# Hệ thống Tiến hóa Thông minh EvoX và Thực hành Nghiên cứu AI Native - Bài giảng

Thời lượng: 1 · Trang slide: 16

## Điều hướng Đọc

- [Bài 7｜Chủ đề: Mô thức Nghiên cứu AI Native và Thực chiến EvoX](#lecture-lesson-1)

---

<a id="lecture-lesson-1"></a>

## Bài 7｜Chủ đề: Mô thức Nghiên cứu AI Native và Thực chiến EvoX

<a id="lecture-page-1"></a>

### Mô thức Nghiên cứu AI Native và Thực chiến EvoX

*Trang 1*

> **Mục tiêu trang:** Nắm vững con đường thực dụng để tiếp cận EvoX trong môi trường AI Native, cảm nhận nguyên tắc cốt lõi của nghiên cứu "Code is cheap. Taste matters".

> **Mục tiêu trang**
>
> Đây là trang mở đầu của bài thứ bảy, định hướng cho toàn bộ đơn vị "Mô thức Nghiên cứu AI Native và Thực chiến EvoX". Người học cần thiết lập hai nhận thức: thứ nhất là con đường thực dụng để tiến hành hiệu quả các thí nghiệm EvoX với sự hỗ trợ của các công cụ AI như Codex trong môi trường AI Native; thứ hai là khi mã nguồn có thể được tạo tự động, năng lực thực sự không thể thay thế của nhà nghiên cứu — khả năng thẩm định và đặt câu hỏi then chốt, chính là câu được nhấn mạnh lặp đi lặp lại trên trang này: Code is cheap. Taste matters.

> **Trình tự giảng giải**
>
> 1. Trước tiên đưa ra bối cảnh. Giải thích rằng trong cách làm việc AI Native, việc viết script thí nghiệm, xây dựng quy trình tối ưu EvoX, chạy thí nghiệm so sánh — những "lao động chân tay" này — có thể được các công cụ AI đảm nhận một phần đáng kể, nhà nghiên cứu không cần phải viết từng dòng nữa. Điều này trực tiếp thay đổi nhịp độ làm nghiên cứu: từ "có viết ra được không" chuyển sang "có đáng làm không".
>
> 2. Sau đó đi vào phương pháp. Khi tiến hành thí nghiệm EvoX với các công cụ như Codex, cách làm điển hình là trình bày rõ ý định thí nghiệm, thiết lập vấn đề và tiêu chuẩn đánh giá của mình, để công cụ tạo ra khung chương trình có thể chạy được, còn nhà nghiên cứu tập trung kiểm tra thiết kế thí nghiệm có hợp lý không, kết quả có đáng tin không.
>
> 3. Cuối cùng nêu ra nguyên tắc cốt lõi. Vì mã nguồn trở nên rẻ, thứ khan hiếm trở thành năng lực phán đoán: đề tài có giá trị không, baseline có công bằng không, chỉ số có phản ánh vấn đề không, kết luận có đứng vững không. Taste quyết định hướng nghiên cứu, khả năng đặt câu hỏi quyết định độ sâu nghiên cứu.

**Điểm giảng dạy**

- Công cụ AI giảm chi phí triển khai, không phải ngưỡng cửa nghiên cứu
- Ngưỡng cửa chuyển từ "thành thạo lập trình" sang "gu vấn đề". Khi sử dụng các công cụ như Codex, vai trò của con người là đặt câu hỏi hay, thiết lập tiêu chuẩn đánh giá, xem xét kết quả được tạo ra, chứ không phải thụ động chấp nhận đầu ra. "Code is cheap. Taste matters." không phủ nhận năng lực kỹ thuật, mà nhắc nhở: trong thời đại lập trình tự động, khả năng thẩm định và đặt câu hỏi mới là hào bảo vệ thực sự của nhà nghiên cứu.

**Kiểm tra hiểu biết**

Yêu cầu một người học dùng lời của mình giải thích, nếu mã nguồn có thể được tạo tự động, thì trong thí nghiệm EvoX thời gian của nhà nghiên cứu nên được đầu tư lại vào đâu. Câu trả lời đạt yêu cầu phải hướng đến các công việc mang tính phán đoán như chọn vấn đề, thiết kế thí nghiệm, đánh giá kết quả, chứ không chỉ là "để AI viết nhanh hơn".

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận người học có thể nói ra mối quan hệ cốt lõi "chi phí triển khai giảm, giá trị phán đoán tăng", mới chuyển sang các trang tiếp theo, triển khai các bước thực chiến EvoX cụ thể và ví dụ.

<a id="lecture-page-2"></a>

### Mô thức Nghiên cứu AI Native và Thực chiến EvoX

*Trang 2*

> **Mục tiêu trang:** Hiểu con đường tổng thể và nguyên tắc nghiên cứu cốt lõi để tiếp cận EvoX trong môi trường AI Native.

> **Mục tiêu trang**
>
> Kết nối "Mô thức Nghiên cứu AI Native" và "Thực chiến EvoX" thành một con đường — khi chi phí triển khai giảm, nhà nghiên cứu cần chuyển sự chú ý từ viết mã sang đặt câu hỏi, định nghĩa đánh giá, phán đoán hướng đi và phê phán kết quả, đồng thời ghi nhớ nguyên tắc cốt lõi "Code is cheap. Taste matters.".

> **Trình tự giảng giải**
>
> Trước tiên nói về chuyển dịch mô thức, sau đó đọc sơ đồ kiến trúc, tiếp theo giải thích EvoX không phải công cụ thuật toán đơn lẻ mà là hệ thống tiến hóa thông minh có thể chạy, có thể kết hợp, có thể khám phá liên tục; cuối cùng đi vào thực chiến: từ "chọn thuật toán" đổi thành "thiết kế quá trình".

**Điểm giảng dạy**

- Mô hình lớn, GPU, Agent và workflow tự động trở thành hạ tầng nghiên cứu mặc định. Triển khai mã, thí nghiệm hàng loạt, mở rộng tìm kiếm ngày càng rẻ
- AI chịu trách nhiệm triển khai câu trả lời, tăng tốc thí nghiệm, mở rộng tìm kiếm
- Con người chịu trách nhiệm về hướng đi, ràng buộc, gu và quyết định then chốt. Sự chú ý của con người chuyển từ "gõ mã" lên "định tiêu chuẩn, ra quyết định, xem kết quả". Xuất phát từ "vấn đề thực · gu nghiên cứu", con người đặt câu hỏi, định tiêu chuẩn, phán đoán hướng đi
- Sau khi chuyển hóa thành khám phá có thể thực thi, được hạ tầng AI tiếp nhận, rồi giao cho EvoX. Bốn khâu bên trong EvoX: định nghĩa vấn đề (xung đột mục tiêu, ràng buộc), thiết kế đánh giá (chỉ số, trọng số, ngưỡng), quá trình tiến hóa (giải pháp ứng viên, lặp hàng loạt), điều phối Runtime (tính toán, đồng thời, tái lập). Đầu ra là nhiều phương án ứng viên, kết quả có thể kiểm chứng, tiến hóa liên tục, tạo thành đầu ra nghiên cứu có thể phê phán, có thể tái lập, và thông qua vòng phản hồi "phê phán và nghiệm thu" quay về điểm xuất phát. Kế thừa nguồn gốc tính toán tiến hóa, hướng đến đa mục tiêu phức tạp, khám phá mở và tiến hóa liên tục cấp hệ thống. Nó không phải bộ giải đơn lẻ, mà là nền tảng kỹ thuật có thể chạy, có thể kết hợp, có thể khám phá liên tục: sản phẩm của một thí nghiệm có thể được thí nghiệm tiếp theo kế thừa, bản thân quá trình tìm kiếm có thể tiến hóa liên tục. Bốn điểm nắm vẫn là định nghĩa vấn đề, thiết kế đánh giá, quá trình tiến hóa, điều phối Runtime. Hiểu lầm điển hình là coi điểm tiếp cận như "chọn một trong vài thuật toán". Điểm khởi đầu đúng là trước tiên nhận diện xung đột mục tiêu và ràng buộc, chuyển vấn đề thành quá trình khám phá có thể thực thi, có thể so sánh, có thể tiến hóa liên tục. Con người trước tiên định nghĩa xung đột mục tiêu, điều kiện ràng buộc và tiêu chuẩn nghiệm thu
- AI nhanh chóng tạo và lặp mã
- EvoX chạy hàng loạt, so sánh phương án ứng viên
- Cuối cùng tạo thành kết quả có thể phê phán, có thể kiểm chứng. Ví dụ thí nghiệm tối ưu đa mục tiêu, không nên để AI viết toàn bộ mã rồi trực tiếp tin tưởng đầu ra, mà nên để máy chịu trách nhiệm triển khai và khám phá, con người chịu trách nhiệm định nghĩa và phán đoán. Code is cheap. Taste matters. Khi mã không còn khan hiếm, gu vấn đề, tiêu chuẩn đánh giá, phán đoán cân nhắc và năng lực nghiệm thu mới là năng lực cạnh tranh nghiên cứu khó bị thay thế hơn.

**Xử lý bài tập**

Trang này có 5 câu trắc nghiệm. Câu 1 đáp án đúng là "từ viết mã triển khai chuyển sang đặt câu hỏi, định nghĩa tiêu chuẩn đánh giá và phán đoán hướng đi"; điểm phản hồi: triển khai và khám phá hàng loạt có thể giao cho AI, trách nhiệm cốt lõi của con người là đặt câu hỏi, định nghĩa tiêu chuẩn và phán đoán kết quả. Câu 2 đáp án đúng là "hệ thống tiến hóa thông minh và nền tảng kỹ thuật có thể chạy, có thể kết hợp, có thể khám phá liên tục"; nếu sai, nhắc nhở không nên đơn giản hóa EvoX thành một thuật toán nào đó. Câu 3 đáp án đúng là "trước tiên nhận diện xung đột mục tiêu và ràng buộc, chuyển vấn đề thành quá trình khám phá có thể thực thi"; nhấn mạnh điểm tiếp cận không phải chọn thuật toán hay thiết lập tham số. Câu 4 đáp án đúng là "khi mã không còn khan hiếm, gu vấn đề, tiêu chuẩn đánh giá và phán đoán nghiệm thu trở thành năng lực khan hiếm hơn";

Nó không phủ nhận triển khai và kiểm chứng, mà nhấn mạnh sự chuyển dịch tính khan hiếm. Câu 5 đáp án đúng là "để AI viết toàn bộ mã rồi trực tiếp sử dụng kết quả chạy của nó, không còn định nghĩa mục tiêu và tiêu chuẩn thủ công"; điều này xung đột với phân công "AI triển khai và khám phá, con người định nghĩa và phán đoán".

Thiết kế một thí nghiệm tối ưu đa mục tiêu với EvoX. Kịch bản yêu cầu đồng thời tối ưu chi phí, hiệu năng và độ bền, ba chỉ số xung đột lẫn nhau, và bị ràng buộc bởi ngân sách tính toán và chu kỳ giao hàng. Phân công người-máy nên được viết là: con người chịu trách nhiệm định nghĩa và phán đoán — đặt câu hỏi, viết rõ xung đột mục tiêu và ràng buộc, thiết kế chỉ số đánh giá và ngưỡng nghiệm thu, và đưa ra phán đoán hướng đi cùng nghiệm thu phê phán trước kết quả; AI chịu trách nhiệm triển khai và khám phá — nhanh chóng tạo và lặp mã, chạy hàng loạt phương án ứng viên, mở rộng tìm kiếm và tăng tốc thí nghiệm. Hai bên tạo thành vòng khép kín "người định hướng—AI mở rộng khám phá—người nghiệm thu".

Xung đột mục tiêu không được định nghĩa rõ ràng, tiêu chuẩn đánh giá mơ hồ, ràng buộc bị bỏ qua, kết quả khó phán đoán tốt xấu, khó tái lập và tích lũy; nên chuyển sang tập trung vào thiết kế quá trình, làm rõ định nghĩa vấn đề và cách đánh giá, quy hoạch tạo giải pháp ứng viên, chạy hàng loạt so sánh và điều phối Runtime, và đưa kết quả mỗi vòng vào phê phán và nghiệm thu.

**Hoạt động trên lớp**

Yêu cầu sinh viên chọn một vấn đề quen thuộc, viết một câu về xung đột mục tiêu và tiêu chuẩn nghiệm thu, rồi giải thích AI và EvoX mỗi bên đảm nhận đoạn nào. Kiểm tra hiểu biết: ngẫu nhiên yêu cầu sinh viên nhắc lại "tại sao định đánh giá trước, rồi mới động đến mã", và chỉ ra vai trò của vòng phản hồi trong sơ đồ kiến trúc. Gợi ý chuyển tiếp: sau khi xác nhận sinh viên có thể phân biệt năng lực rẻ và năng lực khan hiếm, mới chuyển sang trang tiếp theo với ví dụ, ứng dụng hoặc tổng kết.

<a id="lecture-page-3"></a>

### Ranh giới năng lực mô hình lớn và hệ thống tiến hóa liên tục

*Trang 3*

> **Mục tiêu trang:** Hiểu khoảng cách giữa sự tăng trưởng năng lực của mô hình lớn và việc xây dựng hệ thống thích nghi lâu dài với thế giới thực.

**Điểm giảng dạy**

- Khi thấy những cách nói như "năng lực mô hình được nâng cao", hãy truy vấn thêm hai câu: <em>thành quả hiệu quả</em> của vòng này được tích lũy ở đâu? Vòng tiếp theo do ai kế thừa? Nếu không trả lời được, thì thứ được nâng cao chỉ là năng lực gọi một lần, không phải khả năng thích nghi lâu dài của hệ thống.
- Trước tiên tạo ứng viên → sau đó kiểm chứng thực → tích lũy vào kho → kế thừa rồi tiến hóa. Thứ tự không thể đổi: không có ứng viên thì không có gì để kiểm chứng, không có kiểm chứng thì không thể nói đến tích lũy, không có tích lũy thì không có điểm khởi đầu có thể kế thừa.
- Hai hiểu lầm phổ biến: coi "biểu hiện tốt trong một nhiệm vụ đơn lẻ" là "hệ thống có thể thích nghi lâu dài"; coi "ứng viên chưa được kiểm chứng" là "kết luận đã có". Cách tự kiểm tra là xem kết quả này có vượt qua kiểm chứng thực và có được ghi vào phiên bản dự án có thể kế thừa không.

Mục tiêu trang**

"Tăng trưởng năng lực" của mô hình lớn và "thích nghi lâu dài" của hệ thống không phải cùng một việc. Người học cần hiểu tại sao làm mạnh năng lực mô hình không tự động đồng nghĩa với việc dự án có thể tiến hóa liên tục trong thế giới thực, và một vòng khép kín cấp hệ thống nên bao gồm những khâu nào.

Trình tự giảng giải**

Đề xuất tiến hành theo thứ tự "thành phần năng lực → tại sao chưa đủ → vòng khép kín bốn bước → quan hệ thành phần và hệ thống → tự kiểm tra hiểu lầm". Trước tiên nói rõ mô hình lớn có thể làm gì, sau đó tạo khoảng cách nhận thức (mạnh một lần ≠ ổn định lâu dài), rồi đưa ra cấu trúc vòng khép kín như giải pháp, cuối cùng thu gọn bằng cặp khái niệm "thành phần—hệ thống".

Điểm giảng dạy**

Một, ba loại năng lực mà mô hình lớn cung cấp. Nó đã có thể đảm nhận ổn định khả năng hiểu mạnh, tạo sinh và gọi công cụ: phân tích mục tiêu và ràng buộc thành mô tả nhiệm vụ có thể thực thi; tạo ra giả thuyết ứng viên, mã, thiết kế thí nghiệm và tài liệu; kết nối các nguồn lực bên ngoài như truy xuất, tính toán, biên dịch và mô phỏng. Do đó, việc đưa mô hình lớn như "thành phần thông minh" vào quy trình nghiên cứu và kỹ thuật đã là cách làm thực tế khả dụng. Nhưng cần nói rõ: ba loại năng lực này trả lời câu hỏi "nhiệm vụ đơn lẻ có làm đúng được không", không trả lời được "nhiệm vụ dài hạn có thể làm đúng liên tục không".

Hai, tại sao năng lực mạnh một lần là chưa đủ. Các dự án kỹ thuật thực tế thường kéo dài hàng tháng thậm chí hàng năm, trong khi ngữ cảnh của một Agent đơn lẻ cuối cùng sẽ cạn kiệt. Nếu kinh nghiệm không thể tích lũy, mỗi vòng công việc đều phải bắt đầu từ số không, tăng trưởng năng lực sẽ không tự động chuyển hóa thành khả năng thích nghi lâu dài. Ở đây có thể đưa ra: cần mở rộng đối tượng tiến hóa thành "thế giới phần mềm" tồn tại liên tục, và dựa vào lưu trữ cấp dự án để kinh nghiệm không bị mất theo từng thí nghiệm đơn lẻ.

Do thành phần thông minh đưa ra giả thuyết, sửa đổi hoặc triển khai, lúc này chúng chỉ là ứng viên, không phải kết luận; kiểm chứng thực: ứng viên phải trải qua môi trường thực, mô phỏng hoặc thí nghiệm, và vượt qua các cửa ải như biên dịch, kiểm thử, kiểm tra hành vi và nghiệm thu cấp trên; tích lũy thành quả: chỉ những kết quả hiệu quả đã vượt qua kiểm chứng mới được ghi vào phiên bản dự án được chấp nhận, trở thành tài sản có thể tái sử dụng; tiến hóa tiếp: công việc tiếp theo kế thừa thành quả đã tích lũy, trên cơ sở đó tiếp tục đề xuất ứng viên. Khẩu quyết là "trước tiên tạo ứng viên → sau đó kiểm chứng thực → tích lũy vào kho → kế thừa rồi tiến hóa". Cần nhấn mạnh phụ thuộc logic: không có ứng viên thì không có gì để kiểm chứng, không có kiểm chứng thì không thể nói đến tích lũy, không có tích lũy thì không có điểm khởi đầu có thể kế thừa.

Bốn, lấy hệ thống hợp tác đa Agent như Genesis làm ví dụ vòng khép kín. Vòng đời của các Agent tham gia công việc có hạn, người thực thi cấp trên hiểu mục tiêu và phân rã nhiệm vụ đệ quy, người thực thi cấp dưới hoàn thành triển khai cục bộ và kiểm thử, khi cần thiết tiếp tục đệ quy xuống dưới; sửa đổi ứng viên chỉ được gửi như ứng viên, phải vượt qua biên dịch, kiểm thử, kiểm tra hành vi và nghiệm thu cấp trên mới được chấp nhận, nỗ lực thất bại bị từ chối, thành quả đã qua kiểm chứng được ghi vào phiên bản dự án, trở thành nền tảng lịch sử cho người thực thi tiếp theo. Trong các kịch bản như tái cấu trúc trình biên dịch và nâng cấp phần mềm khoa học, cơ chế này thể hiện độ tin cậy cao và tỷ lệ tăng tốc vận hành.

Thành phần năng lực chịu trách nhiệm tạo ứng viên chất lượng cao tại một điểm, vòng khép kín hệ thống chịu trách nhiệm xác định ứng viên nào đáng giữ lại, giữ lại như thế nào, và được vòng tiếp theo kế thừa ra sao. Thiếu vòng khép kín, năng lực càng mạnh chỉ tạo ra nhiều ứng viên chưa được kiểm chứng hơn; thiếu thành phần mạnh, vòng khép kín thiếu nguồn ứng viên chất lượng cao.

Sáu, hiểu lầm phổ biến và cách tự kiểm tra. Hiểu lầm phổ biến nhất là đánh đồng trực tiếp "năng lực mô hình được nâng cao" với "hệ thống có thể thích nghi lâu dài". Tiêu chuẩn phán đoán không phải mô hình biểu hiện tốt đến đâu trong một nhiệm vụ nào đó, mà là thành quả hiệu quả có thể được tích lũy ổn định và được công việc vòng tiếp theo kế thừa hay không. Có thể dạy người học hai câu truy vấn: thành quả hiệu quả của vòng này được tích lũy ở đâu? Vòng tiếp theo do ai kế thừa? Không trả lời được, thì thứ được nâng cao chỉ là năng lực gọi một lần. Một hiểu lầm khác là coi "ứng viên chưa được kiểm chứng" là "kết luận đã có", cách tự kiểm tra là xem nó có vượt qua kiểm chứng thực và được ghi vào phiên bản dự án có thể kế thừa không.

Manh mối tài liệu**

Bên trái là khu vực thành phần "năng lực mô hình lớn", liệt kê ba mục hiểu, tạo sinh, gọi công cụ; bên phải là "vòng khép kín hệ thống tiến hóa liên tục", với bốn nút tạo ứng viên, kiểm chứng thực, tích lũy thành quả, tiến hóa tiếp tạo thành vòng tuần hoàn, ở giữa ghi chú "thành phần năng lực cần được hệ thống tổ chức". Khi giảng giải có thể dẫn sinh viên đi một vòng theo hướng mũi tên, rồi chỉ lại bên trái, giải thích rằng thành phần chỉ có giá trị lâu dài khi được hệ thống tổ chức.

Manh mối bài tập và hướng dẫn đáp án**

Vị trí đúng của mô hình lớn trong quy trình (thành phần thông minh có thể được hệ thống tổ chức, đảm nhận hiểu, tạo sinh và gọi công cụ); tại sao tăng trưởng năng lực không đồng nghĩa với thích nghi lâu dài (ngữ cảnh phiên đơn lẻ sẽ cạn kiệt, và kết quả chưa kiểm chứng không thể tích lũy thành tài sản có thể kế thừa); thứ tự đúng của các khâu vòng khép kín (tạo ứng viên → kiểm chứng thực → tích lũy thành quả → tiến hóa tiếp); ngưỡng để mã trong Genesis đi vào lịch sử dự án (vượt qua biên dịch, kiểm thử và kiểm tra hành vi, đồng thời được nghiệm thu cấp trên); và cách diễn đạt chính xác quan hệ "thành phần—hệ thống".

Câu hỏi tình huống yêu cầu thiết kế vòng khép kín cấp hệ thống cho một phòng thí nghiệm tính toán khoa học lâu dài, và đưa ra cơ chế cho "phương án thất bại bị thử lại nhiều lần" và "thành viên mới không thể kế thừa kết luận ban đầu". Điểm chính của đáp án là: dùng cổng nghiệm thu nghiêm ngặt và ghi chép quyết định để từ chối ứng viên không đạt và lưu lại nguyên nhân thất bại, dùng lưu trữ cấp dự án để ghi thành quả đã qua nghiệm thu vào phiên bản dự án được chấp nhận; đồng thời chỉ rõ — chỉ nâng cao năng lực mô hình chỉ có thể cải thiện chất lượng ứng viên đơn lẻ, còn gốc rễ của hai vấn đề này nằm ở việc thiếu kiểm chứng, ghi chép và tích lũy.

Kiểm tra hiểu biết**

Tại sao mô hình mạnh hơn không đồng nghĩa với dự án có thể tiến hóa lâu dài hơn, và bốn bước vòng khép kín mỗi bước giải quyết vấn đề gì. Nếu câu trả lời chỉ dừng ở "mô hình rất giỏi", có thể gợi ý quay lại hai câu truy vấn "thành quả hiệu quả được tích lũy ở đâu, do ai kế thừa" để bổ sung.

Gợi ý chuyển tiếp**

Sau khi xác nhận người học có thể phân biệt "chất lượng ứng viên đơn lẻ" và "sàng lọc, tích lũy và kế thừa cấp hệ thống", mới chuyển sang trang tiếp theo với ứng dụng, ví dụ hoặc thực hành.

<a id="lecture-page-4"></a>

### Chuyển vấn đề thực thành quá trình khám phá EvoX

*Trang 4*

> **Mục tiêu trang:** Nắm vững cách xác định đối tượng khả biến, tiêu chuẩn đánh giá và cơ chế giữ lại khi đối mặt với vấn đề thực.

> **Mục tiêu trang**
>
> Nắm vững cách xác định đối tượng khả biến, tiêu chuẩn đánh giá và cơ chế giữ lại khi đối mặt với vấn đề thực, và hiểu thứ tự "làm chuyển hóa vấn đề trước, rồi mới nói đến chọn thuật toán".

> **Trình tự giảng giải**
>
> Vấn đề thực (nhu cầu có thể mô tả) → Xác định đối tượng khả biến (biến có thể lấy mẫu) → Xây dựng tiêu chuẩn đánh giá (mục tiêu có thể tính toán) → Cơ chế giữ lại và chọn lọc (ứng viên có thể kế thừa) → Khám phá lặp EvoX (mỗi thế hệ có thể tái lập) → Đầu ra phương án ứng viên (kết luận có thể đo lường).
>
> Khi đánh giá bị sai lệch quay lại xây dựng tiêu chuẩn đánh giá; khi đa dạng sụp đổ quay lại cơ chế giữ lại.
>
> 3. Tiếp theo lần lượt triển khai bốn điều kiện nghiệm thu, và dùng thiết kế cánh siêu tới hạn để minh họa cách ánh xạ.
>
> 4. Cuối cùng kiểm tra hiểu biết qua năm câu đúng sai và tình huống bản làm mát bộ pin.

**Điểm giảng dạy**

- Chuyển vấn đề thực thành quá trình khám phá EvoX là trước khi viết bất kỳ cấu hình thuật toán nào, trước tiên viết lại nhu cầu kỹ thuật hoặc nghiên cứu mơ hồ thành một định nghĩa vấn đề tiến hóa "có thể lấy mẫu, có thể đánh giá, có thể giữ lại, có thể kiểm chứng lặp". EvoX tiếp nhận một dây chuyền khám phá, nó cần biết lấy mẫu trong không gian nào, dùng tiêu chuẩn gì để chấm điểm, kết quả nào đáng được kéo dài. Những thông tin này chỉ có thể đến từ bản thân vấn đề. Thuật toán chỉ có thể tìm câu trả lời trong định nghĩa, không thể tìm lại câu trả lời đúng từ một vấn đề được định nghĩa sai. Dịch nhu cầu thực thành biến quyết định, xác định dạng biểu diễn, số chiều và biên, và phân biệt tham số liên tục, cấu trúc rời rạc thậm chí đối tượng cấp chương trình. Biên quá hẹp sẽ loại trừ giải pháp tối ưu thực sự ra khỏi không gian tìm kiếm
- Biến có thể lấy mẫu. Phân rã mục tiêu mơ hồ thành hàm mục tiêu và ràng buộc có thể tính toán, làm rõ chỉ số tối đa hóa, ràng buộc cứng và cân nhắc đa mục tiêu. Khi phản hồi thưa thớt hoặc mô phỏng đắt đỏ, đưa vào mô hình thay thế để thay thế tính toán chi phí cao. Điều kiện nghiệm thu: mục tiêu có thể tính toán, và kết quả ổn định, có thể tái lập dưới cùng đầu vào. Định nghĩa cách ứng viên được lưu, so sánh và kéo dài, để quá trình tiến hóa có ký ức, hướng đi và đa dạng, thay vì thử sai một lần không liên quan từng vòng. Điều kiện nghiệm thu: ứng viên có thể kế thừa. Kết quả chuyển hóa phải có thể tái lập, có thể đo lường, có thể kiểm chứng lặp, mỗi bước đều có thể trả lời "thay đổi lần này có thực sự tốt hơn không". Thiếu biến sẽ hiểu sai không gian giải, đánh giá sai lệch sẽ khiến tối ưu đi lệch toàn bộ
- Hai loại sai lệch này đều không thể bù đắp bằng toán tử tiếp theo hoặc nhiều vòng lặp hơn. Trong thiết kế cánh siêu tới hạn, đối tượng khả biến là tham số nhiễu hình học của cánh cơ sở
- Tiêu chuẩn đánh giá là các chỉ số đa mục tiêu như tỷ lệ lực nâng-lực cản, phân kỳ lực cản, độ bền, và dùng mô hình thay thế để kiểm soát chi phí mô phỏng
- Cơ chế giữ lại là đầu ra nhóm phương án ứng viên đa dạng cân bằng các chỉ số, giao cho chuyên gia lĩnh vực cân nhắc quyết định. Cùng một vấn đề thực, chỉ cần đổi một bộ biên biến hoặc tiêu chí đánh giá, kết luận khám phá sẽ hoàn toàn khác.

**Phủ từ khóa**

- Chuyển hóa vấn đề, xác định đối tượng khả biến, biến có thể lấy mẫu, xây dựng tiêu chuẩn đánh giá, mục tiêu có thể tính toán, cơ chế giữ lại và chọn lọc, ứng viên có thể kế thừa, khám phá lặp EvoX, mỗi thế hệ có thể tái lập, đánh giá sai lệch, đa dạng sụp đổ, mô hình thay thế, cánh siêu tới hạn.

**Xử lý bài tập**

Đáp án đúng là "vì chuyển hóa xác định không gian tìm kiếm và tiêu chí đánh giá, thuật toán chỉ có thể tìm câu trả lời trong định nghĩa này". Khi giảng giải nhấn mạnh, chuyển hóa trả lời "cái gì có thể thay đổi" và "sau khi thay đổi đánh giá thế nào", giới hạn trên của không gian khám phá và hướng tối ưu đều do nó quyết định; chi phí lấy mẫu hoặc loại toán tử không phải then chốt.

Đáp án đúng là "không gian tìm kiếm hẹp, giải pháp tối ưu thực sự không nằm trong đó, toán tử và lặp tiếp theo đều không thể bù đắp". Thiếu biến thuộc sai lệch giai đoạn chuyển hóa, hàm đánh giá, cơ chế giữ lại và toán tử đều không thể tạo ra chiều chưa được định nghĩa từ hư không.

Đáp án đúng là "dùng mô hình thay thế để xấp xỉ đánh giá chi phí thấp, đồng thời giữ lại rõ ràng quan hệ cân nhắc đa mục tiêu và ràng buộc cứng". Khi đánh giá đắt đỏ và mục tiêu xung đột, cách làm đúng là giảm chi phí đánh giá đơn lẻ và biểu đạt rõ ràng xung đột và ràng buộc, chứ không phải cắt giảm số thế hệ lặp hoặc gộp trọng số đơn giản.

Đáp án đúng là "để ứng viên được lưu, so sánh và kéo dài, khiến quá trình tiến hóa có ký ức, hướng đi và đa dạng". Cơ chế giữ lại không chịu trách nhiệm đánh giá, cũng không chịu trách nhiệm sửa biên biến.

Đáp án đúng là "mỗi bước đều phải có thể tái lập và có thể trả lời 'thay đổi lần này có thực sự tốt hơn không', nếu không sai lệch sẽ bị khuếch đại trong lặp". Đánh giá tổng kết sau sự việc không thể thay thế kiểm tra từng bước, thiếu biến và đánh giá sai lệch xảy ra ở giai đoạn chuyển hóa, lặp chỉ khuếch đại sai lệch.

Khi trả lời đúng, khẳng định sinh viên có thể liên hệ khái niệm trang này và giải thích căn cứ; khi trả lời sai, yêu cầu sinh viên quay lại đoạn tương ứng, tìm bằng chứng hoặc ví dụ then chốt rồi mới phán đoán.

> **Manh mối bài tập**
>
> - Tối ưu hình học kênh dẫn của bản làm mát bộ pin. Chỉ lấy chiều rộng kênh làm biến quyết định, bỏ qua hướng kênh, dạng tô pô, số cấp phân nhánh, vị trí cửa vào/ra và các bậc tự do cấu trúc rời rạc khác, thuộc xác định đối tượng khả biến quá hẹp, hình học tối ưu thực sự có thể không nằm trong không gian tìm kiếm
> - Chỉ lấy nhiệt độ cao nhất làm mục tiêu duy nhất, giao giảm áp và độ đồng đều nhiệt độ cho phán đoán kinh nghiệm, thuộc đánh giá tiêu chuẩn sai lệch, xung đột đa mục tiêu không được mô hình hóa rõ ràng
> - Mô phỏng 3 giờ một lần nhân 200 thế hệ, thiếu kiểm soát chi phí đánh giá và tiêu chí kiểm chứng có thể tái lập, trực tiếp chọn cá thể "trông tốt nhất" từ kết quả, không thể trả lời "thay đổi lần này có thực sự tốt hơn không". Về đối tượng khả biến, đưa cả tham số liên tục (chiều rộng, độ sâu, độ dày thành kênh) và cấu trúc rời rạc (tô pô kênh, số cấp phân nhánh, vị trí cửa vào/ra) vào, viết rõ phạm vi giá trị hoặc cách mã hóa, và phân biệt đại lượng cố định, điều kiện kiểm tra là biến có thể lấy mẫu. Về tiêu chuẩn đánh giá, viết nhiệt độ cao nhất, giảm áp, độ đồng đều nhiệt độ thành hàm mục tiêu đa mục tiêu rõ ràng, viết giới hạn trên giảm áp, khả thi chế tạo thành ràng buộc cứng, dùng mô hình thay thế đảm nhận phần lớn đánh giá và định kỳ hiệu chuẩn bằng mô phỏng thực, điều kiện kiểm tra là mục tiêu có thể tính toán, ổn định và có thể tái lập dưới cùng đầu vào. Về cơ chế giữ lại, lưu một nhóm ứng viên đa dạng cân nhắc xuyên mục tiêu, thay vì giải pháp tối ưu đơn lẻ, định nghĩa quy tắc so sánh và quy tắc kéo dài, và dùng đo lường đa dạng để giám sát đồng nhất hóa, điều kiện kiểm tra là ứng viên có thể kế thừa. Trong vận hành và kiểm chứng, ghi lại chỉ số có thể tái lập từng thế hệ
> - Nếu độ tin cậy đánh giá giảm, quay lại xây dựng tiêu chuẩn đánh giá để hiệu chuẩn lại
> - Nếu đa dạng sụp đổ, quay lại cơ chế giữ lại để điều chỉnh chiến lược sàng lọc và kéo dài.

**Hoạt động trên lớp**

Yêu cầu sinh viên dùng một câu để viết lại "làm cho thiết kế này tốt hơn" thành một định nghĩa vấn đề khám phá bao gồm đối tượng khả biến, tiêu chuẩn đánh giá và cơ chế giữ lại, rồi kiểm tra chéo xem có thỏa mãn "có thể lấy mẫu, có thể tính toán, có thể kế thừa, có thể tái lập" không.

**Kiểm tra hiểu biết**

Ngẫu nhiên yêu cầu một sinh viên dùng lời của mình tóm tắt trọng điểm trang này, giáo viên bổ sung điều kiện nghiệm thu và vòng phản hồi còn thiếu dựa trên câu trả lời.

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể nói ra "định nghĩa trước, rồi mới mở trình tối ưu" và hai loại cơ chế quay lui, mới chuyển sang trang tiếp theo với ví dụ, ứng dụng hoặc tổng kết.

<a id="lecture-page-5"></a>

### Tối ưu đa mục tiêu và khám phá đa giải pháp

*Trang 5*

> **Mục tiêu trang:** Nhận thức tính phức tạp của sự ràng buộc đa mục tiêu trong thế giới thực và sự cần thiết của việc giữ lại một nhóm phương án ứng viên.

> **Mục tiêu trang**
>
> Nhận thức tính phức tạp của sự ràng buộc đa mục tiêu trong thế giới thực, hiểu tại sao cần giữ lại một nhóm phương án ứng viên, và nắm vững Pareto chi phối, biên Pareto, cái giá của vô hướng hóa cũng như đánh giá hai chiều về hội tụ và đa dạng.

**Điểm giảng dạy**

- Đây có thực sự là vấn đề đa mục tiêu không? Tiêu chuẩn phán đoán không phải "số mục tiêu lớn hơn 1", mà là các mục tiêu có mâu thuẫn lẫn nhau không. Lấy thiết kế cánh siêu tới hạn làm ví dụ: tỷ lệ lực nâng-lực cản, độ bền kết cấu, biên độ dừng và chi phí chế tạo/mô phỏng ràng buộc lẫn nhau, nâng cao tỷ lệ lực nâng-lực cản thường có nghĩa là tải kết cấu và chi phí chế tạo tăng đồng thời. Nếu tất cả mục tiêu có thể được cải thiện đồng thời không tổn thất, vấn đề thoái hóa thành đơn mục tiêu, khám phá đa giải pháp vừa không cần thiết vừa lãng phí tính toán. Hướng ngược nhau, mâu thuẫn lẫn nhau mới tạo thành đa mục tiêu thực sự. Hai, Pareto chi phối và biên Pareto. Giải A chi phối giải B, khi và chỉ khi A không kém B trên tất cả mục tiêu (với mọi mục tiêu i đều có fᵢ(A) ≤ fᵢ(B)), và tốt hơn nghiêm ngặt trên ít nhất một mục tiêu (tồn tại j sao cho fⱼ(A) < fⱼ(B)). Bất kỳ giải bị chi phối nào đều tồn tại một thay thế "ít nhất tốt bằng, tốt hơn ở đâu đó", do đó không có giá trị giữ lại. Tất cả các giải không bị bất kỳ giải nào chi phối tạo thành biên Pareto — các giải trên biên không chi phối lẫn nhau, giải nào phù hợp hơn phụ thuộc vào sở thích, không phụ thuộc vào toán học. Ba, cái giá của đơn mục tiêu hóa. Các phương pháp vô hướng hóa như tổng có trọng số, ε-ràng buộc nén mục tiêu vector thành một vô hướng, tiện lợi về kỹ thuật nhưng cái giá rất cụ thể: Che giấu cấu trúc cân nhắc — một khi trọng số cố định, hình dạng biên và hướng thay thế không còn nhìn thấy, người quyết định chỉ thấy một điểm số. Trọng số phải được cho trước — mà sở thích thực thường không thể hình thức hóa trước, thường đến giai đoạn đánh giá mới dần rõ ràng. Phạm vi bao phủ hạn chế — tổng có trọng số thường chỉ lấy được một số điểm chạm cá biệt trên biên, một số đoạn của biên không lồi khó đạt được. Một khi đánh giá tiếp theo thay đổi trọng số, toàn bộ tìm kiếm phải chạy lại, đây chính là mặt trái của "một lần khám phá đổi lấy tự do quyết định nhiều lần". Hội tụ và đa dạng. Hội tụ (tập giải có tiến gần biên thực không) và đa dạng (các giải có bao phủ các đoạn khác nhau của biên không). Hai điều này thường kéo co lẫn nhau: một khi áp lực chọn lọc quá nghiêng về "tốt hơn", quần thể sẽ sụp đổ về một điểm hoặc một đoạn nhỏ của biên, trông có vẻ hội tụ nhanh nhưng lại làm mất thông tin cân nhắc. Do đó cần duy trì rõ ràng đa dạng quần thể, và phối hợp áp lực chọn lọc như độ tắc nghẽn, phân rã, chỉ số dẫn dắt (như hypervolume). Vị trí quyết định chuyển dịch. Trình tối ưu chỉ chịu trách nhiệm tạo ra nhóm ứng viên có thể so sánh, chọn lựa cuối cùng do sở thích hoặc chuyên gia lĩnh vực hoàn thành, trình tối ưu không nên hội tụ quá sớm thay người quyết định. Lý do thực tế để giữ nhóm ứng viên khác biệt hóa là "phòng ngừa rủi ro" — khi sở thích chưa biết, sẽ thay đổi theo tình huống, hoặc ràng buộc sẽ bị sửa ở giai đoạn triển khai, nhóm phương án đa dạng có giá trị hơn "giải tối ưu" đơn lẻ. Về giao diện triển khai, vấn đề đa mục tiêu nên được định nghĩa là hàm đánh giá giá trị vector (một lần trả về nhiều giá trị mục tiêu) và đầu ra tập phương án ứng viên, chứ không phải độ thích nghi vô hướng với một giá trị trả về đơn lẻ. Số lượng giá trị trả về của hàm đánh giá quyết định số chiều mục tiêu, cấu trúc đầu ra quyết định có giữ được đa dạng không.

> **Manh mối tài liệu**
>
> - Trang cung cấp biểu đồ phân tán biên Pareto hai chiều, trục hoành là mục tiêu 1 khối lượng kết cấu (càng nhỏ càng tốt), trục tung là mục tiêu 2 chi phí chế tạo (càng nhỏ càng tốt). Trong hình chú thích giải không bị chi phối, giải bị chi phối, biên Pareto, điểm trúng vô hướng hóa, hướng cải thiện, vùng thưa và vùng dày. Có thể借助 hình này giải thích trực quan quan hệ chi phối, hình dạng biên và đa dạng, và giải thích tổng có trọng số thường chỉ trúng được một số điểm cá biệt trên biên.

> **Manh mối bài tập**
>
> - Trang có 5 câu trắc nghiệm và 1 nghiên cứu tình huống. Câu 1 kiểm tra phán đoán Pareto chi phối, đáp án đúng là "Giải A chi phối giải B, khi và chỉ khi A không kém B trên tất cả mục tiêu, và tốt hơn nghiêm ngặt trên ít nhất một mục tiêu". Khi hướng dẫn nhấn mạnh hai điều kiện phải đồng thời thỏa mãn, các giải互 có tốt xấu không chi phối lẫn nhau, sẽ cùng ở lại trên biên Pareto. Câu 2 kiểm tra căn cứ phán đoán vấn đề đa mục tiêu, đáp án đúng là "hướng giữa các mục tiêu ngược nhau, cải thiện một cái tất yếu phải trả giá bằng sự thoái hóa của cái khác". Khi hướng dẫn chỉ ra tính xung đột mới là bản chất của đa mục tiêu, then chốt không ở số lượng mục tiêu, mà ở quan hệ xung đột mâu thuẫn lẫn nhau. Câu 3 kiểm tra phán đoán phương pháp vô hướng hóa, đáp án đúng là "vô hướng hóa sẽ che giấu cấu trúc cân nhắc, và yêu cầu trọng số cho trước, mà sở thích thực thường không thể hình thức hóa trước". Khi hướng dẫn nhắc nhở hai cái giá: che giấu cấu trúc cân nhắc, và phải cho trước trọng số. Câu 4 kiểm tra quan hệ giữa hội tụ và đa dạng, đáp án đúng là "hai điều này thường kéo co lẫn nhau, theo đuổi hội tụ quá mức dễ khiến quần thể sụp đổ về một số đoạn cá biệt của biên". Có thể hỏi ngược: nếu tất cả giải đều chen trên một điểm của biên, tuy trông có vẻ hội tụ, nhưng người quyết định còn có thể lựa chọn không? Câu 5 kiểm tra phân công giữa trình tối ưu và người quyết định, đáp án đúng là "trình tối ưu xuất ra một nhóm ứng viên không bị chi phối có thể so sánh, chọn lựa cuối cùng giao cho sở thích hoặc chuyên gia lĩnh vực". Khi hướng dẫn giải thích vị trí quyết định đã chuyển dịch, giá trị của tối ưu đa mục tiêu chính là giữ lại nhóm ứng viên. Nghiên cứu tình huống xoay quanh cân nhắc đa mục tiêu của cánh siêu tới hạn. Câu hỏi 1 yêu cầu giải thích tại sao cấu thành vấn đề đa mục tiêu thực sự, và rủi ro của việc dùng tổng điểm có trọng số xuất ra "cánh tối ưu" duy nhất ở giai đoạn đánh giá. Điểm chính đáp án: hướng giữa các mục tiêu ngược nhau, ràng buộc lẫn nhau, không thể cải thiện đồng thời không tổn thất
> - Tổng điểm có trọng số che giấu cấu trúc cân nhắc, yêu cầu trọng số cho trước, một khi trọng số điều chỉnh thì phải chạy lại, ngân sách mô phỏng khó chịu đựng. Câu hỏi 2 yêu cầu giải thích cách định nghĩa hàm đánh giá và cấu trúc đầu ra, và cách chọn lựa tại hiện trường đánh giá. Điểm chính đáp án: hàm đánh giá đổi thành dạng giá trị vector, trả về bộ bốn (tỷ lệ lực nâng-lực cản, khối lượng kết cấu, biên độ dừng, chi phí chế tạo và mô phỏng)
> - Đầu ra là tập phương án ứng viên, tức một nhóm giải biên Pareto không chi phối lẫn nhau
> - Ở tầng thuật toán duy trì rõ ràng đa dạng, phối hợp áp lực chọn lọc như độ tắc nghẽn, phân rã hoặc hypervolume
> - Tại hiện trường đánh giá cân nhắc từ nhóm ứng viên theo sở thích thực. Khi trả lời đúng, khẳng định sinh viên có thể liên hệ khái niệm trang này và giải thích căn cứ
> - Khi trả lời sai, yêu cầu sinh viên quay lại phần giảng giải trang này, tìm bằng chứng hoặc ví dụ then chốt rồi mới phán đoán.

**Hoạt động trên lớp**

Có thể yêu cầu sinh viên nêu một ví dụ về xung đột đa mục tiêu trong đời thường (như cân nhắc hiệu năng, giá cả, thời lượng pin khi mua điện thoại), giải thích tại sao không tồn tại giải tối ưu duy nhất, và giá trị của việc giữ lại một nhóm phương án ứng viên.

**Kiểm tra hiểu biết**

Ngẫu nhiên yêu cầu một sinh viên dùng lời của mình tóm tắt trọng điểm trang này, giáo viên bổ sung từ khóa còn thiếu dựa trên câu trả lời, như Pareto chi phối, biên Pareto, hội tụ, đa dạng, sụp đổ quần thể, hàm đánh giá giá trị vector.

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể nói ra bản chất của vấn đề đa mục tiêu (xung đột mục tiêu) cũng như ý nghĩa của biên Pareto và đa dạng, mới chuyển sang trang tiếp theo với ví dụ, ứng dụng hoặc tổng kết.

**Căn cứ tài liệu**

Từ bản thảo EvoClass, trang 7-7.

<a id="lecture-page-6"></a>

### MetaDE: Dùng thuật toán tiến hóa cải thiện thuật toán tiến hóa

*Trang 6*

> **Mục tiêu trang:** Hiểu cách lấy phương pháp tạo ra phương án ứng viên làm đối tượng tiến hóa.

**Điểm giảng dạy**

- Tầng trong trả lời "tính ra cái gì", tầng ngoài trả lời "tính thế nào mới tốt hơn". Giữa hai tầng chỉ truyền một tín hiệu — hiệu năng nhiệm vụ, tức độ thích nghi.
- Đừng coi giải mà tầng trong thu được là thành quả cuối cùng của MetaDE. Sản phẩm thực sự là cấu hình thuật toán có thể di chuyển: chuyển sang cá thể mới cùng loại cấu hình vẫn hiệu quả, còn giải đơn lẻ thường đã hết hạn.
- Gấp bài giảng lại tự hỏi: một lần đánh giá tầng ngoài xấp xỉ bằng bao nhiêu lần chạy đầy đủ tầng trong? Nếu không trả lời được, nghĩa là bạn chưa nắm được cấu trúc chi phí của MetaDE và tại sao song song là cần thiết.

【Mục tiêu trang】

Hiểu cách lấy phương pháp tạo ra phương án ứng viên làm đối tượng tiến hóa, tức vòng khép kín tối ưu hai tầng mà MetaDE dùng thuật toán tiến hóa cải thiện thuật toán tiến hóa.

【Trình tự giảng giải】

Chiến lược đột biến, tỷ lệ lai ghép CR, hệ số tỷ lệ F, kích thước quần thể NP — những cấu hình này do ai chọn?

Tầng ngoài mã hóa cấu hình và tiến hóa, tầng trong chạy DE song song trên nhiệm vụ thực, trả về đánh giá hiệu năng.

Từ "tìm giải" nâng lên "tìm phương pháp biết tìm giải".

Phát cấu hình → tầng trong giải → hiệu năng trả về → tầng ngoài cập nhật; chi phí đánh giá cao, song song GPU là điều kiện kích hoạt then chốt.

5. Tổng kết một câu về bản chất và hiểu lầm phổ biến, tiến hành bài tập và kiểm tra hiểu biết.

【Điểm giảng dạy】

Tầng trong nhận một bộ cấu hình DE cụ thể, chạy một lần giải đầy đủ trên nhiệm vụ thực, tạo ra giải ứng viên và trả về đánh giá hiệu năng có thể so sánh; tầng ngoài mã hóa cấu hình, siêu tham số hoặc tổ hợp chiến lược của DE thành cá thể, lấy hiệu năng nhiệm vụ làm độ thích nghi, dùng chọn lọc, tái tổ hợp, đột biến cập nhật cấu hình thế hệ tiếp theo.

Đầu ra của DE truyền thống là một vector giải; đầu ra của MetaDE là một bộ cấu hình thuật toán có thể ổn định tạo ra giải tốt hơn trên loại nhiệm vụ này. Đối tượng tìm kiếm nâng từ "câu trả lời" lên "cỗ máy sản xuất câu trả lời", khiến thành quả của một lần tìm kiếm tầng ngoài có thể di chuyển đến các cá thể khác cùng họ để tái sử dụng.

Toàn bộ hệ thống được nối bằng một vòng khép kín — tầng ngoài phát cấu hình → tầng trong thực thi giải → hiệu năng trả về → tầng ngoài căn cứ vào đó cập nhật cấu hình thế hệ tiếp theo. Một cá thể tầng ngoài muốn có độ thích nghi phải trả giá bằng một lần (thường là nhiều lần song song) chạy đầy đủ tầng trong, do đó quản lý chi phí đánh giá và điều phối song song là cốt lõi của thiết kế hệ thống. Chính khả năng GPU chạy đồng thời lượng lớn nhiệm vụ tầng trong mới khiến kiểu meta-optimization "đánh giá đắt đỏ" này trở nên khả thi về kỹ thuật.

Tầng trong chịu trách nhiệm "tính ra cái gì", tầng ngoài chịu trách nhiệm "tính thế nào mới tốt hơn". Hai tầng chia sẻ cùng một tín hiệu độ thích nghi — hiệu năng nhiệm vụ, đây cũng chính là lý do chúng có thể tạo thành vòng khép kín.

【Phủ từ khóa】

Tối ưu hai tầng, tầng trong, tầng ngoài, độ thích nghi, phát cấu hình, hiệu năng trả về, song song GPU, chi phí đánh giá, cấu hình tiến hóa vi phân (chiến lược đột biến, tỷ lệ lai ghép CR, hệ số tỷ lệ F, kích thước quần thể NP).

【Manh mối bài tập】

Đối tượng tiến hóa tầng ngoài là cấu hình thuật toán; trách nhiệm tầng trong là nhận cấu hình, giải trên nhiệm vụ thực và trả về đánh giá hiệu năng; thứ tự vòng khép kín thông tin là phát cấu hình → tầng trong giải → hiệu năng trả về → tầng ngoài cập nhật; so với DE truyền thống, mục tiêu chuyển dịch từ tìm giải tối ưu của một vấn đề đơn lẻ sang tìm thuật toán và cấu hình có thể tạo ra giải tốt hơn; chi phí tính toán chính đến từ việc đánh giá cá thể tầng ngoài phải trả giá bằng chạy đầy đủ tầng trong, song song GPU chạy đồng thời lượng lớn nhiệm vụ tầng trong, khiến meta-optimization khả thi về kỹ thuật.

Khi trả lời đúng, khẳng định có thể liên hệ khái niệm trang này và giải thích căn cứ; khi trả lời sai, gợi ý quay lại phần giảng giải trang này, tìm bằng chứng hoặc ví dụ then chốt rồi mới phán đoán.

Cấu hình trình giải đường logistics MetaDE. Tầng trong chạy đầy đủ DE trên nhiệm vụ giao hàng thực, nhận giải đường và chi phí vận chuyển trung bình, trả về như đánh giá hiệu năng có thể so sánh. Tầng ngoài mã hóa cấu hình DE (như [chiến lược đột biến DE/best/1, CR = 0.7, F = 0.5, NP = 60]) thành cá thể, lấy chi phí vận chuyển trung bình làm độ thích nghi, thực thi chọn lọc, tái tổ hợp và đột biến, tạo ra quần thể cấu hình thế hệ tiếp theo. Khi ngân sách GPU hạn chế, có thể dùng đánh giá phân tầng (trước tiên sàng lọc thô bằng một số nhiệm vụ đại diện, chỉ đánh giá lại cấu hình xếp trước trên tập nhiệm vụ đầy đủ) và điều phối song song theo lô (đóng gói chạy tầng trong tương ứng với tất cả cá thể cùng thế hệ thành lô gửi GPU) để giảm chi phí đánh giá hoặc tăng hiệu quả tìm kiếm;

Cũng có thể thu nhỏ kích thước quần thể tầng ngoài hoặc dùng mô hình thay thế xấp xỉ dự đoán hiệu năng, nhưng cần cân nhắc giữa đa dạng tìm kiếm và sai lệch ước lượng. Lý do đều xoay quanh "độ thích nghi tầng ngoài phụ thuộc vào chạy đầy đủ tầng trong" và "song song có thể san sẻ thời gian chờ của cá thể đơn lẻ".

【Hiểu lầm phổ biến】

Đừng coi giải mà tầng trong thu được là thành quả cuối cùng của MetaDE. Sản phẩm thực sự là cấu hình thuật toán có thể di chuyển: chuyển sang cá thể mới cùng loại cấu hình vẫn hiệu quả, còn giải đơn lẻ thường đã hết hạn.

【Kiểm tra hiểu biết】

Một lần đánh giá tầng ngoài xấp xỉ bằng bao nhiêu lần chạy đầy đủ tầng trong? Nếu không trả lời được, nghĩa là chưa nắm được cấu trúc chi phí của MetaDE và tại sao song song là cần thiết. Cũng có thể yêu cầu sinh viên dùng lời của mình tóm tắt trách nhiệm tầng trong tầng ngoài và thứ tự vòng khép kín.

【Gợi ý chuyển tiếp】

Sau khi xác nhận sinh viên có thể nói ra "tầng trong trả lời 'tính ra cái gì', tầng ngoài trả lời 'tính thế nào mới tốt hơn', hai tầng chia sẻ tín hiệu độ thích nghi là hiệu năng nhiệm vụ", mới chuyển sang trang tiếp theo với ví dụ, ứng dụng hoặc tổng kết.

<a id="lecture-page-7"></a>

### Cách làm việc AI Native và lối vào tiện lợi

*Trang 7*

> **Mục tiêu trang:** Trải nghiệm quy trình làm việc AI native không cần ghi nhớ lệnh cài đặt hay giao diện phức tạp.

> **Mục tiêu trang**
>
> Hiểu cách làm việc AI Native và lối vào tiện lợi, chuyển điểm xuất phát sử dụng EvoX từ ghi nhớ lệnh cài đặt và giao diện phức tạp sang diễn đạt ý định thí nghiệm bằng ngôn ngữ tự nhiên. Sau khi học cần giải thích được ý nghĩa của "đối thoại là lối vào", và phân biệt được các khâu mà công cụ AI và nhà nghiên cứu mỗi bên chịu trách nhiệm.

> **Trình tự giảng giải**
>
> Trước tiên so sánh cách truyền thống với cách AI Native; sau đó giảng giải toàn bộ quy trình theo "ý định ngôn ngữ tự nhiên → AI hiểu và thực thi → đầu ra thí nghiệm EvoX"; cuối cùng dùng tình huống robot kho tìm đường tránh vật cản, trình diễn cách dùng bộ ba "mục tiêu—ràng buộc—nghiệm thu" để mô tả thí nghiệm với AI.

**Điểm giảng dạy**

- Dùng ngôn ngữ tự nhiên mô tả nhiệm vụ, ràng buộc và mục tiêu nghiệm thu, AI chịu trách nhiệm hiểu mã và thực thi. Không cần nắm trước lệnh cài đặt, cấu hình phụ thuộc và gọi giao diện phức tạp. Cài đặt framework, cấu hình chạy, chọn hoặc tạo thuật toán đều có thể được AI hỗ trợ hoàn thành. Đối thoại trở thành lối vào tiện lợi kết nối ý định nhà nghiên cứu với đầu ra thí nghiệm EvoX. Nhà nghiên cứu tập trung vào gu vấn đề, cân nhắc đa mục tiêu, nghiệm thu phương án và phán đoán phê phán. Trong cách truyền thống, để khởi động một thí nghiệm EvoX, phải nhớ lệnh, phụ thuộc và giao diện
- Cách làm việc AI Native nâng lối vào lên "diễn đạt ý định". Bạn mô tả vấn đề gì, bị ràng buộc gì, nghiệm thu theo tiêu chuẩn nào, công cụ như Codex chịu trách nhiệm dịch ý định thành mã và thao tác môi trường có thể thực thi, và trả về trạng thái chạy. Như vậy, điểm xuất phát thí nghiệm không còn là ghi nhớ lệnh, mà là định nghĩa vấn đề rõ ràng. Robot kho tìm đường tránh vật cản. Có thể dùng ngôn ngữ tự nhiên yêu cầu AI gọi EvoX NSGA-II, tối ưu đa mục tiêu trên GPU và xuất ra lộ trình trực quan. Ở đây cần phân biệt ba loại thông tin: ý định là "vì robot kho tránh vật cản tìm đường, dùng EvoX NSGA-II tối ưu đa mục tiêu trên GPU"
- Mục tiêu là đường đi ngắn nhất, khoảng cách an toàn lớn nhất, tiêu thụ năng lượng thấp nhất
- Ràng buộc là trả kết quả trong 5 phút
- Mục tiêu nghiệm thu là xuất biên Pareto và lộ trình trực quan, và giữ kết quả chạy có thể tái lập. Công cụ AI chịu trách nhiệm hiểu mã, cấu hình môi trường và phụ thuộc, chọn hoặc tạo thuật toán, thực thi trên GPU và trả về trạng thái
- Trách nhiệm của con người nâng lên định nghĩa vấn đề, thiết lập tiêu chuẩn đánh giá, cân nhắc đa mục tiêu, nghiệm thu phương án và phán đoán phê phán.

**Xử lý bài tập**

Nếu hỏi "khái niệm cốt lõi là gì", nên nắm "trải nghiệm quy trình làm việc AI native không cần ghi nhớ lệnh cài đặt hay giao diện phức tạp". Nếu yêu cầu phán đoán cách nói nào hợp lý nhất, nên chọn phương án có thể liên hệ khái niệm trang này và đưa ra bằng chứng hoặc ví dụ; chỉ dựa vào cảm giác, đồng thời thay đổi tất cả yếu tố, bỏ qua tài liệu trực tiếp học thuộc đáp án đều không đạt yêu cầu. Về "nhanh chóng hoàn thành cấu hình môi trường và thiết kế thuật toán", cũng phải giải thích được bằng bằng chứng hoặc ví dụ, chứ không chỉ ghi nhớ kết luận.

**Kiểm tra hiểu biết**

Yêu cầu sinh viên dùng lời của mình nói ra quan hệ "ý định ngôn ngữ tự nhiên → AI hiểu và thực thi → đầu ra thí nghiệm EvoX", và giải thích tại sao nhà nghiên cứu vẫn phải xem xét ràng buộc có được thỏa mãn không, biên Pareto có hợp lý không, lộ trình có an toàn khả thi không. Sau khi xác nhận sinh viên có thể phân biệt trách nhiệm thực thi của AI và trách nhiệm phán đoán của con người, mới chuyển sang nội dung thực chiến tiếp theo.

<a id="lecture-page-8"></a>

### Thực chiến nhiệm vụ tìm đường robot kho

*Trang 8*

> **Mục tiêu trang:** Hiểu cách nhanh chóng gọi EvoX qua AI để giải quyết vấn đề tìm đường tránh vật cản cụ thể.

> **Trình tự giảng giải**
>
> Kệ hàng, hành lang, vật cản, điểm xuất phát và điểm kết thúc đều đã xác định, cần tìm đường không va chạm và càng ngắn càng tốt.
>
> 2. Chỉ ra độ dài đường đi và an toàn tránh vật cản thường không nhất quán, do đó là vấn đề tối ưu đa mục tiêu điển hình, không phải đường đi ngắn nhất đơn mục tiêu.
>
> 3. Giải thích AI như "trình dịch nhiệm vụ", chuyển mô tả nhiệm vụ ngôn ngữ tự nhiên thành gọi EvoX có thể thực thi, giảm viết mã thủ công và cấu hình tham số.
>
> 4. EvoX NSGA-II hoàn thành đánh giá quần thể và tìm kiếm song song trên GPU, giữ lại nhiều giải cân nhắc, tạo thành họ lộ trình từ "ngắn nhưng mạo hiểm" đến "dài nhưng an toàn".
>
> Trực quan hóa bản đồ lộ trình ứng viên và đường cong xu hướng hội tụ, dùng để quan sát tính khả thi và tiến triển tìm kiếm.

**Điểm giảng dạy**

- Cố định bố cục kho, môi trường vật cản, điểm xuất phát và điểm kết thúc robot. Điểm then chốt đường đi, điểm điều khiển đường cong, bán kính quay, mặt cắt tốc độ, v.v. Tối thiểu hóa độ dài đường đi
- Tối thiểu hóa rủi ro va chạm hoặc tối đa hóa tính khả thi không va chạm. Lộ trình phải ở trong hành lang, không thể xuyên qua kệ hàng hoặc vật cản, và thỏa mãn giới hạn động học robot. Tự động chuyển mô tả ngôn ngữ tự nhiên thành gọi EvoX có thể thực thi, giảm chi phí cấu hình
- Không thay thế bản thân thuật toán tối ưu. Đánh giá song song lượng lớn lộ trình ứng viên, tăng tốc lặp NSGA-II
- Không thay đổi sự thật rằng đa mục tiêu tồn tại giải cân nhắc. Trực quan hóa bản đồ lộ trình quan sát tính khả thi đường đi, đa dạng và đề xuất lộ trình không va chạm
- Đường cong xu hướng hội tụ phán đoán có vào giai đoạn bình nguyên không. Trước tiên định nghĩa mục tiêu và ràng buộc rồi mới chỉnh tham số
- Tính khả thi ưu tiên hơn độ dài đường đi
- Dùng xu hướng hội tụ phán đoán tiếp tục lặp hay dừng lại.

**Xử lý bài tập**

Yếu tố đầu vào nhiệm vụ -> Cố định bố cục kho, môi trường vật cản, điểm xuất phát và điểm kết thúc. Phản hồi: đầu vào nhiệm vụ định nghĩa môi trường, ràng buộc và điều kiện xuất phát-kết thúc.

Hai mục tiêu NSGA-II xử lý -> Độ dài đường đi và an toàn tránh vật cản. Phản hồi: đường ngắn hơn có thể gần vật cản hơn, yêu cầu an toàn có thể khiến đường dài hơn.

Giá trị chính của AI -> Tự động chuyển mô tả nhiệm vụ thành gọi EvoX có thể thực thi. Phản hồi: AI là tầng dịch nhiệm vụ và tạo gọi, giảm chi phí cấu hình.

Lợi thế GPU -> Đánh giá song song lượng lớn lộ trình ứng viên, tăng tốc lặp NSGA-II. Phản hồi: GPU tăng tốc đánh giá và tìm kiếm, không thay đổi bản chất cân nhắc đa mục tiêu.

Bản đồ lộ trình trực quan và xu hướng hội tụ -> Lần lượt quan sát tính khả thi đường đi, đa dạng và đề xuất lộ trình không va chạm; quá trình tối ưu có hội tụ không. Phản hồi: bản đồ lộ trình xem chất lượng giải không gian, xu hướng hội tụ xem tiến triển tìm kiếm chiều thời gian.

Định nghĩa biến quyết định, hai mục tiêu tối ưu, điều kiện ràng buộc; giải thích phân công giữa AI, EvoX NSGA-II và GPU, và giải thích xu hướng hội tụ hỗ trợ quyết định thế nào. Điểm chính đáp án: AI phân tích mô tả nhiệm vụ thành gọi EvoX; NSGA-II đánh giá song song trên GPU, sắp xếp không bị chi phối và độ tắc nghẽn giữ giải cân nhắc; xuất lộ trình trực quan và đường cong hội tụ; đường cong ổn định thì lợi ích hạn chế, vẫn giảm thì có thể tăng số vòng lặp hoặc kích thước quần thể.

**Kiểm tra hiểu biết**

Ngẫu nhiên yêu cầu một sinh viên dùng lời của mình tóm tắt trọng điểm trang này, người giảng bổ sung từ khóa còn thiếu dựa trên câu trả lời.

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể nói ra quan hệ cốt lõi của trang này, mới chuyển sang trang tiếp theo với ví dụ, ứng dụng hoặc tổng kết.

<a id="lecture-page-9"></a>

### Phân tích kết quả thí nghiệm và trực quan hóa

*Trang 9*

> **Mục tiêu trang:** Học cách giải đọc xu hướng hội tụ và dữ liệu kết quả đầy đủ trong quá trình tối ưu.

> **Mục tiêu trang**
>
> Học cách giải đọc xu hướng hội tụ và dữ liệu kết quả đầy đủ trong quá trình tối ưu, hiểu rằng "xu hướng quá trình + kết quả cuối cùng" phải xác nhận lẫn nhau, không thể chỉ dựa vào kết quả tối ưu đơn lẻ để kết luận.

> **Trình tự giảng giải**
>
> 1. Trước tiên đọc đường cong hội tụ, phán đoán quá trình tìm kiếm có tiến triển không.
>
> 2. Sau đó xem lộ trình cuối cùng và bảng chỉ số dưới bố cục kho cố định, phán đoán phương án có khả dụng không.
>
> 3. Dùng dữ liệu thí nghiệm đầy đủ hỗ trợ kết luận có thể tái lập.
>
> 4. Xử lý phán đoán sai phổ biến qua bài tập và tình huống.

**Điểm giảng dạy**

- Hai loại bằng chứng đều không thể thiếu. Đường cong trả lời "tìm kiếm có đang động không", lộ trình và chỉ số trả lời "kết quả có dùng được không". Chỉ xu hướng hội tụ cho thấy tìm kiếm đang tiến triển, lộ trình trực quan và bảng chỉ số cho thấy phương án khả dụng, hai điều kiện đồng thời thỏa mãn mới có thể kết luận. Thiếu bất kỳ nửa nào, đều chỉ là phỏng đoán. Cải thiện liên tục, giai đoạn đầu và giữa giảm ổn định hoặc chỉ số tổng hợp tăng ổn định
- Dao động, lên xuống thất thường và không có xu hướng dài hạn, có thể đến từ nhiễu đánh giá, xung đột ràng buộc hoặc đa dạng quá lớn
- Đình trệ, một đoạn gần như nằm ngang nhưng sau đó vẫn có thể cải thiện
- Hội tụ sớm, rất sớm hoàn toàn phẳng và không phục hồi, thường do mất đa dạng quần thể hoặc không gian giải bị nén quá sớm. Khi đường cong giai đoạn sau xuất hiện "đình trệ giai đoạn sau/hội tụ sớm?", phải kết hợp log để phân biệt, không thể trực tiếp viết là "đã hội tụ". So sánh lộ trình dưới bố cục kho cố định, phải chồng lộ trình tối ưu và lộ trình so sánh lên cùng một bản đồ kho cố định, kiểm tra đường đi có thực sự đến được không, tránh vật cản có hợp lý không, đoạn cuối gần điểm kết thúc có ổn định không. Bố cục cố định là ràng buộc then chốt, khiến khác biệt lộ trình giữa các lần chạy hoặc các tham số khác nhau có thể quy về bản thân tối ưu, chứ không phải thay đổi bản đồ. Bảng chỉ số có thể đưa so sánh trực quan: độ dài đường đi 128.4 so với 156.9, tổng số góc quay 6 so với 9, chi phí tổng hợp 1.00 so với 1.21, thể hiện ưu thế của lộ trình tối ưu trên nhiều chỉ số. Cấu hình chạy và hạt giống ngẫu nhiên, log lặp, giá trị các mục tiêu theo số thế hệ, lộ trình cuối cùng và kết quả đánh giá. Nếu đường cong giai đoạn sau không cải thiện rõ ràng, nên kết hợp log đầy đủ phán đoán là hội tụ sớm, đánh giá bão hòa, hay đã gần giải khả dụng
- Khi cần thiết chạy lại hoặc kiểm tra chéo. Đường cong phẳng sớm một cách mượt mà không tự động đồng nghĩa với tìm được giải tối ưu, cũng không tự động đồng nghĩa với thuật toán thất bại
- Một lộ trình trông đẹp cũng không đồng nghĩa với tìm kiếm ổn định. Kết quả tối ưu đơn lẻ có thể là cải thiện thực, cũng có thể là sản phẩm của dao động ngẫu nhiên hoặc đánh giá bão hòa, xu hướng quá trình và kết quả cuối cùng phải xác nhận lẫn nhau.

**Phủ từ khóa**

- Xu hướng hội tụ, kiểm chứng lộ trình, bố cục kho cố định, có thể tái lập, hội tụ sớm, đánh giá bão hòa, chỉ số hypervolume, độ dài đường đi, tổng số góc quay, chi phí tổng hợp.

> **Manh mối bài tập**
>
> - Năm câu trắc nghiệm xoay quanh phán đoán cốt lõi của trang này. Câu 1 hỏi quan hệ giữa đường cong hội tụ và trực quan lộ trình cuối cùng, hướng đúng là "đường cong phản ánh quá trình tìm kiếm có tiến triển không, lộ trình và bảng chỉ số phản ánh phương án cuối cùng có khả dụng không, hai điều cần kết hợp phán đoán". Câu 2 hỏi khi sau thế hệ 200 giá trị mục tiêu nằm ngang lâu dài thì xử lý thế nào, hướng đúng là "kết hợp log đầy đủ phán đoán là hội tụ sớm, đánh giá bão hòa, hay đã gần giải khả dụng, khi cần thiết điều chỉnh chiến lược chạy lại". Câu 3 hỏi kết luận có thể tái lập nên lưu và đối chiếu gì, hướng đúng là "cấu hình chạy, hạt giống ngẫu nhiên, log lặp, giá trị các mục tiêu, lộ trình cuối cùng và kết quả đánh giá". Câu 4 hỏi mục đích của bố cục kho cố định, hướng đúng là "khiến khác biệt lộ trình giữa các lần chạy hoặc các thuật toán khác nhau có thể quy về bản thân tối ưu, chứ không phải thay đổi môi trường". Câu 5 hỏi cách giải đọc nghiêm ngặt "rất mượt và dừng thay đổi rất sớm", hướng đúng là "kiểm tra có tồn tại đánh giá bão hòa hoặc mất đa dạng quần thể quá sớm không, và xác minh chéo qua chạy lại và chỉ số". Phản hồi trả lời: khi đúng giải thích phán đoán này có thể liên hệ khái niệm trang này và đưa ra căn cứ
> - Khi sai quay lại phần giảng giải trang này, tìm bằng chứng hoặc ví dụ then chốt rồi mới phán đoán. Trong "tái lập tìm đường đa mục tiêu dưới bố cục kho cố định", nếu sau thế hệ 180 đường cong phẳng và nhận được một lộ trình ứng viên tốt, cần thu thập và đối chiếu cấu hình chạy và hạt giống ngẫu nhiên, log lặp, giá trị các mục tiêu theo số thế hệ, lộ trình cuối cùng và kết quả đánh giá dưới bố cục cố định, bảng chỉ số then chốt, và đề xuất chạy lại hoặc kiểm tra chéo. Không thể chỉ dùng kết quả tối ưu đơn lẻ, vì tối ưu một điểm có thể đến từ dao động ngẫu nhiên hoặc đánh giá bão hòa, không thể giải thích tìm kiếm có thực sự tiến triển không, cũng không thể được người khác tái lập. Nếu sau chạy lại hình dạng đường cong tương tự nhưng lộ trình cuối cùng khác, nên so sánh phân bố chỉ số thay vì giá trị một điểm, đối chiếu hạt giống và cấu hình có nhất quán không, kiểm tra hội tụ sớm hoặc đánh giá bão hòa, khi cần thiết tăng số thế hệ lặp, điều chỉnh chiến lược duy trì đa dạng hoặc sửa hàm đánh giá, và đưa ra lộ trình tiêu biểu và tóm tắt thống kê trong báo cáo.

**Kiểm tra hiểu biết**

Ngẫu nhiên yêu cầu một sinh viên dùng lời của mình tóm tắt quan hệ "đường cong xem xu hướng, lộ trình xem triển khai" và "xu hướng quá trình và kết quả cuối cùng không thể thiếu một", giáo viên bổ sung từ khóa còn thiếu dựa trên câu trả lời. Có thể yêu cầu sinh viên nêu một ví dụ gần gũi kinh nghiệm giải thích tại sao chỉ xem đường cong hoặc chỉ xem lộ trình đều có thể phán đoán sai.

> **Gợi ý chuyển tiếp**
>
> Sau khi xác nhận sinh viên có thể nói ra đường cong hội tụ và trực quan lộ trình cần kết hợp phán đoán, mới chuyển sang trang tiếp theo với ví dụ, ứng dụng hoặc tổng kết.

<a id="lecture-page-10"></a>

### Công cụ càng dễ dùng, trách nhiệm con người càng rõ ràng

*Trang 10*

> **Mục tiêu trang:** Nhận thức sự chuyển dịch vai trò và trách nhiệm của nhà nghiên cứu sau khi công cụ tự động hóa phổ biến.

> **Mục tiêu trang**
>
> Hiểu rằng sau khi công cụ tự động hóa phổ biến, trách nhiệm của nhà nghiên cứu không hề nhẹ đi, mà nâng từ "triển khai" lên "định nghĩa và phán quyết". Trang này muốn sinh viên ghi nhớ một câu: công cụ càng dễ dùng, trách nhiệm con người càng rõ ràng.

**Điểm giảng dạy**

- AI và EvoX nén chi phí thực thi "ý tưởng→mã→thí nghiệm" xuống rất thấp, tạo nhanh triển khai ứng viên, điều chỉnh tham số hàng loạt, vẽ đường cong đều trở nên dễ dàng. Nhưng chi phí thực thi giảm không đồng nghĩa với chi phí phán đoán biến mất. Mô hình không thể thay nhà nghiên cứu trả lời ba câu hỏi tiền đề: vấn đề này có đáng nghiên cứu không? Mục tiêu có chính xác không? So sánh có công bằng không? Chạy được, biên dịch qua, kiểm thử qua, chỉ số tốt hơn, đều chỉ là tín hiệu ứng viên, không đồng nghĩa với kết luận khoa học được thiết lập. Bên trái là tầng thực thi AI/công cụ, chịu trách nhiệm tạo mã ứng viên, thí nghiệm hàng loạt và điều chỉnh tham số, tự động vẽ và trực quan hóa, và khiến triển khai giá trị thấp nhanh chóng bị loại
- Bên phải là tầng trách nhiệm con người, chịu trách nhiệm đặt câu hỏi then chốt, định nghĩa mục tiêu và tiêu chuẩn đánh giá, đảm bảo so sánh công bằng, kiểm chứng kết luận có hiệu lực không, cũng như phán đoán giá trị và gu. Ở giữa là cổng "phán đoán không thể thuê ngoài", tiêu chuẩn nghiệm thu không thể thỏa hiệp, sửa đổi ứng viên phải qua phán quyết của con người. Cổng nghiệm thu của Genesis chính là kỹ thuật hóa ranh giới này: sửa đổi ứng viên phải vượt qua biên dịch, kiểm thử, kiểm tra hành vi và nghiệm thu cấp trên, mới có thể đi vào lịch sử dự án. Trong thí nghiệm đa mục tiêu EvoX, Agent có thể nhanh chóng tạo phương án ứng viên, điều chỉnh tham số và vẽ đồ, nhưng nhà nghiên cứu vẫn phải xem xét: hàm mục tiêu có đại diện nhu cầu thực không? Đa dạng ứng viên có bị chỉ số che giấu không? Mô thức thất bại có bị trình bày chọn lọc không? Lúc này giá trị của công cụ là khiến triển khai giá trị thấp nhanh chóng bị loại, khiến phán đoán giá trị cao sớm trở thành nút thắt. Gợi ý Turing cũng rơi vào điểm này: phía trước có nhiều việc phải làm, Code is cheap. Taste matters. Năng lực cốt lõi là đặt câu hỏi then chốt, và kiểm soát kết luận theo cách có thể tái lập
- Gu của nhà nghiên cứu quyết định tiện lợi kỹ thuật cuối cùng chuyển hóa thành giá trị khoa học nào.

**Phủ từ khóa**

- Chi phí thực thi, chi phí phán đoán, phán đoán không thể thuê ngoài, hiệu lực khoa học, cổng nghiệm thu, tín hiệu ứng viên, so sánh công bằng, phán đoán giá trị và gu. Căn cứ tài liệu: trang này xoay quanh "trách nhiệm nâng lên: từ triển khai đến định nghĩa và phán quyết" và "hiệu lực kết quả ưu tiên hơn chạy thành công". Manh mối tài liệu: có thể dùng sơ đồ so sánh trái phải làm nổi bật phân công giữa tầng thực thi AI/công cụ và tầng trách nhiệm con người, ở giữa nhấn mạnh "phán đoán không thể thuê ngoài".

**Xử lý bài tập**

Câu 1 nên chọn "vượt qua biên dịch, kiểm thử, kiểm tra hành vi và nghiệm thu cấp trên", điểm phản hồi là: dù nhanh đến đâu, đồ thị đẹp đến đâu cũng chỉ là tín hiệu ứng viên, then chốt là cổng nghiệm thu. Câu 2 nên chọn "chọn vấn đề, định nghĩa mục tiêu và tiêu chuẩn đánh giá vẫn cần con người đảm nhận", điểm phản hồi là: công cụ tăng tốc thực thi, không phải hủy bỏ phán đoán. Câu 3 nên chọn "vấn đề có đáng nghiên cứu không, mục tiêu có chính xác không, so sánh có công bằng không", điểm phản hồi là: ba loại này là điều kiện tiền đề của hiệu lực khoa học. Câu 4 nên ưu tiên xem xét "hàm mục tiêu có đại diện nhu cầu thực không, đa dạng ứng viên có bị chỉ số che giấu không, mô thức thất bại có bị trình bày chọn lọc không", điểm phản hồi là: chỉ số tốt hơn không đồng nghĩa với kết luận được thiết lập.

Câu 5 nên chọn "sau khi chi phí triển khai giảm, gu và phán đoán của nhà nghiên cứu quyết định tiện lợi kỹ thuật chuyển hóa thành giá trị khoa học nào", điểm phản hồi là: Code is cheap chỉ chi phí triển khai giảm, Taste matters chỉ phán đoán và gu quan trọng hơn.

Trong dự án đa Agent Genesis, Agent có thể đề xuất bản vá ứng viên, chạy kiểm thử và tổng hợp chỉ số, nhưng phê duyệt đi vào lịch sử dự án, thiết lập tiêu chuẩn nghiệm thu và giải thích kết luận phải do con người chịu trách nhiệm. Phán đoán không thể thuê ngoài bao gồm: nâng cao độ ổn định có phải nhu cầu thực không, độ ổn định định nghĩa thế nào, baseline có đại diện kịch bản thực không, cũng như baseline, biến, mô thức thất bại có được đối xử nhất quán không. Nếu chỉ lấy "chỉ số baseline tăng" làm tiêu chuẩn nghiệm thu, rủi ro có thể đến từ sai lệch hàm mục tiêu, quá khớp baseline, trình bày chọn lọc ca thành công, che giấu mô thức thất bại hoặc so sánh không công bằng.

Hướng cải thiện là thêm vào cổng nghiệm thu tái lập baseline, kiểm soát biến, thí nghiệm loại bỏ, báo cáo mô thức thất bại, cân nhắc đa mục tiêu và kiểm tra biên ngoại suy, và yêu cầu con người xác nhận hàm mục tiêu có đại diện nhu cầu thực không, so sánh có công bằng không.

Trước tiên hỏi có đáng làm không, rồi mới hỏi làm thế nào; coi tiêu chuẩn nghiệm thu là trách nhiệm của mình; gu quyết định hướng đi của tiện lợi kỹ thuật. Kiểm tra hiểu biết: yêu cầu sinh viên dùng một câu nói ra phán đoán không thể thuê ngoài quan trọng nhất của trang này, và giải thích cách kiểm chứng nó. Gợi ý chuyển tiếp: sau khi xác nhận sinh viên có thể phân biệt "tín hiệu ứng viên" và "kết luận khoa học", có thể nói ra ranh giới giữa tầng thực thi và tầng trách nhiệm, mới chuyển sang trang tiếp theo với ứng dụng hoặc tổng kết.

<a id="lecture-page-11"></a>

### Cốt lõi nghiên cứu: Năng lực đặt câu hỏi then chốt

*Trang 11*

> **Mục tiêu trang:** Nắm vững năng lực đặt câu hỏi cốt lõi quan trọng hơn viết mã trong thời đại lập trình tự động.

> **Mục tiêu trang**
>
> Trang này muốn sinh viên hiểu, trong nghiên cứu AI Native, lập trình tự động và mô hình lớn đã nén chi phí "triển khai câu trả lời" xuống rất thấp, trọng tâm nghiên cứu do đó nâng từ "có làm ra được không" lên "có đáng làm không, nên làm ở đâu". Năng lực cốt lõi của nhà nghiên cứu là đặt câu hỏi then chốt, và giữ vững hướng đi, tiêu chuẩn cân nhắc và ý nghĩa khoa học.

**Điểm giảng dạy**

- 1. Sự thay đổi cấu trúc chi phí là điểm xuất phát logic của trang này. Tạo mã, tìm kiếm phương án, thực thi thí nghiệm đều có thể giao cho AI hoàn thành
- Khi câu trả lời trở nên rẻ, thứ khan hiếm trở thành "đặt đúng câu hỏi". AI chịu trách nhiệm mở rộng không gian câu trả lời và đường thực thi, con người chịu trách nhiệm định nghĩa vấn đề và kiểm soát hướng đi, trách nhiệm do đó nâng lên. 2. Mượn sơ đồ tư duy của trang, phân rã năng lực đặt câu hỏi then chốt thành sáu loại yếu tố, và giảng giải từng điều: mục tiêu và xung đột — đại lượng thực sự cần cải thiện là gì, giữa đa mục tiêu cân nhắc thế nào, ai ưu tiên
- Ràng buộc và biên — điều kiện nào không thể đánh đổi, không gian giải lớn đến đâu
- Đánh giá và kiểm chứng — chỉ số có thể quan sát không, giao thức kiểm chứng và ngân sách đánh giá là bao nhiêu
- Ứng viên/không gian giải — cần đa dạng và độ bền như thế nào
- Tiêu chí thất bại — kết quả nào nên bị phán định là thất bại
- Phân công người-máy và gu — AI mở rộng câu trả lời, con người kiểm soát hướng đi. Có thể gợi ý sinh viên ghi nhớ sáu loại này thành một danh sách tự kiểm tra. 3. Bản chất của câu hỏi then chốt không phải truy vấn chi tiết triển khai, mà là chuyển trực giác mơ hồ thành cấu trúc nghiên cứu có thể kiểm chứng, có thể tiến hóa, có thể phân công. Chất lượng câu hỏi quyết định chất lượng không gian giải: định nghĩa vấn đề càng rõ, tìm kiếm và tiến hóa càng có thể rơi vào vùng có ý nghĩa, đầu ra càng có thể giải thích, có thể tái sử dụng
- Định nghĩa càng mơ hồ, mô hình chỉ có thể thăm dò ngẫu nhiên trong không gian quá lớn, kết quả thường trông khả thi nhưng không thể tích lũy. 4. Phân công người-máy và gu cốt lõi của nhà nghiên cứu. AI mở rộng không gian câu trả lời và đường thực thi, con người kiểm soát hướng đi, tiêu chuẩn cân nhắc và ý nghĩa khoa học. Lấy thực tiễn tiến hóa liên tục cấp hệ thống như Genesis làm ví dụ: sửa đổi ứng viên phải vượt qua biên dịch, kiểm thử và nghiệm thu cấp trên, mới có thể đi vào phiên bản dự án được chấp nhận, trở thành nền tảng lịch sử cho công việc tiếp theo
- Nếu giai đoạn đặt câu hỏi không định nghĩa rõ giao thức đánh giá và tiêu chí thất bại, cổng nghiệm thu không có căn cứ phán đoán, đầu ra AI chỉ có thể dừng ở sản phẩm mã một lần, không thể vượt qua ngữ cảnh và chu kỳ nhiệm vụ để tích lũy. Gu cốt lõi chính là ba loại phán đoán: điều gì đáng hỏi, bằng chứng nào có thể chấp nhận, phương án nào tuy khả thi nhưng không đáng làm. Viết nó thành "xung đột thực là gì? Mục tiêu và ràng buộc định lượng thế nào? Ngân sách đánh giá và tiêu chuẩn kiểm chứng là gì? Cần đa dạng và độ bền như thế nào? Kết quả nào nên bị phán định là thất bại?" Như vậy AI mới có thể triển khai câu trả lời hiệu quả, con người cũng có căn cứ nghiệm thu. Năm câu trắc nghiệm lần lượt tương ứng năm phán đoán của trang này — tại sao cốt lõi nghiên cứu nâng lên, bản chất của câu hỏi then chốt, một câu hỏi then chốt cần làm rõ yếu tố gì, quan hệ giữa chất lượng câu hỏi và không gian giải, ba loại phán đoán của gu cốt lõi. Khi xử lý không cần đọc từng câu, có thể để sinh viên trả lời trước, rồi dùng phản hồi như "thứ bị nén là chi phí triển khai chứ không phải chi phí phán đoán", "mơ hồ không đồng nghĩa với tự do" để chỉnh lệch. Câu hỏi tình huống yêu cầu sinh viên viết lại "dùng EvoX để tối ưu" thành thẻ vấn đề bao gồm mục tiêu và xung đột, ràng buộc và biên, đánh giá và kiểm chứng, tiêu chí thất bại, và giải thích chất lượng câu hỏi quyết định thí nghiệm có thể tích lũy thành thành quả dự án tiến hóa liên tục không. Điểm tham khảo: Genesis coi mã được gửi là sửa đổi ứng viên, chỉ khi vượt qua biên dịch, kiểm thử và nghiệm thu cấp trên mới đi vào phiên bản được chấp nhận
- Thiếu chỉ số có thể quan sát, giao thức kiểm chứng và tiêu chí thất bại, nghiệm thu không có căn cứ
- AI chịu trách nhiệm tạo ứng viên, tìm kiếm và chạy kiểm thử, con người chịu trách nhiệm vạch mục tiêu, ràng buộc cứng, ngân sách đánh giá và tiêu chí thất bại và đưa ra phán đoán chấp nhận. Ngẫu nhiên yêu cầu một sinh viên dùng lời của mình nhắc lại sáu mục tự kiểm tra, và đưa ra một nhu cầu mơ hồ trong nghiên cứu của mình, thử viết lại tại chỗ. Sau khi xác nhận sinh viên có thể nói ra hai tầng quan hệ "chạy được không đồng nghĩa với đáng đầu tư" và "chất lượng câu hỏi quyết định chất lượng không gian giải", mới chuyển sang trang tiếp theo.

<a id="lecture-page-12"></a>

### Phân công người-máy: AI triển khai câu trả lời, con người kiểm soát hướng đi

*Trang 12*

> **Mục tiêu trang:** Làm rõ quan hệ phân công hợp tác giữa AI và nhà nghiên cứu trong quá trình khám phá khoa học.

**Điểm giảng dạy**

- Trước mỗi thí nghiệm tự hỏi ba câu: vấn đề này do ai chọn? Tiêu chuẩn đánh giá do ai định? Kết luận do ai nghiệm thu? Nếu câu trả lời của ba câu đều chỉ về "tôi", phân công là khỏe mạnh; nếu đều chỉ về mô hình, kiểm soát hướng đi đã thất thủ.
- Một khi tiêu chuẩn đánh giá có thể bị quy trình tự động viết lại, tối ưu sẽ lặng lẽ chuyển sang "chỉ số dễ tốt lên nhất". Đặt hàm mục tiêu và ràng buộc thành chỉ đọc, là cánh cổng đầu tiên ngăn trôi dạt.
- AI mở rộng băng thông, con người giữ ý nghĩa — giao không phải nhiều con số hơn, mà là kết luận đứng vững.

### Mục tiêu trang

Làm rõ quan hệ phân công hợp tác giữa AI và nhà nghiên cứu, làm rõ ranh giới giữa tầng thực thi AI và tầng kiểm soát con người, hiểu tại sao "AI mở rộng băng thông khám phá, con người giữ ý nghĩa khoa học".

### Trình tự giảng giải

Giao triển khai và khám phá cho AI, để hướng đi và phán đoán cho nhà nghiên cứu.

Vòng khép kín hợp tác người-máy. Tầng thực thi AI bao gồm triển khai câu trả lời, chạy thí nghiệm hàng loạt, tìm kiếm giải ứng viên, phản hồi kết quả; tầng kiểm soát con người bao gồm định nghĩa vấn đề, chọn hướng, phán đoán bằng chứng, nghiệm thu ý nghĩa khoa học. Hai bên được ghép nối qua "kết quả đi lên, tiêu chuẩn đi xuống": AI đẩy câu trả lời ứng viên và phản hồi thí nghiệm cho nhà nghiên cứu, nhà nghiên cứu trả mục tiêu, ràng buộc và tiêu chuẩn nghiệm thu cho AI.

Nhanh chóng triển khai câu trả lời, chạy thí nghiệm hàng loạt, tìm kiếm giải ứng viên và phản hồi. Một khi vấn đề và tiêu chuẩn đánh giá rõ ràng, AI có thể trong thời gian rất ngắn đưa ra phương án có thể chạy, có thể kiểm chứng, khiến thử sai từ tài nguyên khan hiếm trở thành thao tác thường quy.

Đặt câu hỏi then chốt, thiết lập mục tiêu, ràng buộc và tiêu chuẩn đánh giá, phán đoán bằng chứng có đáng tin không, hoàn thành nghiệm thu ý nghĩa khoa học. Cần phân biệt được "kết quả chạy được" và "kết quả đáng tin", nhận diện quá khớp, rò rỉ dữ liệu và làm giả chỉ số.

Bất kỳ bên nào vắng mặt đều thất bại. Chỉ có AI, sẽ nhận được lượng lớn kết quả vô nghĩa; chỉ có con người, băng thông khám phá bị hạn chế. Lấy khám phá tiến hóa đa mục tiêu làm ví dụ, AI có thể tự động tạo và chạy lượng lớn phương án ứng viên, nhà nghiên cứu quyết định mục tiêu tối ưu, điều kiện ràng buộc và chỉ số đánh giá có phản ánh vấn đề thực không, và sàng lọc hướng đi đáng tin về khoa học, đáng tiếp tục khám phá.

Giao cả tiêu chuẩn đánh giá cho AI tự động quyết định. Như vậy hệ thống sẽ tối ưu rất hiệu quả một mục tiêu không phản ánh vấn đề khoa học thực, tạo ra lượng lớn kết quả "trông hợp lý" nhưng vô nghĩa. Mọi quyết định sẽ thay đổi "cái gì được coi là tốt" đều phải ở phía con người.

Vấn đề này do ai chọn? Tiêu chuẩn đánh giá do ai định? Kết luận do ai nghiệm thu? Nếu câu trả lời ba câu đều chỉ về "tôi", phân công là khỏe mạnh; nếu đều chỉ về mô hình, kiểm soát hướng đi đã thất thủ.

AI mở rộng băng thông, con người giữ ý nghĩa — giao không phải nhiều con số hơn, mà là kết luận đứng vững.

### Điểm giảng dạy

Triển khai câu trả lời, chạy thí nghiệm hàng loạt, tìm kiếm giải ứng viên, phản hồi kết quả, cốt lõi là nén chi phí triển khai xuống gần bằng không.

Định nghĩa vấn đề, chọn hướng, phán đoán bằng chứng, nghiệm thu ý nghĩa khoa học, cốt lõi là giữ chi phí phán đoán trong tay mình.

AI mở rộng băng thông khám phá, con người kiểm soát hướng đi và tiêu chuẩn nghiệm thu.

Một khi tiêu chuẩn đánh giá có thể bị quy trình tự động viết lại, tối ưu sẽ lặng lẽ chuyển sang "chỉ số dễ tốt lên nhất". Đặt hàm mục tiêu và ràng buộc thành chỉ đọc, là cánh cổng đầu tiên ngăn trôi dạt.

Không phải chạy ra nhiều kết quả số hơn, mà là kết quả thực sự có ý nghĩa về khoa học, số lượng mới có giá trị.

### Phủ từ khóa

Tầng thực thi AI, tầng kiểm soát con người, vòng khép kín hợp tác người-máy, băng thông khám phá, trôi dạt tiêu chuẩn đánh giá, hàm mục tiêu chỉ đọc, nghiệm thu ý nghĩa khoa học, ba câu tự kiểm tra.

### Xử lý bài tập

Đáp án đúng là "nhanh chóng triển khai câu trả lời, chạy thí nghiệm hàng loạt và tìm kiếm giải ứng viên". AI đảm nhận triển khai và khám phá; quyết định giá trị vấn đề, phán đoán độ tin cậy bằng chứng, nghiệm thu ý nghĩa khoa học thuộc tầng kiểm soát con người.

Đáp án đúng là "vì chỉ khi kết quả thực sự có ý nghĩa về khoa học, số lượng mới có giá trị". Số lượng đến từ băng thông khám phá của AI, giá trị đến từ phán đoán ý nghĩa khoa học của con người.

Đáp án đúng là "mục tiêu tối ưu, điều kiện ràng buộc và chỉ số đánh giá có phản ánh vấn đề thực không". Tạo ứng viên và chạy hàng loạt thuộc tầng thực thi AI; nhà nghiên cứu phải giữ tầng "cái gì được coi là tốt".

Đáp án đúng là "để nhà nghiên cứu có thể tập trung sự chú ý vào phán đoán hướng đi và tiêu chuẩn nghiệm thu". AI mở rộng độ rộng, con người cung cấp hướng đi, hai bên bổ sung chứ không thay thế lẫn nhau.

Đáp án đúng là "hệ thống sẽ hiệu quả tối ưu một mục tiêu không phản ánh vấn đề khoa học thực, tạo ra lượng lớn kết quả trông hợp lý nhưng vô nghĩa". Giao tiêu chuẩn đánh giá cho hệ thống, tức là để người bị đánh giá tự ra đề; mọi quyết định thay đổi tiêu chuẩn đánh giá đều phải giữ lại cho con người xem xét.

### Xử lý tình huống

1. Tầng thực thi AI bao gồm tạo công thức ứng viên, chạy mô phỏng hàng loạt, thu hồi chỉ số hiệu năng và cập nhật quần thể, những điều này thuộc triển khai và khám phá. Tầng kiểm soát con người bao gồm hệ vật liệu cần tìm kiếm, mục tiêu hiệu năng và ràng buộc công nghệ, chỉ số có phản ánh ý nghĩa vật lý thực không, ứng viên cuối cùng có đáng tiếp tục đầu tư thí nghiệm không, những điều này thuộc hướng đi và phán đoán. Căn cứ phân chia là: mọi quyết định sẽ thay đổi "cái gì được coi là tốt" đều phải ở phía con người; mọi công việc thực thi tiêu chuẩn đã định ở quy mô lớn hơn đều có thể giao cho AI.

2. Nếu để AI tự động điều chỉnh trọng số chỉ số hiệu năng qua meta-optimization, rủi ro chính là trôi dạt tiêu chuẩn đánh giá: sau khi hệ thống được tối ưu đồng thời nắm quyền đánh giá chính mình, sẽ nghiêng về "chỉ số dễ tốt lên nhất", công thức điểm cao được tạo ra có thể không khả thi về vật lý hoặc không có giá trị thực tế, và bề ngoài thường rất hợp lý, khó nhận ra ngay. Thiết kế phòng ngừa bao gồm: tuyên bố hàm mục tiêu và ràng buộc là được kiểm soát và chỉ đọc; meta-optimization chỉ cho phép điều chỉnh một số siêu tham số trong biên do con người chỉ định và đặt giới hạn trên dưới; thiết lập cổng nghiệm thu độc lập với mục tiêu tối ưu, ví dụ thí nghiệm tổng hợp và đặc trưng thực; mọi thay đổi trọng số đều phải được nhà nghiên cứu xem xét rõ ràng và để lại ghi chép, đảm bảo quyết định hướng đi có thể truy vết.

### Hoạt động trên lớp

Yêu cầu sinh viên dùng một ví dụ gần gũi với trải nghiệm học tập hoặc nghiên cứu của mình, nhắc lại phân công "AI triển khai câu trả lời, con người kiểm soát hướng đi", và nói ra quan hệ giữa ví dụ này với ba câu tự kiểm tra.

### Kiểm tra hiểu biết

Tầng thực thi AI, tầng kiểm soát con người, vòng khép kín hợp tác người-máy, trôi dạt chỉ số, ba câu tự kiểm tra. Bổ sung từ khóa còn thiếu dựa trên câu trả lời.

### Gợi ý chuyển tiếp

Sau khi xác nhận sinh viên có thể nói ra quan hệ cốt lõi "AI mở rộng băng thông khám phá, con người kiểm soát hướng đi và tiêu chuẩn nghiệm thu", mới chuyển sang trang tiếp theo với ví dụ, ứng dụng hoặc tổng kết.

<a id="lecture-page-13"></a>

### Nguyên tắc cốt lõi: Code is cheap. Taste matters

*Trang 13*

> **Mục tiêu trang:** Cảm nhận lý niệm Turing và mục tiêu cuối cùng của EvoX xây dựng hạ tầng mở.

> **Mục tiêu trang**
>
> Hiểu nguyên tắc cốt lõi "Code is cheap. Taste matters", cảm nhận lý niệm Turing và mục tiêu cuối cùng của EvoX xây dựng hạ tầng mở.

**Điểm giảng dạy**

- 1. Code is cheap là mô tả khách quan về hiện trạng kỹ thuật. Khi chi phí biên của tạo mã và triển khai bị mô hình lớn và nền tảng tensor hóa nén xuống gần bằng không, mã không còn là rào cản, cũng không còn là đơn vị đo lường đóng góp nghiên cứu. "Chạy được" thoái hóa từ thành quả thành tiền đề, từ thành tích có thể trình diễn thành vé vào cửa để tiếp tục làm việc. 2. Taste matters là định vị lại trách nhiệm con người sau phân công người-máy. Khi "AI triển khai câu trả lời, con người kiểm soát hướng đi" trở thành phân công mặc định, thứ thực sự khan hiếm ở phía con người là năng lực đặt câu hỏi then chốt, thiết lập tiêu chuẩn đánh giá, phán đoán hướng đi trong xung đột đa mục tiêu. Chọn vấn đề — làm vấn đề nào quyết định giới hạn hơn dùng phương pháp nào, khi hướng sai thì triển khai càng nhanh càng lãng phí
- Thiết kế hàm mục tiêu và tiêu chuẩn đánh giá — một khi chỉ số chọn sai, mô hình chỉ hội tụ hiệu quả về hướng sai
- Tiêu chuẩn cân nhắc đa mục tiêu — sở thích giữa hiệu năng, khả năng tái lập, khả năng bảo trì, chi phí triển khai phải được tuyên bố rõ ràng, chứ không phải quyết định tạm thời
- Giải thích và quy kết kết quả — phân biệt "tình cờ chạy được" và "thực sự hiểu", và phán đoán lợi ích đến từ thay đổi nào. 4. Gu phải có thể được kiểm chứng. Gu không phải khẳng định thẩm mỹ, cũng không thể được phán quyết bằng thâm niên hay bỏ phiếu. Nó phải được phản chứng qua "đi vào môi trường thực—nhận phản hồi thực": viết phán đoán thành giả thuyết có thể kiểm chứng, dùng thất bại và thành công trong kịch bản thực để sửa nó. Nếu không, thảo luận chỉ còn tranh cãi sở thích. 5. Ý nghĩa của hạ tầng là để gu có điểm rơi. Mục tiêu cuối cùng của EvoX chính là xây dựng hạ tầng mở có thể đi vào môi trường thực, nhận phản hồi thực. Nền tảng mở, tách rời, có thể kết hợp hạ chi phí triển khai xuống đủ thấp, khiến ý tưởng tốt có thể đi vào kịch bản thực với chi phí thấp, được sàng lọc, được tích lũy, được kế thừa — năng lực phán đoán do đó có một vật mang có thể được mài giũa lặp đi lặp lại. Code cheap không đồng nghĩa với kỹ thuật có thể bỏ qua. Cổng nghiệm thu, khả năng tái lập, khả năng bảo trì và vòng phản hồi vẫn tạo thành ngưỡng cửa thực. Gu chính là thể hiện ở phán đoán cân nhắc với những ngưỡng cửa này: phản hồi nào đáng tin, chỉ số nào phải giữ vững, nỗ lực thất bại nào nên bị từ chối chứ không phải được hợp nhất. Giá trị của cơ chế kiểu Genesis cũng ở đây — sửa đổi ứng viên chỉ khi vượt qua biên dịch, kiểm thử, kiểm tra hành vi và nghiệm thu cấp trên, mới có thể trở thành nền tảng lịch sử mà người thực thi tiếp theo có thể kế thừa. Chúng ta chỉ có thể nhìn thấy khoảng cách rất gần phía trước, nhưng có thể thấy ở đó có lượng lớn việc cần hoàn thành. Thay vì tranh cãi hình thái cụ thể của trí tuệ tối hậu, không bằng trước tiên xây dựng hạ tầng mở có thể liên tục đi vào kịch bản thực, nhận phản hồi thực, để mỗi vòng khám phá đều có thể được kiểm chứng, được kế thừa. Trang dùng một biểu đồ xu hướng thể hiện chi phí triển khai tiếp tục giảm, giá trị phán đoán tiếp tục tăng, điểm giao của hai đường tạo thành điểm uốn, nghĩa là năng lực phán đoán trở thành biến số then chốt. Dưới hình liệt kê từ khóa tầm nhìn EvoX: mở, có thể kết hợp, phản hồi thực, tiến hóa liên tục.

**Xử lý bài tập**

Trang này có năm câu trắc nghiệm, lần lượt kiểm tra hiểu về ý nghĩa kỹ thuật của Code is cheap, hướng chuyển dịch tính khan hiếm, tính có thể phản chứng của gu, bốn ngưỡng cửa kỹ thuật và mục đích hạ tầng EvoX. Sau khi trả lời đối chiếu phản hồi, trọng tâm phân biệt "chỉ số phía triển khai" và "năng lực phía phán đoán": số dòng mã, độ chính xác gợi ý hoàn thành, độ hot framework, tần suất commit đều không thể thay thế phán đoán "cái gì nên được chấp nhận". Câu hỏi tình huống yêu cầu nhóm liệt kê các khâu nên ưu tiên đầu tư và thiết kế một quy trình chấp nhận sửa đổi ứng viên để kiểm chứng gu;

Hướng tham khảo bao gồm chọn vấn đề và định nghĩa mục tiêu, thiết kế hàm mục tiêu và tiêu chuẩn đánh giá, cổng nghiệm thu và tiêu chuẩn cân nhắc đa mục tiêu, giải thích và quy kết kết quả, cũng như vòng khép kín "sửa đổi ứng viên—kiểm thử cách ly—chấm điểm đánh giá—nghiệm thu cấp trên—kế thừa lịch sử—phản hồi quay lại".

**Kiểm tra hiểu biết**

Ngẫu nhiên yêu cầu một sinh viên dùng lời của mình tóm tắt trọng điểm trang này, người giảng bổ sung từ khóa còn thiếu dựa trên câu trả lời, ví dụ "chạy được chỉ là vé vào cửa", "gu phải có thể phản chứng", "bốn ngưỡng cửa kỹ thuật".

> **Gợi ý chuyển tiếp**
>
> Trang này tiếp nối phân công "AI triển khai câu trả lời, con người kiểm soát hướng đi" của trang trước, đưa ra nguyên tắc cốt lõi hỗ trợ phân công này; trang tiếp theo sẽ chuyển sang thực hành dùng đối thoại dẫn dắt AI hoàn thành nhiệm vụ EvoX.

<a id="lecture-page-14"></a>

### Hoạt động trên lớp: Đối thoại dẫn dắt AI hoàn thành nhiệm vụ EvoX

*Trang 14*

> **Mục tiêu trang:** Kiểm chứng quy trình nhiệm vụ tối ưu cơ bản trong môi trường AI Native qua thực hành.

**Hoạt động trên lớp**

Đối thoại dẫn dắt AI hoàn thành nhiệm vụ EvoX

> **Mục tiêu trang**
>
> Hoàn thành vòng khép kín tối thiểu "gợi ý → tạo → chạy → nghiệm thu" trong môi trường EvoX thực. Trọng điểm không phải chỉ nhận được một đoạn mã đọc được, mà là kiểm chứng cách làm việc AI Native: con người cho hướng, AI cho triển khai, con người nghiệm thu.

> **Trình tự giảng giải**
>
> Trước tiên giải thích nhiệm vụ hoạt động, sau đó phân rã cách xây dựng gợi ý, tiếp theo giảng cách nghiệm thu kết quả chạy, cuối cùng xử lý kết quả không lý tưởng bằng cách thêm ràng buộc, và quay lại phân công người-máy.

**Điểm giảng dạy**

- Dùng một đoạn gợi ý đối thoại dẫn dắt AI tạo và chạy nhiệm vụ tối ưu EvoX cơ bản, rồi kiểm tra đầu ra như kỹ s