Open-mind

Vốn đang định viết về vài vấn đề kĩ thuật, nhưng mấy ngày nghỉ lễ vừa rồi lỡ dung nạp khá nhiều alcohol và lipid nên giờ đầu óc cứ mụ mị, chẳng còn hứng thú gì nữa. Vậy nên giờ sẽ viết về vài thứ non-technical, coi như là warm-up. Cuộc sống yên tĩnh và có phần “phẳng lặng” gần đây tạo ra nhiều khoảng trống cho tư duy và phát triển vài ý tưởng. Yên tĩnh (tương đối) cũng có cái hay của nó, có thể làm những việc mà bình thường ở nhà sẽ là bất khả vì cứ quanh quẩn với bao nhiêu việc có tên và không tên khác.

Còn nhớ mấy năm trước, khi mình tập tành “nghiên cứu”, lúc đó có cái bệnh khá trẻ con là chỉ coi những gì mình làm thì mới là hay ho và đáng để nghiên cứu, còn tất cả những đề tài khác (và những người làm những đề tài đó) đều nhàm chán và không thú vị.

Gần đây gặp vài bạn cũng thấy lại hiện tượng đó. Có người chuyên về Graphical models thì insist với nó, nhất quyết lúc nào cũng dùng, chẳng hạn Markov models, để giải các bài toán mà bản chất không phải rời rạc (và có thể giải quyết tốt hơn bằng các mô hình khác, như neural network chẳng hạn). Tệ hại hơn là còn nghĩ Markov models (hay GPM) là công cụ mạnh mẽ nhất. Hay có những người khác làm về machine learning thì lại nghĩ deep learning giờ là the-one-and-only topic, lúc nào đi đâu cũng cứ nói về nó v.v… và v.v… Việc này làm mình nhớ lại 4-5 năm trước khi đang làm luận văn đại học. Lúc đó trong cộng đồng Computer Vision đang có phong trào local features, chủ yếu là vì thành công đáng nể của SIFT, Haar features… Gần như ngay cùng lúc đó là thời của recommendation system với Netflix, lúc mà nhà nhà người người đổ đi làm recommendation. Và rồi phong trào GPU computing, và có lẽ nổi tiếng/thành công hơn cả là kernel machine… Một số phong trào khác cũng từng xảy ra như là PageRank (và random walk nói chung) trong cộng đồng IR, NoSQL trong cộng đồng database, hay  là mobile apps trong cộng đồng làm phần mềm (và entrepreneurship) v.v… Đáng buồn (cười) nhất là có lần mình gặp một vài người làm về association rules, nhưng chuyện bi hài đó có thể sẽ kể sau.

Thông thường trong nghiên cứu, những người càng làm lâu năm trong lĩnh vực nào đó thì lại càng có khuynh hướng “cực hữu” như vậy, nhất là các PhD, professor… Trong giới lập trình, lại càng có thể thấy điều này rõ hơn. Những anh có kinh nghiệm 3-4 năm với J2ME thì nhất quyết không chịu học Android hay iOS, mặc dù giờ số điện thoại dùng J2ME chắc chi có giảm chứ không bao giờ tăng. Những bạn chuyên open-source thì ra sức xài xể Microsoft tech stack và ngược lại.

Mặt tốt của khuynh hướng cực hữu này là ở chỗ nó tạo ra motivation lớn hơn. Vì những gì ta làm là hay ho, tuyệt vời ông mặt trời nên ta sẽ enjoy từng giây từng phút với nó. Nhưng ngược lại mặt xấu là nó sẽ hạn chế đáng kể tầm nhìn, mà tầm nhìn hạn chế là một trong những cái bẫy lớn nhất cả trong nghiên cứu lẫn cuộc đời…

Mới chỉ có vài năm involve vào công việc (tạm gọi là) “nghiên cứu” trong KHMT nhưng cũng đủ để chứng kiến được kha khá các phong trào nổi lên rồi chìm xuống như vậy. Nếu vô tình chọn được một topic trong phong trào lúc nó đang nổi, rồi cứ insist vào đó ngay cả khi nó đã chìm (vì không còn gì đáng thú vị để nghiên cứu nữa?), thì dễ rơi vào bế tắc, nhất là khi các vấn đề nghiên cứu thay đổi rất nhanh, cứ vài năm lại nảy ra thêm vài phân ngành mới…

Thực ra càng học mình càng thấy (và tin?) là mọi thứ trong cuộc đời đều gắn kết với nhau, bằng cách này hay cách khác. Nghe hơi ghê ghê và duy tâm, nhưng hình như là vậy. Chẳng hạn định lí cơ bản của giải tích chỉ ra liên hệ giữa tích phân và đạo hàm, vốn là hai khái niệm riêng biệt trong giải tích trước thế kỉ 17. Gần gũi hơn thì kiểu những mối liên hệ giữa perceptron, regression và neural network, hay là giữa k-means và GMM… trong ML, khi mà những mô hình này vốn được phát triển (tương đối) độc lập với nhau.

Chuyện này có thể lí giải là các phát kiến trong khoa học hầu hết đều là sự kế thừa, nên đôi khi mặc dù cách tiếp cận ban đầu có thể khác nhau một trời một vực, nhưng kết quả cuối cùng lại trở nên gần gũi. Einstein kế thừa cơ học cổ điển của Newton, SIFT kế thừa các nghiên cứu trong neuroscience v.v… Ngoài kế thừa, thì các phát kiến trong khoa học còn có thể được tạo ra bằng cách thay đổi các tiên đề (kiểu như hình học phi Euclid vs. hình học Euclid, nhưng trong trường hợp này sự kế thừa vẫn là khá rõ ràng), hoặc là kết hợp các ngành khoa học hiện có để tạo nên những phân ngành mới, kiểu như kết hợp của Statistics và một mớ các ngành khác để tạo ra Machine Learning. Trong trường hợp này thì lại càng thấy rõ vai trò của tính kế thừa.

Trong công nghệ phần mềm thì lại càng rõ nét. Khi .NET ra đời thì nhìn sơ qua không khác gì Java (JIT compiler, garbage collector…), nhưng nhiều điểm hạn chế của Java đã được khắc phục triệt để. Sự phát triển của C# từ một ngôn ngữ OOP nhưng dần dần tích hợp các tính năng functional (lambda expression, type inference, LINQ…) hay C/C++ từ imperative cho tới functional cũng là những ví dụ tốt. LAMP có Django thì Microsoft có ASP.NET MVC v.v…

Nói vậy để thấy rằng vì mọi thứ đều liên kết với nhau, nên nếu anh tự hạn chế trong một lĩnh vực nhất định nào đó sẽ chỉ tự hạn chế những gì anh có thể làm được. Thực tế cho thấy các giải pháp thực tiễn đều phải là sự kết hợp của nhiều phương pháp/cách tiếp cận khác nhau (cũng vì thế mà các lĩnh vực mới trong khoa học: neuronscience, data science… vẫn không ngừng được sản sinh), nên việc có cái nhìn tổng quan và hệ thống là vô cùng quan trọng.

Để làm được như vậy, điều quan trọng nhất là phải giữ cho mình có một thái độ đúng đắn với những cái mới, hay còn gọi là open-mind. (Có vẻ nó có liên hệ tới growth mindset, được viết trong sách này)

Nhân tiện sách này gợi nhớ tới các thể loại sách dạy làm giàu tràn lan trong nhà sách bây giờ. Hè năm ngoái uống cafe ở Trung Nguyên, được bác Đặng Lê Nguyên Vũ tặng sách. Mình mới đọc 1/3 rồi bỏ dở, vì hình như tư tưởng chính và cốt lõi chỉ là thay đổi cách nghĩ, bằng hàng loạt phương pháp, kể cả có phần “bệnh hoạn” như là tự kỉ ám thị. Có vẻ như rất nhiều sách dạy làm giàu của phương Tây đều theo hướng này. Tuy chưa đọc quyển nào (vì nói như một thầy có lần mình học: “kinh nghiệm của người này, đối với người khác chỉ là mớ giấy lộn”, khi nào rảnh sẽ viết về câu này, vì nó liên hệ chặt chẽ với Machine Learning), nhưng nếu chỉ có thế thì cũng chẳng đáng để đọc. Hàng loạt các khóa học phát triển năng lực cá nhân, kĩ năng mềm v.v… suy cho cùng đều dạy những thứ mà bằng trải nghiệm có thể đúc kết ra được. (Tất nhiên nói vậy không có nghĩa là blame gì cả, đang giữ open-mind với tất cả mọi thứ :D)

Open-mind còn khá quan trọng trong cuộc đời. Các bạn đi học nước ngoài thường gặp hai khuynh hướng khi đối diện với sự khác biệt về nhiều mặt giữa cuộc sống ở nước ngoài và ở nhà: hoặc là bất ngờ (và shock) vì cuộc sống ở nước ngoài không giống như khi ở nhà và mọi thứ quá khác biệt, hoặc là có kì vọng quá lớn (vào những gì mình được hưởng/học) để rồi thất vọng khi đến nước ngoài. Nếu giữ được open-mind, learn and appreciate the differences thì mọi chuyện sẽ đơn giản hơn rất nhiều.

Open-mind còn đóng vai trò quan trọng khi người ta phải quyết định những việc trọng đại trong đời. Càng già mình càng tin vào câu “tái ông thất mã”. Một bước quyết định sai lầm chưa hẳn là đáng buồn, ngược lại tình thế thuận lợi chưa hẳn là đáng vui. Cứ mỗi lần ra một quyết định (chọn công ty X thay vì Y, đi học trường A hay B, cưới hay không cưới vợ v.v…) là lại một lần take the risk of bad decisions. Tuy nhiên nếu giữ được open-mind và làm việc chăm chỉ trong mọi trường hợp thì, nói như bác Châu, “thành công tất sẽ đến, tùy theo năng lực mỗi người”. Có bạn tốt nghiệp đại học xong thì nhất nhất phải đi học cao hơn, phải “đi làm nghiên cứu”, mà không nhận ra rằng đó cũng chỉ là một trong nhiều lựa chọn cho phần còn lại của cuộc đời. Đương nhiên không thể nào biết lựa chọn nào là tốt nhất cho tương lai, và đa số các quyết định đều là local optimum, nhưng việc nhận ra mình có nhiều lựa chọn khác lúc nào cũng tốt hơn trong đa số trường hợp (Nhưng nhiều quá thì có khi lại không tốt).

Open-mind lại càng quan trọng hơn khi phải nhận critical feedback của người khác. Nhưng anyway hình như càng viết càng lạc đề…

Advertisements

4 comments

  1. em thich bai nay cua anh. Doc lau roi, dinh cm roi lai ban biu cai gi day (hinh nhu la project) nen quen:))
    Ban than em khi lam thesis hoi dai hoc cung the. Chi chon de tai nao da tung lam, da tung biet de lam sau vao them 1 chut goi la cao hon project 1 ti. Khi sang den day, hoc toan cai moi, thay bong nhien co hung thu hon han hoi di lam o nha. Mac du thi, trong qua trinh hoc rat dau dau, rat chan, va lam khi cang thang (noi cho cung thi cai gi cung co 2 mat cua no).

    em ket nhat cai cau: take the risk of bad decisions. Em nghi chi nen la take the risk of decision, chang phai vi the moi sinh ra cai goi la expected value do sao? Neu anh biet truoc no la bad decision thi han nhien se ko chon chu. btw, gia tri E phu thuoc vao viec kq co gan duoc voi muc tieu cua ta hay khong:))
    Anw, khi nao co thoi gian nhieu hon (chang biet luc nao nua, haha, het ban hoc roi lai ban choi) se ngoi doc them may cai tu may nam truoc nua. Ke ra duoc “hap thu” nhung cai suy nghi cua nguoi gia cung hay. Do phai ngoi nghi lai, ma nghi cai khac (nhan cu vi bat thien thiet ;))

    1. Welcome e. Đi học master trái ngành cũng là 1 dạng quyết định “phi thường” rồi, phần còn lại là hardworking thôi 😉

Leave a Reply

Fill in your details below or click an icon to log in:

WordPress.com Logo

You are commenting using your WordPress.com account. Log Out / Change )

Twitter picture

You are commenting using your Twitter account. Log Out / Change )

Facebook photo

You are commenting using your Facebook account. Log Out / Change )

Google+ photo

You are commenting using your Google+ account. Log Out / Change )

Connecting to %s