại trong một thời gian dài và mang di sản từ thống kê, khả năng tự động áp dụng các phép tính và logic toán học phức tạp cho dữ liệu lớn với sự trợ giúp của các phân tích phức tạp lặp đi lặp lại, nhanh hơn và nhanh hơn, là một sự phát triển gần đây.

Công nghệ liên quan đến Học máy

Phần này trình bày một số học máy phổ biến và các công nghệ liên quan và mối quan hệ của chúng. Nó sẽ giúp bạn hiểu các khái niệm quan trọng.

• Khoa học dữ liệu: Ở cấp độ rộng hơn, khoa học dữ liệu là một môn học tích hợp của khoa học toán học, thống kê và lập trình. Tuy nhiên, nó không chỉ giới hạn trong các lĩnh vực nghiên cứu và đang mở rộng sang trí tuệ nhân tạo, khoa học hành vi thống kê, công nghệ cơ sở dữ liệu, tâm lý học, xã hội học, nhận thức và khoa học thần kinh.

• Phân tích dữ liệu (data analysis): Một hoạt động điều tra. Trong phân tích dữ liệu, sau khi quét tập dữ liệu có sẵn, nhà phân tích có được thông tin chi tiết ẩn trong các tập dữ liệu.

• Phân tích dữ liệu (data analytics): Khi bạn áp dụng toán học, thống kê và thuật toán trên tập dữ liệu có sẵn để tìm ra cái nhìn sâu sắc và mối tương quan có ý nghĩa giữa chúng, quá trình này được gọi là phân tích dữ liệu(data analytics). Phân tích (analytics) là kết quả của phân tích (analysis). Trong khi đó, phân tích (analysis) là phương pháp hoặc nhóm phương pháp có thể được sử dụng để phân tích dữ liệu.

• Phân tích dự đoán: Khái niệm hóa và tạo ra một mô hình định lượng cho phép dự đoán kết quả hoặc kết quả dựa trên dữ liệu / thông tin lịch sử đáng kể có thể là một nhiệm vụ phức tạp và chuyên sâu về công nghệ. Dữ liệu đầu vào chứa nhiều biến và tất cả chúng cần được xem xét đồng thời. Một số biến này có liên quan và những biến khác có thể không quan trọng trong việc xác định kết quả. Mô hình dự đoán chi phối những hiểu biết sâu sắc từ dữ liệu có thể được trích xuất và sử dụng để đưa ra dự đoán chính xác và có liên quan trong một kịch bản nhất định. Một mô hình tốt cho phép và cởi mở với các thay đổi để nó có thể phù hợp với sự thay đổi trong các biến. Đôi khi cần phải thay đổi để tăng khả năng dự đoán. Sự thay đổi đúng đắn có thể làm tăng cơ hội đạt được kết quả mong muốn.

• Khai thác dữ liệu: Tìm các mẫu trong tập dữ liệu có sẵn. Thuật ngữ này trở nên phổ biến vào cuối những năm 90 và đầu những năm 2000 khi các tổ chức nhận ra sức mạnh của việc hợp nhất dữ liệu và cách sử dụng nó. Với việc sử dụng công nghệ này, dữ liệu từ các nguồn không đồng nhất được tập hợp lại để khám phá các xu hướng, sự bất thường và mối tương quan chưa biết trước đây. Khai thác dữ liệu cho phép tìm kiếm thông qua một lượng lớn dữ liệu mà không có ý tưởng chính xác những gì bạn đang tìm kiếm. Nó giúp xác định mối tương quan trong các tập dữ liệu có sẵn thông qua việc sử dụng các kỹ thuật như phân tích vũ phu và mạng lưới thần kinh.

Ghi chú

Khai thác dữ liệu có thể được coi là một siêu tập hợp của nhiều phương pháp và kỹ thuật để trích xuất thông tin chi tiết từ dữ liệu có sẵn. Công nghệ này có thể liên quan đến các phương pháp hoặc kỹ thuật thống kê truyền thống hoặc các khái niệm nâng cao, như học máy. Một vài kỹ thuật thuộc lĩnh vực khai thác dữ liệu gồm các thuật toán thống kê, học máy, phân tích văn bản, phân tích chuỗi thời gian và các lĩnh vực phân tích khác. Khai thác dữ liệu cũng bao gồm nghiên cứu và thực hành lưu trữ dữ liệu

Chương 2 - Các khái niệm thực tế về học máy – Phần 2

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Học máy, AI, bộ não và kinh doanh trí tuệ

Theo John von Neumann (người tiên phong trong khoa học máy tính, người đã đưa ra cấu trúc chính thức đầu tiên của máy tính), các tế bào thần kinh có thể học hỏi từ "các mẫu" dựa trên đầu vào của chúng. Các nhà thần kinh học hiện nay gọi đây là nồng độ chất dẫn truyền thần kinh. Tuy nhiên, von Neumann không nhận thức được cách thức hoạt động của việc học tập thần kinh ["học tập thần kinh" đề cập đến quá trình học tập xảy ra trong não người, đặc biệt liên quan đến các cơ chế và chức năng thần kinh của nó].

Đó là một tiến bộ gần đây trong khoa học thần kinh cho chúng ta biết rằng việc học diễn ra thông qua việc tạo ra / sáng tạo và phá hủy các kết nối giữa các tế bào thần kinh có sẵn trong não.

Giài thích Biệt ngữ

• Tế bào thần kinh: Bộ não con người chứa khoảng 100 tỷ tế bào thần kinh, còn được gọi là tế bào thần kinh. Tế bào thần kinh có những kỹ năng đáng kinh ngạc để thu thập và truyền đạt tín hiệu điện hóa. Cổng và dây trong máy tính có thể được coi là tế bào thần kinh. Tế bào thần kinh có cùng đặc điểm và thành phần tương tự như các tế bào khác. Tuy nhiên, các tính chất điện hóa tích hợp cho phép chúng truyền tín hiệu trên một khoảng cách dài. Chúng có khả năng tuyệt vời để kết nối với nhau và gửi tin nhắn cho nhau.

von Neumann lưu ý rằng tốc độ xử lý thần kinh cực kỳ chậm, theo thứ tự một trăm phép tính mỗi giây, nhưng bộ não bù đắp điều này thông qua quá trình xử lý song song lớn. Các tế bào thần kinh kết nối và tạo ra các con đường và mạch mới theo kiểu tính toán "song song". Tương tự như vậy, các máy tính hiện đại ngày nay thực hiện xử lý song song để thực hiện / học các tác vụ. Như đã đề cập, trí tuệ nhân tạo giống như bộ não không phải là một ý tưởng mới. Khái niệm mạng lưới thần kinh, có khả năng bắt chước cấu trúc cơ bản của não, cực kỳ phổ biến vào những năm 1980 trong cộng đồng khoa học. Nhưng trong thời gian đó, lĩnh vực trí tuệ nhân tạo thiếu sức mạnh tính toán và sự sẵn có của dữ liệu đào tạo chất lượng khổng lồ. Cả sức mạnh tính toán và dữ liệu đều cần thiết và quan trọng để các mô hình, được hỗ trợ bởi các thuật toán, trở nên thực sự hiệu quả.

Những tiến bộ gần đây trong phần cứng máy tính đã góp phần vào sức mạnh xử lý rẻ hơn (về tốc độ và bộ nhớ). Do đó, một bộ phận của cộng đồng khoa học và công nghiệp đang cố gắng hết sức để đạt được trí thông minh của con người thông qua máy tính. Kết quả của nỗ lực này được nhìn thấy dưới dạng nhiều robot và máy móc khổng lồ được hình thành từ phòng thí nghiệm. Một trong những mục tiêu của việc đạt được "trí thông minh của con người" là có được lợi thế kinh doanh và thương mại so với các đối thủ cạnh tranh. Một ví dụ về điều này là IBM Watson. Cộng đồng khoa học và công nghiệp (chủ yếu là cộng đồng doanh nghiệp, bao gồm cả các công ty khởi nghiệp) đang cố gắng kiếm tiền từ những tiến bộ gần đây trong công nghệ thông qua một số sản phẩm và dịch vụ "nhanh". Họ đang tạo ra các loại sản phẩm / dịch vụ chatbot (máy / phần mềm trả lời truy vấn người dùng tự động) bằng cách tận dụng các nền tảng, dịch vụ và khuôn khổ đã có sẵn. Các công nghệ như học sâu và xử lý ngôn ngữ tự nhiên cho phép các nền tảng này.

Một nhóm doanh nhân mới đang tiếp cận với khách hàng "nhắm mục tiêu và tập trung" bằng cách sử dụng phương pháp tiếp cận "tôi là trên hết". Điều này có nghĩa là họ đang miêu tả mình là nhà đổi mới và nhà cung cấp thực sự các sản phẩm, ứng dụng và dịch vụ hỗ trợ học máy đột phá. Các sản phẩm, ứng dụng và dịch vụ hỗ trợ học máy đang xuất hiện "lần đầu tiên" trên thị trường và có khả

Chương 2 - Các khái niệm thực tế về học máy – Phần 1

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Đây là một chương quan trọng vì nó thảo luận về các khái niệm cơ bản và thực tế của học máy (ML). Tôi không có cách tiếp cận học thuật để giải thích những khái niệm này. Tôi đã hướng suy nghĩ và năng lượng của mình để cung cấp cho bạn những khái niệm hữu ích trong quá trình ra quyết định thực tế. Do đó, trong khi giải thích các khái niệm, thuật ngữ và chi tiết kỹ thuật, tôi sử dụng các ví dụ và nghiên cứu điển hình hữu ích trong việc trích xuất thông tin chi tiết có liên quan từ chương.

Chương này bắt đầu với sự tiến hóa và lịch sử của học máy và với khái niệm tìm kiếm mối liên hệ giữa các trường phái tư tưởng và triết học khác nhau. Nó đưa bạn đến thế giới của trí tuệ nhân tạo bằng cách đi qua vài thập kỷ tiến bộ vừa qua. Sau đó, nó cung cấp cái nhìn thoáng qua về các ứng dụng trong tương lai của học máy. Chương này chứa một phần về các cơ hội kinh doanh mà học máy đang tạo ra. Điều này cung cấp cho bạn cái nhìn sâu sắc về các cơ hội kinh doanh sắp tới hoặc đã tồn tại trong các lĩnh vực hỗ trợ học máy. Một lần nữa, đối với các công cụ như thế này, các ví dụ và nghiên cứu điển hình có liên quan được sử dụng rộng rãi.

Có một ranh giới mong manh giữa các lĩnh vực ứng dụng và cơ hội kinh doanh. Các lĩnh vực ứng dụng của một công nghệ cũng có thể là lĩnh vực cơ hội. Ví dụ, học máy được áp dụng rộng rãi trong các ngành bán lẻ để thực hiện các loại dự đoán và đề xuất khác nhau. Đồng thời, các cơ hội kinh doanh to lớn tồn tại để tăng cường các sản phẩm và dịch vụ hiện có bằng cách sử dụng công nghệ học máy và tạo ra thị trường mới. Họ có thể làm điều này bằng cách thu hút khách hàng dựa trên các khuyến nghị từ phân tích thói quen / hành vi. Vì vậy, các cuộc thảo luận song song về các lĩnh vực ứng dụng và cơ hội kinh doanh cung cấp tầm nhìn hiện đại và tương lai nhất về chủ đề này.

Tôi cũng thảo luận về một số mô hình, thuật toán, công cụ, khung và ngôn ngữ lập trình quan trọng liên quan đến học máy. Có một phần về kiến trúc học máy cung cấp cho bạn cái nhìn toàn diện và tích hợp về kiến trúc "tổng quát" của học máy. Tóm lại, chương này cung cấp cho bạn cái nhìn sâu sắc tổng thể về các công nghệ đang thảo luận.

Liên kết lịch sử, tiến hóa, học máy và trí tuệ nhân tạo

Lĩnh vực trí tuệ nhân tạo dựa trên khả năng tự động hóa suy nghĩ của con người và khả năng nhận thức của họ. Nhìn chung, các công nghệ AI cố gắng mô phỏng và tái tạo suy nghĩ và hành vi của con người. Những suy nghĩ và hành vi này có thể được phân loại thành suy nghĩ, nói, cảm nhận và lý luận. Khoa học thiết kế chương trình làm cho máy tính thông minh hơn và điều này bao gồm mục tiêu "làm cho máy tính làm những việc mà con người tốt hơn".

Trong lịch sử, các học giả Hy Lạp, Ấn Độ và Trung Quốc có niềm tin vững chắc về khái niệm "cỗ máy tư duy". Họ tin rằng "cỗ máy tư duy" là có thể và việc xây dựng một cỗ máy là có thể đạt được. Các nhà triết học, tâm lý học và toán học của họ đã tham gia vào phương pháp này với những suy nghĩ, phát minh và khám phá của họ. Tuy nhiên, họ chủ yếu làm việc trong sự cô lập trong ranh giới địa lý hạn chế của họ. Bởi vì họ không có "sự sang trọng" để luôn được kết nối như chúng ta bây giờ, một suy nghĩ hợp nhất không bao giờ xuất hiện mà mọi người có thể chấp nhận. ["sự sang trọng" trong bối cảnh này làm nổi bật sự tương phản giữa sự kết nối liên tục của cuộc sống hiện đại và sự vắng mặt của kết nối như vậy trong quá khứ, cho thấy sự sẵn có của công nghệ đã ảnh hưởng đến sự xuất hiện và chấp nhận các ý tưởng và ý kiến trong xã hội.]

Generation Z is unprecedentedly rich

Millennials were poorer at this stage in their lives. So were baby-boomers

The Economist. April 16th 2024.

Generation Z is taking over. In the rich world there are at least 250m people born between 1997 and 2012. About half are now in a job. In the average American workplace, the number of Gen Zers working full-time is about to surpass the number of full-time baby-boomers, those born from 1945 to 1964, whose careers are winding down. Gen Z is also grabbing power: America now has more than 6,000 Zoomer chief executives and 1,000 Zoomer politicians. As the generation becomes more influential, companies, governments and investors need to understand it.

Pundits produce a lot of fluff about the cohort. Recent “research” from Frito-Lay, a crisp-maker, finds that Gen Zers have a strong preference for “snacks that leave remnants on their fingers”, such as cheese dust. Yet different generations also display deeper differences in their personalities, in part due to the economic context in which they grow up. Germans who reached adulthood during the high-inflation 1920s came to detest rising prices. Americans who lived through the Depression tended to avoid investing in the stockmarket.

Many argue that Gen Z is defined by its anxiety. Such worriers include Jonathan Haidt, a social psychologist at New York University, whose new book, “The Anxious Generation”, is making waves. In some ways, Gen Zers are unusual. Young people today are less likely to form relationships than those of yesteryear. They are more likely to be depressed or say they were assigned the wrong sex at birth. They are less likely to drink, have sex, be in a relationship—indeed to do anything exciting. Americans aged between 15 and 24 spend just 38 minutes a day socialising in person on average, down from almost an hour in the 2000s, according to official data. Mr Haidt lays the blame on smartphones, and the social media they enable.

His book has provoked an enormous reaction. On April 10th Sarah Huckabee Sanders, the governor of Arkansas, echoed Mr Haidt’s arguments as she outlined plans to regulate children’s use of smartphones and social media. Britain’s government is considering similar measures. But not everyone agrees with Mr Haidt’s thesis. And the pushing and shoving over Gen Z’s anxiety has obscured another way in which the cohort is distinct. In financial terms, Gen Z is doing extraordinarily well. This, in turn, is changing the generation’s relationship with work.

Consider the group that preceded Gen Z: millennials, who were born between 1981 and 1996. Many entered the workforce at a time when the world was reeling from the global financial crisis of 2007-09, during which young people suffered disproportionately. In 2012-14 more than half of Spanish youngsters who wanted a job could not find one. Greece’s youth-unemployment rate was even higher. Britney Spears’s “Work Bitch”, a popular song released in 2013, had an uncompromising message for young millennials: if you want good things, you have to slog.

Gen Zers who have left education face very different circumstances. Youth unemployment across the rich world—at about 13%—has not been this low since 1991. Greece’s youth-unemployment rate has fallen by half from its peak. Hoteliers in Kalamata, a tourist destination, complain about a labour shortage, something unthinkable just a few years ago. Popular songs reflect the zeitgeist. In 2022 the protagonist in a Beyoncé song boasted, “I just quit my job”. Olivia Rodrigo, a 21-year-old singer popular with American Gen Zers, complains that a former love interest’s “career is really taking off”.

Many have chosen to study subjects that help them find work. In Britain and America Gen Zers are avoiding the humanities, and are going instead for more obviously useful things like economics and engineering. Among those who do not attend university, vocational qualifications are increasingly popular.

Chương 1 - Hãy tích hợp với Học máy – Phần 9 (Hết Chương 1)

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Cách đám mây, mạng vạn vật, máy học, phân tích dữ liệu lớn và điện toán nhận thức hoạt động cùng nhau

Sự phức tạp của mối quan hệ giữa các công nghệ này làm cho điện toán nhận thức và học máy trở nên quan trọng trong việc nhận ra giá trị thực sự của mạng vạn vật và dữ liệu lớn. Điều này trở nên phù hợp hơn trong các hệ sinh thái năng động và nhanh nhẹn của các công nghệ và quy trình kinh doanh đòi hỏi sự đổi mới và đột phá trên cơ sở liên tục. Động cơ của mạng vạn vật là kết nối doanh nghiệp, dữ liệu và con người chặt chẽ hơn. Tiện ích của dữ liệu đó bị giới hạn bởi các biến chứng riêng của nó cho đến khi các suy luận hữu ích được rút ra từ nó. Nếu không có ý nghĩa hoặc suy luận, dữ liệu mạng vạn vật sẽ không được sử dụng.

Học máy, với sự liên kết của phân tích, tinh chỉnh dữ liệu thông qua các mô hình và thuật toán bằng cách liên tục xử lý nó (dữ liệu mới) trong thời gian thực. Điều này đào tạo hệ thống để thích ứng với các mẫu và liên kết thay đổi trong dữ liệu. Ngoài ra, các quy trình và công cụ phân tích rộng hơn giúp khám phá các mẫu và sự bất thường trong khối lượng lớn dữ liệu có thể dự đoán và dự đoán kết quả kinh doanh.

Trong quá trình hoàn chỉnh này, dữ liệu là rất quan trọng. Để cung cấp các bước hành động, một hệ thống nhận thức đòi hỏi lượng dữ liệu lớn, hiệu quả và đủ. Dựa trên chất lượng của tập dữ liệu có sẵn, hệ thống nhận thức có thể khám phá các mẫu bên trong nó (với sự trợ giúp của thuật toán học máy). Nếu dữ liệu không lớn, kết quả không nhất quán và chính xác. Điều này có thể dẫn đến các mô hình sai và vô dụng, sẽ gây nguy hiểm cho doanh nghiệp và đánh bại mục đích chung. Một hệ thống nhận thức cũng yêu cầu nhập và ánh xạ dữ liệu để hệ thống có thể bắt đầu khám phá các kết nối giữa các nguồn dữ liệu để có được thông tin chi tiết.[ thuật ngữ "ánh xạ dữ liệu" đề cập đến quá trình tổ chức và cấu trúc dữ liệu theo cách tạo điều kiện phân tích và hiểu biết trong hệ thống nhận thức.]

Để hoàn thành mục tiêu tìm kiếm thông tin chi tiết và giá trị, một hệ thống nhận thức sử dụng hầu hết các dạng dữ liệu, bao gồm dữ liệu có cấu trúc, bán cấu trúc và phi cấu trúc. Các thuật toán học máy là trái tim và xương sống của tất cả những điều này. Chúng cho phép quy trình hoàn chỉnh và đóng một vai trò lớn trong việc cung cấp các dịch vụ mạng vạn vật và Dữ liệu lớn giá trị gia tăng bằng cách tìm ra các mẫu, mối tương quan và sự bất thường trong dữ liệu.

Bây giờ bạn đến với thành phần công nghệ và triển khai. Bạn nhận được dữ liệu thông qua các hệ thống mạng vạn vật và các nguồn khác như tệp nhật ký và tài liệu lưu trữ. mạng vạn vật hoạt động như một trình tạo dữ liệu vô hạn (vì mạng vạn vật đang kết nối các đối tượng ảo và vật lý với Internet) và người tạo. Đám mây có thể đóng vai trò tổ chức và cung cấp tài nguyên cho mạng vạn vật và các nguồn dữ liệu khác. Ngoài ra, đám mây nói chung đóng vai trò trừu tượng để che giấu sự phức tạp và chức năng triển khai. Dữ liệu được lưu trữ trên đám mây trên cơ sở liên tục và thời gian thực và sau đó phân tích dữ liệu được áp dụng trên dữ liệu đó để hiểu ý nghĩa của nó. Kỹ thuật học máy tìm ra các mẫu để đưa ra dự đoán nhằm có được kết quả kinh doanh tốt hơn.

Hãy đặt điều này một cách có hệ thống. Vì lợi ích của sự hiểu biết, tôi chia dòng chảy hoàn chỉnh thành nhiều lớp. Tuy nhiên, đây không phải là sự phân tách tiêu chuẩn và phụ thuộc vào việc thực hiện. Ngoài ra, điều này thay đổi từ doanh nghiệp này sang doanh nghiệp khác dựa trên các chiến lược xung quanh nó (sự phân tách).

Chương 1 - Hãy tích hợp với Học máy – Phần 8

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Điện toán nhận thức là gì?

Thuật ngữ "nhận thức" dùng để chỉ quá trình tinh thần của sự hiểu biết, bao gồm các đặc điểm như nhận thức, súc tích, hiểu biết, khả năng lý luận và phán đoán. Điện toán nhận thức đề cập đến các hệ thống tự học sử dụng khai thác dữ liệu, nhận dạng và kết hợp mẫu, và xử lý ngôn ngữ tự nhiên giống như cách bộ não con người hoạt động.

Các hệ thống máy tính nhận thức có thể học và tương tác tự nhiên với người dùng để mở rộng khả năng của con người hoặc máy móc. Con người có thể làm nhiều hơn những gì họ có thể tự làm mà không cần tính toán nhận thức. (Các) hệ thống này tự phản ứng với môi trường mà không cần lập trình trước. Chúng có thể cảm nhận, học hỏi, suy luận và tương tác. Tóm lại, các hệ thống máy tính nhận thức có thể cảm nhận hoặc nhận thức môi trường và thu thập dữ liệu trên cơ sở nhu cầu và tình huống. Chúng có thể hiểu, giải thích và phân tích "bối cảnh" dựa trên dữ liệu và thông tin thu thập được và đưa ra quyết định dựa trên lý luận.

Các hệ thống điện toán nhận thức sử dụng các thuật toán học máy và phân tích Dữ liệu lớn để đạt được hành vi mong muốn, nhưng chúng không chỉ giới hạn trong các công nghệ này. Mục tiêu của điện toán nhận thức là tạo ra các hệ thống tự động có khả năng không chỉ giải quyết vấn đề mà còn có thể đề xuất các lựa chọn thay thế tốt hơn mà không cần sự trợ giúp của con người. Về mặt kỹ thuật, các hệ thống máy tính nhận thức có thể truy cập và phân tích các kho dữ liệu lịch sử khổng lồ, sau đó áp dụng các thuật toán và kỹ thuật học máy để xác định các kết nối và mối tương quan trên tất cả các phần thông tin đó. Chúng sử dụng một cơ sở kiến thức làm bộ máy để khám phá các mẫu, hỗ trợ quyết định và học sâu. Chúng quyết định những gì đúng trong một tình huống nhất định và cung cấp câu trả lời thích hợp vào thời điểm thích hợp trong bối cảnh thích hợp.

Một số định nghĩa chuyên nghiệp về điện toán nhận thức như sau:

• Điện toán nhận thức là mô phỏng các quá trình suy nghĩ của con người trong một mô hình máy tính. Điện toán nhận thức liên quan đến các hệ thống tự học sử dụng khai thác dữ liệu, nhận dạng mẫu và xử lý ngôn ngữ tự nhiên để bắt chước cách thức hoạt động của bộ não con người. Mục tiêu của điện toán nhận thức là tạo ra các hệ thống công nghệ thông tin tự động có khả năng giải quyết vấn đề mà không cần sự trợ giúp của con người.

• Hệ thống điện toán nhận thức dựa trên giao diện ngôn ngữ tự nhiên định hướng hộp thoại và thuật toán học máy. Chúng có các quy trình hỗ trợ tri thức và bắt chước khả năng ra quyết định của con người để cho phép con người và máy móc tương tác tự nhiên hơn. Điều này mở rộng chuyên môn và hiệu quả của con người bằng cách phân tích thông minh khối lượng dữ liệu và đưa ra những hiểu biết và giải pháp trong một phần nhỏ thời gian cần thiết.

Hệ thống nhận thức khác với các hệ thống máy tính hiện tại. Chúng vượt ra ngoài việc lập bảng, tính toán và các quy tắc và chương trình được biên dịch sẵn. Công nghệ này cho phép mọi người và doanh nghiệp tương tác với máy tính bằng ngôn ngữ tự nhiên như tiếng Anh.

Điều này cho phép khách hàng truyền đạt suy nghĩ, mối quan tâm và mong đợi của họ một cách tự nhiên hơn. Do đó, việc hiểu khách hàng và người dùng dễ dàng hơn nhiều. "Sự hiểu biết tự nhiên giống như con người" này trao quyền cho các tổ chức và doanh nghiệp đạt được sự hài lòng của khách hàng ở mức độ cao nhất và giúp họ giành được sự tin tưởng của họ. Hơn nữa, họ có thể có được sự hài lòng của khách hàng, dẫn đến lòng trung thành của khách hàng suốt đời. Ý tưởng tương tác với máy tính và hệ thống tự động

Những người thuộc thế hệ Z giàu có chưa từng thấy

The Economist. Ngày 16 tháng Tư, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Những người thuộc thế hệ Millennial nghèo hơn ở giai đoạn này trong cuộc sống của họ. Những người bùng nổ trẻ em (baby boomers) cũng vậy. [Cụm từ này cho thấy rằng những người thuộc millennial và baby boomer đều trải qua những thách thức kinh tế trong một giai đoạn tương đương của cuộc đời họ. Hoàn cảnh tài chính của thế hệ millennial, điển hình là những người sinh từ đầu những năm 1980 đến giữa những năm 1990, kém thuận lợi hơn so với các thế hệ trước, đặc biệt là những người thuộc baby boomer (những người sinh ra giữa những năm 1940 và giữa những năm 1960.]

Thế hệ Z (những cá nhân sinh ra vào khoảng cuối những năm 1990 và đầu những năm 2010) đang tiếp quản. ["Thế hệ Z đang tiếp quản" biểu thị sự thay đổi ảnh hưởng xã hội và văn hóa đối với thế hệ được gọi là Thế hệ Z, thường đề cập đến những cá nhân sinh ra vào khoảng cuối những năm 1990 và đầu những năm 2010. Thế hệ Z đang ngày càng trở nên nổi bật trong các khía cạnh khác nhau của xã hội, bao gồm văn hóa, công nghệ, chính trị và kinh tế.]

Ở các nước giàu, có ít nhất 250 triệu người sinh từ năm 1997 đến năm 2012. Khoảng một nửa hiện đang có việc làm. Ở nơi làm việc trung bình của Mỹ, số lượng Thế hệ Z làm việc toàn thời gian sắp vượt qua số lượng những người thuộc thế hệ bùng nổ trẻ em (baby boomers) có việc làm toàn thời gian, những người sinh từ năm 1945 đến 1964, sự nghiệp của họ đang dần kết thúc. Thế hệ Z cũng đang nắm lấy quyền lực: Mỹ hiện có hơn 6.000 giám đốc điều hành và 1.000 chính trị gia thuộc thế hệ Z. Khi thế hệ này trở nên có ảnh hưởng hơn, các công ty, chính phủ và nhà đầu tư cần phải hiểu họ.

Các học giả tạo ra rất nhiều lông tơ về đoàn hệ. [Về cơ bản, tuyên bố cho thấy các chuyên gia đang đưa ra ý kiến hoặc phân tích về một nhóm nhân khẩu học cụ thể (như millennials, Thế hệ Z, v.v.) nghe có vẻ nhiều thông tin nhưng cuối cùng thiếu giá trị thực hoặc chiều sâu. Thay vì cung cấp những hiểu biết có ý nghĩa hoặc giải quyết các vấn đề quan trọng, họ có thể tập trung vào các khía cạnh hời hợt hoặc khuôn mẫu, do đó đóng góp rất ít cho sự hiểu biết hoặc thảo luận thực sự về nhóm thuần tập được đề cập.]

"Nghiên cứu" gần đây từ Frito-Lay, một nhà sản xuất khoai tây chiên giòn, phát hiện ra rằng Thế hệ Z có sở thích mạnh mẽ đối với "đồ ăn nhẹ để lại đồ ăn dư trên ngón tay của họ", chẳng hạn như bụi phô mai. Tuy nhiên, các thế hệ khác nhau cũng thể hiện sự khác biệt sâu sắc hơn trong tính cách của họ, một phần do bối cảnh kinh tế mà họ lớn lên. Những người Đức đến tuổi trưởng thành trong những năm 1920 lạm phát cao đã ghét giá cả tăng cao. Những người Mỹ sống qua cuộc Đại suy thoái có xu hướng tránh đầu tư vào thị trường chứng khoán.

Nhiều ý kiến cho rằng Thế hệ Z được định nghĩa bởi sự lo lắng của nó. Những người lo lắng như vậy bao gồm Jonathan Haidt, một nhà tâm lý học xã hội tại Đại học New York, người có cuốn sách mới, "Thế hệ lo lắng", đang tạo ra làn sóng. Ở một khía cạnh nào đó, Thế hệ Z là không bình thường. Những người trẻ tuổi ngày nay ít có khả năng hình thành các mối quan hệ hơn so với những năm trước. Họ có nhiều khả năng bị trầm cảm hoặc nói rằng họ đã được chỉ định sai giới tính khi sinh. Họ ít có khả năng uống rượu, quan hệ tình dục, ở trong một mối quan hệ - thực sự để làm bất cứ điều gì thú vị. Người Mỹ trong độ tuổi từ 15 đến 24 chỉ dành trung bình 38 phút mỗi ngày để giao tiếp trực tiếp, giảm từ gần một giờ vào những năm 2000, theo dữ liệu chính thức. Ông Haidt đổ lỗi cho điện thoại thông minh và phương tiện truyền thông xã hội mà chúng cho phép.

Cuốn sách của ông đã gây ra một phản ứng rất lớn. Hôm 10 tháng 4, Sarah Huckabee Sanders, Thống đốc bang Arkansas, lặp lại lập luận của ông Haidt khi bà vạch ra kế hoạch điều chỉnh việc sử dụng điện thoại thông minh và mạng xã hội của trẻ em. Chính phủ Anh đang xem xét các biện pháp tương tự.

We Need to be Ready for Biotechnology’s “ChatGPT” Moment

Story by Eric Schmidt

Imagine a world where everything from plastics to concrete is produced from biomass. Personalized cell and gene therapies prevent pandemics and treat previously incurable genetic diseases. Meat is lab-grown; enhanced nutrient grains are climate-resistant. This is what the future could look like in the years ahead.

The next big game-changing revolution is in biology. It will allow us to more effectively fight disease, feed the planet, generate energy, and capture carbon. Already we’re on the cusp of these opportunities. Last year saw some important milestones: the U.S. approved the production and sale of lab-grown meat for the first time; Google DeepMind’s AI predicted structures of over 2 million new materials, which can potentially be used for chips and batteries; Casgevy became the first approved commercial gene-editing treatment using CRISPR. If I were a young person today, biology would truly be one of the most fascinating things to study.

Like the digital revolution, the biotech revolution stands to transform America’s economy as we know it—and it’s coming faster than we expect, turbocharged by AI. Recent advances in biotech are unlocking our ability to program biology just as we program computers. Just like OpenAI’s ChatGPT trains on human language input to come up with new text, AI models trained on biological sequences could design novel proteins, predict cancer growth, and create other useful consumables. In the future, AI will be able to help us run through millions of theoretical and actual biological experiments, more accurately predicting outcomes without arduous trial-and-error—vastly accelerating the rate of new discoveries.

We’re now on the verge of a “ChatGPT moment” in biology, with significant technological innovation and widespread adoption on the horizon. But how ready is America to do what it takes to bring it to fruition? I’m incredibly excited about this forthcoming breakthrough moment, but it’s paramount to ensure that it will happen on our shores. That is why I’m serving on the National Security Commission on Emerging Biotechnology. As the Commission recently wrote in its recent interim report, “Continued U.S. leadership in biotechnology development is not guaranteed.”

America has a history of being the first mover in an emerging industry before losing its leadership when outsourcing its production to other parts of the world. This pattern has repeated itself in high-tech sectors like passenger cars, consumer electronics, solar panels, and, most notably, semiconductors. To avoid the same mistake, it’s crucial we secure a reliable supply chain domestically and internationally that covers everything from raw material extraction to data storage while we build the necessary talent pipeline. Relying on other countries for key components in biotechnology presents enormous economic and national security risks. For instance, leaving our genetic information in the hands of our adversaries could potentially aid them in developing a bioweapon used to target a specific genetic profile. President Biden’s recent executive order aims to prevent sales of such sensitive personal data to China and other adversarial countries.

An investment in both human capital and physical infrastructure will be critical to continued U.S. leadership in biotech. Such investments need not come just from the government but should also provide incentives to stimulate more private funding, as did the CHIPS and Science Act. There’s no overstating how central the bioeconomy will be to U.S. growth over the next fifty years. At present, the bioeconomy generates at least 5% of U.S. GDP; in comparison, semiconductors only constitute around 1% of U.S. GDP. By some measures, 60% of physical inputs to the global economy could be grown with biological processes—the promise of biology is vast for tackling some of humanity’s biggest challenges, including climate change.

Chúng ta cần sẵn sàng cho khoảnh khắc "ChatGPT" của công nghệ sinh học

Tác giả: Eric Schmidt. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Hãy tưởng tượng một thế giới nơi mọi thứ từ nhựa đến bê tông được sản xuất từ sinh khối. Các liệu pháp gen và tế bào được cá nhân hóa ngăn ngừa đại dịch và điều trị các bệnh di truyền không thể chữa khỏi trước đây. Thịt được nuôi trong phòng thí nghiệm; Các loại ngũ cốc dinh dưỡng tăng cường có khả năng chống chịu khí hậu. Đây là những gì tương lai có thể trông như thế nào trong những năm tới.

Cuộc cách mạng thay đổi cuộc chơi lớn tiếp theo là trong sinh học. Nó sẽ cho phép chúng ta chống lại bệnh tật hiệu quả hơn, nuôi sống hành tinh, tạo ra năng lượng và thu giữ carbon. Chúng ta đã ở trên đỉnh của những cơ hội này. Năm ngoái đã chứng kiến một số cột mốc quan trọng: Hoa Kỳ lần đầu tiên phê duyệt việc sản xuất và bán thịt nuôi trong phòng thí nghiệm; AI của Google DeepMind dự đoán cấu trúc của hơn 2 triệu vật liệu mới, có khả năng được sử dụng cho chip và pin; Casgevy trở thành phương pháp điều trị chỉnh sửa gen thương mại đầu tiên được phê duyệt sử dụng CRISPR. Nếu tôi là một người trẻ ngày nay, sinh học sẽ thực sự là một trong những điều hấp dẫn nhất để nghiên cứu.

Hôm nay, Cục Quản lý Thực phẩm và Dược phẩm Hoa Kỳ đã phê duyệt hai phương pháp điều trị quan trọng, Casgevy và Lyfgenia, đại diện cho các liệu pháp gen dựa trên tế bào đầu tiên để điều trị bệnh hồng cầu hình liềm (SCD) ở bệnh nhân từ 12 tuổi trở lên. Ngoài ra, một trong những liệu pháp này, Casgevy, là phương pháp điều trị đầu tiên được FDA chấp thuận sử dụng một loại công nghệ chỉnh sửa bộ gen mới, báo hiệu một tiến bộ sáng tạo trong lĩnh vực liệu pháp gen.

Bệnh hồng cầu hình liềm là một nhóm các rối loạn máu di truyền ảnh hưởng đến khoảng 100.000 người ở Hoa Kỳ. Nó phổ biến nhất ở người Mỹ gốc Phi và, trong khi ít phổ biến hơn, cũng ảnh hưởng đến người Mỹ gốc Tây Ban Nha. Vấn đề chính trong bệnh hồng cầu hình liềm là đột biến hemoglobin, một loại protein được tìm thấy trong các tế bào hồng cầu cung cấp oxy đến các mô của cơ thể. Đột biến này làm cho các tế bào hồng cầu phát triển hình lưỡi liềm hoặc hình liềm. Những tế bào hồng cầu hình liềm này hạn chế dòng chảy trong mạch máu và hạn chế cung cấp oxy đến các mô của cơ thể, dẫn đến đau dữ dội và tổn thương cơ quan được gọi là các sự kiện tắc mạch (VOEs) hoặc khủng hoảng tắc mạch (VOC). Sự tái diễn của những sự kiện hoặc khủng hoảng này có thể dẫn đến khuyết tật đe dọa tính mạng và / hoặc tử vong sớm.

Casgevy, một liệu pháp gen dựa trên tế bào, được chấp thuận để điều trị bệnh hồng cầu hình liềm ở bệnh nhân từ 12 tuổi trở lên bị khủng hoảng tắc mạch tái phát. Casgevy là liệu pháp đầu tiên được FDA chấp thuận sử dụng CRISPR / Cas9, một loại công nghệ chỉnh sửa bộ gen. Tế bào gốc tạo máu (máu) của bệnh nhân được sửa đổi bằng cách chỉnh sửa bộ gen bằng công nghệ CRISPR / Cas9.

CRISPR / Cas9 có thể được định hướng để cắt DNA ở các khu vực được nhắm mục tiêu, cho phép khả năng chỉnh sửa chính xác (xóa, thêm hoặc thay thế) DNA nơi nó bị cắt. Các tế bào gốc máu biến đổi được cấy ghép trở lại vào bệnh nhân, nơi chúng ghép (gắn và nhân lên) trong tủy xương và tăng sản xuất hemoglobin của thai nhi (HbF), một loại hemoglobin tạo điều kiện cung cấp oxy. Ở những bệnh nhân bị bệnh hồng cầu hình liềm, nồng độ HbF tăng ngăn ngừa sự liềm của các tế bào hồng cầu.

Lyfgenia là một liệu pháp gen dựa trên tế bào. Lyfgenia sử dụng véc tơ lentivirus (phương tiện phân phối gen) để biến đổi gen và được chấp thuận để điều trị cho bệnh nhân từ 12 tuổi trở lên mắc bệnh hồng cầu hình liềm và tiền sử biến cố tắc mạch. Với Lyfgenia, các tế bào gốc máu của bệnh nhân được biến đổi gen để sản xuất HbAT87Q, một liệu pháp gen có nguồn gốc hemoglobin có chức năng tương tự như hemoglobin A, là hemoglobin trưởng thành bình thường được sản xuất ở những người không bị ảnh hưởng bởi bệnh hồng cầu hình liềm. Các tế bào hồng cầu chứa HbAT87Q có nguy cơ liềm và tắc nghẽn lưu lượng máu thấp hơn. Những tế

Chương 1 - Hãy tích hợp với Học máy – Phần 7

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Mạng vạn vật là gì?

Mạng vạn vật (Internet of Things - mạng vạn vật) được hiểu là một mạng không dây tự cấu hình của các cảm biến và thiết bị. Mục tiêu và mục đích cuối cùng của nó là kết nối tất cả "sự vật hoặc đối tượng". Trong Mạng vạn vật, một đối tượng hoặc sự vật được kết nối với các đối tượng hoặc sự vật khác qua Internet, như một nguồn dữ liệu hoặc như một người dùng. Một số đối tượng có thể được trang bị máy tính nhỏ hoặc các đơn vị xử lý, có thể xử lý dữ liệu chúng nhận được.

Hầu hết các chuyên gia đồng ý rằng tác động của Mạng vạn vật đối với cuộc sống của chúng ta sẽ lớn hơn nhiều so với tác động kết hợp của máy tính và Internet. Với buổi bình minh của mạng vạn vật, các công nghệ như giao tiếp trường gần và điện thoại thông minh có thể đeo được đã trở thành hiện thực và được nhúng vào cuộc sống hàng ngày của chúng ta.

Mạng vạn vật về cơ bản tích hợp thế giới vật lý và kỹ thuật số bằng cách đưa các ý tưởng, yếu tố và thành phần khác nhau lại với nhau. Nó cố gắng tạo ra một mạng lưới các thiết bị được kết nối liền mạch với nhau (có dây hoặc không dây) giao tiếp qua Internet một cách toàn diện. Số lượng thiết bị được kết nối là hàng nghìn tỷ. Trên thực tế, chúng ta có thể hình dung mạng vạn vật như một kết nối mạng của các đối tượng phổ biến.

Một thực tế đã được chứng minh là mạng vạn vật tác động đến hầu hết mọi doanh nghiệp và cá nhân bởi tác động rộng lớn hơn của nó đối với xã hội và thương mại.

Hơn nữa, việc tích hợp di động, đám mây, học máy, điện toán nhận thức và dữ liệu mạng vạn vật ảnh hưởng đến một loạt các hoạt động kinh doanh và thói quen của các cá nhân. Ví dụ, nó đã thay đổi các loại dụng cụ và thiết bị được sử dụng trong các tổ chức cho mục đích kết nối. Một thế hệ thiết bị kết nối mới kết hợp với các dịch vụ sáng tạo cho phép các hệ thống thông minh độc đáo. Các hệ thống thông minh này được cung cấp bởi dữ liệu do thiết bị mạng vạn vật tạo ra.

Mạng vạn vật giúp các doanh nghiệp đạt được hiệu quả và khai thác trí thông minh từ một loạt các thiết bị được kết nối và có sẵn. Nhìn chung, một khi một tổ chức được cung cấp bởi mạng vạn vật, khả năng hoạt động của nó sẽ tăng lên. Điều này, đến lượt nó, tạo thành quả dưới hình thức sự hài lòng của khách hàng. Mạng vạn vật cũng sẽ có tác động sâu sắc đến cuộc sống của con người. Nó rất hữu ích trong việc cải thiện an toàn công cộng, giao thông vận tải và chăm sóc sức khỏe với thông tin tốt hơn và giao thông và liên lạc nhanh hơn. mạng vạn vật trên thực tế ảnh hưởng đến xã hội, con người và tổ chức theo nhiều cách.

Một số định nghĩa chính thức của mạng vạn vật được liệt kê ở đây:

• Mạng vạn vật là về việc kết nối với những thứ hàng ngày xung quanh chúng ta bằng cách sử dụng các công nghệ Internet.

• Mạng vạn vật bắt đầu với việc kết nối mọi thứ chung quanh bạn, có nghĩa là những điều quan trọng nhất đối với doanh nghiệp của bạn. mạng vạn vật là về việc làm cho dữ liệu của bạn kết hợp với nhau theo những cách mới. Bạn có thể khai thác dữ liệu bằng bảng điều khiển hỗ trợ mạng vạn vật, khám phá trí thông minh có thể hành động. mạng vạn vật giúp bạn hiện đại hóa cách bạn kinh doanh.

• Mạng vạn vật liên kết các đối tượng thông minh với Internet. Nó có thể cho phép trao đổi dữ liệu chưa từng có trước đây và mang lại thông tin cho người dùng một cách an toàn hơn. Bạn có thể hiểu sâu hơn với các phân tích bằng cách sử dụng hệ thống mạng vạn vật để nâng cao năng suất, tạo mô hình kinh doanh mới và tạo ra các luồng doanh thu mới.

Tiến hóa, phát triển và tương lai của mạng vạn vật

Chương 1 - Hãy tích hợp với Học máy – Phần 6

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong khu phố gần nhà.

Điện toán đám mây là gì?

Một định nghĩa được áp dụng rộng rãi về điện toán đám mây đến từ Viện Tiêu chuẩn và Công nghệ Quốc gia Hoa Kỳ:

• Điện toán đám mây là một mô hình cho phép truy cập mạng phổ biến, thuận tiện, theo yêu cầu, vào một nhóm tài nguyên điện toán có thể được cấu hình để chia sẻ (ví dụ: mạng, máy chủ, lưu trữ, ứng dụng và dịch vụ) có thể được cung cấp và phát hành nhanh chóng với nỗ lực quản lý tối thiểu hoặc tương tác của nhà cung cấp dịch vụ.

Ở cấp độ trừu tượng, điện toán đám mây là một tập hợp các thực tiễn tốt nhất và có thể là một trong những cách để thiết kế, triển khai và sử dụng các công nghệ truyền thống và sáng tạo. Mô hình điện toán đám mây cho phép doanh nghiệp triển khai các giải pháp theo những cách đơn giản, hiệu quả và đáng tin cậy. Điện toán đám mây có liên quan đến bí quyết kỹ thuật để tạo ra một cơ sở công nghệ ổn định, mạnh mẽ và an toàn xung quanh sự kết hợp của các quy trình, khuôn khổ và thực tiễn tốt nhất đã được thiết lập và phát triển. Mô hình điện toán đám mây có những đặc tính sau đây:

• Năm đặc điểm

• Ba chế độ dịch vụ

• Bốn chế độ triển khai

Chúng ta hãy xem xét chi tiết các đặc điểm, dịch vụ và mô hình triển khai.

Các đặc điểm cơ bản của điện toán đám mây

Dưới đây là những đặc điểm cần thiết:

• Tự phục vụ và cung cấp theo yêu cầu: Đặc tính này cung cấp sức mạnh cho người dùng để cung cấp khả năng tính toán. Điều này bao gồm nhưng không giới hạn ở việc quản lý thời gian và lưu trữ máy chủ. Việc cung cấp dịch vụ diễn ra tự động mà không cần sự tương tác và can thiệp của con người.

• Truy cập mạng rộng hơn: Dịch vụ và các khả năng khác có sẵn trên mạng lưới. Các dịch vụ này được cung cấp cho người dùng thông qua nhiều nền tảng, khung, thiết bị và thiết bị. Các thiết bị, như điện thoại di động, máy tính xách tay, máy tính để bàn và hệ thống đeo được, được kết nối và có sẵn thông qua truy cập mạng rộng hơn với mức độ người dùng. Truy cập mạng rộng hơn cung cấp tính sẵn sàng cao, điều này rất quan trọng trong nhiều tình huống kinh doanh.

• Tổng hợp tài nguyên: Tài nguyên và dịch vụ máy tính được gộp lại để phục vụ nhiều người dùng với tài nguyên vật lý và ảo không giống nhau. Cơ sở phân bổ nguồn lực năng động và phân bổ giao dịch theo nhu cầu của người dùng làm cho việc tổng hợp tài nguyên rất hữu ích.

• Độ co giãn nhanh: Đây là khả năng nhanh chóng cung cấp khả năng tính toán và các khả năng tài nguyên khác, trong hầu hết các trường hợp tự động, để nhanh chóng mở rộng quy mô, phát hành và mở rộng quy mô.

• Dịch vụ đo lường: Tài nguyên và việc sử dụng dịch vụ có thể được theo dõi, đo lường, kiểm soát và báo cáo, chủ yếu với sự trợ giúp của bảng điều khiển hoặc giao diện người dùng đồ họa. Nhà cung cấp và người dùng dịch vụ đánh giá cao mức độ và thời điểm họ đang sử dụng các dịch vụ và sản phẩm. Điều này rất quan trọng đối với các quy trình quyết định chiến lược và tinh chỉnh.

• Mô hình định giá động: Cho phép người dùng truy cập các dịch vụ và các khả năng khác trên cơ sở trả tiền cho mỗi lần sử dụng.

Sự kết hợp của các đặc điểm, yêu cầu, triển khai và mô hình dịch vụ tạo ra một giải pháp đám mây. Giải pháp này được cung cấp bởi nhiều nhà cung cấp, bao gồm Microsoft, Google, Amazon và IBM. Bây giờ bạn sẽ tìm hiểu về các mô hình dịch vụ và triển khai.

Phương pháp triển khai điện toán đám mây

Có ba loại mô hình triển khai điện toán đám mây, thường được gọi là công cộng, riêng tư và lai.

• Đám mây công cộng: Trong mô hình triển khai đám mây công cộng, tài nguyên được chia sẻ qua Internet và được sử dụng khi cần thiết bởi các nhóm, cá

Chương 1 - Hãy tích hợp với Học máy – Phần 5

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Phân tích dữ liệu là gì?

Phân tích về cơ bản là khám phá và tìm kiếm giao tiếp trong các mẫu tập dữ liệu có ý nghĩa, có thể đạt được với bất kỳ tập dữ liệu nào bất kể lớn hay nhỏ. Trên thực tế, Dữ liệu lớn không phải là tiêu chí cần thiết để tận dụng phân tích và thúc đẩy việc ra quyết định dựa trên dữ liệu. Nếu Dữ liệu lớn không đáp ứng ba V, nó không đủ điều kiện là Dữ liệu lớn.

Vòng đời phân tích trải qua sáu giai đoạn thủ tục tiêu chuẩn chính và mạnh mẽ, phụ thuộc vào nhau và được giải quyết cho đến khi mỗi giai đoạn đáp ứng các tiêu chí cụ thể. Hoạt động bắt đầu từ việc hiểu môi trường kinh doanh và kết thúc bằng việc thu được kết quả, phát triển các khuyến nghị, thực hiện và kết hợp các phát hiện. Cuối cùng, việc cải thiện liên tục độ chính xác và hiệu quả của hiệu suất mô hình đang được duy trì thông qua hiệu chuẩn thường xuyên.

Danh sách sau đây giải thích tất cả các bước chính liên quan đến phân tích được trình bày một cách hợp nhất:

• Mục tiêu và giả thuyết kinh doanh: Trong giai đoạn này, kịch bản kinh doanh, mục tiêu và tính sẵn có của dữ liệu trong nền tảng Dữ liệu lớn được phân tích. Đây còn được gọi là giai đoạn khám phá.

• Trích xuất, chuẩn bị và lấy mẫu dữ liệu: Trong giai đoạn thứ hai, danh sách các biến và khoảng thời gian dự kiến để phân tích được xác định. Tiền xử lý dữ liệu là một quá trình chuẩn bị dữ liệu thô và làm cho nó phù hợp với mô hình học máy. Đây là bước đầu tiên và quan trọng khi tạo ra một mô hình học máy.

• Lập kế hoạch mô hình và phát triển các mô hình / thuật toán dự đoán: Trong giai đoạn này, các mô hình được thiết kế và các mô hình hiệu quả dựa trên kết quả được hoàn thiện.

• Thu được kết quả và phát triển các giải pháp chiến lược, khuyến nghị và vận hành: Trong giai đoạn này, những hiểu biết sâu sắc được lấy từ các mô hình, dựa trên kết quả và chuyển đổi chúng thành các giải pháp chiến lược. Các khuyến nghị kinh doanh cũng được đưa ra trong giai đoạn này. Cuối cùng, các mục hành động được phát triển trên cơ sở các khuyến nghị mà công ty có thể thực hiện dựa trên các ưu tiên và sở thích của họ.

Bây giờ chúng ta hãy kiểm tra vòng đời dữ liệu, tạo thành cơ sở cho Dữ liệu lớn, thông tin và thậm chí cho cả học máy. Vòng đời dữ liệu, còn được gọi là vòng đời thông tin, được định nghĩa là khoảng thời gian mà dữ liệu có mặt trong hệ thống của bạn. Vòng đời này bao gồm từng giai đoạn dữ liệu của bạn trải qua, từ lần chụp đầu tiên trở đi. Các đối tượng dữ liệu trải qua nhiều giai đoạn của cuộc sống theo tốc độ riêng của chúng. Dưới đây là mô tả về một vài thành phần vòng đời dữ liệu chính:

• Tạo, tiếp nhận hoặc thu thập dữ liệu: Cho dù bạn thu thập dữ liệu thông qua nhập dữ liệu, thu thập dữ liệu có sẵn từ các nguồn bên ngoài hoặc hấp thụ tín hiệu từ máy móc, bạn có được thông tin theo một cách nào đó. Bước này mô tả khi các giá trị dữ liệu đi vào tường lửa của hệ thống của bạn.

• Xử lý dữ liệu: Bao gồm một số quy trình, bao gồm làm sạch và chuẩn bị dữ liệu thô để phân tích thêm. Mặc dù trình tự chính xác của các bước có thể khác nhau, việc chuẩn bị dữ liệu thường liên quan đến việc kết hợp dữ liệu từ nhiều nguồn, xác nhận dữ liệu và thực hiện chuyển đổi. Định dạng lại, tóm tắt, chuẩn hóa và cải thiện dữ liệu là các bước thường xuyên trong quy trình xử lý dữ liệu.

• Đánh giá dữ liệu: Đây là bước quan trọng nhất, bất kể bạn phân tích và diễn giải dữ liệu của mình như thế nào. Để nghiên cứu và phân tích dữ liệu của bạn, một số phân tích có thể được yêu cầu. Đây có thể là một tham chiếu đến phân tích thống kê và trực quan hóa. Nó cũng có thể sử dụng mô hình dữ liệu truyền thống (DM) hoặc trí tuệ nhân tạo (AI)

• Chia sẻ hoặc xuất bản dữ liệu: Tại thời điểm này, các dự đoán và thông tin chuyên sâu được chuyển thành các lựa chọn và hướng đi. Dữ liệu

Chương 1 - Hãy tích hợp với Học máy – Phần 4

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Đặc điểm của Học máy

Bây giờ là thời điểm tốt để xem xét các đặc điểm của học máy. Hiểu được những đặc điểm này sẽ cung cấp cho bạn một cái nhìn nén về công nghệ. Chúng ta hãy xem xét các đặc điểm:

• Khả năng tự động áp dụng và sửa đổi hành vi dựa trên nhu cầu của người dùng. Ví dụ: email hoặc tin tức được cá nhân hóa.

• Khả năng khám phá kiến thức mới từ cơ sở dữ liệu lớn về sự thật.

• Khả năng hỗ trợ con người và thay thế các nhiệm vụ đơn điệu, đòi hỏi một số trí thông minh.

• Khả năng tạo ra "cái nhìn sâu sắc" bằng cách hoạt động lặp đi lặp lại trên dữ liệu và học hỏi từ những sai lầm.

Những thách thức kinh doanh hiện tại đối với Học máy

Triển khai Học máy có nhiều thách thức. Các lĩnh vực và phạm vi ứng dụng của nó rất rộng, vì vậy những thách thức cũng có nhiều mặt. Chúng ta hãy xem xét những thách thức này.

Xử lý, quản lý và sử dụng dữ liệu phức tạp và không đồng nhất

Khối lượng lớn dữ liệu phức tạp đang được tạo ra mỗi ngày (chính xác là mỗi giây) từ nhiều nguồn dữ liệu không đồng nhất về khách hàng. Tuy nhiên, có được cái nhìn sâu sắc từ dữ liệu này là một trong những thách thức. Ngoài ra, sự sẵn có của dữ liệu làm cho các yêu cầu / quyết định kinh doanh phức tạp và tốn thời gian hơn vì nhu cầu và mong đợi của khách hàng là cực kỳ cao. Hoàn thành mong đợi của khách hàng là một nhiệm vụ đầy thách thức.

Thông thường, các mối quan hệ và mối tương quan chưa biết được ẩn trong một lượng lớn dữ liệu đa nguồn (phức tạp, không đồng nhất, động, phân tán và rất lớn) và đa cấu trúc (nhiều định dạng và loại dữ liệu có thể bắt nguồn từ sự tương tác giữa con người và máy móc, chẳng hạn như ứng dụng web hoặc mạng xã hội). Bằng cách áp dụng các mô hình học máy trên các bộ dữ liệu đa cấu trúc và có nguồn gốc đa cấu trúc có chất lượng và tính khả dụng khác nhau, bạn có thể hiểu rõ hơn về hành vi của các sản phẩm và ứng dụng và do đó phát triển các sản phẩm / ứng dụng có chất lượng cao hơn. Tuy nhiên, việc phát triển các thuật toán phát hiện các quy tắc có ý nghĩa từ dữ liệu đó là một thách thức khác. Nhưng cuộc hôn nhân của học máy với các kỹ thuật tính toán, xử lý dữ liệu và phân tích tiên tiến đã làm cho điều đó trở nên khả thi. Ví dụ: cơ sở hạ tầng đám mây Microsoft Azure cung cấp "nhà máy dữ liệu" của nó. Đây là một loại công cụ tích hợp dựa trên đám mây giúp tích hợp dữ liệu đa nguồn và đa cấu trúc.

Lưu trữ, quản lý và phân tích khối lượng lớn dữ liệu là một thách thức khác. Tuy nhiên, những tiến bộ gần đây trong học máy, dữ liệu lớn và công nghệ lưu trữ, cung cấp cho con người một loạt các giải pháp để quản lý thách thức này. Điều tốt là các giải pháp được cung cấp này có thể mở rộng, xây dựng tùy chỉnh, nhanh chóng, tự động, chính xác và hiệu quả. Chúng cũng hỗ trợ môi trường thời gian thực.

Các kịch bản, hệ thống và phương pháp kinh doanh năng động

Kiến thức và hiểu biết mới về nhiệm vụ, hoạt động và kinh doanh liên tục được con người khám phá, tạo ra và sinh ra. Do đó, rất khó để liên tục thiết kế lại hoặc tái tạo các hệ thống và mô hình "bằng tay", sau đó sẽ được đồng bộ hóa nếu những thay đổi thường xuyên xảy ra, bao gồm cả môi trường kinh doanh từ góc độ tổ chức trên cơ sở năng động. Do đó, dữ liệu phức tạp và các kịch bản kinh doanh thay đổi cần một số phương pháp và kỹ thuật để dạy các hệ thống (máy tính) thực hiện việc này thay cho chúng. Tuy nhiên, việc tạo ra loại hệ thống động này không phải là dễ dàng. Để đối phó với thách thức này, học máy là một trong những công cụ quan trọng nhất. Các hệ thống học máy đưa ra dự đoán dựa trên các phương pháp được xác định có tính chất tự động và thích ứng. Hiệu quả tính toán của chúng có thể được cải thiện, vì chúng là những hệ thống năng động và linh hoạt.

Chương 1 - Hãy tích hợp với Học máy – Phần 3

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong thành phố.

Chi tiết về học máy (tiếp theo)

Học tập có giám sát

Học có giám sát là quá trình học tập mà biến đầu ra được biết đến. Bằng chứng đầu ra của biến được sử dụng rõ ràng trong đào tạo. Trong học tập có giám sát, dữ liệu có "nhãn". Nói cách khác, bạn biết những gì bạn đang cố gắng dự đoán. Trên thực tế, thuật toán này chứa một biến mục tiêu hoặc kết quả được dự đoán từ một tập hợp các yếu tố dự đoán nhất định (các biến độc lập). Sử dụng tập hợp các biến này, một hàm được tạo ra ánh xạ đầu vào đến các kết quả dự đoán. Quá trình đào tạo tiếp tục cho đến khi mô hình đạt được mức độ chính xác dự kiến trên dữ liệu đào tạo. Trong các vấn đề liên quan đến máy học, một đoàn tàu được đặt để kiểm tra tỷ lệ đặt là 80:20 là chấp nhận được. Trong thế giới Big Data ngày nay, 20% tương đương với một tập dữ liệu khổng lồ. Bạn có thể dễ dàng sử dụng dữ liệu này để đào tạo và giúp mô hình của bạn học tốt hơn. Tuy nhiên, tỷ lệ này thay đổi dựa trên kích thước của dữ liệu.

1. Học tập hoặc đào tạo: Các mô hình học bằng cách sử dụng dữ liệu đào tạo.

2. Kiểm tra mô hình bằng cách sử dụng dữ liệu thử nghiệm không nhìn thấy, để kiểm tra độ chính xác của mô hình.

Học không giám sát

Trong học không giám sát, kết quả là không rõ. Phân cụm đang diễn ra trên tập dữ liệu có sẵn để làm nổi bật các phân vùng và hệ thống phân cấp có ý nghĩa. Không giống như học có giám sát, học không giám sát được sử dụng trên dữ liệu không có lịch sử. Trong học tập không giám sát, thuật toán phải tìm dữ liệu chứa không đủ thông tin hoặc hạn chế. Ngoài ra, nó phải tìm bất kỳ cấu trúc ẩn nào trong tập dữ liệu. Mức độ lớp dữ liệu là không rõ. Không có biến mục tiêu hoặc kết quả hiện diện để dự đoán / ước tính trong học không giám sát.

Học không giám sát được sử dụng để tổ chức dữ liệu thành các nhóm hoặc cụm cụ thể. Quá trình này giúp khám phá các cấu trúc hoặc mẫu cơ bản trong dữ liệu mà không cần các ví dụ được gắn nhãn hoặc các danh mục được xác định trước.

Kỹ thuật này phù hợp nhất để phân khúc khách hàng thành các cụm khác nhau để tham gia cụ thể. Một số lĩnh vực ứng dụng của nó là bản đồ tự tổ chức, lập bản đồ lân cận gần nhất, phân tách giá trị số ít và phân cụm k-means. Các công ty thương mại điện tử như Amazon sử dụng kỹ thuật này cho các đề xuất trực tuyến, xác định các ngoại lệ dữ liệu và các chủ đề văn bản phân đoạn.

Học máy đã thay đổi cách trích xuất dữ liệu và diễn giải của nó. Nó sử dụng các bộ tự động của các phương pháp và thuật toán chung. Trước đó, các kỹ thuật thống kê truyền thống đã được sử dụng cho các loại phân tích tương tự. Các công ty đang sử dụng bộ lý thuyết và thực tiễn học tập mới này để tạo doanh thu. Do đó, học máy đã bắt đầu tác động đến nhiều tổ chức kinh doanh và nghiên cứu. Các sản phẩm và dịch vụ được xây dựng xung quanh học máy để đạt được vị trí dẫn đầu thị trường.

Bởi vì sự đột phá và đổi mới là câu thần chú cho sự thành công của hầu hết các chiến lược kinh doanh, học máy và các công nghệ liên quan của nó chiếm vị trí trung tâm. Đây là lý do chính mà các phương pháp học máy sử dụng nhiều dữ liệu đã được áp dụng trong lĩnh vực khoa học, công nghệ, thương mại và quản lý. Cuộc cách mạng này đang dẫn ngành công nghiệp đến việc ra quyết định dựa trên bằng chứng nhiều hơn với sự trợ giúp của máy tính trên nhiều tầng lớp xã hội. Năm bước ra quyết định dựa trên bằng chứng là:

1. Hỏi: Chuyển một vấn đề thực tế thành một câu hỏi có thể trả lời.

2. Thu thập: Tìm kiếm và truy xuất bằng chứng một cách có hệ thống.

3. Thẩm định: Đánh giá nghiêm túc độ tin cậy của bằng chứng.

4. Áp dụng: Kết hợp bằng chứng vào quá trình ra quyết định.

我们的早期采用者指数考察了美国企业是如何部署人工智能的

各行各业的公司都在使用这项技术

Jun 25th 2023

科技股迎来了丰收年。尽管最近股价有所波动，但以同等权重衡量，“五大科技巨头”（亚马逊、苹果、Meta和微软）的股价自1月份以来已经上涨了60%(见图1)。大型芯片制造商英伟达的股价上涨了两倍，另一家芯片制造商AMD的股价几乎翻了一番。它们的市盈率(衡量市场认为一家公司相对于其利润的价值)是标普500指数中位数公司的10倍。

这种激增的主要原因是人工智能的前景。自去年11月推出人工智能聊天机器人Chatgpt以来，投资者对一波能够创造类似人类内容的新技术越来越兴奋，从诗歌、视频片段到代码行。这种“生成式人工智能”依赖于大型语言模型，这些模型是在互联网的大块数据上“训练”出来的。许多人认为，这项技术可能会重塑整个行业，其对商业和社会的影响不亚于智能手机或云计算。人们认为，能够充分利用这项技术的公司将能够扩大利润空间并获得市场份额。

企业老板们煞费苦心地展示他们是如何利用人工智能的。4月4日，摩根大通的老板杰米•戴蒙表示，该行拥有600名机器学习工程师，并已将人工智能应用于300多种不同的内部应用程序。礼来公司的老板大卫•里克斯表示，这家制药巨头有超过100个使用人工智能的项目正在进行中。最近辞去星巴克老板职务的霍华德·舒尔茨曾表示，他计划投资10亿美元，用人工智能来研究如何制作完美的素食早餐三明治来搭配其公司销售的咖啡。

公司案例研究只揭示了部分情况。为了更广泛地了解哪些公司和行业正在采用人工智能，《经济学人》研究了标普500指数中所有公司的数据。我们考察了五项指标: 提及人工智能的已发布专利所占比例；针对人工智能公司的风险投资活动；收购人工智能公司；招聘信息中提到人工智能；在财报电话会议上也提到了这项技术。因为其他类型的人工智能也可以为商业带来好处，我们的分析捕捉了所有人工智能的活动，而不仅仅是生成式ai。结果表明，除了科技公司，其他公司对人工智能的兴趣也很广泛，而且增长迅速。此外，明显的领先者和落后者已经出现了。

首先是日益增长的兴趣。人工智能的专业知识似乎已经在广泛传播。研究公司PredictLeads表示，在过去三年中，全球约有三分之二的公司发布了提到人工智能技能的招聘广告。在这些公司中，目前有5.3%的空缺职位提到人工智能，高于过去三年平均水平2.5%。在某些行业，这一比例的上升更为显著(见表2)。在零售企业中，这一比例从3%跃升至11%，而在芯片制造商中，这一比例从9%上升至19%。

斯坦福大学的阿米特·塞鲁教授提供的数据显示，2020年至2022年间，人工智能相关专利的数量呈上升趋势。另一家研究公司PitchBook得出结论，到2023年，标普500指数公司约25%的风险交易涉及人工智能初创企业，高于2021年的19%。另一家研究公司GlobalData发现，自2021年以来，约有一半的受调查公司在财报电话会议上谈到了人工智能，今年第一季度，美国公司财报电话会议上提到人工智能的次数比上一季度增加了一倍多。大约一半的公司在2020年至2022年间获得了与该技术相关的专利。

生成式人工智能的使用可能最终会比其他类型的人工智能更加普遍。这是因为它擅长于经营一家公司所必需的许多任务。咨询公司麦肯锡的一份报告认为，生成式人工智能所创造的预期价值的四分之三将来自四种企业职能——研发、软件工程、营销和客户服务。在某种程度上，所有这些业务都是大多数大企业的核心。此外，任何拥有用于指导员工的内部数据库的大公司都可以找到人工智能聊天机器人的用途。摩根士丹利正在开发一款人工智能助手，帮助其财富管理人员从庞大的内部数据库中找到并总结答案。石油服务公司斯伦贝谢，也开发了一个类似的助手来帮助服务工程师。

虽然许多公司都在采用人工智能，但有些公司比其他公司更热情。使用每个指标对所有公司进行排名，然后取平均值，生成一个简单的评分系统。在头部的公司似乎正在赢得投资者的支持。自今年年初以来，排名前100的公司的股价中位数上涨了11%，而排名最低的五分之一公司的股价则丝毫未变。

毫无疑问，排名靠前的都是硅谷公司。从广义上讲，标普500指数包含82家科技公司。其中近50家公司进入了前100名。英伟达是得分最高的公司。根据PredictLeads的数据，在过去的三年里，其三分之一的招聘信息都提到了人工智能。在过去的一年里，该公司在财报电话会议上提到人工智能的次数接近200次，比其他任何公司都多。其他排名靠前的科技公司包括云计算巨头——亚马逊(第34位)、微软(第12位)和Alphabet(第3位)。它们出售一系列人工智能工具的使用权，从帮助训练复杂模型的服务，到让你无需编写大量代码就能使用人工智能的软件。

除了科技公司，有两类公司采用人工智能的速度似乎是最快。一个是数据密集型行业，如保险公司、金融服务公司和医疗保健提供商。在我们的前100名中，它们约占四分之一。数据库公司Databricks的阿里·古德斯指出，这些公司往往拥有大量结构化的数据集，比如贷款账簿或病人档案，这使得人工智能的使用更加容易。摩根大通目前约有十分之一的招聘启事提到了人工智能。该公司最近为“Indexgpt”申请了专利，这是一个注入人工智能的聊天机器人，可以提供投资建议。吉利德科学和莫德纳等医疗保健公司使用人工智能来发现新药。其他公司，如雅培实验室和阿莱技术，则生产人工智能医疗设备。美国食品和药物管理局去年批准了97台这样的机器，高于2017年的26台。

第二类是已经被技术颠覆的行业，包括汽车制造商、电信、媒体和零售业。来自这些行业的13家公司进入了得分最高的100家公司，包括福特、通用和特斯拉。电动汽车的兴起和自动驾驶汽车的前景鼓励汽车制造商投资于技术。今年3月，福特成立了自动驾驶汽车子公司Latitude ai，有朝一日可能与通用的Cruise竞争。今年4月，埃隆•马斯克告诉分析师，特斯拉正在购买专门的人工智能芯片，并“非常专注于”提高他们的人工智能能力，以改善其自动驾驶方面的能力。

零售公司正在利用人工智能来支持他们的核心业务。运动服装巨头耐克于2021年申请了一项可以生成运动鞋三维计算机模型的系统专利。数据库供应商Snowflake的克里斯蒂安·克莱纳曼指出，零售公司也在利用电子商务的增长，收集更多的客户数据。这使得营销活动的目标更加精确。有些公司可能会在个性化方面更进一步。2021年，消费品巨头宝洁公司为一种基于人工智能的系统申请了专利，该系统可以根据照片分析用户的皮肤和头发状况，并推荐治疗它们的产品。

各行业人工智能使用差异可能是所从事工作类型的不同。加州大学的安德里亚·艾斯菲尔德主导的一篇论文研究了企业受人工智能的影响程度。研究人员评估了公司里在进行的有哪些任务，以及Chatgpt完成这些任务的能力。受影响最大的是科技公司，主要是因为人工智能聊天机器人擅长编码。受影响最小的行业往往依赖体力劳动，如农业和建筑业。

行业内也有明显的领先者和落后者。标普500指数中约有70家公司在我们的任何指标上都没有显示出关注人工智能的迹象。其中包括保险公司和医疗保健公司等重人工智能的行业。行业内部的一个区别因素可能是投资。在我们排名前100位的公司中，研发支出占收入的比例中位数为11%。而排名最低的100名则为零。

咨询公司BCG的弗拉德•卢基奇指出，公司内部甚至存在很多差异。他回忆起曾访问过同一家中型跨国公司的两个部门。其中一个没有使用人工智能的经验。另一个则很先进；它已经使用Openai技术的试点版本两年了。

许多非科技公司对人工智能的使用正变得越来越复杂。塞鲁的数据显示，大约有80家非科技公司拥有与人工智能相关的专利，这些专利被另一项专利引用，这表明它们具有一定的技术价值。标普500指数中约有45家非科技公司最近发布了提到模型训练的招聘广告，其中包括波音、联合健康和道富银行。这表明他们可能正在构建自己的模型，而不是使用Openai等公司现成的技术。这种方法的优势在于，它可以产生更精确的人工智能，从而比竞争对手拥有更大的优势。

然而，向内部训练的转变也暗示了一个风险：安全。今年5月，三星发现员工将敏感代码上传到Chatgpt。令人担忧的是，这些信息可能存储在运行这些模型的公司的外部服务器上，比如微软和Alphabet。据报道，现在三星正在训练自己的模型。它还加入了禁止或限制使用Chatgpt的公司名单，如苹果和摩根大通。

其他风险比比皆是。包括Openai在内的模型制造商因使用互联网数据训练模型而被起诉违反版权法。一些大公司认为，如果他们使用Openai的技术，他们可能会承担责任。此外，模型容易编造信息。在一次事件中，一位纽约律师使用Chatgpt撰写了一份动议。聊天机器人包含了虚构的案例，律师被法院罚款。

但所有这些都必须与潜在的巨大好处进行权衡。技术的浪潮常常使工业发生翻天覆地的变化。随着生成式人工智能向经济领域扩散，不难想象它也会做同样的事情。卢基奇表示，企业面临的最大风险可能是“落后”。从美国公司对“全人工智能”的争夺来看，许多老板和投资者都会同意这一点。■

Our early-adopters index examines how corporate America is deploying AI

Companies of all stripes are using the technology

The Economist. Jun 25th 2023.

Technology stocks are having a bumper year. Despite a recent wobble, the share price of the Big Five—Alphabet, Amazon, Apple, Meta and Microsoft—has jumped by 60% since January, when measured in an equally weighted basket. The price of shares in one big chipmaker, Nvidia, has tripled and in another, amd, almost doubled. Their price-to-earnings ratios (which measures how much the markets think a company is worth relative to its profits) are ten times that of the median firm in the s&p 500.

The main reason for the surge is the promise of artificial intelligence (AI). Since the launch in November of Chatgpt, an ai-powered chatbot, investors have grown ever more excited about a new wave of technology that can create human-like content, from poems and video footage to lines of code. This “generative ai” relies on large-language models which are “trained” on big chunks of the internet. Many think the technology could reshape whole industries and have as much impact on business and society as smartphones or cloud computing. Firms that can make the best use of the technology, the thinking goes, will be able to expand profit margins and gain market share.

Corporate bosses are at pains to demonstrate how they are adopting ai. On April 4th Jamie Dimon, JPMorgan Chase’s boss, said his bank had 600 machine-learning engineers and had put ai to work on more than 300 different internal applications. David Ricks, the boss of Eli Lilly, has said that the pharmaceutical giant has more than 100 projects on the go using ai. Howard Schultz, who recently stood down as boss of Starbucks, had said he planned to invest $1bn to use ai to figure out how to make the perfect vegan breakfast sandwich to accompany the coffee the firm sells.

Company case studies reveal only part of the picture. To get a broader sense of which companies and industries are adopting ai The Economist examined data on all the firms in the S&P 500. We looked at five measures: the share of issued patents that mention ai; venture-capital (vc) activity targeting ai firms; acquisitions of ai firms; job listings citing ai; and mentions of the technology on earnings calls. Because other types of ai could bring benefits for business, our analysis captures activity for all ai, not just the generative wave. The results show that even beyond tech firms the interest in ai is widespread and growing fast. Moreover, clear leaders and laggards are already emerging.

Start with the growing interest. ai expertise already seems to be spreading widely. About two-thirds of the firms in our universe have placed a job ad mentioning ai skills in the past three years says PredictLeads, a research firm. Of those that did, today 5.3% of their listed vacancies mention ai, up from a three-year average of 2.5%. In some industries the rise is more dramatic. In retail firms that share has jumped from 3% to 11%, while among chipmakers that proportion grew from 9% to 19%.

The number of AI-related patents trended up between 2020 and 2022, based on data provided by Amit Seru of Stanford University. PitchBook, another research firm, concludes that in 2023 some 25% of venture deals by S&P 500 firms involved ai startups, up from 19% in 2021. GlobalData, also a research firm, finds that about half the firms scrutinised have talked about ai in their earnings calls since 2021 and that in the first quarter of this year the number of times ai was mentioned in the earnings calls of America Inc more than doubled compared with the previous quarter. Roughly half been granted a patent relating to the technology between 2020 and 2022.

The use of generative ai may eventually become even more common that other sorts of AI. That is because it is good at lots of tasks essential to running a firm.

Chỉ số những người chấp nhận sớm của chúng tôi xem cách các công ty Mỹ đang triển khai AI

Các công ty của tất cả các lĩnh vực đang sử dụng công nghệ

The Economist. Ngày 25 tháng Sáu, 2023. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Cổ phiếu công nghệ đang có một năm bội thu. Bất chấp sự chao đảo gần đây, giá cổ phiếu của Big Five - Alphabet, Amazon, Apple, Meta và Microsoft - đã tăng 60% kể từ tháng 1, khi được đo bằng rổ có trọng số bằng nhau. Giá cổ phiếu của một nhà sản xuất chip lớn, Nvidia, đã tăng gấp ba lần và với một nhà sản xuất khác, amd, gần như tăng gấp đôi. Tỷ lệ giá trên thu nhập của họ (đo lường mức độ thị trường nghĩ rằng một công ty có giá trị so với lợi nhuận của nó) gấp mười lần so với công ty trung bình trong S&P 500.

Lý do chính cho sự gia tăng là lời hứa của trí tuệ nhân tạo (AI). Kể từ khi ra mắt vào tháng 11 của ChatGPT, một chatbot được hỗ trợ bởi AI, các nhà đầu tư đã trở nên hào hứng hơn bao giờ hết về một làn sóng công nghệ mới có thể tạo ra nội dung giống như con người, từ thơ và cảnh quay video đến các dòng mã. "AI tạo nội dung" này dựa trên các mô hình ngôn ngữ lớn được "đào tạo" trên các phần lớn của internet. Nhiều người nghĩ rằng công nghệ này có thể định hình lại toàn bộ ngành công nghiệp và có nhiều tác động đến doanh nghiệp và xã hội như điện thoại thông minh hoặc điện toán đám mây. Các công ty có thể sử dụng tốt nhất công nghệ, suy cho cùng, sẽ có thể mở rộng tỷ suất lợi nhuận và giành thị phần.

Các ông chủ công ty đang nỗ lực để chứng minh cách họ đang áp dụng AI. Vào ngày 4 tháng 4, Jamie Dimon, ông chủ của JPMorgan Chase, cho biết ngân hàng của ông có 600 kỹ sư học máy và đã đưa AI vào làm việc trên hơn 300 ứng dụng nội bộ khác nhau. David Ricks, ông chủ của Eli Lilly, đã nói rằng gã khổng lồ dược phẩm có hơn 100 dự án đang diễn ra bằng cách sử dụng AI. Howard Schultz, người gần đây đã từ chức ông chủ của Starbucks, cho biết ông có kế hoạch đầu tư 1 tỷ đô la để sử dụng AI để tìm ra cách làm bánh sandwich ăn sáng thuần chay hoàn hảo để đi kèm với cà phê mà công ty của ông đang bán.

Các nghiên cứu điển hình của công ty chỉ tiết lộ một phần của bức tranh. Để có được cảm giác rộng hơn về những công ty và ngành công nghiệp nào đang áp dụng AI, The Economist đã kiểm tra dữ liệu về tất cả các công ty trong S&P 500. Chúng tôi đã xem xét năm biện pháp: tỷ lệ bằng sáng chế được cấp có đề cập đến AI; hoạt động đầu tư mạo hiểm (VC) nhắm vào các công ty AI; mua lại các công ty AI; danh sách công việc trích dẫn AI; và đề cập đến công nghệ trong các cuộc gọi thu nhập. Bởi vì các loại AI khác có thể mang lại lợi ích cho doanh nghiệp, phân tích của chúng tôi nắm bắt hoạt động cho tất cả AI, không chỉ là làn sóng tạo nội dung. Kết quả cho thấy thậm chí ngoài các công ty công nghệ, sự quan tâm đến AI đang lan rộng và phát triển nhanh chóng. Hơn nữa, các nhà lãnh đạo nỗi bật và những người tụt hậu đã xuất hiện.

Bắt đầu với sự quan tâm ngày càng tăng. Chuyên môn về AI dường như đã được lan truyền rộng rãi. Khoảng hai phần ba các công ty trong thế giới của chúng ta đã đặt một quảng cáo việc làm đề cập đến các kỹ năng AI trong ba năm qua, PredictLeads, một công ty nghiên cứu cho biết. Trong số những người đã làm, ngày nay 5,3% vị trí tuyển dụng được liệt kê của họ đề cập đến AI, tăng từ mức trung bình ba năm là 2,5%. Trong một số ngành công nghiệp, sự gia tăng mạnh mẽ hơn. Trong các công ty bán lẻ, thị phần đó đã tăng từ 3% lên 11%, trong khi trong số các nhà sản xuất chip, tỷ lệ đó tăng từ 9% lên 19%.

Số lượng bằng sáng chế liên quan đến AI có xu hướng tăng từ năm 2020 đến năm 2022, dựa trên dữ liệu do Amit Seru của Đại học Stanford cung cấp. PitchBook, một công ty nghiên cứu khác, kết luận rằng vào năm 2023, khoảng 25% giao dịch mạo hiểm của các công ty thuộc S&P 500 liên quan đến các công ty khởi nghiệp AI, tăng từ 19% vào năm 2021. GlobalData, cũng là một công ty nghiên cứu, phát hiện ra rằng khoảng một nửa số công ty được xem xét kỹ lưỡng đã nói về AI trong các cuộc gọi thu nhập

Chương 1 – Phần 2 - Hãy tích hợp với Học máy

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong thành phố.

Sự can thiệp đơn điệu, lặp đi lặp lại và ít kỹ năng của con người đang được thay thế bằng tự động hóa "thông minh". Điều đó đang thay đổi động lực của việc ra quyết định. Kết quả là tăng hiệu quả và hiệu quả của các quy trình kinh doanh tổng thể và ra quyết định.

[Trong bối cảnh của các quy trình kinh doanh và ra quyết định, "hiệu quả - efficiency" và "hiệu quả" đại diện cho các khái niệm riêng biệt nhưng có liên quan với nhau:

Hiệu quả (efficiency):

Hiệu quả (efficiency) đề cập đến khả năng hoàn thành nhiệm vụ hoặc đạt được mục tiêu với nỗ lực, thời gian hoặc nguồn lực lãng phí tối thiểu. Nó tập trung vào việc tối ưu hóa việc sử dụng các nguồn lực để tối đa hóa sản lượng hoặc kết quả. Trong bối cảnh quy trình kinh doanh, cải thiện Hiệu quả (efficiency) có nghĩa là hợp lý hóa hoạt động, giảm dư thừa và giảm thiểu sự thiếu Hiệu quả (efficiency) để đạt được tiết kiệm chi phí, tăng năng suất và thời gian quay vòng nhanh hơn. Ví dụ, tự động hóa các nhiệm vụ lặp đi lặp lại hoặc thực hiện các thực hành tinh gọn có thể cải thiện Hiệu quả (efficiency) bằng cách loại bỏ các bước không cần thiết và giảm lãng phí tài nguyên.

Hiệu quả (effectiveness):

Mặt khác, Hiệu quả (effectiveness) liên quan đến mức độ đạt được các mục tiêu và mức độ mà các kết quả mong muốn được thực hiện. Nó nhấn mạnh việc đạt được kết quả dự kiến hoặc mang lại giá trị cho các bên liên quan. Trong bối cảnh các quy trình kinh doanh, nâng cao Hiệu quả (effectiveness) liên quan đến việc đảm bảo rằng các hoạt động được thực hiện đóng góp trực tiếp vào việc hoàn thành các mục tiêu và mục tiêu của tổ chức. Điều này có thể đòi hỏi phải sắp xếp các quy trình với các ưu tiên chiến lược, cải thiện sự hài lòng của khách hàng và cung cấp các sản phẩm hoặc dịch vụ chất lượng cao đáp ứng hoặc vượt quá mong đợi.

Trong ngữ cảnh này, hiệu quả (efficiency) và Hiệu quả (effectiveness) tăng lên của các quy trình kinh doanh tổng thể và ra quyết định ngụ ý rằng việc áp dụng các công nghệ hoặc thực tiễn nhất định dẫn đến cả hoạt động hợp lý (hiệu quả - efficiency) và cải thiện kết quả (Hiệu quả - effectiveness). Bằng cách tối ưu hóa việc sử dụng tài nguyên và tăng cường khả năng đạt được kết quả mong muốn, các tổ chức có thể đạt được hiệu suất tổng thể và lợi thế cạnh tranh cao hơn.]

Tác động của nó sẽ được cảm nhận đối với lợi nhuận doanh nghiệp, tăng trưởng doanh thu và hiệu quả hoạt động. Doanh nghiệp sẽ đánh giá cao giá trị kinh doanh ở tất cả các cấp và lĩnh vực đầu tư của họ, cho dù đó là cơ sở hạ tầng công nghệ thông tin, ứng dụng công nghệ thông tin, quy trình kinh doanh, hoạt động hay tài chính. Nếu họ áp dụng cách tiếp cận công nghệ dựa trên bối cảnh phù hợp, lợi ích chắc chắn sẽ đến.

Việc áp dụng đám mây cho phép các công ty nhanh chóng cung cấp tài nguyên của họ và giảm chi phí cho mỗi lần chuyển đổi và trên mỗi máy trạm. Hầu hết các yêu cầu để phát triển ứng dụng đều có sẵn theo yêu cầu trong môi trường dựa trên đám mây, vì vậy việc triển khai một ứng dụng mới rất nhanh chóng. Các nhà cung cấp có quyền truy cập vào chuỗi cung ứng mạnh mẽ, vì vậy việc tích hợp các dịch vụ và hậu cần của họ trở nên dễ dàng. Đám mây cung cấp phân tích dữ liệu theo yêu cầu và các chức năng tính toán nhận thức dựa trên học máy, định hướng ngữ cảnh theo cách tự động. Điều này cho phép các doanh nghiệp tận hưởng tăng trưởng doanh thu cao và tăng lợi tức đầu tư.

Nếu bạn đã theo dõi các xu hướng và định hướng của ngành công nghệ thông tin trong vài năm qua, một tín hiệu rõ ràng là các ngành công nghiệp đang đặt cược rất nhiều vào thế hệ công nghệ mới này.

Chương 1 – Phần 1 - Hãy tích hợp với Học máy

(Trích từ sách Học máy cho những người ra quyết định (Machine Learning for Decision Makers, tác giả: Patanjali Kashyap - Bangalore, Karnataka, Ấn Độ) – Nhà xuất bản Apress. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Xin mua sách Machine Learning for Decision Makers, tiếng Anh, từ nhà xuất bản Apress, Amazon, và tại các website trên Internet hay tại các tiệm sách trong thành phố.

Trong chương này, tôi trình bày tóm tắt toàn diện về cách học máy (ML) hoạt động cùng với các công nghệ khác, bao gồm IoT, phân tích Dữ liệu lớn và điện toán đám mây và nhận thức. Về mặt kỹ thuật, học máy không thể và không bao giờ nên được hiểu một cách cô lập. Đây là một môn học đa ngành. Đây là lý do tại sao bạn cần một cái nhìn tích hợp về bộ khái niệm và công nghệ trước khi bạn có thể hiểu được bối cảnh kỹ thuật của học máy. Ngay cả đối với mục đích học thuật, nếu ai đó muốn hiểu hoạt động của học máy, họ phải tìm hiểu chi tiết các thành phần. Do đó, điều quan trọng là các nhà lãnh đạo và quản lý doanh nghiệp phải có sự hiểu biết toàn diện và tích hợp về học máy để nắm bắt đúng chủ đề. Nó trở nên quan trọng hơn nếu họ quan tâm đến chủ đề này vì lý do kinh doanh. Bởi vì bạn đang đọc cuốn sách này, tôi cho rằng bạn muốn làm quen với các khái niệm về học máy.

Trong nỗ lực cung cấp nền tảng khái niệm về học máy và các công nghệ liên quan của nó, tôi giải quyết nhiều câu hỏi kinh doanh, bao gồm:

• Học máy là gì?

• Trường hợp kinh doanh cho học máy là gì?

• Chúng ta sử dụng máy học như thế nào?

• Các tính năng chính của học máy là gì?

• Chúng ta có thể triển khai machine learning ở đâu?

• Các kỹ thuật / loại chính được sử dụng trong học máy là gì?

• Tại sao học máy lại bắt buộc trong kinh doanh?

Những câu hỏi này được trả lời chi tiết trong chương này và các chương sau. Các lợi ích và giá trị kinh doanh chính của việc triển khai học máy thành công cũng được thảo luận ở những nơi thích hợp.

Hầu như cùng một bộ câu hỏi, suy nghĩ và khái niệm cũng được giải quyết cho các công nghệ liên quan. Chương này khám phá các khái niệm cốt lõi đằng sau các phân tích nâng cao và thảo luận về cách chúng có thể được tận dụng trong môi trường nhận thức, dựa trên tri thức. Với mức độ phân tích nâng cao phù hợp, hệ thống có thể hiểu sâu hơn và dự đoán kết quả một cách chính xác và sâu sắc hơn. Do đó, điều cần thiết là phải nghiên cứu các khái niệm này một cách thực tế. Chương này giới thiệu nền tảng kiến thức và cung cấp cho bạn kiến thức thực tế mà bạn đang tìm kiếm.

Doanh nghiệp của bạn, công nghệ của tôi và sự tương tác của chúng tôi về suy nghĩ

Lập luận của tôi rất đơn giản và bạn sẽ thấy nó được truyền tải trong suốt cuốn sách. Tôi cho rằng các công nghệ như đám mây, phân tích dữ liệu lớn, học máy và điện toán nhận thức cho phép tăng trưởng, lợi nhuận và doanh thu. Trọng tâm của tôi không phải là giải thích mô hình và lợi ích của nó theo cách từng bước mà là giải thích các công nghệ đằng sau nó.

Trong bất kỳ kịch bản kinh doanh nào, kết quả và kết quả có nhiều chiều. Nhưng điều quan trọng đối với các doanh nghiệp, lãnh đạo doanh nghiệp và các bên liên quan là biết họ tác động đến chiến lược kinh doanh của họ như thế nào. Kết quả phụ thuộc vào nhiều yếu tố, chẳng hạn như cơ sở hạ tầng sẵn sàng nhanh như thế nào, chi phí cho mỗi quá trình chuyển đổi, thời gian triển khai cho các ứng dụng mới và thậm chí cả cách các đối tác, bao gồm cả nhà cung cấp, được tích hợp trong chuỗi cung ứng tổng thể và quy trình ra quyết định. Một yếu tố quan trọng khác là mức độ tự động hóa mà doanh nghiệp có (từ dưới lên trên).

Học máy – hay nói cách khác là "tự động hóa tự động hóa" – và điện toán nhận thức đang thay đổi cách đưa ra quyết định. ["tự động hóa tự động hóa" đề cập đến quá trình sử dụng học máy và các kỹ thuật tính toán nhận thức để tự động hóa các tác vụ trước đây được thực hiện thủ công hoặc thông qua các phương pháp tự động hóa truyền thống.]

AI in the Courts: How Worried Should We Be? – Part 3

by Cary Coglianese, Maura R. Grossman and Paul W. Grimm

Vol. 107 No. 3 (2024) – Justitia.

While in some situations relying on AI is at best ill advised, we are loath to ban its use in toto for most applications. AI systems need to be considered in light of their benefits and risks, the quality of the available alternative processes for decision-making, and the consequences of making a wrong decision because one or more of the conditions we specify have not been met. Use of a faulty AI software application that recommends a bad movie to watch simply raises different concerns than using a faulty AI application for the purpose of determining the length of a criminal sentence to be imposed.

COGLIANESE: It’s hard to say in the abstract that AI ought never be put to some uses. To be sure, any uses that are abhorrent if conducted without AI will still be abhorrent when conducted with AI. And there are other uses where, due to current limitations in data or algorithmic designs, AI is not ready for prime time. But judgments about whether specific AI tools are too biased, unjust, or unsafe will need to be made on a case-by-case basis and they’ll never be permanent or absolute. The technology is changing rapidly. But the appropriate test in all cases should be how well AI performs compared with the status quo.

With that comparative perspective in mind, we probably ought to be careful before concluding that some uses are just “too risky” ever to allow AI to handle them. If we think some uses are too risky for AI, then presumably they’re risky without AI. Human decision-making is prone to bias and error, too. If AI tools can be shown to perform risky tasks better than humans, we ought to be open to considering AI.

Already, we see AI doing some amazing things. In November 2022, ChatGPT’s version 3.5 took the world by storm, but still only scored at the 10th percentile on the uniform bar exam. By March 2023, though, when OpenAI released ChatGPT version 4.0, this AI tool not only passed the uniform bar exam — but did so at the 90th percentile!

Still, as any lawyer can surely testify, the practice of law is not the same as the bar exam. Humans still outperform AI on tasks that call for creative problem-solving and out-of-the-box thinking. AI depends on very large sets of data to perform pattern recognition and forecasting. Although it can perform many of these kinds of tasks very well — even beating humans at detecting fraud, predicting recidivism, and finding errors in documents — many tasks will remain that humans do best. Truly sui generis judgments cannot be decided by AI tools, for example, even though they come before legal institutions with considerable frequency. And AI tools cannot make ultimate value judgments — however good they get at performing other sophisticated tasks. I agree with the thrust of Chief Justice John Roberts’s views about AI — expressed recently in his year-end report on the judiciary — that there will long remain important work for lawyers and judges to do.10

The challenge ahead will be to find the best ways for humans and computers to collaborate. We may also need to reimagine the work of lawyers, judges, and other personnel in our courts and bureaucracies. If we can lighten humans’ share of paperwork processing, routine order drafting, and other regular tasks, maybe we can unleash humans to do more of what they distinctively excel at. I’d like to see a world in which courts and bureaucracies provide greater human empathy and compassion. I’d also like to see them provide empathic support that is more accessible, consistent, and unbiased. Maybe the path to this more humane future will, ironically, depend on a technology that disrupts how we conceive of human effort in the legal profession.

AI trong tòa án: Chúng ta nên lo lắng như thế nào? – Phần 3

Tác giả: Cary Coglianese, Maura R. Grossman và Paul W. Grimm

Bộ 107 Số 3 (2024) - Justitia. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Mặc dù trong một số tình huống, tốt nhất là không nên dựa vào AI, nhưng chúng tôi không muốn cấm sử dụng nó trong hầu hết các ứng dụng. Các hệ thống AI cần được xem xét dựa trên lợi ích và rủi ro của chúng, chất lượng của các quy trình thay thế có sẵn để ra quyết định và hậu quả của việc đưa ra quyết định sai lầm vì một hoặc nhiều điều kiện chúng tôi chỉ định chưa được đáp ứng. Việc sử dụng một ứng dụng phần mềm AI bị lỗi đề xuất một bộ phim xấu để xem chỉ đơn giản là làm dấy lên những lo ngại khác với việc sử dụng một ứng dụng AI bị lỗi với mục đích xác định thời hạn của bản án hình sự sẽ được áp dụng.

COGLIANESE: Thật khó để nói một cách trừu tượng rằng AI không bao giờ nên được đưa vào một số mục đích sử dụng. Chắc chắn, bất kỳ việc sử dụng nào đáng ghê tởm nếu được thực hiện mà không có AI vẫn sẽ là ghê tởm khi được thực hiện với AI. Và có những cách sử dụng khác, do những hạn chế hiện tại trong dữ liệu hoặc thiết kế thuật toán, AI chưa sẵn sàng cho thời gian chính. Nhưng các đánh giá về việc liệu các công cụ AI cụ thể có quá thiên vị, bất công hoặc không an toàn hay không sẽ cần phải được thực hiện trên cơ sở từng trường hợp cụ thể và chúng sẽ không bao giờ là vĩnh viễn hoặc tuyệt đối. Công nghệ đang thay đổi nhanh chóng. Nhưng thử nghiệm thích hợp trong mọi trường hợp phải là AI hoạt động tốt như thế nào so với hiện trạng.

Với quan điểm so sánh đó, có lẽ chúng ta nên cẩn thận trước khi kết luận rằng một số ứng dụng chỉ là "quá rủi ro" để cho phép AI xử lý chúng. Nếu chúng ta nghĩ rằng một số ứng dụng quá rủi ro đối với AI, thì có lẽ chúng sẽ rủi ro nếu không có AI. Việc ra quyết định của con người cũng dễ bị thiên vị và sai lầm. Nếu các công cụ AI có thể được chứng minh là thực hiện các nhiệm vụ rủi ro tốt hơn con người, chúng ta nên cởi mở để xem xét AI.

Hiện tại, chúng ta đã thấy AI làm một số điều tuyệt vời. Tháng 11 năm 2022, phiên bản 3.5 của ChatGPT đã gây bão trên toàn thế giới, nhưng vẫn chỉ đạt điểm phần trăm thứ 10 trong kỳ thi luật sư tiêu chuẩn. Tuy nhiên, đến tháng 3 năm 2023, khi OpenAI phát hành ChatGPT phiên bản 4.0, công cụ AI này không chỉ vượt qua kỳ thi luật sư tiêu chuẩn - mà còn làm được điều đó ở phân vị thứ 90!

Tuy nhiên, như bất kỳ luật sư nào chắc chắn có thể làm chứng, việc thực hành pháp luật không giống như kỳ thi luật sư. Con người vẫn vượt trội hơn AI trong các nhiệm vụ đòi hỏi giải quyết vấn đề sáng tạo và tư duy vượt trội. AI phụ thuộc vào các bộ dữ liệu rất lớn để thực hiện nhận dạng và dự báo mẫu. Mặc dù nó có thể thực hiện rất tốt nhiều loại nhiệm vụ này — thậm chí đánh bại con người trong việc phát hiện gian lận, dự đoán tái phạm và tìm lỗi trong tài liệu — nhiều nhiệm vụ sẽ vẫn là nhiệm vụ mà con người làm tốt nhất. Ví dụ, các phán quyết thực sự sui generis không thể được quyết định bởi các công cụ AI, mặc dù chúng được đưa ra trước các tổ chức pháp lý với tần suất đáng kể. ["sui generis" đề cập đến các phán quyết pháp lý là duy nhất hay thuộc loại riêng của chúng, không có tiền lệ rõ ràng hoặc các quy tắc được thiết lập để hướng dẫn chúng.]

Và các công cụ AI không thể đưa ra các đánh giá giá trị cuối cùng - dù chúng có tốt đến đâu khi thực hiện các nhiệm vụ phức tạp khác. Tôi đồng ý với quan điểm của Chánh án John Roberts về AI - được thể hiện gần đây trong báo cáo cuối năm của ông về tư pháp - rằng về lâu dài sẽ vẫn còn công việc quan trọng đối với các luật sư và thẩm phán.

Thách thức phía trước sẽ là tìm ra những cách tốt nhất để con người và máy tính hợp tác. Chúng ta cũng có thể cần phải hình dung lại công việc của các luật sư, thẩm phán và các nhân viên khác trong tòa án và bộ máy quan liêu của chúng ta. Nếu chúng ta có thể làm nhẹ phần của con người trong việc xử lý giấy tờ, soạn thảo đơn đặt hàng thường xuyên và các nhiệm vụ thường xuyên khác, có lẽ chúng ta có thể

China Stifles Its Own Debate

Stephen S. Roach – Project Syndicate. April 12, 2024

For more than two decades, the China Development Forum was a meeting where foreign business, political, and academic leaders could debate the state of the Chinese economy with the country’s highest leaders. But this year’s gathering eschewed open and honest dialogue, in favor of telling only “good stories” about China.

After my recent trip to Beijing to attend the 25th annual China Development Forum (CDF), the country’s most important public conference, one question keeps turning over in my head: What’s the point?

I raise this question as a CDF insider – as the longest-attending foreign delegate, having participated in all but the first CDF in 2000. I have witnessed this event at its best and its worst. I can say with certainty that this year’s gathering marked a new low – hence my question.

Former Premier Zhu Rongji conceived of the CDF as a forum for debate and exchange between senior Chinese leaders and foreign academics, think-tank experts, and business leaders. The timing of the conference – immediately following the National People’s Congress (NPC) – was deliberate: Zhu held the provocative view that the ministers of the State Council should engage with outside experts immediately after their internal deliberations at the NPC. It was, in effect, a stress test for senior Chinese officials.

Zhu practiced what he preached. At my first CDF in 2001 – a much smaller and more intimate gathering – I delivered a keynote luncheon address on the state of the global economy, arguing that a post-dot-com slowdown was at hand. Fred Bergsten, the founding director of the Petersen Institute for International Economics, challenged me in the discussion that followed. At the concluding session of CDF 2001, Zhu interrupted John Bond, then chairman of HSBC, during his summary of the three-day gathering, and instead called on me and Bergsten to recap our views. Zhu was more interested in the debate than in Bond’s commentary.

After the meeting, Zhu pulled me aside and said, in perfect English, “Roach, I hope you are wrong, but we will plan as if you are right.” At the following year’s CDF, he warmly greeted me with a simple, “Thank you.”

It is in that spirit and in the spirit of many subsequent years of active participation in CDF sessions that I bemoan the loss of what had been a vigorous culture of debate in China. The CDF has effectively been neutered as an open and honest platform of engagement. Word has been sent down from on high that there is room for only “good stories of China.” Anyone who raises questions about problems, or even challenges, faces exclusion from the public sessions.

That was certainly true for me. On the eve of this year’s CDF, the powers that be informed me that my recent comments on the Chinese economy “have generated intense scrutiny and even controversy” among the Chinese and international press, which suggested to them that anything I say publicly at the conference “will be misinterpreted and even sensationalized” by the media. I was told in no uncertain terms that this would not be in my – or China’s – best interest.

No surprise, then, that I was not given a speaking role for the first time in 24 years. Moreover, my background paper on Chinese rebalancing, which I had been invited to prepare as part of the CDF Engagement Initiative, was neither published nor distributed, as has always been the case for invited submissions in the past.

Nor was I the only one singled out: an economist friend whom I have known and respected for years was instructed before going on stage not to say anything negative about the economic outlook.

Political correctness can be bad enough. But censorship and attempted thought control, with the aim of stifling debate, are something else entirely. That led me to the seemingly pointless feeling of resignation. Why even bother?

My answer is both idealistic and admittedly naive.

Trung Quốc Kiềm Chế Cuộc Thảo Luận của Chính Mình

Stephen S. Roach - Dự án Syndicate. 12 tháng 4 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Trong hơn hai thập kỷ qua, Diễn đàn Phát triển Trung Quốc đã là một cuộc họp nơi các nhà lãnh đạo kinh doanh, chính trị và học thuật nước ngoài có thể thảo luận về tình hình kinh tế của Trung Quốc với các nhà lãnh đạo cao nhất của đất nước. Nhưng cuộc tụ hội năm nay đã không có sự đối thoại mở và trung thực, mà chỉ để kể những "câu chuyện tốt" về Trung Quốc.

Sau chuyến đi gần đây của tôi đến Bắc Kinh để tham dự Diễn đàn Phát triển Trung Quốc lần thứ 25 (CDF), cuộc hội nghị công cộng quan trọng nhất của đất nước, một câu hỏi liên tục vẫn lặp đi lặp lại trong đầu tôi: Mục đích là gì?

Tôi đặt câu hỏi này cho chính tôi, một người hiểu biết về CDF - là người nước ngoài tham dự lâu nhất, đã tham gia vào tất cả các CDF trừ CDF đầu tiên vào năm 2000. Tôi đã chứng kiến sự kiện này ở mức tốt nhất và xấu nhất của nó. Tôi có thể nói chắc chắn rằng cuộc tụ hội của năm nay đánh dấu một điểm thấp mới - vì vậy có câu hỏi của tôi.

Cựu Thủ tướng Zhu Rongji đã nghĩ ra CDF như một diễn đàn để thảo luận và trao đổi giữa các nhà lãnh đạo Trung Quốc cao cấp và các học giả nước ngoài, các chuyên gia think-tank và các nhà lãnh đạo kinh doanh. Thời gian của cuộc hội nghị - ngay sau Đại hội Nhân dân Quốc gia (NPC) - là một sự chọn lựa: Zhu có quan điểm gây tranh cãi rằng các bộ trưởng của Hội đồng Nhà nước nên tương tác với các chuyên gia bên ngoài ngay sau những cuộc thảo luận nội bộ của họ tại NPC. Đó thực sự là một bài kiểm tra căng thẳng cho các quan chức Trung Quốc cấp cao.

Zhu thực hành những gì ông đã nói. Tại CDF đầu tiên của tôi vào năm 2001 - một cuộc tụ hội nhỏ hơn và gần gũi hơn nhiều - tôi đã thuyết trình tại buổi trưa với chủ đề về tình hình kinh tế toàn cầu, cho rằng sự chậm trễ sau thời kỳ dot-com đã đến. Fred Bergsten, giám đốc sáng lập của Viện Nghiên cứu Quốc tế Peterson, đã thách thức tôi trong cuộc thảo luận sau đó. Tại phiên họp kết thúc của CDF 2001, Zhu đã gián đoạn (interrupted) John Bond, chủ tịch HSBC thời đó, trong bản tóm tắt ba ngày tụ hội, và thay vào đó gọi tôi và Bergsten để tóm tắt quan điểm của chúng tôi. Zhu quan tâm hơn đến cuộc thảo luận hơn là nhận xét của Bond. [Trong bối cảnh này, "bị gián đoạn" có nghĩa là Zhu Rongji, cựu Thủ tướng Trung Quốc, đã xen vào bài phát biểu của John Bond trong phiên bế mạc Diễn đàn Phát triển Trung Quốc (CDF) năm 2001. Sự gián đoạn này có thể liên quan đến việc Zhu đột ngột dừng bản tóm tắt của Bond về cuộc họp kéo dài ba ngày để chuyển hướng sự chú ý đến người nói và một cá nhân khác, có khả năng là tác giả của văn bản và Fred Bergsten.]

Sau cuộc họp, Zhu kéo tôi sang một bên và nói, bằng tiếng Anh hoàn hảo, "Roach, tôi hy vọng bạn đã sai, nhưng chúng tôi sẽ lập kế hoạch như nếu bạn đúng." Vào năm CDF sau đó, ông đã chào đón tôi nồng hậu với một lời cảm ơn đơn giản, "Cảm ơn bạn."

Chính trong tinh thần đó và trong tinh thần của nhiều năm tham gia tích cực vào các phiên họp của CDF sau đó, tôi ân hận về việc mất đi cái mà đã là một nền văn hóa tranh luận sôi nổi ở Trung Quốc. CDF đã bị mổ không còn là một nền tảng giao tiếp mở và trung thực. Tin đã được truyền đi từ trên cao rằng chỉ có "câu chuyện tốt về Trung Quốc." Bất kỳ ai đề cập đến các vấn đề hoặc thậm chí thách thức đều phải đối mặt với sự loại trừ khỏi các phiên họp công cộng.

Điều đó chắc chắn đúng với tôi. Trước đêm của CDF năm nay, những người có quyền lực đã thông báo cho tôi biết rằng các bình luận gần đây của tôi về kinh tế Trung Quốc "đã tạo ra sự quan tâm mạnh mẽ và thậm chí là tranh cãi" trong báo chí Trung Quốc và quốc tế, điều này gợi ý với họ rằng bất kỳ điều gì tôi nói công khai tại hội nghị "sẽ bị hiểu lầm và thậm chí là gây kỳ thị" bởi các phương tiện truyền thông. Tôi được cho biết rõ rằng điều này sẽ không phải là cho lợi ích của tôi - hoặc của Trung Quốc.

Không có gì ngạc nhiên, vì vậy, tôi không được phát biểu lần đầu tiên trong 24 năm.

Governments Must Shape AI’s Future

Mariana Mazzucato and Fausto Gernone – Project Syndicate. Apr 12, 2024

As with social media, the incentives around AI are aligned for rent extraction, where large companies, acting as intermediaries, amass profits at others’ expense. Governments urgently need to step in to ensure that the technology is being designed and brought to market in ways that will serve the common good.

Last December, the European Union set a global precedent by finalizing the Artificial Intelligence Act, one of the world’s most comprehensive sets of AI rules. Europe’s landmark legislation could signal a broader trend toward more responsive AI policies. But while regulation is necessary, it is insufficient. Beyond imposing restrictions on private AI companies, governments must assume an active role in AI development by designing systems and shaping markets for the common good.

To be sure, AI models are evolving rapidly. When EU regulators released the first draft of the AI Act in April 2021, they hailed it as “future-proof,” only to be left scrambling to update the text in response to the release of ChatGPT a year and a half later. But regulatory efforts are not in vain. For example, the law’s ban on AI in biometric policing will likely remain pertinent, regardless of advances in the technology. Moreover, the risk frameworks contained in the AI Act will help policymakers guard against some of the technology’s most dangerous uses. While AI will develop faster than policy, the law’s fundamental principles will not need to change – though more flexible regulatory tools will be needed to tweak and update rules.

But thinking of the state as only a regulator misses the larger point. Innovation is not just some serendipitous market phenomenon. It has a direction that depends on the conditions in which it emerges, and public policymakers can influence these conditions. The rise of a dominant technological design or business model is the result of a power struggle between various actors – corporations, governmental bodies, academic institutions – with conflicting interests and divergent priorities. Reflecting this struggle, the resulting technology may be more or less centralized, more or less proprietary, and so forth.

The markets that form around new technologies follow the same pattern, with important distributive implications. As the software pioneer Mitch Kapor puts it, “Architecture is politics.” More than regulation, a technology’s design and surrounding infrastructure dictate who can do what with it, and who benefits. For governments, ensuring that transformational innovations produce inclusive and sustainable growth is less about fixing markets, and more about shaping and co-creating them. When governments contribute to innovation through bold, strategic, mission-oriented investments, they can create new markets and crowd-in the private sector.

In the case of AI, the task of directing innovation is currently dominated by large private corporations, leading to an infrastructure that serves insiders’ interests and exacerbates economic inequality. This reflects a longstanding problem. Some of the technology firms that have benefited the most from public support – such as Apple and Google – have also been among those accused of using their international operations to avoid paying taxes. These unbalanced, parasitic relationships between big firms and the state now risk being further entrenched by AI, which promises to reward capital while reducing the returns to labor.

The companies developing generative AI are already at the center of debates about extractive behaviors, owing to their unfettered use of copyrighted text, audio, and images to train their models. By centralizing value within their own services, they will reduce value flows to the artists whom they rely on. As with social media, the incentives are aligned for rent extraction, whereby dominant intermediaries amass profits at others’ expense.

Chính Phủ Cần Định Hình Tương Lai của Trí Tuệ Nhân Tạo

Mariana Mazzucato và Fausto Gernone - Dự Án Syndicate. Ngày 12 tháng 4 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Như với mạng xã hội, các động cơ xung quanh trí tuệ nhân tạo được điều chỉnh để trích lời, nơi các công ty lớn, hoạt động như là các trung gian, tích lũy lợi nhuận trên lưng người khác. Chính phủ cần phải nhanh chóng can thiệp để đảm bảo rằng công nghệ được thiết kế và đưa ra thị trường theo cách mà sẽ phục vụ lợi ích chung.

Tháng trước, Liên minh châu Âu đã thiết lập tiền lệ toàn cầu thông qua việc hoàn thiện Luật Trí Tuệ Nhân Tạo, một trong những bộ luật về trí tuệ nhân tạo chi tiết nhất trên thế giới. Luật pháp tiến bộ của châu Âu có thể tín hiệu cho một xu hướng phổ quát hơn đối với các chính sách trí tuệ nhân tạo phản ứng hơn. Nhưng trong khi quy định là cần thiết, nó không đủ. Ngoài việc áp đặt hạn chế đối với các công ty AI tư nhân, chính phủ cần phải đảm nhận vai trò tích cực trong việc phát triển trí tuệ nhân tạo bằng cách thiết kế hệ thống và định hình thị trường vì lợi ích chung.

Đương nhiên, các mô hình trí tuệ nhân tạo đang phát triển rất nhanh. Khi các cơ quan quy định Liên minh châu Âu phát hành bản dự thảo đầu tiên của Luật Trí Tuệ Nhân Tạo vào tháng 4 năm 2021, họ đã tuyên bố nó là "bảo đảm cho tương lai", chỉ để phải vội vàng cập nhật văn bản để đáp ứng với việc phát hành ChatGPT một năm và nửa sau đó. Nhưng các nỗ lực quy định không phải là vô ích. Ví dụ, việc cấm sử dụng trí tuệ nhân tạo trong lĩnh vực cảnh sát sinh học của luật có thể vẫn còn phù hợp, bất kể sự tiến bộ trong công nghệ. Hơn nữa, các khung viễn cảnh nguy hiểm chứa trong Luật Trí Tuệ Nhân Tạo sẽ giúp các nhà quy hoạch chính sách ngăn chặn một số ứng dụng nguy hiểm nhất của công nghệ. Trong khi trí tuệ nhân tạo sẽ phát triển nhanh hơn chính sách, những nguyên tắc pháp luật cơ bản của luật sẽ không cần phải thay đổi - mặc dù cần sử dụng các công cụ quy định linh hoạt hơn để điều chỉnh và cập nhật các quy tắc.

Nhưng nghĩ về nhà nước chỉ là một cơ quan quy định là bỏ lỡ điểm quan trọng lớn hơn. Sáng tạo không chỉ là hiện tượng thị trường tình cờ nào đó. Nó có hướng phát triển phụ thuộc vào điều kiện nó xuất hiện, và các nhà chính sách công cộng có thể ảnh hưởng đến các điều kiện này. Sự nổi lên của một thiết kế công nghệ hoặc mô hình kinh doanh thống trị là kết quả của một cuộc đấu tranh quyền lực giữa các nhà hành động - các tập đoàn, cơ quan chính phủ, các cơ sở học thuật - với các lợi ích xung đột và các ưu tiên khác nhau. Phản ánh cuộc đấu tranh này, công nghệ kết quả có thể tập trung hơn hoặc ít tập trung hơn, nhiều hơn hoặc ít hơn là sở hữu, và cetera.

Các thị trường hình thành xung quanh các công nghệ mới theo cùng một mô hình, với các tác động phân phối quan trọng. Như nhà pion Mitch Kapor nói, "Kiến trúc là chính trị." Hơn cả là quy định, thiết kế công nghệ và cơ sở hạ tầng xung quanh nó quyết định ai có thể làm gì với nó, và ai được hưởng lợi. Đối với chính phủ, đảm bảo rằng các đổi mới biến đổi tạo ra tăng trưởng bao hàm và bền vững ít phải là việc sửa chữa thị trường, mà hơn là việc định hình và đồng sáng tạo chúng. Khi chính phủ đóng góp vào sự đổi mới thông qua các đầu tư táo bạo, chiến lược và hướng nhiệm vụ, họ có thể tạo ra các thị trường mới và thu hút khu vực tư nhân.

Trong trường hợp của trí tuệ nhân tạo, nhiệm vụ chỉ đạo sự đổi mới hiện đang được các công ty tư nhân lớn chi phối, dẫn đến một cơ sở hạ tầng phục vụ lợi ích của các bên trong và làm tăng thêm bất bình đẳng kinh tế. Điều này phản ánh một vấn đề lâu dài. Một số công ty công nghệ đã hưởng lợi nhiều nhất từ sự hỗ trợ công cộng - như Apple và Google - cũng đã là những người bị buộc tội sử dụng hoạt động quốc tế của họ để trốn thuế. Những mối quan hệ không cân bằng, ký sinh giữa các công ty lớn và nhà nước giờ đây đang rủi ro bị cố định sâu hơn nữa bởi trí tuệ nhân tạo, hứa hẹn sẽ thưởng cho vốn trong khi giảm giá trị lao động.

AI in the Courts: How Worried Should We Be? – Part 2

COGLIANESE: AI won’t be perfect, but the aim should be to have it do more good than bad — and to make the world better, on balance, than it is today. Moreover, any question about how “good” or “bad” AI will be cannot be answered across the board. AI is not a singular technology. It’s a proliferation of many varied technologies put to many varied uses. The types of AI algorithms vary, as do the datasets on which they train. Most importantly, the ways that AI algorithms are used vary widely. Some of these uses can be very good, such as detecting cancers or curing diseases through precision medicine. Other uses are good even if seemingly banal, such as helping the U.S. Postal Service sort mail by reading addresses on letters and packages.

AI can also be put to bad uses, such as fomenting political strife through misinformation campaigns or creating fraudulent images or documents. Even then, good AI tools may help spot the frauds and filter out the misinformation.

The highly varied uses for AI tools make it impossible to paint with a broad brush and declare that “AI is good (or bad).” Furthermore, the reality is that AI is here to stay. The challenge facing society is to ensure that the design, development, and deployment of AI will do more good than bad — and that it improves the status quo. This is where regulation comes in. Society needs ways to govern AI that can equitably reap its benefits while reducing its harms. If we can do that, then we can use AI to make the world better. Along the way, it’s worth remembering that a world dependent solely on humans is imperfect, too. The key is to do better.

2 - AI’s uses in the justice system are many: We have seen AI used in predictive policing, electronic discovery, evidentiary matters, sentencing, and actually helping to decide cases. What uses ought we be most optimistic about? What uses ought we be most concerned about? Are there any legal instances where AI should never be used?

GRIMM/GROSSMAN: We have long been proponents of using AI for electronic discovery and, frankly, we are baffled as to why — after a decade of sound empirical evidence — there is still hesitation to use technology-assisted review (TAR) to substantially reduce the time, cost, and burden of document review. We are excited about the prospect of using AI to increase access to justice, to help self-represented litigants determine whether they have a viable legal claim or defense, and to draft pleadings that properly address the jurisdictional, venue, and substantive elements required to state a proper claim. Our enthusiasm also extends to its use by attorneys to increase productivity and efficiency — provided that all AI-created pleadings are verified for accuracy before filing (both as to facts and as to citations). We can also see the benefits of online adjudication systems for small claims, housing, and traffic cases, where justice delayed is often justice denied

We worry a bit about self- represented litigants who may use AI to abusively flood the courts with meritless lawsuits, clogging the system and overwhelming court personnel and judges. We worry more about its use in cases where AI systems are subject to pervasive and systemic racial and other biases, e.g., predictive policing, facial recognition, and criminal risk/recidivism assessment. We lose the most sleep over a court relying on AI applications or evidence as the primary or sole evidence supporting a consequential outcome (such as the imposition of a criminal sentence) without sufficient assurances that the AI system has been trained on data and/or programmed so its validity and reliability can be demonstrated empirically (i.e., it accurately does what it was designed to do and it consistently produces accurate results when applied to substantially similar facts, respectively); and that it is equitable, unbiased, and/or fair (assuming that we can reach consensus on what it means for an algorithm

AI trong tòa án: Chúng ta nên lo lắng như thế nào? – Phần 2

Tác giả: Cary Coglianese, Maura R. Grossman và Paul W. Grimm

Bộ 107 Số 3 (2024) - Justitia. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

COGLIANESE: AI sẽ không hoàn hảo, nhưng mục đích nên là để nó làm nhiều điều tốt hơn là xấu - và làm cho thế giới tốt hơn, cân bằng, so với ngày nay. Hơn nữa, bất kỳ câu hỏi nào về AI "tốt" hay "xấu" sẽ không thể được trả lời trên diện rộng. AI không phải là một công nghệ đơn lẻ. Đó là sự gia tăng của nhiều công nghệ đa dạng được đưa vào nhiều mục đích sử dụng khác nhau. Các loại thuật toán AI khác nhau, cũng như các bộ dữ liệu mà chúng đào tạo. Quan trọng nhất, cách mà các thuật toán AI được sử dụng rất khác nhau. Một số công dụng này có thể rất tốt, chẳng hạn như phát hiện ung thư hoặc chữa bệnh thông qua y học chính xác. Các cách sử dụng khác là tốt ngay cả khi có vẻ tầm thường, chẳng hạn như giúp Dịch vụ Bưu chính Hoa Kỳ phân loại thư bằng cách đọc địa chỉ trên thư và gói hàng.

AI cũng có thể được sử dụng cho mục tiêu xấu, chẳng hạn như kích động xung đột chính trị thông qua các chiến dịch thông tin sai lệch hoặc tạo ra hình ảnh hoặc tài liệu gian lận. Thậm chí sau đó, các công cụ AI tốt có thể giúp phát hiện gian lận và lọc ra thông tin sai lệch.

Việc sử dụng rất đa dạng cho các công cụ AI khiến không thể khái quát hóa và tuyên bố rằng "AI tốt (hoặc xấu)". Hơn nữa, thực tế là AI vẫn ở đây. Thách thức mà xã hội phải đối mặt là đảm bảo rằng việc thiết kế, phát triển và triển khai AI sẽ làm nhiều điều tốt hơn là xấu - và nó cải thiện hiện trạng. Đây là lúc quy định xuất hiện. Xã hội cần những cách để quản lý AI có thể gặt hái một cách công bằng những lợi ích của nó trong khi giảm tác hại của nó. Nếu chúng ta có thể làm điều đó, thì chúng ta có thể sử dụng AI để làm cho thế giới tốt đẹp hơn. Trên đường đi, điều đáng ghi nhớ là một thế giới chỉ phụ thuộc vào con người cũng không hoàn hảo. Điều quan trọng là làm tốt hơn. (6200)

Câu hỏi 2 - Việc sử dụng AI trong hệ thống tư pháp rất nhiều: Chúng tôi đã thấy AI được sử dụng trong chính sách dự đoán, khám phá điện tử, các vấn đề bằng chứng, tuyên án và thực sự giúp quyết định các vụ án. Chúng ta nên lạc quan nhất về những công dụng nào? Những công dụng nào chúng ta nên quan tâm nhất? Có bất kỳ trường hợp pháp lý nào mà AI không bao giờ nên được sử dụng không?

GRIMM / GROSSMAN: Chúng tôi từ lâu đã ủng hộ việc sử dụng AI để khám phá điện tử và, thành thật mà nói, chúng tôi bối rối về lý do tại sao - sau một thập kỷ bằng chứng thực nghiệm hợp lý - vẫn còn do dự khi sử dụng đánh giá hỗ trợ công nghệ (TAR) để giảm đáng kể thời gian, chi phí và gánh nặng của việc xem xét tài liệu. Chúng tôi rất vui mừng về triển vọng sử dụng AI để tăng khả năng tiếp cận công lý, giúp các đương sự tự đại diện xác định xem họ có yêu cầu pháp lý hoặc biện hộ khả thi hay không và soạn thảo các lời biện hộ giải quyết đúng các yếu tố tài phán, địa điểm và nội dung cần thiết để đưa ra yêu cầu bồi thường thích hợp. Sự nhiệt tình của chúng tôi cũng mở rộng đến việc sử dụng nó bởi các luật sư để tăng năng suất và hiệu quả - miễn là tất cả các lời cầu xin do AI tạo ra đều được xác minh tính chính xác trước khi nộp đơn (cả về sự kiện và trích dẫn). Chúng ta cũng có thể thấy lợi ích của các hệ thống xét xử trực tuyến đối với các khiếu nại nhỏ, nhà ở và các trường hợp giao thông, nơi công lý bị trì hoãn thường là bị công lý từ chối. ["công lý bị trì hoãn thường là bị công lý từ chối " là một câu châm ngôn pháp lý nổi tiếng nhấn mạnh tầm quan trọng của việc giải quyết kịp thời trong các vấn đề pháp lý. Nó cho thấy rằng khi các quy trình pháp lý mất quá nhiều thời gian để đưa ra kết luận, sự chậm trễ có thể dẫn đến bất công, ngay cả khi kết quả cuối cùng là công bằng.]

Chúng tôi lo lắng một chút về các đương sự tự đại diện, những người có thể sử dụng AI để lạm dụng tòa án với các vụ kiện không có giá trị, làm tắc nghẽn hệ thống và áp đảo nhân viên tòa án và thẩm phán.

AI in the Courts: How Worried Should We Be? – Part 1

by Cary Coglianese, Maura R. Grossman and Paul W. Grimm

Scholars and technologists see both benefits and dangers for AI in the courts. One thing they agree on: AI is here to stay.

As we enter 2024, it’s tough not to think of 2023 as “the year of artificial intelligence.” After all, last year saw the wide dissemination of ChatGPT (launched at the end of November 2022 by OpenAI), a free-to-use, large language model chatbot built to generate dialogue in response to human inquiry.

Unlike our old friend Google, a construct of 1998 that seems quaint by comparison, ChatGPT does not provide a list of results based on a web search. Instead, as a form of generative AI, it provides answers to prompts by drawing from knowledge through machine learning, or the process by which computers learn from examples. The result is textual, human-like answers that are often detailed and context-specific. ChatGPT can produce essays, poems, computer code, and — yes — contracts, legal briefs, and a host of other documents relevant to the legal community.

The legal industry, like many others, spent 2023 in a flurry of reactive activity: Law schools amended honor codes to address AI-assisted learning, judges issued standing orders on AI-assisted briefing, and lawyers wondered how to harness the new power to research legal issues and even brainstorm strategy.

So, where are we in 2024? We asked Maura R. Grossman, a professor in the School of Computer Science at the University of Waterloo; Paul W. Grimm, a retired federal judge and the David F. Levi Professor of the Practice of Law and Director of the Bolch Judicial Institute at Duke Law School (which publishes Judicature); and Cary Coglianese, a professor at the University of Pennsylvania Carey School of Law and director of the Penn Program on Regulation, to discuss the pros and cons of AI in the legal space as we enter this brave new world.

1 - Views about AI tend toward extremes: Either it will save the world from many of its current challenges, or it will destroy humanity as we know it. Where do you stand? Are you generally more positive or more negative about AI’s potential impact, especially on the legal system?

GRIMM/GROSSMAN: We are enthusiastic about AI’s many potential positive benefits. But we also believe in the old Russian adage “trust but verify.” AI is a tool that can be wielded for good or for evil depending on how it is used and the safeguards that are placed around it. Right now, the applications are many and the guardrails few. We have serious concerns about the use of untested, invalid, or unreliable AI systems, “function creep,” discriminatory and inequitable outcomes, and the general hacker’s philosophy of “move fast and break things.”

We are most concerned about the ills we can already see, such as biased data and algorithms leading to discriminatory outcomes and greater inequality; the proliferation of misinformation and disinformation, which will threaten our judicial system, if not our entire democracy; increased crime and fraud as a result of easily created and hard-to-detect deepfakes; and increased threats to personal privacy through the accumulation of massive amounts of personal information in the hands of a few, unregulated big-tech companies with unabashedly selfish commercial interests. We are less troubled right now by existential risk, which seems possible only if AI is connected to a permanent energy source — so it cannot be unplugged or can learn to replicate itself; an unlimited financial source — so it can fund its activities without human oversight; or the introduction of lethal autonomous weapons — so it could make “kill” decisions independent of human involvement.

COGLIANESE: AI won’t be perfect, but the aim should be to have it do more good than bad — and to make the world better, on balance, than it is today. Moreover, any question about how “good” or “bad” AI will be cannot be answered across the board.

AI trong tòa án: Chúng ta nên lo lắng như thế nào? – Phần 1

Tác giả: Cary Coglianese, Maura R. Grossman và Paul W. Grimm

Bộ 107 Số 3 (2024) - Justitia. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Các học giả và nhà công nghệ nhìn thấy cả lợi ích và nguy hiểm cho AI tại tòa án. Một điều họ đồng ý: AI có mặt ở đây để tồn tại.

Khi chúng ta bước vào năm 2024, thật khó để không nghĩ năm 2023 là "năm của trí tuệ nhân tạo". Rốt cuộc, năm ngoái đã chứng kiến sự phổ biến rộng rãi của ChatGPT (ra mắt vào cuối tháng 11 năm 2022 bởi OpenAI), một chatbot mô hình ngôn ngữ lớn, sử dụng miễn phí được xây dựng để tạo ra cuộc đối thoại để đáp ứng yêu cầu của con người.

Không giống như người bạn cũ của chúng tôi Google, một cấu trúc của năm 1998 có vẻ kỳ lạ khi so sánh, ChatGPT không cung cấp danh sách kết quả dựa trên tìm kiếm trên web. Thay vào đó, như một dạng AI tạo nội dung, nó cung cấp câu trả lời cho các lời nhắc bằng cách rút ra từ kiến thức thông qua học máy hoặc quá trình máy tính học hỏi từ các ví dụ. Kết quả là các câu trả lời văn bản với chi tiết và cụ thể theo ngữ cảnh giống như con người thực hiện. ChatGPT có thể tạo ra các bài tiểu luận, thơ, mã máy tính và hợp đồng, tóm tắt pháp lý và một loạt các tài liệu khác có liên quan đến cộng đồng pháp lý.

Ngành pháp lý, giống như nhiều ngành khác, đã trải qua năm 2023 trong một loạt các hoạt động phản ứng: Các trường luật sửa đổi các quy tắc danh dự để giải quyết việc học tập được hỗ trợ bởi AI, các thẩm phán ban hành lệnh thường trực về cuộc họp giao ban có sự hỗ trợ của AI và các luật sư tự hỏi làm thế nào để khai thác sức mạnh mới để nghiên cứu các vấn đề pháp lý và thậm chí động não chiến lược.

Vậy, chúng ta sẽ ở đâu vào năm 2024? Chúng tôi đã hỏi Maura R. Grossman, giáo sư tại Trường Khoa học Máy tính tại Đại học Waterloo; Paul W. Grimm, một thẩm phán liên bang đã nghỉ hưu và Giáo sư David F. Levi về Thực hành Luật và Giám đốc Viện Tư pháp Bolch tại Trường Luật Duke; và Cary Coglianese, giáo sư tại Trường Luật Carey của Đại học Pennsylvania và giám đốc Chương trình Penn về Quy định, để thảo luận về những ưu và nhược điểm của AI trong không gian pháp lý khi chúng ta bước vào thế giới mới đầy dũng cảm này.

Câu hỏi 1 - Quan điểm về AI có xu hướng cực đoan: Hoặc nó sẽ cứu thế giới khỏi nhiều thách thức hiện tại, hoặc nó sẽ hủy diệt nhân loại như chúng ta biết. Bạn đứng ở đâu? Bạn thường tích cực hơn hay tiêu cực hơn về tác động tiềm tàng của AI, đặc biệt là đối với hệ thống pháp luật?

GRIMM / GROSSMAN: Chúng tôi rất nhiệt tình về nhiều lợi ích tích cực tiềm năng của AI. Nhưng chúng tôi cũng tin vào câu ngạn ngữ cũ của Nga "tin tưởng nhưng phải xác minh". AI là một công cụ có thể được sử dụng cho mục đích tốt hoặc xấu tùy thuộc vào cách nó được sử dụng và các biện pháp bảo vệ được đặt xung quanh nó. Ngay bây giờ, các ứng dụng rất nhiều và lan can bảo vệ rất ít. Chúng tôi có những lo ngại nghiêm trọng về việc sử dụng các hệ thống AI chưa được kiểm tra, không hợp lệ hoặc không đáng tin cậy, "chức năng leo thang", kết quả phân biệt đối xử và không công bằng, và triết lý chung của truy cập không có phép là "di chuyển nhanh và phá vỡ mọi thứ".

Chúng tôi quan tâm nhất đến những căn bệnh đã có thể thấy, chẳng hạn như dữ liệu và thuật toán sai lệch dẫn đến kết quả phân biệt đối xử và bất bình đẳng lớn hơn; sự phổ biến của thông tin sai lệch và tin xuyên tạc, sẽ đe dọa hệ thống tư pháp của chúng ta, nếu không muốn nói là toàn bộ nền dân chủ của chúng ta; gia tăng tội phạm và gian lận do deepfake dễ tạo và khó phát hiện; và các mối đe dọa gia tăng đối với quyền riêng tư cá nhân thông qua việc tích lũy một lượng lớn thông tin cá nhân trong tay một số công ty công nghệ lớn không được kiểm soát với lợi ích thương mại ích kỷ không nao núng. Hiện tại, chúng ta ít gặp rắc rối hơn bởi rủi ro tồn tại, điều này dường như chỉ có thể xảy ra nếu AI được kết nối với nguồn năng lượng vĩnh viễn ["nguồn năng lượng vĩnh viễn" đề cập đến việc cung cấp năng lượng liên tục và bền vững

Forget Passwords and Badges - Your Body Is Your Next Security Key

Biometric scanning and AI advances mean security systems could use traits from your gait to your gaze to unlock your company’s building and systems

By Danny Lewis – The Wall Street Journal. Feb. 13, 2024.

Instead of posing for a photo and setting up passwords, in the future a new employee might spend a few minutes supplying biometric information. Face scanned, gait analyzed, spoken phrase recorded and voilà: Your body becomes your security key.

Biometrics experts envision a seamless experience. “As soon as you arrive at the parking lot, your geolocation is fed into a system from the phone that has been given to you. As soon as you come through the front door, facial recognition could open the door and could also unlock your computer,” says Mohamed Lazzouni, the chief technology officer at Aware, a company that develops security systems to authenticate people’s identities.

The technology could do away with the hassle of forgotten badges and regular password resets, and fortify companies’ protection against cyberattacks. But it also raises concerns about ways the data could be used beyond security—and whether employers should have this level of insight into their workers’ bodies and behavior at all.

Today some doctors offices use palm scanners to check in patients, while a face or fingerprint unlocks a smartphone. Facial recognition has become more common in airports, stadiums and concert venues. In coming years, security-industry executives say, advances in artificial intelligence and sensor technology could help organizations use multiple pieces of biometric data at once—like the pieces of a puzzle that make up an employee.

Eye scans featured heavily in the 2002 sci-fi film “Minority Report,” which Lazzouni calls one of his favorites. In the movie, Tom Cruise’s character accesses his highly secure workplace with the technology, which later comes back to haunt him. Despite the movie’s dystopian slant, Lazzouni says he finds it exciting: “All you need to do is to just look into the reflection of that device that you are looking at, and it could read your iris and automatically give you all of the access that you need for whatever you need to interact with.”

Aside from convenience, security experts say biometrics offer stronger protection for buildings and data than a keycard or a password can. “It’s easy to copy an employee’s password, but it’s really hard to copy an employee’s face that’s actually moving,” says Rhon Daguro, the chief executive of authID, which makes identity-verification and digital-security systems.

Future office-security systems could simply lock out people who aren’t recognized or cleared, Daguro says. “We have a log of your face, so we have exactly who’s walking in and out of the building, which you can’t do with a password,” he says.

AuthID itself uses no passwords at its workplace, Daguro says. “We open up the laptop, the camera turns on, we put our face in the window, and all of a sudden we’re logged in.” The policy reflects the company’s commitment to and trust in the technology it is developing, Daguro says. It also means that biometric scans are a requirement for those who work at authID. Employees consent to the policy when they join, Daguro said in an email. And any biometric data gathered by the company—whether for authID’s clients or its employees—is anonymized and encrypted.

Biometric scans are an important deterrent as attempts to hack corporate systems have become more frequent and sophisticated, says Andrew Shikiar, an executive director of the FIDO Alliance, Fast Identity Online—an industry association that develops digital-security standards. Tech giants such as Google, Apple, Amazon and Microsoft are among members of the group, whose aim is to reduce reliance on passwords. Instead, they are pushing for the use of passkeys, in which a piece of encrypted code on a physical device, such as a phone or laptop, is unlocked

Không cần mật khẩu và huy hiệu - cơ thể bạn là khóa bảo mật tiếp theo của bạn

Quét sinh trắc học và tiến bộ AI có nghĩa là các hệ thống an ninh có thể sử dụng các đặc điểm từ dáng đi đến ánh mắt của bạn để mở khóa tòa nhà và hệ thống của công ty bạn

Tác giả: Danny Lewis – Wall Street Journal. Ngày 13 tháng 2, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Thay vì tạo dáng chụp ảnh và thiết lập mật khẩu, trong tương lai, một nhân viên mới có thể dành vài phút để cung cấp thông tin sinh trắc học. Quét khuôn mặt, phân tích dáng đi, ghi lại cụm từ nói và như vậy là: Cơ thể bạn trở thành chìa khóa bảo mật của bạn.

Các chuyên gia sinh trắc học hình dung ra một trải nghiệm liền mạch. "Ngay khi bạn đến bãi đậu xe, vị trí địa lý của bạn được đưa vào một hệ thống từ điện thoại đã được trao cho bạn. Ngay khi bạn bước qua cửa trước, nhận dạng khuôn mặt có thể mở cửa và cũng có thể mở khóa máy tính của bạn", Mohamed Lazzouni, giám đốc công nghệ tại Aware, một công ty phát triển hệ thống bảo mật để xác thực danh tính của mọi người.

Công nghệ này có thể loại bỏ những rắc rối của việc quên huy hiệu và đặt lại mật khẩu thường xuyên, đồng thời củng cố sự bảo vệ của các công ty chống lại các cuộc tấn công mạng. Nhưng nó cũng làm dấy lên lo ngại về cách dữ liệu có thể được sử dụng ngoài bảo mật và liệu người sử dụng lao động có nên có mức độ hiểu biết sâu sắc về cơ thể và hành vi của người lao động hay không.

Ngày nay, một số văn phòng bác sĩ sử dụng máy quét lòng bàn tay để kiểm tra bệnh nhân, trong khi khuôn mặt hoặc dấu vân tay mở khóa điện thoại thông minh. Nhận dạng khuôn mặt đã trở nên phổ biến hơn ở các sân bay, sân vận động và địa điểm hòa nhạc. Trong những năm tới, các giám đốc điều hành ngành công nghiệp bảo mật cho biết, những tiến bộ trong trí tuệ nhân tạo và công nghệ cảm biến có thể giúp các tổ chức sử dụng nhiều phần dữ liệu sinh trắc học cùng một lúc, giống như các mảnh ghép tạo nên một nhân viên.

Quét mắt xuất hiện rất nhiều trong bộ phim khoa học viễn tưởng năm 2002 "Báo cáo thiểu số", mà Lazzouni gọi là một trong những mục yêu thích của mình. Trong phim, nhân vật của Tom Cruise tiếp cận nơi làm việc an toàn cao của mình bằng công nghệ, sau đó quay trở lại ám ảnh anh. Bất chấp khuynh hướng đen tối của bộ phim, Lazzouni nói rằng anh thấy nó thú vị: "Tất cả những gì bạn cần làm là chỉ cần nhìn vào hình ảnh phản chiếu của thiết bị mà bạn đang nhìn và nó có thể đọc mống mắt của bạn và tự động cung cấp cho bạn tất cả quyền truy cập mà bạn cần cho bất cứ thứ gì bạn cần để tương tác."

Bên cạnh sự tiện lợi, các chuyên gia bảo mật cho biết sinh trắc học cung cấp sự bảo vệ mạnh mẽ hơn cho các tòa nhà và dữ liệu so với thẻ khóa hoặc mật khẩu. "Thật dễ dàng để sao chép mật khẩu của nhân viên, nhưng thực sự rất khó để sao chép khuôn mặt của một nhân viên đang thực sự di chuyển", Rhon Daguro, giám đốc điều hành của authID, công ty sản xuất các hệ thống xác minh danh tính và bảo mật kỹ thuật số cho biết.

Các hệ thống an ninh văn phòng trong tương lai có thể chỉ đơn giản là khóa những người không được nhận dạng hoặc xóa, Daguro nói. "Chúng tôi có nhật ký khuôn mặt của bạn, vì vậy chúng tôi có chính xác ai đang đi vào và ra khỏi tòa nhà, điều mà bạn không thể làm với mật khẩu", ông nói.

Bản thân AuthID không sử dụng mật khẩu tại nơi làm việc của mình, Daguro nói. "Chúng tôi mở máy tính xách tay, máy ảnh bật, chúng tôi đặt khuôn mặt của chúng tôi vào cửa sổ, và đột nhiên chúng tôi đăng nhập." Chính sách này phản ánh cam kết và niềm tin của công ty vào công nghệ mà họ đang phát triển, Daguro nói. Điều đó cũng có nghĩa là quét sinh trắc học là một yêu cầu đối với những người làm việc tại authID. Nhân viên đồng ý với chính sách khi họ tham gia, Daguro cho biết trong một email. Và bất kỳ dữ liệu sinh trắc học nào được thu thập bởi công ty - cho dù là khách hàng hay nhân viên của authID - đều được ẩn danh và mã hóa.

Quét sinh trắc học là một biện pháp ngăn chặn quan trọng khi các nỗ lực truy cập bất hợp pháp trở nên thường xuyên

Por que a Europa está perdendo a corrida da produtividade?

Barry Eichengreen – Project Syndicate. Apr 9, 2024.

A disparidade entre o crescimento da produtividade nos Estados Unidos e na Europa mostra uma dura realidade e, para os europeus, deprimente. Nas duas décadas desde 2004, o crescimento da produtividade nos EUA, medido pelo valor da produção por hora trabalhada, foi mais que o dobro do registrado na zona do euro. Enquanto a produtividade da zona do euro se estabilizou e até caiu ligeiramente desde o início da pandemia do COVID-19, a produção não agrícola por hora dos EUA aumentou mais de 6% durante o mesmo período – um desempenho mais do que adequado segundo os próprios padrões históricos dos EUA.

Parece que algo está dando muito certo nos EUA e muito errado na Europa. Alguns relatos apontam para o forte estímulo fiscal aplicado nos EUA desde o início da pandemia. Para os europeus essa explicação é tranquilizadora, porque sugere que o diferencial é transitório. Afinal de contas, os EUA não podem incorrer em enormes déficits orçamentários e viver indefinidamente acima das suas possibilidades.

Mas embora um forte estímulo aos gastos possa desencadear um rápido crescimento da produção e do emprego, não está claro por que razão deveria produzir um crescimento mais rápido da produtividade. Pelo contrário, dado o forte crescimento do emprego e os mercados de arrochados mercados de trabalho, seria de se esperar que empresas norte-americanas fossem forçadas a contratar trabalhadores menos produtivos, com implicações negativas para a produção por hora. Mais provavelmente, os estáveis mercados de trabalho nos EUA podem significar que as empresas, incapazes de encontrar uma oferta adequada de trabalhadores a qualquer preço, sejam impelidas a substituir trabalho por capital – investindo em tecnologia que poupe mão-de-obra.

Americanos que chegam a uma agência bancária encontram muitos caixas eletrônicos, e às vezes, nem um único caixa humano. Eles são obrigados a pedir refeições, mesmo em restaurantes com toalhas de mesa brancas, usando um código QR. Os clientes dos bistrôs parisienses, horrorizados com esse pensamento, podem argumentar que existe uma diferença cultural franco-americana. Mas é difícil negar que os arrochados mercados de trabalho também desempenham um papel.

É bom lembrar, no entanto, que o crescimento da produtividade nos EUA acelerou relativamente ao da Europa já na década que antecedeu a pandemia, quando os mercados de trabalho não estavam tão apertados. Tanto EUA como Europa recorreram à consolidação fiscal após a crise financeira global de 2008. A Europa pode ter sido um pouco mais obstinada na austeridade, mas não houve diferenças suficientes nas condições da procura para explicar os seus diferentes resultados de produtividade.

Além disso, embora as empresas americanas tenham sido mais rápidas em capitalizar as tecnologias digitais, o momento aqui também está errado, uma vez que o desempenho superior dos EUA nos setores de produção e utilização de computadores foi mais pronunciado na década anterior à crise financeira global, e não no período desde então.

Quanto à última rodada de novas tecnologias digitais, as empresas só agora estão começando a explorar como os grandes modelos de linguagem e inteligência artificial generativa podem ser usados para aumentar a produtividade. Em outras palavras, a IA e os eventos relacionados não conseguem explicar o desempenho estranhamente forte da produtividade dos EUA nos últimos quatro anos. Na verdade, a história sugere que capitalizar novas tecnologias radicais exige que as empresas reorganizem a forma como fazem negócios, um processo de tentativa e erro que leva tempo. A inevitabilidade dos erros significa que a produtividade provavelmente sofrerá uma queda antes de aumentar, um fenômeno que os economistas chamam de “curva J da produtividade”.

Pourquoi l'Europe perd-elle la course à la productivité?

Barry Eichengreen – Project Syndicate. April 9, 2024

Pour les Européens, l'écart entre la croissance de la productivité aux États-Unis et en Europe traverse une passe difficile et déprimante. Au cours des deux décennies qui se sont écoulées depuis 2004, la croissance de la productivité aux États-Unis, mesurée sous forme de production par heure de travail, a été plus de deux fois supérieure à celle de la zone euro. Alors que la productivité de la zone euro s'est stabilisée et a même légèrement baissé depuis la pandémie de COVID-19, la production horaire non agricole américaine a augmenté de plus de 6 % au cours de la même période – des résultats plus que satisfaisants selon les normes historiques américaines.

Il semblerait que les choses aillent tout particulièrement bien aux États-Unis et tout particulièrement mal en Europe. Certains témoignages soulignent la forte relance budgétaire appliquée aux États-Unis depuis le déclenchement de la pandémie. Pour les Européens, cette explication est rassurante, car elle suggère que le différentiel est transitoire. Après tout, les États-Unis ne peuvent pas faire face à des déficits budgétaires massifs et vivre indéfiniment au-dessus de leurs moyens.

Mais si une forte stimulation des dépenses peut déclencher une croissance rapide de la production et de l'emploi, on ne sait pas pourquoi elle devrait produire une croissance plus rapide de la productivité. Au contraire, compte tenu de la forte croissance de l'emploi et du durcissement des marchés du travail, on pourrait s'attendre à ce que les entreprises américaines soient obligées d'embaucher des travailleurs moins productifs, avec des conséquences négatives sur la production horaire. Plus vraisemblablement, les marchés du travail tendus aux États-Unis pourraient signifier que les entreprises, incapables de trouver un approvisionnement suffisant en travailleurs à tout prix, sont poussées à remplacer le capital par le travail – à investir dans des technologies économisant le travail.

Les Américains qui visitent une succursale bancaire rencontreront beaucoup de distributeurs automatiques de billets, mais parfois pas un seul humain au guichet. Ils sont obligés de commander des repas, même dans les restaurants à nappes blanches, en utilisant un code QR. Les patrons des bistrots parisiens horrifiés à cette simple pensée peuvent soutenir qu'une différence culturelle franco-américaine se joue ici. Mais il est difficile de nier que les marchés du travail tendus jouent également un rôle.

Rappelons toutefois que la croissance de la productivité américaine s'était déjà accélérée par rapport à celle de l'Europe durant la décennie qui a précédé la pandémie, lorsque les marchés du travail n'étaient pas si tendus. Les États-Unis tout comme l'Europe se sont tournés vers le rééquilibrage budgétaire à la suite de la crise financière mondiale de 2008. L'Europe aurait pu être un peu plus encline à l'austérité, mais il n'y avait pas assez de différences dans les conditions de la demande pour expliquer leurs différents résultats de productivité.

En outre, alors que les entreprises américaines ont été plus rapides à capitaliser sur les technologies numériques, la chronologie est également erronée sur ce point : la surperformance américaine dans les secteurs de la production et de l'utilisation d'ordinateurs a été la plus prononcée dans la décennie qui a précédé la crise financière mondiale, non dans la période qui a suivi.

En ce qui concerne la dernière série de nouvelles technologies numériques, les entreprises commencent seulement à explorer comment les grands modèles de langage et l'intelligence artificielle générative peuvent être utilisés pour stimuler la productivité. En d'autres termes, l'IA et les développements connexes ne peuvent expliquer les performances de productivité exceptionnellement fortes de l'Amérique au cours des quatre dernières années.

Why Is Europe Losing the Productivity Race?

Barry Eichengreen – Project Syndicate. Apr 9, 2024

Labor productivity growth in the US has been more than double that of the eurozone for the past 20 years. A forthcoming report from Mario Draghi will recommend removing barriers to competition, which would intensify the pressure on firms to innovate, but Europe desperately needs newer ideas than this if it is to see its productivity rise.

The gap between productivity growth in the United States and Europe paints a stark and, for Europeans, depressing picture. In the two decades since 2004, US productivity growth, as measured by the value of output per hour worked, has been more than double that of the eurozone. Whereas eurozone productivity has flat-lined and even fallen slightly since the outbreak of the COVID-19 pandemic, US non-farm output per hour has risen by more than 6% over the same period – more than adequate performance by America’s own historical standards.

Something seems to be going seriously right in the US and seriously wrong in Europe. Some accounts point to the strong fiscal stimulus applied in the US since the outbreak of the pandemic. For Europeans this explanation is reassuring, because it suggests that the differential is transitory. After all, the US can’t run massive budget deficits and live beyond its means indefinitely.

But while strong spending stimulus can trigger rapid output and employment growth, it is not clear why it should produce faster productivity growth. On the contrary, given strong employment growth and tight labor markets, one might expect US companies to be forced to take on less productive workers, with negative implications for output per hour. More likely, tight labor markets in the US may mean that firms, unable to find an adequate supply of workers at any price, are impelled to substitute capital for labor – to invest in labor-saving technology.

Americans visiting a bank branch will encounter plenty of ATMs but sometimes not a single human teller. They are compelled to order meals, even at white-tablecloth restaurants, using a QR code. Patrons of Parisian bistros horrified by this thought may argue that a Franco-American cultural difference is at work. But it is hard to deny that tight labor markets also play a role.

Recall, however, that US productivity growth had accelerated relative to Europe’s already in the decade leading up to the pandemic, when labor markets were not so tight. Both the US and Europe turned to fiscal consolidation following the 2008 global financial crisis. Europe might have been slightly more hell-bent on austerity, but there was not enough difference in demand conditions to explain their different productivity outcomes.

Moreover, while American firms have been quicker to capitalize on digital technologies, the timing is wrong here, too: US outperformance in computer producing and using sectors was most pronounced in the decade preceding the global financial crisis, not in the period since.

As for the latest round of new digital technologies, firms are only just now beginning to explore how large language models and generative artificial intelligence can be used to boost productivity. In other words, AI and related developments can’t explain America’s unusually strong productivity performance in the last four years. In fact, history suggests that capitalizing on radical new technologies requires firms to reorganize how they do business, a trial-and-error process that takes time. The inevitability of errors means that productivity is likely to fall before rising, a phenomenon economists call the “productivity J-curve.”

And it is not as if European managers are unaware of the labor-saving and productivity-enhancing potential of digital technologies. It could be that Europe’s strong trade unions, fearing job destruction, resist their adoption, although Germany, with a tradition of strong unions, has some of the most robot-intensive factories in the world.

Tại sao châu Âu thua trong cuộc đua năng suất?

Barry Eichengreen – PS. Ngày 9 tháng 4, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Tăng trưởng năng suất lao động ở Mỹ đã tăng hơn gấp đôi so với khu vực đồng euro trong 20 năm qua. Một báo cáo sắp tới của Mario Draghi sẽ khuyến nghị loại bỏ các rào cản cạnh tranh, điều này sẽ làm tăng áp lực lên các công ty để đổi mới, nhưng châu Âu rất cần những ý tưởng mới hơn thế này nếu muốn thấy năng suất của mình tăng lên.

Khoảng cách giữa tăng trưởng năng suất ở Hoa Kỳ và châu Âu vẽ một cách "rõ ràng" và là một bức tranh ảm đạm đối với người châu Âu. Trong hai thập kỷ kể từ năm 2004, tăng trưởng năng suất của Mỹ, được đo bằng giá trị sản lượng mỗi giờ làm việc, đã tăng hơn gấp đôi so với khu vực đồng euro. Trong khi năng suất của khu vực đồng euro đi ngang và thậm chí giảm nhẹ kể từ khi đại dịch COVID-19 bùng phát, sản lượng phi nông nghiệp mỗi giờ của Mỹ đã tăng hơn 6% so với cùng kỳ - nhiều hơn hiệu suất đầy đủ theo tiêu chuẩn lịch sử của chính Mỹ.

Một cái gì đó dường như đang diễn ra nghiêm túc đúng ở Mỹ và sai lầm nghiêm trọng ở châu Âu. Một số nguồn tin chỉ ra rằng gói kích thích tài khóa mạnh mẽ được áp dụng ở Mỹ kể từ khi đại dịch bùng phát. Đối với người châu Âu, lời giải thích này là yên tâm, bởi vì nó cho thấy rằng sự khác biệt là nhất thời. Xét cho cùng, Mỹ không thể thâm hụt ngân sách lớn và sống vượt quá khả năng của mình vô thời hạn.

Nhưng trong khi kích thích chi tiêu mạnh mẽ có thể kích hoạt tăng trưởng nhanh chóng sản lượng và việc làm, không rõ tại sao nó sẽ tạo ra tăng trưởng năng suất nhanh hơn. Ngược lại, với tăng trưởng việc làm mạnh mẽ và thị trường lao động thắt chặt (đề cập đến các tình huống có tỷ lệ thất nghiệp thấp và nhu cầu cao về người lao động, dẫn đến nguồn lao động sẵn có hạn chế), người ta có thể mong đợi các công ty Mỹ buộc phải tiếp nhận những người lao động kém năng suất hơn, với những tác động tiêu cực đến sản lượng mỗi giờ. Nhiều khả năng, thị trường lao động thắt chặt ở Mỹ có thể có nghĩa là các công ty, không thể tìm được nguồn cung công nhân đầy đủ bằng bất kỳ giá nào, buộc phải thay thế vốn cho lao động (đề cập đến quá trình thay thế công nhân của con người bằng máy móc, tự động hóa hoặc các hình thức đầu tư vốn khác) - đầu tư vào công nghệ tiết kiệm lao động.

Người Mỹ đến thăm một chi nhánh ngân hàng sẽ bắt gặp rất nhiều máy ATM nhưng đôi khi không có một giao dịch viên nào. Họ buộc phải đặt bữa ăn, ngay cả tại các nhà hàng khăn trải bàn màu trắng, sử dụng mã QR. [cụm từ này nhấn mạnh cách công nghệ hiện đại, chẳng hạn như mã QR, đang định hình lại trải nghiệm ăn uống truyền thống, ngay cả trong các cơ sở cao cấp, bằng cách thay đổi cách khách hàng tương tác với nhân viên nhà hàng và đặt hàng.]

Những khách hàng quen của các quán rượu Paris kinh hoàng bởi suy nghĩ này có thể lập luận rằng sự khác biệt văn hóa Pháp-Mỹ đang hoạt động. Nhưng khó có thể phủ nhận rằng thị trường lao động thắt chặt cũng đóng một vai trò.

Tuy nhiên, hãy nhớ lại rằng tăng trưởng năng suất của Mỹ đã tăng tốc so với châu Âu trong thập kỷ dẫn đến đại dịch, khi thị trường lao động không quá chặt chẽ. Cả Mỹ và châu Âu đều chuyển sang củng cố tài khóa sau cuộc khủng hoảng tài chính toàn cầu năm 2008. Châu Âu có thể đã thiên về thắt lưng buộc bụng hơn một chút, nhưng không có đủ sự khác biệt về điều kiện nhu cầu để giải thích kết quả năng suất khác nhau của họ.

Hơn nữa, trong khi các công ty Mỹ đã nhanh chóng tận dụng các công nghệ kỹ thuật số, thời điểm cũng sai ở đây: sự vượt trội của Mỹ trong các lĩnh vực sản xuất và sử dụng máy tính rõ rệt nhất trong thập kỷ trước cuộc khủng hoảng tài chính toàn cầu, không phải trong giai đoạn kể từ đó.

Đối với vòng công nghệ kỹ thuật số mới nhất, các công ty chỉ mới bắt đầu khám phá cách các mô hình ngôn ngữ lớn và trí tuệ nhân tạo tạo nội dung có thể được sử dụng để tăng năng suất. Nói cách khác, AI và những phát triển liên quan không thể giải thích hiệu suất năng suất mạnh mẽ bất thường của Mỹ trong bốn năm qua.

Nghiên cứu về ChatGPT cho Công nghiệp 4.0 - Bối cảnh, tiềm năng, thách thức và tình huống - Phần 3

Mohd Javaid, Abid Haleem, Ravi Pratap Singh.

Khoa Cơ khí, Viện Công nghệ Quốc gia, Kurukshetra, Haryana, Ấn Độ

Tạp chí Kinh tế và Công nghệ. Tháng 11 năm 2023. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

2. ChatGPT

Máy biến áp tạo nội dung được đào tạo trước tạo ra ngôn ngữ mạch lạc và phù hợp với ngữ cảnh; ChatGPT sử dụng một kiến trúc cụ thể để hiểu ngữ cảnh và liên kết giữa các từ trong một cụm từ. Một lượng đáng kể văn bản từ các nguồn như trang web, sách và bài viết được ChatGPT sử dụng để tìm hiểu những điều mới. Điều này hỗ trợ việc học về nhiều chủ đề khác nhau và hỗ trợ sự hiểu biết về cách thức hoạt động của ngôn ngữ, bao gồm ngữ pháp và ngữ cảnh. ChatGPT hiện có thể tạo ra văn bản được viết bởi con người do khóa đào tạo này, làm cho nó hữu ích trong các cài đặt và nghề nghiệp khác nhau. ChatGPT được tạo ra bằng cách sử dụng nhiều thuật toán xử lý ngôn ngữ tự nhiên và các mô hình hỗ trợ. Nó được thiết kế để mô phỏng các cuộc đối thoại văn bản giống như con người cho mọi người.

Có một số khả năng cho các công ty sử dụng ChatGPT trong các quy trình và phần mềm thông thường. Mặc dù có một số hạn chế hiện tại về mức độ toàn diện của các câu trả lời được cung cấp bởi chatbot này , nhưng nó đã có nhiều khả năng hỗ trợ các doanh nghiệp tăng lợi nhuận và cải thiện trải nghiệm của khách hàng. ChatGPT hiểu thông tin đầu vào của người dùng và tạo ra câu trả lời bắt chước cuộc trò chuyện của con người bằng xử lý ngôn ngữ tự nhiên và học máy. Các công ty có thể sử dụng ChatGPT để xây dựng các trợ lý ảo có thể trả lời các câu hỏi của người tiêu dùng, giải phóng nhân viên cho công việc khó khăn hơn. ChatGPT cho phép thảo luận tự động giữa con người và máy tính bằng cách sử dụng xử lý ngôn ngữ tự nhiên và AI. Vì nó cung cấp một cách nhanh chóng và giá cả phải chăng để tương tác với khách hàng, công nghệ này đang nhanh chóng trở nên phổ biến trên các ngành công nghiệp khác nhau.

3. Công nghiệp 4.0

Cuộc cách mạng công nghiệp lần thứ tư, thường được gọi là Công nghiệp 4.0, hiện đang diễn ra và dự kiến sẽ tác động đáng kể đến cách mọi người sống và làm việc. Công nghiệp 4.0 thay đổi cách các doanh nghiệp sản xuất, nâng cao và phân phối hàng hóa của họ. Internet vạn vật (IoT), điện toán đám mây, phân tích, AI và học máy là những gì mà những nhà sản xuất công nghệ tiên tiến kết hợp vào quy trình sản xuất của họ. Các cảm biến tiên tiến, phần mềm nhúng và robot đều được đưa vào cuộc cách mạng này, thu thập và phân tích dữ liệu để giúp ra quyết định. AI thúc đẩy sự đổi mới giữa các lĩnh vực và cho phép chúng ta đạt được những điều chúng ta không bao giờ nghĩ là có thể tưởng tượng được, đó là trung tâm của sự thay đổi này.

Lĩnh vực sản xuất có tiềm năng tuyệt vời để tham gia Công nghiệp 4.0 bằng cách phát triển các nhà máy thông minh. Khả năng hiển thị thời gian thực của tài sản sản xuất được đảm bảo bằng cách phân tích khối lượng lớn dữ liệu lớn được thu thập từ các cảm biến trên sàn nhà máy. Phân tích này cũng cung cấp các công cụ để thực hiện bảo trì dự đoán để giảm thời gian ngừng hoạt động của thiết bị. ChatGPT đang cách mạng hóa cách con người tương tác với máy tính và là một trong những trường hợp hấp dẫn nhất của AI trong hành động. Trong Công nghiệp 4.0, công nghệ đóng một vai trò quan trọng hơn bao giờ hết trong việc thay đổi ngành công nghiệp. Công nghiệp 4.0 phụ thuộc mạnh mẽ vào các công nghệ nối mạng, cho phép các tổ chức hoạt động hiệu quả và hiệu quả hơn. Về cơ bản, Công nghiệp 4.0 là về việc sử dụng công nghệ để hợp lý hóa, tăng tốc và cải thiện các quy trình kinh doanh hiện tại.

Угроза нового авторитарного лидера Камбоджи

Mu Sochua – Project Syndicate.

Хотя 2024-й называют годом выборов, поскольку в десятках стран, в которых проживает больше половины мирового населения, избиратели отправятся на избирательные участки, есть страны, для которых этот год станет точкой надира демократии. И одна из таких стран – Камбоджа.

В июле прошлого года, проведя у власти почти 40 лет, премьер-министр страны Хун Сен объявил, что передаст полномочия старшему сыну – Хун Манету. Этой передаче власти по наследству предшествовали общенациональные выборы, на которых правящая Народная партия Камбоджи (НПК) Хун Сена, согласно её утверждениям, одержала убедительную победу. Между тем, Америка объявила эти выборы «несвободными и несправедливыми», а официальные лица Евросоюза заявили, что выборы «проводились в крайне ограниченном политическом и гражданском пространстве». Впрочем, в дальнейшем международное сообщество в целом смирилось с династическим авторитаризмом в Камбодже.

Как и его отец, Хун Манет стремится закрепить контроль над камбоджийцами, вмешиваясь в их повседневную жизнь. Например, в марте новый премьер-министр запретил автомобильные гудки с музыкой, которые, как видно на видео в соцсетях, вдохновляют людей танцевать на улицах. Власти опасаются, что публичное проявление позитивных эмоций может спровоцировать гражданские беспорядки.

Камбоджийцы уже много десятилетий страдают под властью «железной руки», и начало этого пути восходит к 1985 году, когда Хун Сен пришёл к власти. Отслужив офицером среднего ранга в рядах «Красных кхмеров», он дезертировал во Вьетнам, который вторгся в Камбоджу в 1979 году и установил там новое правительство. Сначала в качестве министра иностранных дел, а затем в роли премьер-министра, Хун Сен всеми силами старался закрепить контроль над страной, измученной войной и опустошённой геноцидом под властью «Красных кхмеров», которые убили почти два миллиона человек (в том числе моих родителей).

В мае 1993 года под эгидой Временного органа ООН в Камбодже состоялись первые демократические выборы в стране. Хун Сен отказался уступить власть, хотя НКП заняла второе место, и стал одним из двух премьер-министров Камбоджи в соответствии с соглашением о разделе властных полномочий. Во время вооружённого переворота в 1997 году Хун Сен сверг своего коллегу-премьера и ликвидировал всех, кто мог угрожать его власти. Затем он занялся реинтеграцией сотен солдат «Красных кхмеров» в камбоджийское общество: многие из них сменили одежду партизан на военную форму в рамках «взаимовыгодной» стратегии Хун Сена.

Под предлогом поддержания стабильности правительство Хун Сена отправляло в тюрьму и убивало активистов оппозиции, журналистов и профсоюзных лидеров, одновременно укрепляя связи с Китаем ради продления своей власти. В прошлом году председатель КНР Си Цзиньпин лично поздравил Хун Сена с «победой» на сфальсифицированных выборах. Конституционный монарх Камбоджи, Нородом Сиамони, отказывается бросать вызов Хун Сену. Король часто отсутствует в стране из стратегических соображений: он не ставит подпись под спорными законами, а позволяет подписывать их от своего имени председателю Сената.

Семейная династия Хуна и её сторонники не стали полагаться на волю случая перед вступлением в должность Хун Манета в августе 2023 года. Помимо отбора верных семье Хуна кандидатов в парламент, режим запретил оппозиционной партии «Свеча» участвовать в национальных выборах 2023 года и подвергал жестоким атакам членов этой партии. Тем самым власти продолжили систематические репрессии против политической оппозиции: оставшихся в стране регулярно отправляют в тюрьму, причём под надуманными техническими предлогами и по обвинениям в мошенничестве, а тех, кто живёт за границей, заочно приговаривают к тюремным срокам в десятки лет.

После вступления в должность Хун Манет усилил давление на независимую прессу, начатое его отцом, который осуществлял слежку за журналистами и угрожал закрыть те СМИ, которые критикуют режим.

柬埔寨新强人带来的威胁

Mu Sochua – Project Syndicate. Apr 10, 2024

旧金山——尽管2024年被誉为选举丰收年，占全球半数以上人口的数十个国家都在投票选举，但在某些人看来，这却是民主低谷的标志。柬埔寨就是这样一个实例。

去年7月，在执政近40年后，时任首相洪森宣布将权力移交给长子洪玛奈。在世袭传位前举行了全国大选，而执政的洪森柬埔寨人民党（CPP）声称以压倒性优势获胜；但美国宣称选举“既不自由也不公平”，而欧盟官员则表示 ，柬埔寨“投票的政治和公民空间十分有限。”但自那以后，国际社会多少都接受了柬埔寨的王朝专制。

像乃父一样，洪马奈试图通过干涉柬埔寨人的日常生活来控制柬埔寨人。例如，今年3月，这位新任首相禁止了通过汽车喇叭播放音乐，据社交媒体视频显示，人们在音乐的伴奏下当街起舞。当局担心如此公开的快乐表现可能会引发民众骚乱。

数十年来，柬埔寨人一直在铁腕统治下遭受苦难，上述状况始于1985年洪森上台。在红色高棉当上中级军官后，他叛逃到越南，后者在1979年入侵柬埔寨后组建了新政府。洪森先是出任外长，而后又担任首相一职，他竭尽全力强化对因战争而精疲力尽并被红色高棉的种族灭绝统治所摧毁的国家的控制。红色高棉的种族灭绝统治杀害了高达200万人（我的父母也包括在内）。

1993年5月，在柬埔寨过渡期联合国权力机构的监督下举行了首次民主大选。尽管柬埔寨人民党（CPP）仅获次席，但洪森却拒绝交出权力，并成为权力分享协议所规定的两位首相之一。1997年突发暴力政变，洪森废黜了时任联合首相，并消灭了威胁其统治的其他人。他之后继续推动数百名红色高棉战士重新融入柬埔寨社会，其中不少人脱下游击队服换上军装，这也是他“双赢”战略的组成部分。

洪森政府以维稳为借口监禁并杀害反对派活动人士、记者和工会成员，并同时与中国结盟，以扩大对权力的控制。去年，中国主席习近平亲自祝贺洪森“赢得”被操纵的大选。此外，柬埔寨立宪君主诺罗敦·西哈莫尼也拒绝对抗洪森。为避免签署争议立法，国王经常策略性地离开柬埔寨，以借此授权参议院议长代签。

2023年洪马奈登基前，该家族王朝及其支持者并没有留下任何机会。除选择忠于家族的议会候选人外，柬埔寨政权还禁止反对派烛光党参与去年的选举并对其成员进行恶意攻击 。因此，政府系统性地继续镇压反对派：留在国内的人常因捏造的技术细节和 欺诈指控而遭监禁，而那些生活在国外的人则被缺席判处数十年监禁。

就职以来，洪马奈通过监视记者和威胁封禁敢于批评政权的媒体强化了其父开启的对独立媒体的控制。最令人忧虑的是，他继续讨好中国，并于九月与习会面。这表明，其政府在强势盟友的支持下，将更加严厉地镇压民主权利。在包括金边在内的大城市部署大规模监控的同时关闭互联网则进一步凸显了洪马奈保持控制的决心。

大量中国资金和人力涌入柬埔寨同样可能加剧与越南的紧张关系。洪马奈政府不会放过任何的表现机会。他祝贺普京“压倒性”连任，并最终确定了由中国出资修建的有争议的阜南德崇运河（ Funan Techo canal）计划，该计划通过允许柬埔寨绕过越南开展国际贸易以减少其对邻国的依赖。该项目与不久前由中国出资的柬埔寨云壤（Ream）海军基地升级项目一道，凸显出中国日益增长的军事和经济影响力。

与此同时，洪马奈还企图讨好国际社会。在最近的一次联合国大会演讲中，他声称，柬埔寨的“民主建设进程一直在稳步推进。”迄今为止，西方对待洪马奈的态度一直是疑罪从宽。但美国和欧洲的决策者必须清醒过来。尽管嘴上一直谈论对抗中国崛起，但他们消极接受柬埔寨首相已授予其政府摧毁国内刚刚起步的民主及允许中国扩大其东南亚影响力的自由裁量权。

尤为值得一提的是，美国政府拥有包括柬埔寨民主法案、全球马格尼茨基法案以及假使可以顺利通过，拟议中的跨国镇压政策法案在内的诸多工具，美国政府可以利用上述工具来施压洪马奈政权，并追究其滥用职权的责任。上述针对性制裁理应与存在类似立法的国家协调进行。美国官员可以而且应当通过制裁那些破坏民主并从事腐败的人来迫使洪家族俯首称臣。能否实现目标决定能否实现地区稳定。

Mu Sochua, a former Cambodian politician and Nobel Peace Prize nominee, is President of the Khmer Movement for Democracy.

The Threat Posed by Cambodia’s New Strongman

Mu Sochua – Project Syndicate. April 10, 2024.

Since former Cambodian Prime Minister Hun Sen transferred power to his eldest son, Hun Manet, last August, the government has continued to clamp down on democratic rights and court Chinese investment. The West must use the tools at its disposal to hold Cambodia’s dynastic autocracy accountable for its abuses.

Although 2024 is being heralded as a banner year for elections, with dozens of countries – representing more than half the global population – holding polls, for some it marks the nadir of democracy. Cambodia is one such case.

Last July, after nearly 40 years in power, then-Prime Minister Hun Sen announced that he would transfer power to his eldest son, Hun Manet. The hereditary succession was preceded by national elections that Hun Sen’s ruling Cambodian People’s Party (CPP) claimed to have won by a landslide; but the United States declared the vote as “neither free nor fair,” while European Union officials said it was “conducted in a restricted political and civic space.” Since then, however, the international community has more or less accepted Cambodia’s dynastic autocracy.

Like his father before him, Hun Manet has sought to assert control over Cambodians by interfering in their daily lives. In March, for example, the new prime minister banned musical vehicle horns, which, as videos on social media have shown, encourage people to dance on the streets. Authorities fear that such public displays of joy could cause civil unrest.

Cambodians have suffered under iron-fisted rule for decades, a trajectory that began with Hun Sen’s ascent to power in 1985. After serving as a middle-ranking officer in the Khmer Rouge, he defected to Vietnam, which installed a new government after invading Cambodia in 1979. First as foreign minister, and then as prime minister, Hun Sen worked to strengthen his grip on a country exhausted by war and decimated by the Khmer Rouge’s genocidal rule, which murdered up to two million people (including my parents).

When the first democratic elections were held in May 1993, under the watch of the United Nations Transitional Authority in Cambodia, Hun Sen refused to cede power, even though the CPP finished second, and became one of two prime ministers under a power-sharing agreement. In a violent coup in 1997, Hun Sen deposed his co-prime minister and eliminated others who posed a threat to his rule. He went on to reintegrate hundreds of Khmer Rouge soldiers into Cambodian society, with many swapping their guerrilla garb for military uniforms as part of his “win-win” strategy.

Under the pretext of maintaining stability, Hun Sen’s government jailed and killed opposition activists, journalists, and trade unionists, while aligning with China to extend its hold on power. Last year, Chinese President Xi Jinping personally congratulated Hun Sen on “winning” the rigged elections. Moreover, Cambodia’s constitutional monarch, Norodom Sihamoni, refused to defy Hun Sen. The king often strategically absents himself from the country to avoid signing controversial legislation, allowing the president of the Senate to sign on his behalf.

The family dynasty and its supporters left nothing to chance ahead of Hun Manet’s accession in August 2023. In addition to selecting Hun family loyalists as parliamentary candidates, the regime barred the opposition Candlelight Party from contesting last year’s elections and viciously attacked its members. The government thus continued its systematic repression of the political opposition: those who stay in the country are routinely jailed, often on trumped-up technicalities and accusations of fraud, while those living abroad have been sentenced in absentia to decades of imprisonment.

Since taking office, Hun Manet has strengthened the stranglehold on independent media that his father initiated by surveilling journalists and threatening to close outlets that criticize the regime. Most worryingly,

Mối đe dọa từ nhà lãnh đạo mới của Campuchia

Mu Sochua – Project Syndicate. ngày 10 tháng 4 năm 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Kể từ khi cựu Thủ tướng Campuchia Hun Sen chuyển giao quyền lực cho con trai cả Hun Manet vào tháng Tám năm ngoái, chính phủ đã tiếp tục đàn áp các quyền dân chủ và thu hút đầu tư của Trung Quốc. Phương Tây phải sử dụng các công cụ có sẵn để buộc chế độ chuyên chế triều đại của Campuchia phải chịu trách nhiệm về những lạm dụng của nó.

Mặc dù năm 2024 đang được báo trước là một năm biểu tượng cho các cuộc bầu cử, với hàng chục quốc gia - đại diện cho hơn một nửa dân số toàn cầu - tổ chức các cuộc bỏ phiếu, đối với một số quốc gia, nó đánh dấu sự tồi tệ nhất của nền dân chủ. Campuchia là một trường hợp như vậy.

Tháng 7 năm ngoái, sau gần 40 năm cầm quyền, Thủ tướng Hun Sen tuyên bố sẽ chuyển giao quyền lực cho con trai cả Hun Manet. Sự kế vị cha truyền con nối được bắt đầu bằng các cuộc bầu cử quốc gia mà Đảng Nhân dân Campuchia (CPP) cầm quyền của Hun Sen tuyên bố đã giành chiến thắng áp đảo; nhưng Hoa Kỳ tuyên bố cuộc bỏ phiếu là "không tự do cũng không công bằng", trong khi các quan chức Liên minh châu Âu nói rằng nó "được tiến hành trong một không gian chính trị và dân sự bị hạn chế". Tuy nhiên, kể từ đó, cộng đồng quốc tế đã ít nhiều chấp nhận chế độ chuyên chế triều đại của Campuchia.

Giống như cha mình trước đó, Hun Manet đã tìm cách khẳng định quyền kiểm soát đối với người Campuchia bằng cách can thiệp vào cuộc sống hàng ngày của họ. Ví dụ, vào tháng Ba, thủ tướng mới đã cấm còi xe âm nhạc, khuyến khích mọi người nhảy múa trên đường phố, như các video trên phương tiện truyền thông xã hội đã cho thấy. Các nhà chức trách lo ngại rằng những màn thể hiện niềm vui công khai như vậy có thể gây ra tình trạng bất ổn dân sự.

Người Campuchia đã phải chịu đựng sự cai trị bằng bàn tay sắt trong nhiều thập kỷ, một quỹ đạo bắt đầu từ khi Hun Sen lên nắm quyền vào năm 1985. Sau khi phục vụ như một sĩ quan cấp trung trong Khmer Đỏ, ông đào tẩu sang Việt Nam, nơi đã thiết lập một chính phủ mới sau khi xâm lược Campuchia vào năm 1979. Đầu tiên là bộ trưởng ngoại giao, và sau đó là thủ tướng, Hun Sen đã làm việc để tăng cường sự kìm kẹp của mình đối với một đất nước kiệt sức vì chiến tranh và bị tàn phá bởi sự cai trị diệt chủng của Khmer Đỏ, đã giết chết tới hai triệu người (bao gồm cả cha mẹ tôi).

Khi cuộc bầu cử dân chủ đầu tiên được tổ chức vào tháng Năm năm 1993, dưới sự giám sát của Cơ quan Chuyển tiếp Liên Hiệp Quốc tại Campuchia, Hun Sen đã từ chối nhượng lại quyền lực, mặc dù CPP đứng thứ hai, và trở thành một trong hai thủ tướng theo thỏa thuận chia sẻ quyền lực. Trong một cuộc đảo chính bạo lực năm 1997, Hun Sen đã phế truất đồng thủ tướng và loại bỏ những người khác gây ra mối đe dọa cho sự cai trị của ông. Ông tiếp tục tái hòa nhập hàng trăm binh sĩ Khmer Đỏ vào xã hội Campuchia, với nhiều người đổi trang phục du kích của họ lấy quân phục như một phần của chiến lược "đôi bên cùng có lợi" của ông.

Dưới cái cớ duy trì sự ổn định, chính phủ của Hun Sen đã bỏ tù và giết chết các nhà hoạt động đối lập, nhà báo và công đoàn, trong khi liên kết với Trung Quốc để mở rộng quyền lực. Năm ngoái, Chủ tịch Trung Quốc Tập Cận Bình đã đích thân chúc mừng Hun Sen vì đã "chiến thắng" cuộc bầu cử gian lận. Hơn nữa, quốc vương lập hiến của Campuchia, Norodom Sihamoni, đã từ chối thách thức Hun Sen. Nhà vua thường vắng mặt một cách chiến lược khỏi đất nước để tránh ký luật gây tranh cãi, cho phép chủ tịch Thượng viện ký thay mặt ông.

Triều đại gia đình và những người ủng hộ không để lại cơ hội nào trước khi ông Hun Manet lên ngôi vào tháng 8 năm 2023. Ngoài việc chọn những người trung thành với gia đình Hun làm ứng cử viên quốc hội, chế độ này còn cấm Đảng Ánh nến (Candlelight Party) đối lập tham gia cuộc bầu cử năm ngoái và tấn công tàn nhẫn các thành viên của nó. Do đó, chính phủ tiếp tục đàn áp có hệ thống đối với phe đối lập chính trị: những người ở lại trong nước thường xuyên bị tù

Nghiên cứu về ChatGPT cho Công nghiệp 4.0 - Bối cảnh, tiềm năng, thách thức và tình huống - Phần 2

Mohd Javaid, Abid Haleem, Ravi Pratap Singh.

Khoa Cơ khí, Viện Công nghệ Quốc gia, Kurukshetra, Haryana, Ấn Độ

Tạp chí Kinh tế và Công nghệ. Tháng 11 năm 2023. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

ChatGPT hiện đang được thử nghiệm ở nhiều cài đặt khác nhau. Thế giới của các nhà thí nghiệm và nhà nghiên cứu rất háo hức muốn thấy tiềm năng của nó và, có thể, các ứng dụng công nghiệp thực tế của nó. ChatGPT đã hỗ trợ nhiều nhà văn sáng tạo vượt qua khả năng của nhà văn, điều này có thể hỗ trợ các blogger sản xuất nội dung trong bối cảnh yêu cầu tạo nội dung nhanh chóng hiện nay. AI đã cho phép con người giao tiếp với máy móc một cách trực quan và tự nhiên hơn, từ nhận dạng giọng nói đến xử lý ngôn ngữ tự nhiên. ChatGPT có thể được sử dụng trong nhiều lĩnh vực và là một trong những phát triển gần đây nhất của AI. Khả năng của ChatGPT để hiểu cả văn bản và đồ họa làm đầu vào là sự phát triển đáng chú ý nhất. So với phiên bản tiền nhiệm của nó, tính năng này là một cải tiến đáng kể. Nó cho phép mô hình xử lý vật liệu đa phương thức, tạo ra các trường hợp sử dụng mới như phân tích đầu vào trực quan.

Mục đích chính của ChatGPT là cung cấp các câu trả lời giống như con người cho các câu hỏi hoặc lời nhắc bằng ngôn ngữ tự nhiên trong các cài đặt khác nhau và về các chủ đề khác nhau. Điều này có thể bao gồm trả lời các truy vấn, cung cấp chi tiết, tham gia đối thoại, sản xuất văn bản và hơn thế nữa. Bằng cách trả lời các câu hỏi và giải quyết các vấn đề, thí dụ ChatGPT cho chăm sóc khách hàng có thể cung cấp hỗ trợ ngay lập tức cho khách hàng. Công nghiệp 4.0 có thể cung cấp hỗ trợ khách hàng 24/7 mà không yêu cầu liên hệ với con người. Điều này đặc biệt quan trọng đối với các lĩnh vực thương mại điện tử, bán lẻ và viễn thông vì các lĩnh vực này thường giải quyết các yêu cầu của người tiêu dùng về hàng hóa và dịch vụ. Công nghiệp 4.0 có thể tăng tốc thời gian phản hồi và cung cấp cho người tiêu dùng dịch vụ chăm sóc cá nhân hơn bằng cách áp dụng chatbot dịch vụ khách hàng.

Nhiều công ty coi việc tạo tài liệu là cần thiết, nhưng quá trình này có thể mất thời gian và nguồn lực. Công nghiệp 4.0 có thể tự động hóa việc sản xuất tài liệu và đơn giản hóa các quy trình bằng cách sử dụng khả năng tạo ngôn ngữ tự nhiên của ChatGPT. Điều này có thể tiết kiệm thời gian và tiền bạc trong khi tạo các tài liệu nhất quán, không có lỗi và phù hợp với yêu cầu cụ thể của họ bằng cách sử dụng ChatGPT. An ninh mạng là một trách nhiệm quan trọng đối với các tổ chức thuộc mọi quy mô trong môi trường kỹ thuật số hiện đại. Các doanh nghiệp có thể tăng cường phòng thủ an ninh mạng và bảo vệ hệ thống của họ khỏi các cuộc tấn công có thể xảy ra bằng ChatGPT. Khả năng xử lý ngôn ngữ tự nhiên tinh vi của ChatGPT cho phép nó tự động xác định các mối đe dọa của các cuộc tấn công mạng và tránh các âm mưu lừa đảo.

Các chatbot thông minh có thể trò chuyện bằng ngôn ngữ tự nhiên với người dùng có thể được thực hiện bằng ChatGPT. Các chatbot này có thể được sử dụng làm trợ lý ảo cá nhân và cho dịch vụ khách hàng, bán hàng hoặc hỗ trợ để cung cấp câu trả lời giống như con người. Dựa trên ngôn ngữ lập trình và loại mã được ghi lại, ChatGPT có thể đề xuất các mẫu tài liệu phù hợp khi lập trình viên nhập mã của họ. Ví dụ: ChatGPT có thể cung cấp một mẫu cho tài liệu hàm nếu mã là một hàm và bao gồm các tham số, giá trị trả về và mô tả về mục tiêu của hàm. Mục đích chính của bài viết này là xác định và nghiên cứu các ứng dụng quan trọng của ChatGPT cho Công nghiệp 4.0.

2. ChatGPT

Máy biến áp tạo nội dung được đào tạo trước tạo ra ngôn ngữ mạch lạc và phù hợp với ngữ cảnh; ChatGPT sử dụng một kiến trúc cụ thể để hiểu ngữ cảnh và liên kết giữa các từ trong một cụm từ. Một lượng đáng kể văn bản từ các nguồn như trang web, sách và bài viết được ChatGPT sử dụng để tìm hiểu những điều mới. Điều này hỗ trợ việc học về nhiều chủ đề khác nhau và hỗ trợ

Nghiên cứu về ChatGPT cho Công nghiệp 4.0 - Bối cảnh, tiềm năng, thách thức và tình huống - Phần 1

Mohd Javaid, Abid Haleem, Ravi Pratap Singh.

Khoa Cơ khí, Viện Công nghệ Quốc gia, Kurukshetra, Haryana, Ấn Độ

Tạp chí Kinh tế và Công nghệ. Tháng 11 năm 2023. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Nổi bật

ChatGPT là một công cụ Xử lý ngôn ngữ tự nhiên (NLP) được hỗ trợ bởi Trí tuệ nhân tạo (AI) có thể hiểu và tạo ra văn bản để đáp ứng các lệnh của chúng ta.

Công nghiệp 4.0 biểu thị một thời đại sản xuất mới tập trung vào tự động hóa, số hóa và kết nối thời gian thực của sản xuất và hệ thống.

ChatGPT và tối ưu hóa quy trình dựa trên AI đã sẵn sàng cách mạng hóa Công nghiệp 4.0 bằng cách nâng cao năng suất, đảm bảo chất lượng, hiệu quả và cuối cùng là phản hồi của khách hàng.

Bài viết này nghiên cứu các tính năng, đặc điểm và năng lực linh hoạt liên quan của ChatGPT cho Công nghiệp 4.0.

Cuối cùng, bài viết xác định và thảo luận về các ứng dụng quan trọng của ChatGPT cho Công nghiệp 4.0.

Tóm lược

ChatGPT, một Trí tuệ nhân tạo được hỗ trợ bởi (AI) xử lý ngôn ngữ tự nhiên (NLP) là công cụ hiểu và tạo văn bản để đáp ứng các lệnh đã cho. Nó có thể được áp dụng cho các yêu cầu khác nhau, như trả lời các câu hỏi của chúng ta, hỗ trợ chúng ta tạo nội dung, dịch ngôn ngữ và hơn thế nữa. Cuộc cách mạng công nghiệp lần thứ tư, được gọi là "Công nghiệp 4.0", biểu thị một thời đại sản xuất mới tập trung vào tự động hóa, số hóa và kết nối thời gian thực của các hệ thống sản xuất. ChatGPT có thể giúp công nghiệp 4.0 theo nhiều cách khác nhau. ChatGPT và tối ưu hóa quy trình dựa trên AI đã sẵn sàng cách mạng hóa Công nghiệp 4.0 bằng cách nâng cao năng suất, đảm bảo chất lượngvà hiệu quả. Để phát triển bài báo này, các bài viết khác nhau về ChatGPT / AI cho Công nghiệp 4.0 đã được xác định thông qua Scopus, ScienceDirect, Google Scholar và ResearchGate. Công nghiệp 4.0 tiến bộ do sự kết hợp của công nghệ tiên tiến như AI, học máy (ML), và các hoạt động xử lý ngôn ngữ tự nhiên và sản xuất đang thay đổi. ChatGPT đang trở nên nổi tiếng để sử dụng hàng ngày vì những ứng dụng đầy hứa hẹn của nó. Trong khuôn khổ Công nghiệp 4.0, nó hứa hẹn sẽ cách mạng hóa các quy trình để hỗ trợ sự tiến bộ trong việc thúc đẩy năng suất và hiệu quả kinh doanh. Bài viết này nghiên cứu nhu cầu chính của ChatGPT cho Công nghiệp 4.0. Các tính năng, đặc điểm và năng lực linh hoạt liên quan khác nhau của ChatGPT cho Công nghiệp 4.0 được xác định và tóm tắt. Cuối cùng, bài viết xác định và thảo luận về các ứng dụng quan trọng của ChatGPT cho Công nghiệp 4.0. ChatGPT là một phương pháp rất linh hoạt và hiệu quả để tạo giao diện người-máy và tự động tạo văn bản, cung cấp kiến thức và hướng dẫn phù hợp cho nhân viên. Các ứng dụng cho Chatbot bao gồm ChatGPT, Trợ lý ảo, chăm sóc khách hàng tự động, Dịch thuật ngôn ngữ và tạo nội dung. Trong tương lai, nó sẽ trở thành một công cụ hiệu quả để tăng cường giao tiếp và tự động hóa các quy trình trong Công nghiệp 4.0.

1. Giới thiệu

Chúng ta đã chứng kiến những tiến bộ to lớn của Trí tuệ nhân tạo (AI) và Học máy (ML) trong những năm gần đây, thúc đẩy thế giới công nghệ tiến lên. Tiến bộ gần đây nhất trong lĩnh vực này là ChatGPT, một mô hình ngôn ngữ lớn tiên tiến được tạo ra bởi OpenAI. Nhiều cơ hội đã được tạo ra cho nhiều ngành công nghiệp, bao gồm cả thiết kế và sản xuất, bởi hệ thống AI tiên tiến này. ChatGPT, nhằm mục đích thay đổi cách mọi người tương tác với máy tính và tự động hóa công việc, khai thác tiềm năng của AI tạo nội dung. Khả năng trò chuyện như con người của ChatGPT là một trong những tính năng ấn tượng nhất của nó. ChatGPT đã cách mạng hóa một số lĩnh vực và có thể giúp tạo ra những tiến bộ lớn trong Công nghiệp 4.0. ChatGPT được dự đoán sẽ thống trị thế giới kinh doanh bằng cách sử dụng một số giải pháp AI trong mười đến mười lăm năm tới. Việc sử dụng ChatGPT có thể là vô hạn, cho dù để thúc đẩy quy trình, tương tác với khách hàng theo những cách mới lạ hay giúp viết mã.

AGI or Artificial General Intelligence

1 - Explain "AGI or Artificial General Intelligence" to a high school student.

"AGI" stands for Artificial General Intelligence. Now, let's break it down:

1. Artificial: This means something created by humans, not naturally occurring. In this context, it refers to intelligence that is not possessed by living beings but instead is created by humans through technology.

2. General: This means broad or comprehensive. When we say "general intelligence," we're talking about intelligence that can handle a wide variety of tasks, just like how humans can perform many different kinds of tasks.

3. Intelligence: This is the ability to learn, understand, and solve problems. Intelligence allows us to think, reason, and make decisions.

So, when we put it all together, "Artificial General Intelligence" refers to creating a form of intelligence through technology that can perform a wide range of tasks and solve problems just like humans can.

Think of it like this: Right now, we have artificial intelligence that can do specific tasks really well, like playing chess or recognizing faces in photos. But AGI would be like creating a robot or computer that could learn to do all sorts of things, just like a human can. It would be able to understand and learn from its experiences, adapt to new situations, and solve problems in a wide range of areas, from cooking to driving cars to writing books.

2 - Using technical terms, explain "AGI or Artificial General Intelligence" to a Computer Science University student.

Certainly! "AGI" or "Artificial General Intelligence" refers to the hypothetical development of AI systems that possess the ability to understand, learn, and apply knowledge across a wide range of tasks, similar to human intelligence.

In the realm of computer science, AGI represents the pursuit of creating AI systems that exhibit general-purpose intelligence, as opposed to specialized intelligence limited to specific tasks or domains. Unlike narrow AI systems, which excel at performing predefined tasks within a limited scope, AGI aims to achieve human-like cognitive abilities, such as reasoning, problem-solving, learning from experience, and adapting to novel situations autonomously.

From a technical standpoint, achieving AGI involves developing algorithms, architectures, and models capable of emulating the broad spectrum of cognitive functions observed in humans. This encompasses various subfields of AI, including machine learning, natural language processing, computer vision, robotics, and cognitive science.

Key challenges in AGI research include:

1. Scalable Learning Algorithms: Designing algorithms that can learn from diverse data sources and generalize knowledge across different domains efficiently.

2. Robust Perception and Understanding: Developing techniques for robust perception and comprehension of complex and ambiguous real-world data, such as natural language, images, and sensor inputs.

3. Reasoning and Problem-Solving: Creating mechanisms for logical reasoning, decision-making, planning, and problem-solving in diverse contexts, often involving uncertain or incomplete information.

4. Autonomous Learning and Adaptation: Enabling AI systems to autonomously acquire new knowledge, skills, and behaviors over time through continual learning and adaptation.

5. Ethical and Societal Implications: Addressing ethical, legal, and societal considerations surrounding the development and deployment of AGI, including issues related to safety, privacy, bias, and socio-economic impact.

In summary, AGI represents the pursuit of creating AI systems with human-like intelligence, capable of performing a wide range of cognitive tasks autonomously. It represents a grand challenge in AI research, requiring interdisciplinary collaboration and innovative approaches across various domains of computer science and cognitive science.

3 - Explain "AGI or Artificial General Intelligence" to business people using real

Trí tuệ tổng hợp nhân tạo. Lê Quang Văn giải thích và thực hiện phần kỹ thuật số.

Cách đây vài ngày, tỷ phú và chủ sở hữu X (trước đây là Twitter) Elon Musk đã dự đoán rằng AI có thể sẽ thông minh hơn con người cá nhân vào năm tới. Vị tỷ phú đã trả lời một đoạn clip về cuộc thảo luận giữa Joe Rogan và 'nhà tương lai học' Ray Kurzweil về thời điểm AI sẽ đạt đến trí thông minh ở cấp độ con người (AGI hay Trí tuệ tổng hợp nhân tạo).

Cuộc thảo luận liên quan đến việc Kurzweil nói với Rogan rằng trí tuệ nhân tạo ở cấp độ con người sẽ trở thành hiện thực vào năm 2029. Ông nói: "Chúng tôi không hoàn toàn ở đó, nhưng chúng tôi sẽ ở đó, và đến năm 2029, nó sẽ phù hợp với bất kỳ người nào. Tôi thực sự được coi là bảo thủ. Mọi người nghĩ rằng điều đó sẽ xảy ra vào năm tới hoặc năm sau".

Ngoài ra còn có những tuyện bố phỏng đoán về thời điểm đạt được AGI hay Trí tuệ tổng hợp nhân tạo. NHằm giúp các bạn theo dõi vấn đề, chúng tôi trình bày nhiều cách giải thích khác nhau, từ đơn giản đến chuyên sâu. Bài này có 4 cãu hỏi và 4 giải đáp.

1 - Giải thích "AGI hoặc Trí tuệ tổng hợp nhân tạo" cho học sinh trung học.

"AGI" là viết tắt của Trí tuệ tổng hợp nhân tạo. Bây giờ, hãy chia nhỏ nó:

1. Nhân tạo: Điều này có nghĩa là một cái gì đó được tạo ra bởi con người, không xảy ra tự nhiên. Trong bối cảnh này, nó đề cập đến trí thông minh không được sở hữu bởi chúng sinh mà thay vào đó được tạo ra bởi con người thông qua công nghệ.

2. Chung: Điều này có nghĩa là rộng hoặc toàn diện. Khi chúng ta nói "trí thông minh nói chung", chúng ta đang nói về trí thông minh có thể xử lý nhiều nhiệm vụ khác nhau, giống như cách con người có thể thực hiện nhiều loại nhiệm vụ khác nhau.

3. Trí thông minh: Đây là khả năng học hỏi, hiểu và giải quyết vấn đề. Trí thông minh cho phép chúng ta suy nghĩ, suy luận và đưa ra quyết định.

Vì vậy, khi chúng ta kết hợp tất cả lại với nhau, "Trí tuệ tổng hợp nhân tạo" đề cập đến việc tạo ra một dạng trí thông minh thông qua công nghệ có thể thực hiện một loạt các nhiệm vụ và giải quyết vấn đề giống như con người có thể.

Hãy nghĩ về nó như thế này: Ngay bây giờ, chúng ta có trí tuệ nhân tạo có thể thực hiện các nhiệm vụ cụ thể thực sự tốt, như chơi cờ vua hoặc nhận dạng khuôn mặt trong ảnh. Nhưng AGI sẽ giống như tạo ra một robot hoặc máy tính có thể học cách làm tất cả mọi thứ, giống như con người có thể. Nó sẽ có thể hiểu và học hỏi từ kinh nghiệm của mình, thích nghi với các tình huống mới và giải quyết các vấn đề trong nhiều lĩnh vực, từ nấu ăn đến lái xe ô tô đến viết sách.

2 - Sử dụng các thuật ngữ kỹ thuật, giải thích "AGI hoặc Trí tuệ tổng hợp nhân tạo" cho một sinh viên Đại học Khoa học Máy tính.

"AGI" hoặc "Trí tuệ tổng hợp nhân tạo" đề cập đến sự phát triển giả định của các hệ thống AI có khả năng hiểu, học và áp dụng kiến thức vào một loạt các nhiệm vụ, tương tự như trí thông minh của con người.

Trong lĩnh vực khoa học máy tính, Trí tuệ tổng hợp nhân tạo đại diện cho việc theo đuổi việc tạo ra các hệ thống AI thể hiện trí thông minh có mục đích chung, trái ngược với trí thông minh chuyên biệt giới hạn trong các nhiệm vụ hoặc lĩnh vực cụ thể. Không giống như các hệ thống AI hẹp, vượt trội trong việc thực hiện các nhiệm vụ được xác định trước trong một phạm vi hạn chế, AGI nhằm mục đích đạt được khả năng nhận thức giống như con người, chẳng hạn như lý luận, giải quyết vấn đề, học hỏi kinh nghiệm và tự thích nghi với các tình huống mới.

Từ quan điểm kỹ thuật, đạt được Trí tuệ tổng hợp nhân tạo liên quan đến việc phát triển các thuật toán, kiến trúc và mô hình có khả năng mô phỏng phổ rộng các chức năng nhận thức được quan sát thấy ở con người. Điều này bao gồm các lĩnh vực con khác nhau của AI, bao gồm học máy, xử lý ngôn ngữ tự nhiên, thị giác máy tính, robot và khoa học nhận thức.

Những thách thức chính trong nghiên cứu Trí tuệ tổng hợp nhân tạo gồm:

1. Thuật toán học tập có thể mở rộng

2. Nhận thức và hiểu biết mạnh mẽ

3. Lý luận và giải quyết vấn đề

4. Học tập và thích ứng tự chủ

5. Ý nghĩa đạo đức và xã hội

Why Is Europe Losing the Productivity Race?

Barry Eichengreen – Project Syndicate. Apr 9, 2024

Labor productivity growth in the US has been more than double that of the eurozone for the past 20 years. A forthcoming report from Mario Draghi will recommend removing barriers to competition, which would intensify the pressure on firms to innovate, but Europe desperately needs newer ideas than this if it is to see its productivity rise.

The gap between productivity growth in the United States and Europe paints a stark and, for Europeans, depressing picture. In the two decades since 2004, US productivity growth, as measured by the value of output per hour worked, has been more than double that of the eurozone. Whereas eurozone productivity has flat-lined and even fallen slightly since the outbreak of the COVID-19 pandemic, US non-farm output per hour has risen by more than 6% over the same period – more than adequate performance by America’s own historical standards.

Something seems to be going seriously right in the US and seriously wrong in Europe. Some accounts point to the strong fiscal stimulus applied in the US since the outbreak of the pandemic. For Europeans this explanation is reassuring, because it suggests that the differential is transitory. After all, the US can’t run massive budget deficits and live beyond its means indefinitely.

But while strong spending stimulus can trigger rapid output and employment growth, it is not clear why it should produce faster productivity growth. On the contrary, given strong employment growth and tight labor markets, one might expect US companies to be forced to take on less productive workers, with negative implications for output per hour. More likely, tight labor markets in the US may mean that firms, unable to find an adequate supply of workers at any price, are impelled to substitute capital for labor – to invest in labor-saving technology.

Americans visiting a bank branch will encounter plenty of ATMs but sometimes not a single human teller. They are compelled to order meals, even at white-tablecloth restaurants, using a QR code. Patrons of Parisian bistros horrified by this thought may argue that a Franco-American cultural difference is at work. But it is hard to deny that tight labor markets also play a role.

Recall, however, that US productivity growth had accelerated relative to Europe’s already in the decade leading up to the pandemic, when labor markets were not so tight. Both the US and Europe turned to fiscal consolidation following the 2008 global financial crisis. Europe might have been slightly more hell-bent on austerity, but there was not enough difference in demand conditions to explain their different productivity outcomes.

Moreover, while American firms have been quicker to capitalize on digital technologies, the timing is wrong here, too: US outperformance in computer producing and using sectors was most pronounced in the decade preceding the global financial crisis, not in the period since.

As for the latest round of new digital technologies, firms are only just now beginning to explore how large language models and generative artificial intelligence can be used to boost productivity. In other words, AI and related developments can’t explain America’s unusually strong productivity performance in the last four years. In fact, history suggests that capitalizing on radical new technologies requires firms to reorganize how they do business, a trial-and-error process that takes time. The inevitability of errors means that productivity is likely to fall before rising, a phenomenon economists call the “productivity J-curve.”

And it is not as if European managers are unaware of the labor-saving and productivity-enhancing potential of digital technologies. It could be that Europe’s strong trade unions, fearing job destruction, resist their adoption, although Germany, with a tradition of strong unions, has some of the most robot-intensive factories in the world.

Tại sao châu Âu thua trong cuộc đua năng suất?

Barry Eichengreen – Project Syndicate. Tháng Tư 9, 2024. Lê Quang Văn dịch, giải thích và thực hiện phần kỹ thuật số.

Tăng trưởng năng suất lao động ở Mỹ đã tăng hơn gấp đôi so với khu vực đồng euro trong 20 năm qua. Một báo cáo sắp tới của Mario Draghi sẽ khuyến nghị loại bỏ các rào cản cạnh tranh, điều này sẽ làm tăng áp lực lên các công ty để đổi mới, nhưng châu Âu rất cần những ý tưởng mới hơn thế này nếu muốn thấy năng suất của mình tăng lên.

Khoảng cách giữa tăng trưởng năng suất ở Hoa Kỳ và châu Âu vẽ một cách "rõ ràng" và là một bức tranh ảm đạm đối với người châu Âu. Trong hai thập kỷ kể từ năm 2004, tăng trưởng năng suất của Mỹ, được đo bằng giá trị sản lượng mỗi giờ làm việc, đã tăng hơn gấp đôi so với khu vực đồng euro. Trong khi năng suất của khu vực đồng euro đi ngang và thậm chí giảm nhẹ kể từ khi đại dịch COVID-19 bùng phát, sản lượng phi nông nghiệp mỗi giờ của Mỹ đã tăng hơn 6% so với cùng kỳ - nhiều hơn hiệu suất đầy đủ theo tiêu chuẩn lịch sử của chính Mỹ.

Một cái gì đó dường như đang diễn ra nghiêm túc đúng ở Mỹ và sai lầm nghiêm trọng ở châu Âu. Một số nguồn tin chỉ ra rằng gói kích thích tài khóa mạnh mẽ được áp dụng ở Mỹ kể từ khi đại dịch bùng phát. Đối với người châu Âu, lời giải thích này là yên tâm, bởi vì nó cho thấy rằng sự khác biệt là nhất thời. Xét cho cùng, Mỹ không thể thâm hụt ngân sách lớn và sống vượt quá khả năng của mình vô thời hạn.

Nhưng trong khi kích thích chi tiêu mạnh mẽ có thể kích hoạt tăng trưởng nhanh chóng sản lượng và việc làm, không rõ tại sao nó sẽ tạo ra tăng trưởng năng suất nhanh hơn. Ngược lại, với tăng trưởng việc làm mạnh mẽ và thị trường lao động thắt chặt (đề cập đến các tình huống có tỷ lệ thất nghiệp thấp và nhu cầu cao về người lao động, dẫn đến nguồn lao động sẵn có hạn chế), người ta có thể mong đợi các công ty Mỹ buộc phải tiếp nhận những người lao động kém năng suất hơn, với những tác động tiêu cực đến sản lượng mỗi giờ. Nhiều khả năng, thị trường lao động thắt chặt ở Mỹ có thể có nghĩa là các công ty, không thể tìm được nguồn cung công nhân đầy đủ bằng bất kỳ giá nào, buộc phải thay thế vốn cho lao động (đề cập đến quá trình thay thế công nhân của con người bằng máy móc, tự động hóa hoặc các hình thức đầu tư vốn khác) - đầu tư vào công nghệ tiết kiệm lao động.

Người Mỹ đến thăm một chi nhánh ngân hàng sẽ bắt gặp rất nhiều máy ATM nhưng đôi khi không có một giao dịch viên nào. Họ buộc phải đặt bữa ăn, ngay cả tại các nhà hàng khăn trải bàn màu trắng, sử dụng mã QR. [cụm từ này nhấn mạnh cách công nghệ hiện đại, chẳng hạn như mã QR, đang định hình lại trải nghiệm ăn uống truyền thống, ngay cả trong các cơ sở cao cấp, bằng cách thay đổi cách khách hàng tương tác với nhân viên nhà hàng và đặt hàng.]

Những khách hàng quen của các quán rượu Paris kinh hoàng bởi suy nghĩ này có thể lập luận rằng sự khác biệt văn hóa Pháp-Mỹ đang hoạt động. Nhưng khó có thể phủ nhận rằng thị trường lao động thắt chặt cũng đóng một vai trò.

Tuy nhiên, hãy nhớ lại rằng tăng trưởng năng suất của Mỹ đã tăng tốc so với châu Âu trong thập kỷ dẫn đến đại dịch, khi thị trường lao động không quá chặt chẽ. Cả Mỹ và châu Âu đều chuyển sang củng cố tài khóa sau cuộc khủng hoảng tài chính toàn cầu năm 2008. Châu Âu có thể đã thiên về thắt lưng buộc bụng hơn một chút, nhưng không có đủ sự khác biệt về điều kiện nhu cầu để giải thích kết quả năng suất khác nhau của họ.

Hơn nữa, trong khi các công ty Mỹ đã nhanh chóng tận dụng các công nghệ kỹ thuật số, thời điểm cũng sai ở đây: sự vượt trội của Mỹ trong các lĩnh vực sản xuất và sử dụng máy tính rõ rệt nhất trong thập kỷ trước cuộc khủng hoảng tài chính toàn cầu, không phải trong giai đoạn kể từ đó.

Đối với vòng công nghệ kỹ thuật số mới nhất, các công ty chỉ mới bắt đầu khám phá cách các mô hình ngôn ngữ lớn và trí tuệ nhân tạo tạo nội dung có thể được sử dụng để tăng năng suất. Nói cách khác, AI và những phát triển liên quan không thể giải thích hiệu suất năng suất mạnh mẽ bất thường của Mỹ trong