Để đánh giá một công nghệ mới nổi, bạn cần tách ba câu hỏi thường bị gộp làm một: nguyên lý đã được chứng minh chưa, hệ thống hoàn chỉnh đã chạy được ngoài phòng thí nghiệm chưa, và nó có rẻ hơn hoặc tốt hơn giải pháp hiện có ở quy mô lớn không. Phần lớn tin “công nghệ sẽ thay đổi mọi thứ” chỉ trả lời câu thứ nhất.
Chu kỳ cường điệu (hype cycle) của hãng tư vấn Gartner là mô hình phổ biến nhất mô tả cách kỳ vọng về công nghệ lên xuống. Nó hữu ích như lời nhắc rằng kỳ vọng và năng lực thực tế không đi cùng nhịp, nhưng không phải quy luật dự báo: rất nhiều công nghệ không đi theo đường cong đó. Phần dưới trình bày mô hình, các phê bình về nó, và một bộ câu hỏi dùng được cho bất kỳ công nghệ nào, từ pin, thuốc mới đến trí tuệ nhân tạo.
Chu kỳ cường điệu: năm giai đoạn và nguồn gốc
Mô hình do nhà phân tích Jackie Fenn đưa ra tại Gartner năm 1995. Trục ngang là thời gian, trục dọc là mức kỳ vọng; đường cong đi qua năm giai đoạn:
- Khởi phát công nghệ: một phát hiện, bản mẫu hoặc thông báo thu hút chú ý; chưa có sản phẩm dùng được, tính khả thi thương mại chưa rõ.
- Đỉnh kỳ vọng thổi phồng: truyền thông và nhà đầu tư đổ vào, xuất hiện các câu chuyện thành công đơn lẻ và vô số dự án ăn theo.
- Đáy vỡ mộng: các triển khai đầu tiên không đạt lời hứa; nhiều công ty phá sản, vốn rút đi, truyền thông chuyển sang hoài nghi.
- Dốc khai sáng: những người còn trụ lại hiểu rõ công nghệ làm tốt việc gì; thế hệ sản phẩm thứ hai, thứ ba xuất hiện; cách triển khai được chuẩn hoá.
- Cao nguyên năng suất: công nghệ được dùng rộng rãi, tiêu chí đánh giá rõ ràng, lợi ích đo được.
Ý tưởng cốt lõi gần với một nhận xét thường được gán cho nhà nghiên cứu tương lai Roy Amara: chúng ta có xu hướng đánh giá quá cao tác động của một công nghệ trong ngắn hạn và đánh giá quá thấp nó trong dài hạn. Internet sau bong bóng dot-com đầu những năm 2000 thường được dẫn làm ví dụ: nhiều công ty sụp đổ, nhưng thương mại điện tử và dịch vụ trực tuyến về sau lớn hơn nhiều so với dự báo của chính thời kỳ bong bóng.
Phê bình: vì sao đường cong không phải quy luật
Chu kỳ cường điệu không được xây từ dữ liệu đo lường kỳ vọng một cách khoa học; vị trí của mỗi công nghệ trên đường cong là đánh giá định tính của nhà phân tích, và trục “kỳ vọng” không có đơn vị. Vì vậy mô hình khó bị bác bỏ: công nghệ nào biến mất được coi là “không vượt qua đáy”, công nghệ nào thành công được coi là “đã lên cao nguyên”. Một mô hình giải thích được mọi kết cục thì không dự báo được kết cục nào.
Một số người đã thử kiểm tra mô hình bằng cách lần theo các báo cáo hằng năm của Gartner. Một phân tích được nhắc nhiều, của Michael Mullany năm 2016 (không phải công trình bình duyệt), cho thấy phần lớn công nghệ xuất hiện trên đường cong không đi hết các giai đoạn: nhiều cái biến mất sau vài năm, một số thành công mà không qua đáy vỡ mộng rõ rệt, và vị trí trên đường cong dự báo kém thời điểm trưởng thành. Kết luận hợp lý: mô hình mô tả một khuôn mẫu tâm lý thị trường có thật, nhưng không đủ để dự đoán số phận một công nghệ cụ thể.
Ngoài ra, mô hình gộp kỳ vọng của nhiều nhóm vốn không đồng pha: truyền thông, nhà đầu tư, người dùng kỹ thuật. Kỹ sư làm pin có thể đang ở dốc khai sáng trong khi báo chí vẫn ở đỉnh. Khi dùng mô hình, bạn nên hỏi: kỳ vọng của ai, đo bằng gì, và nếu đường cong sai thì điều gì sẽ cho thấy điều đó?
Ba tầng bằng chứng: nguyên lý, hệ thống, kinh tế
Một cách phân tầng hữu ích hơn đường cong kỳ vọng là hỏi công nghệ đã vượt qua tầng bằng chứng nào. Mỗi tầng có câu hỏi và dạng bằng chứng riêng.
| Tầng | Câu hỏi | Bằng chứng cần thấy | Ví dụ |
|---|---|---|---|
| Nguyên lý | Hiện tượng có thật và tái lập được không? | Kết quả bình duyệt, được nhóm độc lập tái lập | NIF đạt Q khoa học lớn hơn 1 năm 2022; Cas9 cắt DNA theo lập trình năm 2012 |
| Hệ thống | Mọi thành phần có chạy cùng nhau, bền, an toàn ngoài phòng thí nghiệm không? | Thiết bị kích thước thật, vận hành dài, dữ liệu thực địa | Xe tự lái không người giám sát chạy dịch vụ ở một số thành phố; liệu pháp exa-cel qua thử nghiệm lâm sàng |
| Kinh tế | Có rẻ hơn hoặc tốt hơn giải pháp hiện có ở quy mô lớn, tính cả chi phí phụ trợ không? | Giá thành thực, đường cong học hỏi, khách hàng trả tiền mà không cần trợ giá vô thời hạn | Điện mặt trời và pin lithium-ion đã qua tầng này ở nhiều thị trường |
Phần lớn tranh cãi xảy ra khi người ta lấy bằng chứng tầng một để kết luận ở tầng ba. “Nhiệt hạch đã đạt năng lượng ròng” là kết quả tầng một; “điện nhiệt hạch sắp rẻ” là tuyên bố tầng ba chưa có bằng chứng. Cũng có chiều ngược lại: một công nghệ đã trưởng thành ở tầng ba nhưng bị bỏ qua vì không còn “mới”. Thang mức sẵn sàng công nghệ (TRL) mà nhiều cơ quan dùng là phiên bản chi tiết của hai tầng đầu; tầng kinh tế thường nằm ngoài thang đo đó.
Bảy câu hỏi kiểm chứng một tuyên bố công nghệ
Bộ câu hỏi dưới đây áp dụng được cho thông cáo báo chí, hồ sơ gọi vốn hay bản tin khoa học.
- Ai tuyên bố, và họ được lợi gì? Nhóm nghiên cứu cần tài trợ, công ty cần gọi vốn, tờ báo cần độc giả. Lợi ích không làm tuyên bố sai, nhưng là lý do để đòi bằng chứng mạnh hơn.
- Kết quả đã qua bình duyệt và được tái lập độc lập chưa? Bản tiền in hay thông cáo chưa phải bằng chứng đầy đủ. Tái lập bởi nhóm không liên quan là tiêu chuẩn cao nhất.
- So sánh với cái gì? Đối chứng phải là giải pháp tốt nhất hiện có, không phải phương pháp cũ hay yếu. “Nhanh hơn một triệu lần” là so với cách làm nào?
- Con số tuyệt đối là bao nhiêu? “Tăng hiệu suất 50%” từ 1% lên 1,5% khác hẳn từ 40% lên 60%. Hãy đòi đơn vị, mẫu số và điều kiện đo.
- Thành phần hay toàn hệ thống? Một vật liệu dẫn ion tốt chưa phải một viên pin; một qubit tốt chưa phải một máy tính. Hỏi về khâu yếu nhất của chuỗi.
- Mở rộng quy mô có cần thứ gì chưa tồn tại không? Nguyên liệu hiếm, hạ tầng mới, quy định mới, lực lượng lao động chưa được đào tạo đều kéo dài thời gian.
- Lịch trình đã bị lùi bao nhiêu lần? Lịch sử dự báo của chính tổ chức đó là chỉ báo tốt cho độ tin cậy của dự báo hiện tại.
Bài học từ những tuyên bố đã sụp đổ
Nhiệt hạch lạnh (1989). Martin Fleischmann và Stanley Pons công bố qua họp báo trước khi có bài báo bình duyệt đầy đủ. Hàng loạt phòng thí nghiệm đổ xô tái lập trong vài tháng và thất bại. Dấu hiệu cảnh báo: công bố qua họp báo, thiếu đo đạc có đối chứng, và thiếu sản phẩm phụ đúng như cơ chế được nêu đòi hỏi.
Theranos (2003–2018). Công ty tuyên bố chạy hàng trăm xét nghiệm từ vài giọt máu đầu ngón tay, gọi được vốn lớn và hợp tác với chuỗi bán lẻ, trong khi công nghệ không hoạt động như mô tả. Người sáng lập Elizabeth Holmes bị kết tội gian lận năm 2022. Dấu hiệu đỏ: từ chối cho chuyên gia độc lập kiểm tra và không công bố dữ liệu bình duyệt, bất kể ban cố vấn danh tiếng đến đâu.
LK-99 (2023). Một nhóm ở Hàn Quốc đăng bản tiền in tuyên bố vật liệu siêu dẫn ở nhiệt độ phòng và áp suất thường. Trong vài tuần, nhiều phòng thí nghiệm tái lập và giải thích hiện tượng quan sát được bằng tạp chất đồng sulfua, không phải siêu dẫn. Bài học tích cực: khi dữ liệu và công thức được công bố, hệ thống tái lập mở của khoa học tự sửa rất nhanh.
Ô tô con chạy hydro (thập niên 2000). Nhiều chính phủ và hãng xe từng quảng bá “nền kinh tế hydro” với ô tô pin nhiên liệu làm trung tâm. Công nghệ xe hoạt động được, nhưng hạ tầng trạm nạp và chi phí hydro sạch khiến ô tô con chạy hydro chỉ chiếm phần rất nhỏ, trong khi xe điện dùng pin vượt lên. Bài học: thành công ở tầng hệ thống vẫn có thể thua ở tầng kinh tế trước một đối thủ có đường cong học hỏi nhanh hơn.
Đường cong học hỏi: công cụ dự báo đáng tin hơn
Nếu chu kỳ cường điệu mô tả kỳ vọng, thì đường cong học hỏi mô tả chi phí. Năm 1936, kỹ sư hàng không Theodore Wright nhận thấy mỗi khi sản lượng máy bay tích luỹ tăng gấp đôi, số giờ lao động cho mỗi chiếc giảm một tỷ lệ gần như cố định. Quy luật Wright đã được kiểm tra trên nhiều công nghệ: giá mô-đun điện mặt trời và pin lithium-ion giảm mạnh qua nhiều thập kỷ với tỷ lệ khá ổn định theo mỗi lần sản lượng tích luỹ tăng gấp đôi. Một nghiên cứu năm 2013 của Béla Nagy, J. Doyne Farmer và cộng sự, so sánh nhiều dạng dự báo trên dữ liệu lịch sử của hàng chục công nghệ, thấy quy luật Wright cho kết quả tốt, gần tương đương một dạng tổng quát hoá của quy luật Moore.
Hệ quả thực tế: một công nghệ còn đắt nhưng đã có thị trường ngách để sản xuất và tích luỹ kinh nghiệm thì có triển vọng giảm giá tương đối dự đoán được. Một công nghệ chưa có sản phẩm bán ra thì chưa có đường cong để ngoại suy, và mọi dự báo giá chỉ là giả định. Công nghệ dạng mô-đun nhỏ, sản xuất hàng loạt như tấm pin, tế bào pin, chip thường học nhanh hơn công trình lớn đơn chiếc như nhà máy điện hạt nhân hay đập thuỷ điện, vì số lần lặp lại nhiều hơn.
Ví dụ giả định: một công nghệ có tỷ lệ học 20% (giá giảm 20% mỗi lần sản lượng tích luỹ tăng gấp đôi) và hiện đắt gấp bốn lần đối thủ. Để giá ngang bằng, nó cần sản lượng tích luỹ tăng gấp đôi khoảng sáu lần — tức gấp khoảng 70 lần — với giả định đối thủ đứng yên. Phép tính đơn giản này thường đủ cho thấy lời hứa “rẻ ngang trong ba năm” là phi thực tế.
Áp dụng cho người ra quyết định ở Việt Nam
Với nhà quản lý doanh nghiệp, câu hỏi không phải “công nghệ này có tương lai không” mà là “khi nào nó đủ trưởng thành cho bài toán của chúng ta, và cái giá của việc đi sớm hay đi muộn là gì”. Đi sớm có lợi khi công nghệ đã qua tầng hệ thống và lợi thế học hỏi nội bộ lớn; đi muộn hợp lý khi công nghệ đang giảm giá nhanh và chuẩn kỹ thuật chưa ổn định. Một khoản thử nghiệm nhỏ, có tiêu chí dừng rõ ràng, thường tốt hơn cả đầu tư lớn lẫn đứng ngoài hoàn toàn.
Với cơ quan hoạch định chính sách và quỹ khoa học, bộ câu hỏi giúp phân biệt đề xuất nghiên cứu nên tài trợ ở tầng nguyên lý với dự án triển khai cần chứng minh tầng kinh tế. Trộn hai loại vào một bộ tiêu chí đánh giá dễ dẫn tới tài trợ những dự án “trình diễn” không học được gì, hoặc đòi nghiên cứu cơ bản phải chứng minh lợi nhuận.
Với giảng viên và nhà báo khoa học, một thói quen hữu ích là khi viết về công nghệ mới, luôn ghi rõ nó đang ở tầng nào, bằng chứng đến từ đâu, và điều gì sẽ khiến bạn đổi đánh giá. Thói quen này giúp người đọc phân biệt tiến bộ thật với tiếng ồn, và giữ uy tín của người viết khi lời hứa không thành.
Câu hỏi thường gặp
Mức sẵn sàng công nghệ (TRL) là gì?
TRL là thang chín bậc do NASA phát triển từ thập niên 1970, về sau được nhiều cơ quan như Bộ Quốc phòng Mỹ và Liên minh châu Âu áp dụng. Bậc 1 là nguyên lý cơ bản được quan sát; bậc 9 là hệ thống thực đã được chứng minh trong vận hành. Thang này hữu ích cho phần kỹ thuật nhưng không đo chi phí hay nhu cầu thị trường, nên cần bổ sung đánh giá kinh tế.
Gartner có đường cong riêng cho trí tuệ nhân tạo không?
Gartner công bố nhiều đường cong theo chủ đề mỗi năm, trong đó có đường cong cho trí tuệ nhân tạo, đặt từng nhánh như AI tạo sinh, học máy, thị giác máy tính vào các giai đoạn. Đây là đánh giá của nhà phân tích phục vụ khách hàng doanh nghiệp; bạn nên đọc nó như ý kiến chuyên gia có cấu trúc, không phải đo lường khách quan, và đối chiếu với dữ liệu triển khai thực tế.
Làm sao biết một bản tiền in có đáng tin không?
Bản tiền in chưa qua bình duyệt nhưng không có nghĩa là kém. Hãy xem nhóm tác giả có hồ sơ trong lĩnh vực không, dữ liệu và phương pháp có đủ chi tiết để người khác tái lập không, có đối chứng phù hợp không, và chuyên gia độc lập phản hồi thế nào. Với tuyên bố phi thường, hãy chờ ít nhất một nhóm độc lập tái lập trước khi chia sẻ như sự thật.
Vì sao công ty khởi nghiệp hay công bố mốc thời gian lạc quan?
Gọi vốn mạo hiểm đòi hỏi câu chuyện tăng trưởng nhanh; mốc thận trọng khiến công ty kém hấp dẫn so với đối thủ dám hứa hơn. Ngoài ra, người sáng lập thường thật lòng lạc quan, dễ mắc ngụy biện lập kế hoạch mà Daniel Kahneman và Amos Tversky mô tả năm 1979. Điều này không có nghĩa họ gian dối, nhưng mốc thời gian nên được đọc như mục tiêu nội bộ chứ không phải dự báo.
Có công nghệ nào thành công mà không qua đáy vỡ mộng không?
Có. Một số công nghệ được chấp nhận dần dần, không có đỉnh kỳ vọng rõ rệt, như thanh toán bằng mã QR ở nhiều nước châu Á. Một số khác trải qua nhiều chu kỳ: trí tuệ nhân tạo có ít nhất hai giai đoạn “mùa đông” vào thập niên 1970 và cuối thập niên 1980 trước khi học sâu thành dòng chính. Đường cong chỉ là một khuôn mẫu, không phải con đường bắt buộc.
Đánh giá công nghệ có cần chuyên môn sâu không?
Các câu hỏi về nguồn, đối chứng, con số tuyệt đối và lịch trình không cần chuyên môn sâu mà đã lọc được nhiều tuyên bố yếu. Nhưng để đánh giá khâu yếu nhất của hệ thống, bạn cần chuyên gia trong ngành, tốt nhất là người không có lợi ích gắn với kết quả. Một cách làm thực tế là hỏi hai chuyên gia có quan điểm đối lập và xem họ bất đồng ở điểm nào.