Liệu ngành Khoa học Máy tính có bị Trí tuệ Nhân tạo thay thế? [Video và Câu hỏi trắc nghiệm]

Câu trả lời: Trí tuệ nhân tạo (AI) sẽ không thay thế khoa học máy tính; nó sẽ tự động hóa các thao tác lập trình thường ngày đồng thời nâng cao tiêu chuẩn về khả năng phán đoán, tư duy hệ thống và trách nhiệm giải trình. Sinh viên hoặc nhà phát triển chỉ dựa vào cú pháp và sao chép kết quả sẽ dễ bị tổn thương; những người hiểu rõ các nguyên tắc cơ bản có thể sử dụng AI một cách an toàn và hiệu quả.

Những điểm chính cần ghi nhớ:

Nguyên tắc cơ bản: Ưu tiên thuật toán, hệ thống, bảo mật và gỡ lỗi hơn là ghi nhớ cú pháp một cách hời hợt.

Trách nhiệm giải trình: Hãy coi mã do AI tạo ra như bản nháp mà bạn phải xác minh, kiểm tra và chịu trách nhiệm.

Rủi ro ở cấp độ đầu vào: Hãy xây dựng các dự án thực tế vì các nhiệm vụ thường nhật của nhân viên cấp dưới có thể bị thu hẹp, thay đổi hoặc được các công cụ đảm nhiệm.

Kiến thức về AI: Sử dụng AI để giải thích, so sánh và đánh giá, chứ không phải để sao chép mã một cách mù quáng.

Khả năng thích ứng nghề nghiệp: Phát triển kỹ năng phán đoán, giao tiếp và thiết kế mà các công cụ không thể thay thế một cách đáng tin cậy.

Những bài viết bạn có thể muốn đọc sau bài này:

🔗 Liệu trí tuệ nhân tạo (AI) có thay thế các nhà quản lý dự án
? Khám phá cách AI có thể định hình lại vai trò quản lý dự án.

🔗 Liệu dược sĩ có bị trí tuệ nhân tạo thay thế?
Tìm hiểu tác động của trí tuệ nhân tạo đối với công việc dược sĩ và chăm sóc bệnh nhân.

🔗 Liệu trí tuệ nhân tạo có thay thế kỹ sư xây dựng?
Tìm hiểu cách trí tuệ nhân tạo hỗ trợ kỹ sư xây dựng mà không thay thế chuyên môn của họ.

🔗 Liệu trí tuệ nhân tạo có thay thế kế toán viên? Hãy
xem tự động hóa thay đổi các nhiệm vụ kế toán và nhu cầu trong tương lai như thế nào.

1. Điều gì tạo nên một ngành Khoa học Máy tính tốt trong Kỷ nguyên Trí tuệ Nhân tạo? 🧩

Ngày nay, một nền khoa học máy tính tốt không chỉ đơn thuần là "học Python và trông có vẻ ổn". Điều đó chưa bao giờ là đủ, mặc dù nhiều người đã thành công với cách làm đó trong một thời gian.

Nền tảng khoa học máy tính vững chắc bao gồm:

• Các thuật toán và cấu trúc dữ liệu - không phải vì bạn sẽ phải tự viết mã cây đỏ đen mỗi sáng, mà vì bạn cần hiểu rõ sự đánh đổi giữa các yếu tố.

• Tư duy hệ thống - hệ điều hành, mạng máy tính, cơ sở dữ liệu, hệ thống phân tán, giới hạn phần cứng.

• Khả năng suy luận toán học - logic, xác suất, toán rời rạc, đại số tuyến tính khi cần thiết.

• Đánh giá kỹ thuật phần mềm - kiến ​​trúc, khả năng bảo trì, gỡ lỗi, kiểm thử, tài liệu.

• Nâng cao nhận thức về bảo mật - bởi vì mã do AI tạo ra vẫn có thể tiềm ẩn những rủi ro đáng kinh ngạc.

• Thiết kế lấy người dùng làm trung tâm - người dùng thường có những hành động khó đoán trước. Luôn luôn là như vậy. Hãy lên kế hoạch cho điều đó.

• Kiến thức về trí tuệ nhân tạo - hiểu được các mô hình có thể làm gì, không thể làm gì và khi nào chúng tự tin mắc sai lầm nghiêm trọng.

Các tổ chức xây dựng chương trình giảng dạy chuyên nghiệp vẫn coi khoa học máy tính là một ngành học rộng lớn bao gồm các lĩnh vực như thuật toán, hệ thống, phát triển phần mềm, an ninh mạng, khoa học dữ liệu và trí tuệ nhân tạo - chứ không chỉ đơn thuần là thực hành lập trình.

Vậy câu hỏi đúng hơn không chỉ là "Liệu khoa học máy tính có bị trí tuệ nhân tạo thay thế?" mà là: phiên bản nào của khoa học máy tính sẽ tồn tại và trở nên có giá trị hơn?

Câu trả lời nằm ở phiên bản sâu sắc hơn. Phiên bản có tính phán xét.

2. Bảng so sánh: Kỹ năng Trí tuệ Nhân tạo so với Kỹ năng Khoa học Máy tính ⚖️

3. Vì sao mọi người nghĩ trí tuệ nhân tạo sẽ thay thế ngành khoa học máy tính 😬

Nỗi sợ này không phải do người ta tự bịa đặt ra. Các công cụ lập trình AI thực sự rất ấn tượng. Chúng có thể tạo ra các hàm, giải thích lỗi, viết lại mã bằng ngôn ngữ khác, tạo ví dụ về API, và thậm chí tạo ra bản nháp đầu tiên khá tốt của một ứng dụng.

Đó không phải là chuyện nhỏ.

Đối với người mới bắt đầu, điều này có thể giống như phép thuật. Bạn gõ: "Hãy tạo cho tôi một biểu mẫu đăng nhập có xác thực", và bùm - mã xuất hiện. Sau đó, bạn yêu cầu định dạng, và nhiều mã hơn nữa xuất hiện. Rồi bạn yêu cầu kiểm thử, và nó cho bạn thứ trông giống như bài kiểm thử. Đột nhiên người mới bắt đầu tự hỏi, "Khoan đã, tại sao tôi lại phải học vòng lặp?"

Câu hỏi hợp lý. Nhưng đó cũng chưa phải là toàn bộ câu chuyện.

Trí tuệ nhân tạo (AI) mạnh nhất khi:

• Nhiệm vụ đã được xác định rõ ràng.

• Mẫu này đã tồn tại trong dữ liệu huấn luyện.

• Môi trường ở đây khá bình thường.

• Mức độ rủi ro thấp hoặc dễ dàng kiểm chứng.

• Người dùng có thể kiểm tra kết quả đầu ra.

Trí tuệ nhân tạo trở nên bất ổn hơn khi:

• Các yêu cầu không rõ ràng.

• Hệ thống này rất lớn và khó quản lý.

• Vấn đề an ninh.

• Hiệu suất là yếu tố quan trọng.

• Lỗi này là do ngữ cảnh ẩn gây ra.

• Câu trả lời đúng phụ thuộc vào logic kinh doanh mà không ai ghi lại.

Còn cái cuối cùng đó? Đó chính là phần mềm được sử dụng rộng rãi trong sản xuất.

Vậy nên, đúng là trí tuệ nhân tạo có thể thay thế một số tác vụ lập trình. Nhưng thay thế tác vụ không có nghĩa là thay thế ngành khoa học máy tính. Cái xẻng có thể đào nhanh hơn bàn tay, nhưng nó không thể thay thế địa chất học. Được rồi, có lẽ phép ẩn dụ đó hơi gượng ép một chút - nhưng bạn hiểu ý tôi chứ.

4. Thực trạng thị trường việc làm: Không phải thảm họa, cũng không phải sự thoải mái 📊

Đến đây, cuộc trò chuyện trở nên xúc động một cách bất thường.

Một mặt, các dự báo về thị trường lao động vẫn cho thấy nhu cầu mạnh mẽ đối với các công việc liên quan đến máy tính. Cục Thống kê Lao động Hoa Kỳ dự báo các vị trí lập trình viên phần mềm, chuyên viên phân tích đảm bảo chất lượng và kiểm thử viên sẽ tăng trưởng nhanh hơn nhiều so với mức trung bình của các ngành nghề khác, với nhiều vị trí tuyển dụng dự kiến ​​mỗi năm trong suốt giai đoạn dự báo. Cục này cũng dự báo các ngành nghề liên quan đến máy tính và công nghệ thông tin nói chung sẽ tăng trưởng nhanh hơn nhiều so với mức trung bình.

Mặt khác, trí tuệ nhân tạo (AI) đang gây áp lực lên một số công việc cấp thấp. Các báo cáo gần đây về tác động của AI lên lực lượng lao động đã chỉ ra rằng lập trình và các công việc liên quan đến máy tính là những lĩnh vực dễ bị tự động hóa bởi AI nhất, đặc biệt là những công việc liên quan đến mã hóa, phân tích hoặc viết văn bản thường xuyên.

Cả hai điều đó đều có thể đúng. Khó chịu, nhưng đó là sự thật.

Lĩnh vực này có thể phát triển trong khi một số vị trí dành cho người mới bắt đầu lại trở nên khó tìm hơn. Các công ty vẫn có thể cần kỹ sư phần mềm, kỹ sư dữ liệu, chuyên viên phân tích bảo mật, kỹ sư trí tuệ nhân tạo, chuyên gia cơ sở hạ tầng và các nhà khoa học máy tính có tư duy nghiên cứu. Nhưng họ có thể kỳ vọng những người trẻ tuổi sẽ làm được nhiều việc hơn, nhanh hơn, với các công cụ AI ngay từ ngày đầu tiên.

Điều đó có nghĩa là tiêu chuẩn đầu vào mới có thể sẽ thay đổi từ:

“Bạn có biết lập trình không?”

ĐẾN:

“Liệu bạn có thể sử dụng trí tuệ nhân tạo (AI), hiểu mã nguồn, phát hiện lỗi, cải thiện kiến ​​trúc, giải thích các sự đánh đổi và tránh vô tình tạo ra thảm họa bảo mật?”

Nhiều quá đấy. Thậm chí hơi bất lịch sự nữa.

5. Liệu khoa học máy tính có bị trí tuệ nhân tạo thay thế trong các trường đại học? 🎓

Không, nhưng giáo dục khoa học máy tính cần phải thay đổi. Ở một số nơi, điều đó đã và đang diễn ra rồi.

Một chương trình đào tạo ngành khoa học máy tính truyền thống thường bao gồm lập trình, cấu trúc dữ liệu, thuật toán, kiến ​​trúc máy tính, hệ điều hành, cơ sở dữ liệu, lý thuyết, kỹ thuật phần mềm và các môn tự chọn như trí tuệ nhân tạo (AI), đồ họa, an ninh mạng hoặc tương tác người-máy tính. Trí tuệ nhân tạo không xóa bỏ những chủ đề đó. Nó làm cho nhiều chủ đề trở nên cấp thiết hơn.

Tại sao?

Bởi vì nếu trí tuệ nhân tạo viết mã, thì vẫn cần có người hỏi:

• Thuật toán này có hiệu quả không?

• Việc này có an toàn cho bộ nhớ không?

• Truy vấn cơ sở dữ liệu này có khả năng mở rộng không?

• Mô hình này có thiên vị không?

• Hệ thống này có thể bị tấn công không?

• Điều gì xảy ra khi API gặp lỗi?

• Ai chịu trách nhiệm khi kết quả đầu ra không chính xác?

• Chúng ta nên kiểm tra cái này như thế nào cho đúng cách?

Các chương trình giảng dạy khoa học máy tính bậc đại học mới nhất đã tích hợp trí tuệ nhân tạo một cách rộng rãi hơn vào giáo dục khoa học máy tính, coi đó là một kiến ​​thức mà sinh viên cần hiểu trong toàn bộ lĩnh vực chứ không phải là một môn tự chọn nhỏ, riêng biệt.

Đó mới là hướng đi đúng đắn. Không phải là "ngừng dạy khoa học máy tính vì trí tuệ nhân tạo đã tồn tại". Mà đúng hơn là: "dạy khoa học máy tính trong bối cảnh có trí tuệ nhân tạo"

Trí tuệ nhân tạo (AI) có thể trở thành gia sư, trợ lý phòng thí nghiệm, người đánh giá mã, đối tác gỡ lỗi và người tạo ra ý tưởng. Nhưng người học vẫn cần phải học hỏi. Nếu không, họ sẽ trở thành hành khách trên một chiếc xe tự lái không có vô lăng, không có bản đồ, và với một sự tự tin đầy nguy hiểm.

6. Trí tuệ nhân tạo (AI) thay thế những công việc gì trong lĩnh vực Khoa học máy tính? 🧰

Thẳng thắn mà nói: Trí tuệ nhân tạo chắc chắn thay thế một số phần lập trình khó chịu. Và thật may mắn, trong một số trường hợp.

Trí tuệ nhân tạo (AI) giỏi trong việc thay thế hoặc giảm thiểu:

• Những câu nói sáo rỗng lặp đi lặp lại.

• Các đoạn mã đơn giản.

• Bản thảo đầu tiên.

• Các bài kiểm tra đơn vị cơ bản.

• Hướng dẫn về biểu thức chính quy.

• Dịch cú pháp nhanh.

• Các thành phần giao diện người dùng (frontend) chủ yếu dựa trên mẫu.

• Các đoạn mã đơn giản để làm sạch dữ liệu.

• Những khoảnh khắc kiểu "Giải thích thông báo lỗi này trước khi tôi ném cái laptop đi!".

Điều này rất hữu ích. Nó không phải là gian lận, miễn là bạn hiểu kết quả.

Nhưng trí tuệ nhân tạo không thể thay thế hoàn toàn:

• Gỡ lỗi chuyên sâu.

• Trách nhiệm sản xuất.

• Quyền sở hữu kiến ​​trúc.

• Khả năng bảo trì lâu dài.

• Đánh giá an ninh.

• Tối ưu hóa hiệu năng trong các hệ thống đặc biệt.

• Hiểu rõ nhu cầu của người dùng.

• Phán đoán về mặt đạo đức và pháp lý.

• Xác định vấn đề ở cấp độ nghiên cứu.

• Điều phối nhóm và lãnh đạo kỹ thuật.

Sự thay đổi quan trọng là các nhà khoa học máy tính và nhà phát triển có thể dành ít thời gian hơn để nhập liệu thủ công và dành nhiều thời gian hơn cho việc xem xét, thiết kế, điều phối, thử nghiệm và đưa ra quyết định. Nghe có vẻ hay ho. Nhưng điều đó cũng có nghĩa là sai sót có thể trở nên nghiêm trọng hơn nếu không ai biết chuyện gì đang xảy ra.

Trí tuệ nhân tạo (AI) cho phép con người viết mã nhanh hơn. Tuy nhiên, nó không tự động làm cho mã đó trở nên chính xác.

Câu đó nên được in trên cốc. ☕

7. Vấn đề của người mới bắt đầu: Phần khó nhất mà không ai muốn nhắc đến 🚪

Phần dễ bị tổn thương nhất của toàn bộ hệ thống chính là quy trình đào tạo người mới bắt đầu.

Theo truyền thống, các lập trình viên mới vào nghề học hỏi bằng cách thực hiện những nhiệm vụ nhỏ. Sửa lỗi này. Viết điểm cuối này. Thêm biểu mẫu này. Tái cấu trúc mô-đun nhỏ này. Làm những công việc tương đối tẻ nhạt, sau đó dần dần được giao những vấn đề lớn hơn.

Nhưng nếu AI có thể thực hiện nhiều nhiệm vụ nhỏ, các công ty có thể sẽ tuyển dụng ít lập trình viên cấp dưới hơn hoặc kỳ vọng họ hoạt động như các lập trình viên cấp trung với sự hỗ trợ của AI. Điều đó tạo ra một nghịch lý khó chịu:

Để giám sát AI hiệu quả, bạn cần kinh nghiệm, nhưng cần thực hiện các nhiệm vụ cơ bản để tích lũy kinh nghiệm.

Điều này không có nghĩa là người mới bắt đầu sẽ thất bại. Điều đó có nghĩa là người mới bắt đầu cần học theo cách khác.

Người mới bắt đầu chỉ dựa vào AI và sao chép mã sẽ gặp khó khăn. Người mới bắt đầu biết sử dụng AI để đẩy nhanh quá trình luyện tập có chủ đích sẽ trở nên rất giỏi.

Những thói quen tốt hơn dành cho người mới bắt đầu hiện nay bao gồm:

• Hãy yêu cầu AI giải thích, chứ không chỉ đưa ra câu trả lời.

• Viết lại mã được tạo tự động theo cách thủ công.

• Cố tình làm hỏng mã nguồn rồi sửa lại.

• So sánh hai giải pháp và giải thích những ưu và nhược điểm của chúng.

• Hãy xây dựng các dự án có độ khó cao hơn một chút so với hướng dẫn.

• Hãy học cách sử dụng các công cụ gỡ lỗi từ sớm.

• Hãy đọc tài liệu, dù điều đó có khó khăn đến mấy.

• Thỉnh thoảng hãy luyện tập mà không cần AI, ví dụ như tập luyện với tạ đeo ở mắt cá chân.

• Hãy lập một "nhật ký lỗi" ghi lại các lỗi và nguyên nhân gây ra chúng.

Những người mới bắt đầu giỏi nhất không phải là những người né tránh AI. Họ sẽ là những người sử dụng nó mà không trở nên phụ thuộc vào nó, điều này nghe có vẻ trưởng thành nhưng lại rất chính xác.

8. Vì sao kiến ​​thức cơ bản về khoa học máy tính ngày càng trở nên quan trọng hơn, chứ không phải ít quan trọng hơn 🧠

Điều bất ngờ ở đây là: Trí tuệ nhân tạo có thể khiến các kiến ​​thức cơ bản về khoa học máy tính trở nên quan trọng hơn.

Khi việc tạo mã trở nên dễ dàng và rẻ tiền, khả năng phán đoán lại trở thành kỹ năng khan hiếm.

Hãy tưởng tượng hai người cùng sử dụng một trợ lý lập trình AI.

Người A nói: “Hãy tạo cho tôi một ứng dụng.”

Người B nói: “Hãy tạo một API tối thiểu với sự phân tách rõ ràng giữa xác thực, logic nghiệp vụ và lưu trữ dữ liệu. Sử dụng xác thực đầu vào, thêm các bài kiểm tra cho các trường hợp ngoại lệ, tránh lưu trữ thông tin bí mật trong mã nguồn và giải thích sự phức tạp của chức năng tìm kiếm.”

Cùng một công cụ. Nhưng kết quả lại rất khác nhau.

Sự khác biệt không nằm ở tốc độ đánh máy. Mà là ở khả năng thấu hiểu.

Kiến thức cơ bản về khoa học máy tính sẽ giúp bạn:

• Hãy đặt những câu hỏi hay hơn.

• Phát hiện điều vô lý nhanh hơn.

• Đánh giá kết quả đầu ra của mô hình.

• Thiết kế các hệ thống an toàn hơn.

• Hãy cân nhắc việc đánh đổi hiệu năng.

• Tránh xây dựng quá mức.

• Hãy biết khi nào mã đơn giản là tốt hơn.

• Hãy hiểu rõ công cụ đó đang trừu tượng hóa những gì.

Trí tuệ nhân tạo (AI) giống như một thực tập sinh cực nhanh, đã đọc mọi thứ, không quên gì cả, đôi khi nói dối và không bao giờ tỏ ra xấu hổ. Có ích không? Chắc chắn rồi. Có an toàn khi không có sự giám sát không? Không hẳn.

Sự giám sát đó chính là nơi khoa học máy tính tồn tại.

9. Lộ trình nghề nghiệp Khoa học Máy tính mới 🗺️

Lộ trình nghề nghiệp cũ trông như thế này:

Học lập trình → tìm việc làm junior → tích lũy kinh nghiệm → chuyên sâu.

Bản đồ mới trông giống như sau:

Học các kiến ​​thức cơ bản về khoa học máy tính → học lập trình có và không có trí tuệ nhân tạo → xây dựng các dự án thực tế → hiểu về hệ thống → chuyên sâu → luôn luôn thích ứng.

Một số khu vực có thể trở nên đặc biệt có giá trị:

Kỹ thuật trí tuệ nhân tạo và học máy ứng dụng 🤖

Không chỉ huấn luyện mô hình, mà còn tích hợp AI vào sản phẩm, đánh giá kết quả, quản lý hệ thống truy xuất, làm việc với các embedding, xử lý các hạn chế của mô hình và xây dựng quy trình làm việc hiệu quả.

An ninh mạng 🔐

Trí tuệ nhân tạo (AI) có thể viết mã không an toàn một cách nhanh chóng. Kẻ tấn công cũng có thể sử dụng AI. Điều đó khiến kiến ​​thức về bảo mật trở nên quan trọng hơn chứ không phải ít quan trọng hơn.

Kỹ thuật dữ liệu và cơ sở dữ liệu 🗄️

Trí tuệ nhân tạo (AI) hoạt động dựa trên dữ liệu, nhưng hầu hết dữ liệu trong các tổ chức đều rối rắm, trùng lặp, không nhất quán và chứa đựng nhiều vấn đề phức tạp. Những người có khả năng xây dựng các hệ thống xử lý dữ liệu đáng tin cậy sẽ luôn giữ được giá trị.

Hệ thống và cơ sở hạ tầng ⚙️

Hệ thống đám mây, điện toán phân tán, khả năng quan sát, độ trễ, khả năng mở rộng, độ tin cậy - AI có thể hỗ trợ, nhưng các hệ thống sản xuất vẫn cần con người hiểu về sự cố.

Tương tác giữa người và máy tính 🧑💻

Khi trí tuệ nhân tạo trở thành một phần của giao diện phần mềm, việc thiết kế các hệ thống dễ hiểu, đáng tin cậy và thân thiện với người dùng trở thành một kỹ năng quan trọng.

Kỹ sư phần mềm hướng đến sản phẩm 🧭

Những kỹ sư giỏi nhất không chỉ hỏi, “Chúng ta có thể chế tạo nó không?” Mà còn hỏi, “Chúng ta có nên chế tạo nó không, cho ai, và điều gì sẽ xảy ra nếu chúng ta làm vậy?”

Vấn đề đó sẽ không biến mất.

10. Sinh viên có nên tiếp tục học ngành Khoa học Máy tính không? 📚

Đúng vậy - nhưng họ nên nghiên cứu vấn đề này một cách khách quan.

Khoa học máy tính vẫn là một ngành học và kỹ năng có giá trị bởi vì điện toán đang lan rộng vào hầu hết mọi lĩnh vực: y học, tài chính, hậu cần, giải trí, công tác khí hậu, giáo dục, sản xuất, robot, an ninh, và cả phần mềm doanh nghiệp đơn giản nhưng lại âm thầm vận hành thế giới. Nhân tiện, phần mềm không hào nhoáng lại mang lại rất nhiều lợi nhuận.

Nhưng sinh viên không nên coi ngành khoa học máy tính như một tấm vé vàng đảm bảo thành công. Nó không phải là "học một ngôn ngữ, rồi nhận lương". Có lẽ nó chưa bao giờ là như vậy, nhưng huyền thoại đó đã qua từ lâu.

Học sinh nên tập trung vào:

• Xây dựng các dự án thực tế, chứ không chỉ là bài tập trên lớp.

• Học chuyên sâu một ngôn ngữ, sau đó học các ngôn ngữ khác một cách thực dụng.

• Hiểu về cấu trúc dữ liệu và thuật toán không chỉ đơn thuần là các mẹo phỏng vấn.

• Làm quen với Linux, Git, API, cơ sở dữ liệu và kiểm thử.

• Sử dụng các công cụ AI hàng ngày, nhưng một cách có chọn lọc.

• Đọc mã được tạo ra từng dòng một.

• Luyện tập kỹ năng giao tiếp.

• Học đủ toán để không bị hoảng loạn.

• Xây dựng một portfolio thể hiện khả năng đánh giá, chứ không chỉ là ảnh chụp màn hình.

Một sinh viên khoa học máy tính có thể giải thích rõ ràng các quyết định của mình sẽ nổi bật. Còn một sinh viên chỉ nói "trí tuệ nhân tạo đã viết nó" rồi nhún vai? Thì không lý tưởng lắm.

11. Những gì các công ty sẽ muốn 🏢

Các công ty không cần "lập trình viên" mà cần kết quả.

Họ muốn những hệ thống hoạt động hiệu quả, có khả năng mở rộng, đảm bảo an toàn, làm hài lòng khách hàng, giảm chi phí, tạo ra doanh thu, tránh kiện tụng và không bị sập đúng lúc bắt đầu buổi demo. Thật đáng buồn, đó là hành vi điển hình của người thích demo.

Trí tuệ nhân tạo (AI) thay đổi cách thức tạo ra những kết quả đó. Nó có thể làm giảm nhu cầu về một số công việc thực thi thủ công. Nhưng nó lại làm tăng nhu cầu về những người có khả năng kết hợp:

• Độ sâu kỹ thuật.

• Hiểu biết về lĩnh vực chuyên môn.

• Khả năng sử dụng thành thạo trí tuệ nhân tạo.

• Nhận thức rủi ro.

• Giao tiếp.

• Nếm.

Gu thẩm mỹ thường bị đánh giá thấp. Những kỹ sư giỏi phát triển khả năng nhận biết khi nào mã nguồn quá thông minh, khi nào hệ thống quá dễ hỏng, khi nào thiết kế quá phức tạp, hoặc khi nào một giải pháp tạm thời lại tiềm ẩn thảm họa trong tương lai. 🎩

Trí tuệ nhân tạo có thể tạo ra các lựa chọn. Con người vẫn cần có gu thẩm mỹ.

12. Vậy, liệu khoa học máy tính có bị trí tuệ nhân tạo thay thế? Lời kết luận 🧾

Vậy, liệu Khoa học Máy tính có bị Trí tuệ Nhân tạo thay thế không? Không - không phải với tư cách một ngành học, không phải với tư cách một phương pháp tư duy, và cũng không phải là nền tảng của điện toán hiện đại.

Nhưng một số phần của lập trình sẽ được tự động hóa. Một số công việc ở cấp độ cơ bản sẽ thay đổi. Một số người chỉ dựa vào kỹ năng lập trình hời hợt sẽ cảm thấy bị chèn ép. Đó là phần khó chịu.

Tương lai tươi sáng hơn thuộc về những người hiểu sâu sắc về khoa học máy tính để có thể sử dụng trí tuệ nhân tạo một cách hiệu quả.

Trí tuệ nhân tạo có thể thay thế:

• Một số đoạn mã lặp lại.

• Một số nhiệm vụ triển khai cơ bản.

• Một số thao tác gỡ lỗi ở mức độ ngữ cảnh thấp.

• Một số bài tập ở trình độ hướng dẫn.

• Một số kỹ năng chỉ gói gọn trong việc nắm bắt cú pháp.

Trí tuệ nhân tạo sẽ không thay thế:

• Tư duy tính toán.

• Thiết kế hệ thống.

• Phán quyết về an ninh.

• Hãy nghiên cứu sự sáng tạo.

• Lý luận tích.

• Trách nhiệm của con người.

• Cần phải hiểu phần mềm nên làm gì và tại sao.

Câu trả lời thực sự cho câu hỏi “Liệu khoa học máy tính có bị trí tuệ nhân tạo thay thế?” là:

Khoa học máy tính sẽ được thay đổi bởi trí tuệ nhân tạo. Phiên bản yếu kém, nông cạn, chỉ biết sao chép có thể sẽ biến mất. Phiên bản sâu sắc hơn - phiên bản được xây dựng trên lý luận, hệ thống, trừu tượng và phán đoán - sẽ trở nên quan trọng hơn bao giờ hết.

Nói cách khác, đừng bỏ nghề khoa học máy tính chỉ vì trí tuệ nhân tạo có thể viết được một hàm.

Hãy học tin học để bạn có thể nhận biết được hàm đó có phải là hàm vô dụng hay không. 🚀

Tóm tắt nhanh ✅

Trí tuệ nhân tạo (AI) sẽ không thay thế hoàn toàn ngành khoa học máy tính. Nó sẽ thay thế một số tác vụ lập trình thường nhật và nâng cao kỹ năng cho sinh viên và các nhà phát triển. Con đường an toàn nhất là học các nguyên tắc cơ bản, xây dựng các dự án thực tế, sử dụng AI như một công cụ và phát triển khả năng đánh giá để kiểm chứng, cải thiện và chịu trách nhiệm về những gì AI tạo ra.

Ví dụ thực tế: Sử dụng trí tuệ nhân tạo để xây dựng một ứng dụng lập kế hoạch ôn tập nhỏ gọn 🛠️

Kịch bản

Hãy tưởng tượng một sinh viên năm hai ngành khoa học máy tính muốn xây dựng một công cụ lập kế hoạch ôn tập đơn giản cho kỳ thi. Không cần quá phức tạp. Chỉ cần một ứng dụng web nhỏ, nơi người dùng có thể thêm các môn học, hạn chót, chủ đề và thời gian học có sẵn, sau đó nhận được một kế hoạch hàng tuần.

Sinh viên có thể yêu cầu AI tạo ra toàn bộ nội dung chỉ bằng một lệnh duy nhất. Điều đó có thể tạo ra thứ gì đó trông ấn tượng trong năm phút, nhưng sau đó sẽ sụp đổ khi các hạn chót chồng chéo, dữ liệu biến mất sau khi làm mới hoặc lịch trình âm thầm phân bổ 19 giờ học vào thứ Ba.

Một cách tiếp cận hiệu quả hơn là sử dụng AI như một trợ lý lập trình trong khi vẫn áp dụng kiến ​​thức khoa học máy tính. Mục tiêu không phải là "để AI xây dựng ứng dụng của tôi". Mục tiêu là: "sử dụng AI để làm việc nhanh hơn trong khi tôi hiểu rõ mọi lựa chọn thiết kế"

Dự án cần gì?

Trước khi đưa ra gợi ý, học sinh nên xác định một vài khái niệm cơ bản:

• Các tính năng chính: thêm mô-đun, thêm chủ đề, thiết lập ngày thi, nhập thời gian học có sẵn, tạo kế hoạch hàng tuần.

• Mô hình dữ liệu: mô-đun, chủ đề, thời hạn, mức độ ưu tiên, nhiệm vụ đã hoàn thành.

• Các ràng buộc: không học sau nửa đêm, không học trùng chủ đề, tránh lên kế hoạch học nhiều giờ hơn số giờ người dùng đã nhập.

• Các công nghệ được sử dụng: ví dụ, React cho giao diện, một API nhỏ bằng Node/Express, và SQLite hoặc bộ nhớ cục bộ cho phiên bản đầu tiên.

• Kế hoạch kiểm thử: kiểm tra các trường nhập liệu trống, lịch trình bất khả thi, các mô-đun trùng lặp và các trường hợp ngoại lệ về ngày tháng.

• Nguyên tắc an toàn: không được phép gửi bất kỳ dữ liệu cá nhân nào của học sinh đến công cụ AI công cộng trừ khi dữ liệu đó đã được ẩn danh.

Ví dụ hướng dẫn

Một gợi ý yếu sẽ là:

Hãy thiết kế cho tôi một ứng dụng lập kế hoạch ôn tập.

Điều đó tạo cho trí tuệ nhân tạo quá nhiều không gian để sáng tạo, xây dựng quá mức hoặc bỏ sót những chi tiết quan trọng.

Một lời nhắc nhở mạnh mẽ hơn sẽ là:

Tôi đang xây dựng một ứng dụng lập kế hoạch ôn tập nhỏ cho dự án portfolio ngành khoa học máy tính.
Sử dụng React cho giao diện người dùng và giữ cho phiên bản đầu tiên đơn giản.
Người dùng cần có khả năng thêm một mô-đun, thêm các chủ đề trong mô-đun đó, đặt ngày thi, nhập số giờ học có sẵn mỗi ngày và tạo kế hoạch ôn tập hàng tuần.

Chưa cần xây dựng hệ thống xác thực.
Lưu trữ dữ liệu trong bộ nhớ cục bộ cho phiên bản đầu tiên.
Bao gồm kiểm tra tính hợp lệ của dữ liệu đầu vào đối với các tên mô-đun trống, ngày thi đã qua, chủ đề trùng lặp và số giờ học trên 12 giờ mỗi ngày.

Trước tiên, hãy đề xuất mô hình dữ liệu và cấu trúc thành phần.
Đừng viết toàn bộ mã cho đến khi tôi chấp thuận cấu trúc.
Giải thích những sự đánh đổi bằng ngôn ngữ rõ ràng, đơn giản.

Lời nhắc này hiệu quả hơn vì nó làm chậm quá trình xử lý của AI. Nó yêu cầu thiết kế trước khi lập trình. Đó là lúc khả năng đánh giá của chuyên gia khoa học máy tính bắt đầu phát huy tác dụng.

Cách kiểm tra nó

Sinh viên không nên tin tưởng vào bản demo hoạt động đầu tiên. Họ nên kiểm tra nó như thể đang cố gắng tìm lỗi, bởi vì người dùng chắc chắn sẽ làm vậy.

Các trường hợp kiểm thử tốt bao gồm:

• Thêm một mô-đun không có tên.

• Thêm cùng một chủ đề hai lần.

• Chọn ngày thi trong quá khứ.

• Nhập số không thời gian học tập khả dụng cho mỗi ngày.

• Nhập 20 giờ học cho một ngày.

• Thêm năm chủ đề cần hoàn thành vào ngày mai và kiểm tra xem ứng dụng có tạo ra một kế hoạch bất khả thi hay không.

• Làm mới trang và kiểm tra xem dữ liệu đã lưu có còn hiển thị hay không.

• Đánh dấu một chủ đề là đã hoàn thành và kiểm tra xem lịch trình có được cập nhật chính xác hay không.

Họ cũng có thể yêu cầu trí tuệ nhân tạo xem xét lại logic:

Đây là hàm lập lịch của tôi. Hãy tìm các trường hợp ngoại lệ có thể tạo ra kế hoạch sửa đổi không thực tế hoặc không chính xác. Đừng viết lại hàm này ngay. Trước tiên hãy giải thích vấn đề, sau đó đề xuất các bài kiểm tra mà tôi nên thêm vào.

Điều đó biến trí tuệ nhân tạo thành một người đánh giá chứ không phải là người thay thế cho tư duy.

Điều gì có thể xảy ra sai sót?

Sai lầm hiển nhiên nhất là sao chép mã được tạo tự động mà không hiểu nó. Ứng dụng có thể hoạt động được, nhưng sinh viên có thể không giải thích được cấu trúc dữ liệu, không sửa được lỗi hoặc không bảo vệ được lựa chọn thiết kế của mình trong buổi phỏng vấn.

Các vấn đề thực tế khác bao gồm:

• Trí tuệ nhân tạo viết ra một thuật toán lập lịch mà bỏ qua các giờ rảnh rỗi.

• Ứng dụng lưu trữ mọi thứ trong một đối tượng duy nhất, rất lộn xộn và khó bảo trì.

• Việc xác thực dữ liệu đầu vào chỉ diễn ra ở giao diện, chứ không phải ở logic bên dưới.

• Mã được tạo ra sử dụng các thư viện mà sinh viên không hiểu.

• Trí tuệ nhân tạo tự tạo ra những tính năng chưa từng được yêu cầu.

• Sinh viên yêu cầu "mã nguồn tốt hơn" nhưng lại nhận được thứ phức tạp hơn, chứ không thực sự tốt hơn.

• Ứng dụng này không có bất kỳ bài kiểm tra nào, vì vậy mọi thay đổi đều có nguy cơ làm hỏng công cụ lập kế hoạch.

Một nguyên tắc đáng giá là: nếu sinh viên không thể giải thích một hàm số từng dòng một, thì dự án đó vẫn chưa hoàn chỉnh.

Bài học thực tiễn

Đây chính là sự khác biệt giữa việc sử dụng AI một cách tồi tệ và sử dụng nó một cách tốt.

Việc sử dụng AI sai cách có nghĩa là yêu cầu một ứng dụng hoàn chỉnh, dán kết quả vào và hy vọng không ai xem xét kỹ lưỡng.

Sử dụng AI hiệu quả nghĩa là dùng nó để thảo luận về cấu trúc, so sánh các yếu tố ưu nhược điểm, tạo bản nháp, đề xuất các bài kiểm tra và xem xét các trường hợp ngoại lệ - trong khi sinh viên vẫn sở hữu mã nguồn cuối cùng.

Đó là lý do tại sao khoa học máy tính vẫn rất quan trọng. Trí tuệ nhân tạo có thể giúp xây dựng kế hoạch ôn tập nhanh hơn, nhưng sinh viên cần kiến ​​thức về khoa học máy tính để quyết định xem kế hoạch đó có chính xác, dễ bảo trì, dễ kiểm thử và đáng để chia sẻ với người khác hay không.

Câu hỏi thường gặp

Liệu khoa học máy tính có bị trí tuệ nhân tạo thay thế trong tương lai?

Khoa học máy tính sẽ không bị trí tuệ nhân tạo (AI) thay thế hoàn toàn. AI có thể tự động hóa một số tác vụ lập trình, tạo bản nháp, giải thích lỗi và tăng tốc công việc thường ngày. Nhưng khoa học máy tính cũng bao gồm hệ thống, thuật toán, bảo mật, dữ liệu, kiến ​​trúc, lý thuyết và khả năng phán đoán. Những lĩnh vực đó vẫn cần những người có khả năng suy luận rõ ràng, kiểm chứng kết quả và hiểu được phần mềm nên làm gì.

Trí tuệ nhân tạo (AI) có thể tự động hóa những khía cạnh nào trong công việc khoa học máy tính?

Trí tuệ nhân tạo (AI) hiệu quả nhất với các tác vụ lặp đi lặp lại, được xác định rõ ràng. Nó có thể hỗ trợ viết mã mẫu, các kịch bản đơn giản, các bài kiểm tra cơ bản, bản nháp tài liệu, dịch cú pháp, biểu thức chính quy và các nguyên mẫu nhanh. Đây là những lợi ích thực sự về năng suất. Tuy nhiên, tự động hóa hoạt động tốt nhất khi con người có thể xem xét kết quả đầu ra, hiểu ngữ cảnh và quyết định xem giải pháp được tạo ra có an toàn và phù hợp hay không.

Tại sao trí tuệ nhân tạo (AI) không thể hoàn toàn thay thế các công việc trong lĩnh vực khoa học máy tính?

Trí tuệ nhân tạo (AI) có thể tạo ra mã lập trình, nhưng nó không thể đảm bảo tính chính xác của kết quả. Công việc phần mềm liên quan đến các yêu cầu không rõ ràng, quy tắc kinh doanh, người dùng, rủi ro bảo mật, lỗi sản xuất, sự đánh đổi về hiệu năng và bảo trì lâu dài. Các công ty vẫn cần những người có thể thiết kế hệ thống, gỡ lỗi các vấn đề phức tạp, giao tiếp rõ ràng và chịu trách nhiệm khi có sự cố xảy ra. AI hỗ trợ các nhiệm vụ, chứ không phải toàn bộ khả năng phán đoán chuyên môn.

Trí tuệ nhân tạo (AI) sẽ thay đổi các công việc khoa học máy tính ở cấp độ đầu vào như thế nào?

Trí tuệ nhân tạo (AI) có thể giúp tự động hóa một số tác vụ lập trình cơ bản dễ dàng hơn, điều này có thể nâng cao yêu cầu đối với các vị trí lập trình viên mới vào nghề. Thay vì chỉ hỏi liệu ai đó có thể viết mã hay không, nhà tuyển dụng có thể kỳ vọng người mới bắt đầu sử dụng các công cụ AI, xem xét mã được tạo ra, phát hiện lỗi, giải thích các sự đánh đổi và kiểm thử đúng cách. Điều này làm cho các kiến ​​thức cơ bản và thực hành có chủ đích trở nên quan trọng hơn đối với sinh viên và các lập trình viên mới.

Liệu sinh viên có nên tiếp tục theo học ngành khoa học máy tính vì trí tuệ nhân tạo?

Đúng vậy, sinh viên vẫn nên học ngành khoa học máy tính, nhưng cần có những kỳ vọng thực tế. Không nên coi đó là con đường tắt đảm bảo có được việc làm. Sinh viên cần nắm vững kiến ​​thức cơ bản, thực hiện các dự án thực tế, kỹ năng gỡ lỗi, sử dụng Git, cơ sở dữ liệu, kiểm thử, kỹ năng giao tiếp và hiểu biết về trí tuệ nhân tạo. Mục tiêu không chỉ là viết mã nhanh hơn, mà còn là hiểu mã đủ sâu sắc để có thể cải thiện và bảo vệ nó.

Làm thế nào người mới bắt đầu có thể sử dụng AI mà không trở nên phụ thuộc vào nó?

Người mới bắt đầu nên sử dụng AI như một người hướng dẫn và cộng sự thực hành, chứ không chỉ là một công cụ trả lời câu hỏi. Một cách tiếp cận tốt là yêu cầu giải thích, tự viết lại mã được tạo tự động, cố tình làm hỏng chương trình, so sánh các giải pháp và gỡ lỗi mà không cần AI. Đọc tài liệu và theo dõi các lỗi cũng rất hữu ích. Mấu chốt là xây dựng sự hiểu biết, chứ không chỉ thu thập các đoạn mã hoạt động.

Tại sao kiến ​​thức cơ bản về khoa học máy tính lại quan trọng hơn trong lĩnh vực trí tuệ nhân tạo?

Khi trí tuệ nhân tạo (AI) giúp việc tạo mã dễ dàng hơn, khả năng phán đoán trở nên có giá trị hơn. Kiến thức cơ bản giúp mọi người đặt câu hỏi tốt hơn, phát hiện ra các giải pháp yếu kém, hiểu về hiệu năng, đánh giá kiến ​​trúc và nhận biết các vấn đề bảo mật. Hai người có thể sử dụng cùng một công cụ AI nhưng lại nhận được kết quả rất khác nhau tùy thuộc vào kiến ​​thức của họ. Nền tảng khoa học máy tính vững chắc giúp công cụ hoạt động hiệu quả hơn và ít rủi ro hơn.

Liệu khoa học máy tính có bị trí tuệ nhân tạo thay thế trong các trường đại học?

Ngành khoa học máy tính sẽ không biến mất khỏi các trường đại học chỉ vì sự tồn tại của trí tuệ nhân tạo (AI). Thay vào đó, giáo dục cần tích hợp AI một cách trực tiếp hơn, đồng thời vẫn giảng dạy lập trình, thuật toán, cấu trúc dữ liệu, hệ thống, cơ sở dữ liệu, lý thuyết và kỹ thuật phần mềm. AI có thể đóng vai trò như một gia sư hoặc trợ lý lập trình, nhưng sinh viên vẫn cần học cách thức hoạt động của các hệ thống và cách đánh giá các kết quả được tạo ra.

Những kỹ năng khoa học máy tính nào ít bị ảnh hưởng nhất bởi tự động hóa AI?

Những kỹ năng liên quan đến bối cảnh, khả năng phán đoán và trách nhiệm khó có thể tự động hóa hoàn toàn. Chúng bao gồm thiết kế hệ thống, an ninh mạng, gỡ lỗi sản phẩm, kiến ​​trúc, tối ưu hiệu năng, lập luận sản phẩm, tương tác người-máy, kỹ thuật dữ liệu, cơ sở hạ tầng và xác định vấn đề ở cấp độ nghiên cứu. Trí tuệ nhân tạo có thể hỗ trợ trong những lĩnh vực này, nhưng thường không thể thay thế khả năng cân nhắc các yếu tố cân nhắc và đưa ra quyết định của con người.

Cách tốt nhất để chuẩn bị cho sự nghiệp trong lĩnh vực khoa học máy tính với trí tuệ nhân tạo là gì?

Con đường hiệu quả nhất là kết hợp kiến ​​thức cơ bản với khả năng sử dụng AI một cách thành thạo. Hãy học sâu một ngôn ngữ lập trình, xây dựng các dự án thực tế, hiểu các thuật toán và hệ thống, thực hành kiểm thử và gỡ lỗi, và sử dụng các công cụ AI một cách có chọn lọc. Đọc mã nguồn được tạo ra từng dòng một và sẵn sàng giải thích các lựa chọn thiết kế. Nhà tuyển dụng sẽ đánh giá cao những người có thể tạo ra kết quả và hiểu được rủi ro.

Tài liệu tham khảo

1. Cục Thống kê Lao động Hoa Kỳ - Ngành nghề Công nghệ Thông tin và Máy tính - bls.gov

2. Hiệp hội Máy tính (Association for Computing Machinery) - Hướng dẫn chương trình giảng dạy CS2023 - acm.org

3. CSET, Đại học Georgetown - Rủi ro an ninh mạng của mã được tạo ra bởi trí tuệ nhân tạo - cset.georgetown.edu

4. Anthropic - Tiếp xúc với lao động AI - anthropic.com

5. Stack Overflow - Công cụ lập trình AI - survey.stackoverflow.co

6. AAAI - Trí tuệ nhân tạo tích hợp theo nghĩa rộng hơn - ojs.aaai.org

7. Bộ tài liệu hướng dẫn nhanh OWASP - Hướng dẫn nhanh về bảo mật tác nhân AI - cheatsheetseries.owasp.org

Tìm kiếm những công nghệ AI mới nhất tại Cửa hàng Trợ lý AI chính thức

Về chúng tôi