← All notes← Ghi chép

TECHNOLOGY · 5 MIN READCÔNG NGHỆ · 5 PHÚT ĐỌC

Jensen Huang's systems thinkingTư duy hệ thống của Jensen Huang

Nvidia's win came from seeing the whole stack, admitting mistakes early, and asking how hard something could really be. One chip would never have been enough.Nvidia thắng nhờ nhìn thấy toàn bộ các tầng, thừa nhận sai lầm sớm, và tự hỏi một việc thực sự khó đến mức nào. Một con chip thì không bao giờ đủ.

Nvidia's first technology was wrong. By 1995, with 35 to 40 competitors building 3D graphics for PCs, the company's own approach did not work. Jensen Huang told the company so, bought textbooks on the industry-standard approach and had his engineers learn it. Around the same time he told Sega that Nvidia could not deliver its contract, and that cancelling it would bankrupt the company. Sega invested USD 5m anyway. Honesty bought the time to find the right path.

That episode is less famous than the later story of AI chips and a trillion-dollar valuation, and I find it more instructive. Many founders believe their first idea is their company. Huang treated his first idea as a hypothesis that had failed, said so openly to his team and his most important customer, and changed direction while there was still time. The admission was risky. Hiding the problem would have been riskier.

Nvidia's early years1993Nvidia founded1995First technologyfailsSegaUSD 5m lifeline1999IPO at about USD300mAlexNetBet on deeplearning
The turning point was admitting the first technology did not work.

The timeline shows a company that nearly did not survive its first few years. The IPO in 1999 valued Nvidia at about USD 300m, a respectable figure and nothing like what came later. The bet on deep learning came after AlexNet in 2012, nearly two decades after the company was founded. Long-term success often looks inevitable in hindsight. At the time it was a sequence of hard choices, several of which could have gone the other way.

Accelerating a domain

Huang describes Nvidia's idea as accelerating algorithm domains: graphics, physics, molecular dynamics, image processing, and later deep learning. When AlexNet appeared, he read it as a universal function approximator and decided to rebuild the entire computing stack around it.

The computing stackApplicationswhat users touchModelslearned from dataAlgorithmsthe domain being acceleratedSoftware layerlibraries, developer toolsProcessorschips are the vehicle
Seeing all five layers at once is what systems thinking means here.

Seeing all five layers at once is what systems thinking means here. A company that sees itself as a chip maker competes on transistors and price. A company that sees itself as accelerating a domain invests in the software libraries that make its chips easy to use, in the tools developers need, in relationships with the researchers who define the algorithms, and in the applications that show what is possible. Nvidia's CUDA platform, launched years before deep learning took off, is the clearest example: an investment in the software layer that seemed expensive and unnecessary until it became the main reason competitors could not catch up.

The lesson carries to much smaller companies. A Vietnamese software firm that sees itself as selling development hours competes on rate. One that sees itself as improving a domain, say construction project control or hospital logistics, invests in understanding that domain, building reusable components, training clients and connecting with the people who shape the field's standards. The second firm is harder to replace because its value sits across several layers, not only in the code.

Tasks and jobs

Huang argues that AI automates tasks, and that jobs are made of many tasks and goals. In his examples, automating coding did not reduce demand for software engineers because the backlog is huge, and automating the reading of X-rays let hospitals see more patients. Whether that holds everywhere is debatable, but the distinction is useful.

Tasks and jobsTaskJobWrite a functionBuild a system that serves usersRead an X-rayCare for a patientSearch case lawAdvise a client
Automation takes the left column. The right column is where people move.

The debate is real. Huang leads a company that sells the infrastructure for AI, so his optimism is not neutral. In some fields, a large backlog absorbs the productivity gain and demand for people grows. In others, demand is fixed and fewer people are needed for the same output. Translation, routine customer support and some kinds of data entry are already showing the second pattern. The useful part of the distinction is practical: list the tasks inside a job, and see which ones change. That is more informative than asking whether a whole profession will disappear.

It connects to the note on Vietnamese IT firms and the reinvention of work. Most jobs will keep their titles while the tasks inside them shift. A radiologist who no longer spends hours on routine scans spends more time on difficult cases and on talking to patients. A software engineer who no longer writes boilerplate spends more time on design and review. The question for each person and each company is whether the time freed goes to more valuable work or simply disappears into cost cuts.

How hard can it be?

His advice to young founders is simple. Work on hard problems in the fundamental sciences and where they meet. Face reality early. Treat resilience as the main superpower. You do not need to solve your whole life today. You need to get through this morning.

The phrase "how hard can it be?" is often quoted as a sign of confidence. In Huang's telling it works more as a method. Before deciding that a problem is impossible, break it down and look at each piece honestly. Some pieces will turn out to be hard but solvable with effort. Others will be truly hard and need a different approach. The first discovery is encouraging. The second, if found early, saves years. Both depend on looking closely instead of deciding from a distance.

For founders in Vietnam, the advice to work at the intersection of fundamental sciences may sound distant. It need not be. Materials for electric vehicle batteries, sensors for agriculture, models for Vietnamese language and law, and tools for monitoring infrastructure all sit at such intersections, and all have local problems that foreign companies are not solving. They are hard. They are also less crowded than another consumer app.

The first technology you choose rarely decides the outcome. Facing reality and learning fast usually do.

Công nghệ đầu tiên của Nvidia đã sai. Đến năm 1995, khi có 35 đến 40 đối thủ cùng làm đồ họa 3D cho máy tính cá nhân, cách tiếp cận của chính công ty không hiệu quả. Jensen Huang nói thẳng điều đó với cả công ty, mua sách giáo khoa về cách tiếp cận tiêu chuẩn của ngành và cho kỹ sư học lại. Cùng thời gian đó, ông nói với Sega rằng Nvidia không thể hoàn thành hợp đồng, và nếu hủy hợp đồng thì công ty sẽ phá sản. Sega vẫn đầu tư 5 triệu USD. Sự trung thực đã mua được thời gian để tìm ra con đường đúng.

Câu chuyện đó ít nổi tiếng hơn câu chuyện sau này về chip AI và định giá nghìn tỷ đô la, nhưng tôi thấy nó đáng học hơn. Nhiều nhà sáng lập tin ý tưởng đầu tiên chính là công ty của mình. Huang coi ý tưởng đầu tiên là một giả thuyết đã thất bại, nói công khai với đội ngũ và khách hàng quan trọng nhất, rồi đổi hướng khi vẫn còn kịp. Việc thừa nhận là rủi ro. Che giấu vấn đề còn rủi ro hơn.

Những năm đầu của Nvidia1993Thành lập Nvidia1995Công nghệ đầu tiênthất bạiSegaPhao cứu sinh 5triệu USD1999IPO khoảng 300triệu USDAlexNetĐặt cược vào họcsâu
Bước ngoặt là thừa nhận công nghệ đầu tiên không chạy.

Dòng thời gian cho thấy một công ty suýt không qua nổi vài năm đầu. Đợt IPO năm 1999 định giá Nvidia khoảng 300 triệu USD, một con số đáng nể nhưng chẳng là gì so với về sau. Cược vào học sâu đến sau AlexNet năm 2012, gần hai thập niên sau khi thành lập công ty. Thành công dài hạn khi nhìn lại thường trông như tất yếu. Ở thời điểm đó, nó là một chuỗi lựa chọn khó, trong đó vài lựa chọn đã có thể rẽ sang hướng khác.

Tăng tốc cho một lĩnh vực

Huang mô tả ý tưởng của Nvidia là tăng tốc cho các lĩnh vực thuật toán: đồ họa, vật lý, động lực học phân tử, xử lý ảnh, và sau đó là học sâu. Khi AlexNet xuất hiện, ông đọc nó như một bộ xấp xỉ hàm vạn năng và quyết định xây lại toàn bộ hệ thống tính toán quanh nó.

Chồng công nghệ tính toánỨng dụngthứ người dùng chạm vàoMô hìnhhọc từ dữ liệuThuật toánmiền đang được tăng tốcLớp phần mềmthư viện, công cụ cho lập trình viênBộ xử lýchip là phương tiện
Nhìn cùng lúc cả năm lớp là ý nghĩa của tư duy hệ thống ở đây.

Nhìn thấy cả năm tầng cùng lúc là ý nghĩa của tư duy hệ thống ở đây. Một công ty coi mình là nhà sản xuất chip sẽ cạnh tranh bằng bóng bán dẫn và giá. Một công ty coi mình là bên tăng tốc cho một lĩnh vực sẽ đầu tư vào thư viện phần mềm giúp chip dễ dùng, vào công cụ lập trình viên cần, vào quan hệ với các nhà nghiên cứu định hình thuật toán, và vào những ứng dụng cho thấy điều gì là khả thi. Nền tảng CUDA của Nvidia, ra mắt nhiều năm trước khi học sâu bùng nổ, là ví dụ rõ nhất: một khoản đầu tư vào tầng phần mềm từng có vẻ tốn kém và không cần thiết, cho đến khi nó trở thành lý do chính khiến đối thủ không đuổi kịp.

Bài học này áp dụng được cho những công ty nhỏ hơn nhiều. Một công ty phần mềm Việt Nam coi mình là bên bán giờ phát triển sẽ cạnh tranh bằng đơn giá. Một công ty coi mình là bên cải thiện một lĩnh vực, chẳng hạn kiểm soát dự án xây dựng hay hậu cần bệnh viện, sẽ đầu tư vào hiểu biết lĩnh vực đó, xây thành phần dùng lại được, đào tạo khách hàng và kết nối với những người định hình tiêu chuẩn của ngành. Công ty thứ hai khó bị thay thế hơn vì giá trị của nó trải qua nhiều tầng, không chỉ nằm trong code.

Tác vụ và công việc

Huang lập luận rằng AI tự động hóa tác vụ, còn công việc thì gồm nhiều tác vụ và mục tiêu. Trong các ví dụ của ông, tự động hóa việc viết code không làm giảm nhu cầu kỹ sư phần mềm vì khối việc tồn đọng rất lớn, và tự động hóa việc đọc phim X-quang giúp bệnh viện khám được nhiều bệnh nhân hơn. Điều đó có đúng ở mọi nơi không thì còn tranh cãi, nhưng sự phân biệt này hữu ích.

Nhiệm vụ và công việcNhiệm vụCông việcViết một hàmXây hệ thống phục vụ người dùngĐọc một phim X-quangChăm sóc một bệnh nhânTra cứu án lệTư vấn cho khách hàng
Tự động hóa lấy cột trái. Cột phải là nơi con người dịch chuyển tới.

Cuộc tranh luận là có thật. Huang lãnh đạo một công ty bán hạ tầng cho AI, nên sự lạc quan của ông không trung lập. Ở một số lĩnh vực, khối việc tồn đọng lớn hấp thụ phần năng suất tăng thêm và nhu cầu về con người tăng lên. Ở lĩnh vực khác, nhu cầu cố định và cần ít người hơn cho cùng một sản lượng. Dịch thuật, chăm sóc khách hàng thông thường và một số loại nhập liệu đã bắt đầu cho thấy mô thức thứ hai. Phần hữu ích của sự phân biệt mang tính thực tế: liệt kê các tác vụ trong một công việc, rồi xem tác vụ nào thay đổi. Cách đó cho nhiều thông tin hơn là hỏi cả một nghề có biến mất không.

Điều này nối với bài về doanh nghiệp CNTT Việt và việc tái tạo công việc. Phần lớn công việc sẽ giữ tên gọi trong khi các tác vụ bên trong dịch chuyển. Một bác sĩ chẩn đoán hình ảnh không còn mất hàng giờ cho phim thông thường sẽ dành nhiều thời gian hơn cho ca khó và trò chuyện với bệnh nhân. Một kỹ sư phần mềm không còn viết code khuôn mẫu sẽ dành nhiều thời gian hơn cho thiết kế và review. Câu hỏi với mỗi người và mỗi công ty là thời gian được giải phóng có đi vào công việc giá trị hơn không, hay chỉ biến mất vào các đợt cắt giảm chi phí.

Khó đến mức nào?

Lời khuyên của ông cho nhà sáng lập trẻ rất đơn giản. Hãy làm những bài toán khó trong khoa học cơ bản và ở chỗ giao nhau giữa chúng. Đối mặt với thực tế sớm. Coi sức bền là siêu năng lực chính. Bạn không cần giải quyết cả cuộc đời mình hôm nay. Bạn cần vượt qua buổi sáng này.

Câu "khó đến mức nào chứ?" hay được trích như dấu hiệu của sự tự tin. Trong cách Huang kể, nó giống một phương pháp hơn. Trước khi kết luận một bài toán là bất khả thi, hãy chia nhỏ nó và nhìn thẳng vào từng mảnh. Một số mảnh hóa ra khó nhưng giải được nếu bỏ công. Một số khác thực sự khó và cần cách tiếp cận khác. Phát hiện thứ nhất mang lại động lực. Phát hiện thứ hai, nếu đến sớm, tiết kiệm được nhiều năm. Cả hai đều phụ thuộc vào việc nhìn gần thay vì quyết định từ xa.

Với nhà sáng lập ở Việt Nam, lời khuyên làm việc ở giao điểm các ngành khoa học cơ bản có thể nghe xa vời. Không nhất thiết phải vậy. Vật liệu cho pin xe điện, cảm biến cho nông nghiệp, mô hình cho tiếng Việt và luật Việt Nam, công cụ giám sát hạ tầng đều nằm ở những giao điểm như vậy, và đều có những bài toán địa phương mà công ty nước ngoài chưa giải. Chúng khó. Chúng cũng ít người chen chân hơn một ứng dụng tiêu dùng nữa.

Công nghệ đầu tiên bạn chọn hiếm khi quyết định kết cục. Đối mặt với thực tế và học nhanh thường là thứ quyết định.

KEYWORDSTỪ KHÓASystems thinkingTư duy hệ thốngAIAICase studyTình huống