Australian data centres will use seven times more power by 2036

The Download: kids outlearning AI, and space travel agents

Cuộc bầu cử giữa nhiệm kỳ Mỹ sắp diễn ra, khiến các đảng chính trị tìm kiếm các vấn đề gây tranh cãi để thu hút cử tri. Hai đảng đều chỉ责 AI data centers vì tiêu thụ năng lượng lớn và lo ngại về quyền riêng tư dữ liệu. Sự phản đối này có thể dẫn đến các chính sách hạn chế vốn đầu tư và giấy phép mở rộng trung tâm dữ liệu AI ở mức bang và federal. Các nhà phát triển và nhà đầu tư cần chuẩn bị cho môi trường pháp lý ngày càng khắc nghiệt và xem xét các giải pháp hạ tầng bền vững hơn.

Bài viết cung cấp cái nhìn đa chiều về tác động của AI đến giáo dục và du lịch vũ trụ, giúp lập trình viên có cái nhìn tổng quan hơn về xu hướng công nghệ.

Where should AI go in your UI? A UX guide to AI feature placement

Thiết kế giao diện thường gặp khó khăn khi quyết định vị trí hiển thị tính năng AI vì thiếu hướng dẫn thống nhất, dẫn đến việc các nhóm phát triển đặt tính năng này một cách ngẫu nhiên như trong menu phụ, popup hoặc thanh công cụ riêng. Nguyên nhân kỹ thuật làabsence của một framework оценивания контекстуальной relevance и частоты использования, что заставляет дизайнеров полагаться только на интуицию. В результате пользователи сталкиваются с несогласованным опытом: иногда ИИ-подсказки появляются слишком рано и отвлекают, а иногда их трудно найти, что снижает коэффициент принятия и увеличивает когнитивную нагрузку. Из этого следует, что перед внедрением нужно оценить три фактора: насколько тесно функция связана с текущей задачей пользователя, как часто она будет использоваться и насколько она требует немедленного внимания. Применение такой простой матрицы помогает выбрать оптимальное место — будь то строка автодополнения, боковая панель или плавающая кнопка — и делает взаимодействие с ИИ предсказуемым и полезным.

Bài viết này cung cấp hướng dẫn UX thực tế về việc đặt tính năng AI vào UI đúng vị trí để tối ưu trải nghiệm người dùng.

Agents on Rails: lemans goes open source

Agents on Rails đang phát triển và vừa công bố rằng lemans – hệ thống harness tạo ra mọi con số đã công bố – hiện đã được mã nguồn mở. Đây là bước tiến quan trọng vì lemans trước đây là thành phần nội bộ dùng để đo lường và so sánh hiệu suất của các mô hình AI. Đồng thời nhóm đã chạy thử bốn mô hình mới: Sonnet 5, Terra, một phiên bản Qwen có trọng lượng mở cho phép chạy trên máy cá nhân, và một mô hình không muốn tiết lộ tên. Với lemans mã nguồn mở, cộng đồng có thể tái tạo, mở rộng và tích hợp các bài kiểm tra này vào quy trình của riêng mình. Bài học là việc công khai công cụ đo lường và chia sẻ mô hình mở trọng lượng giúp tăng độ minh bạch và tăng tốc độ đổi mới trong lĩnh vực AI agents.

Lập trình viên nên đọc bài viết này để cập nhật về công nghệ Agents on Rails và nguồn mở của lemans, cũng như khám phá các mô hình AI mới như Sonnet 5, Terra và Qwen.

TBM 430: Incubate, Compound, Refinance, Liquidate

Bài viết TBM 430 bắt đầu từ quan sát rằng nhiều đội ngũ đang đặt hy vọng vào AI để giảm bớt gánh nặng quản lý hệ thống phần mềm. Tuy nhiên, tác giả指出 AI chỉ thay đổi cách chúng ta biểu hiện sự phức tạp, sự kết hợp (coupling), sự phối hợp (coordination), sự không chắc chắn và sự suy giảm (decay), không loại bỏ chúng. Vì vậy, các chỉ số như thời gian dẫn nhập (lead time), tần suất triển khai và tỷ lệ lỗi vẫn không thấy cải thiện đáng kể dù có sử dụng mô hình ngôn ngữ lớn hoặc công cụ tự động hóa dựa trên AI. Hệ quả là các đội ngũ vẫn phải đầu tư vào kiến trúc mô-đun, kiểm tra tự động và quy trình quản lý thay đổi để kiểm soát những yếu tố nền tảng này. Bài học chính là: thay vì xem AI là “bàn phím magique”, các kỹ sư nên tập trung vào việc giảm sự kết hợp và tăng khả năng quan sát, vì những yếu tố đó quyết định sự bền vững của hệ thống hơn là bất kỳ mô hình AI nào.

Bài viết giúp lập trình viên hiểu rằng AI không đơn giản hóa thách thức kỹ thuật, mà đòi hỏi họ thích ứng với sự phức tạp mới trong hệ thống.

Why 2031 Might Be the Last Year Humans Do AI Research

Trong thập kỷ qua, tốc độ tiến bộ của AI bị hạn chế bởi một yếu tố duy nhất – não người. Bài viết cho rằng các bước như thiết kế mô hình, điều chỉnh siêu tham số và phân tích kết quả vẫn phụ thuộc vào sự can thiệp thủ công của nhà nghiên cứu, khiến vòng lặp đổi mới chậm lại. Nếu xu hướng này tiếp tục, vào năm 2031 các hệ thống AI có thể đạt đủ khả năng tự động hóa toàn bộ chu trình nghiên cứu – từ giả thuyết đến triển khai – làm giảm nhu cầu về con người trong lĩnh vực này. Điều đáng học là các nhà phát triển cần đầu tư sớm vào công cụ tự động hóa nghiên cứu như neural architecture search và meta‑learning để không bị bỏ sau khi AI vượt qua giới hạn con người. Vì vậy, đọc bài gốc sẽ giúp lập trình viên nhìn rõ mốc thời gian tiềm năng và chuẩn bị kỹ thuật để thích ứng với thời đại AI nghiên cứu chính nó.

Bài này tiết lộ lý do thuyết phục tại sao nghiên cứu AI có thể sớm trở thành lĩnh vực duy nhất do chính trí tuệ nhân tạo tự tiến hóa.

Inside South Africa’s clean coal programme

Chương trìnhthan khí sạch của Nam Phi đã đầu tư 7,15 triệu rand vào một nghiên cứu của CSIR nhằm đánh giá công nghệ giảm khí thải từ than. Tuy nhiên, sau khi nghiên cứu hoàn thành, nhà máy thử nghiệm vẫn chưa được xây dựng do thiếu vốn. Dự án này đang bị trì hoãn nhiều năm mà chưa có bất kỳ kết quả thực tế nào về hiệu suất hoặc mức độ giảm CO2. Thiếu sự kết nối giữa giai đoạn nghiên cứu và giai đoạn triển khai đã làm cho nguồn lực bị lãng phí và mục tiêu giảm khí thải không thể đạt được. Để tránh tình trạng tương tự, các dự án năng lượng sạch cần có kế hoạch tài chính rõ ràng và cam kết xây dựng nhà máy thử nghiệm ngay sau khi nghiên cứu kết thúc.

Bài viết tiết lộ thách thức và thực tế đằng sau chương trình than sạch ở Nam Phi.

Your Second Skill Was Never a Parachute

Kỹ năng thứ hai của bạn không bao giờ là chiếc dù cứu sinh, và bằng chứng đã tồn tại từ …