Minh Nguyệt
Intern Writer
Các bạn ơi, mấy nay mình đọc được một nghiên cứu khá thú vị về AI trong khoa học, mà nó khiến mình phải suy nghĩ rất nhiều. Đại khái là, AI đang biến các nhà khoa học thành những "cỗ máy xuất bản" siêu năng suất, nhưng trớ trêu thay, lại vô tình đẩy họ vào những ngóc ngách nghiên cứu ngày càng chật chội và ít đa dạng hơn.
Đây là kết luận từ một phân tích khổng lồ trên hơn 40 triệu bài báo khoa học. Nghiên cứu này chỉ ra rằng, những nhà khoa học nào sử dụng công cụ AI trong công việc của mình thì công bố được nhiều bài hơn, nhận được nhiều trích dẫn hơn, và thậm chí còn thăng tiến lên vị trí lãnh đạo sớm hơn hẳn so với những đồng nghiệp không dùng AI. Nghe thì có vẻ tuyệt vời đúng không?
Thế nhưng, mọi chuyện không đơn giản như vậy đâu. Trong khi các cá nhân nhà khoa học có thể "bay cao" trong sự nghiệp, thì khoa học nói chung lại đang dần mất đi sự tò mò, khám phá. Các nghiên cứu "nặng đô" về AI thường tập trung vào những vấn đề quen thuộc, giàu dữ liệu, và ít tạo ra những kết nối, tương tác sâu sắc giữa các công trình. Điều này cho thấy một sự căng thẳng rõ rệt giữa mục tiêu phát triển sự nghiệp cá nhân và sự tiến bộ chung của khoa học. Các công cụ như ChatGPT hay AlphaFold dường như đang ưu tiên tốc độ và quy mô, chứ không phải sự đột phá hay bất ngờ.
Giáo sư James Evans, một nhà xã hội học tại Đại học Chicago và là người đứng đầu nghiên cứu này, đã chia sẻ rằng chúng ta đang đối mặt với một mâu thuẫn giữa lợi ích cá nhân và lợi ích của toàn bộ nền khoa học. Khi ngày càng nhiều nhà nghiên cứu đổ xô vào cùng một "làn sóng" khoa học, một số chuyên gia bắt đầu lo ngại về một vòng lặp của sự tuân thủ và sự suy giảm tính độc đáo. Giáo sư Luís Nunes Amaral, một nhà vật lý nghiên cứu các hệ thống phức tạp tại Đại học Northwestern, đã bày tỏ sự lo lắng: "Điều này thực sự đáng báo động. Chúng ta đang đào sâu cùng một cái hố ngày càng sâu hơn." Nghiên cứu này đã được giáo sư Evans và các đồng nghiệp công bố trên tạp chí Nature vào ngày 14 tháng 1 vừa qua.
Thực ra, đây không phải là lần đầu tiên giáo sư Evans "vạch trần" những vấn đề kiểu này đâu nhé. Ông đã dành hơn một thập kỷ để sử dụng các bộ dữ liệu khổng lồ về xuất bản và trích dẫn để định lượng cách các ý tưởng lan truyền, đình trệ và đôi khi hội tụ trong khoa học. Hồi năm 2008, ông từng chỉ ra rằng việc chuyển sang xuất bản và tìm kiếm trực tuyến khiến các nhà khoa học có xu hướng đọc và trích dẫn những bài báo nổi bật giống nhau, điều này tuy giúp ý tưởng mới lan truyền nhanh hơn nhưng lại thu hẹp phạm vi các ý tưởng đang được lưu hành. Những công trình sau này còn đi sâu vào việc các động lực nghề nghiệp đã âm thầm hướng các nhà khoa học đến những câu hỏi an toàn, đông đúc thay vì những vấn đề mạo hiểm, độc đáo hơn.
Các nghiên cứu khác cũng theo dõi cách các lĩnh vực lớn có xu hướng làm chậm tốc độ đổi mới khái niệm theo thời gian, ngay cả khi số lượng bài báo tăng vọt. Gần đây hơn, giáo sư Evans đã bắt đầu áp dụng cùng một lăng kính định lượng đó vào chính AI, xem xét cách các thuật toán định hình sự chú ý tập thể, khám phá và tổ chức kiến thức. Những công trình trước đây của ông thường mang theo một lời cảnh báo: chính những công cụ và động lực giúp khoa học hiệu quả hơn cũng có thể nén chặt không gian ý tưởng mà các nhà khoa học cùng nhau khám phá. Và phân tích mới nhất này cho thấy AI có thể đang đẩy động lực này lên tốc độ "tối đa".
Để định lượng tác động này, giáo sư Evans và các cộng sự từ Trung tâm Nghiên cứu Khoa học và Công nghệ Thông tin Quốc gia Bắc Kinh đã huấn luyện một mô hình xử lý ngôn ngữ tự nhiên để xác định các nghiên cứu được tăng cường bởi AI trên sáu lĩnh vực khoa học tự nhiên. Bộ dữ liệu của họ bao gồm 41,3 triệu bài báo tiếng Anh được xuất bản từ năm 1980 đến năm 2025 trong các lĩnh vực sinh học, hóa học, vật lý, y học, khoa học vật liệu và địa chất. Họ đã loại trừ các lĩnh vực như khoa học máy tính và toán học, vốn tập trung vào việc phát triển các phương pháp AI.
Các nhà nghiên cứu đã theo dõi sự nghiệp của từng nhà khoa học, xem xét cách các bài báo của họ thu hút sự chú ý, và nhìn rộng hơn để xem các lĩnh vực khoa học đã tập trung hay phân tán về mặt trí tuệ theo thời gian như thế nào. Họ đã so sánh khoảng 311.000 bài báo có sử dụng AI theo một cách nào đó ví dụ như thông qua mạng nơ-ron hoặc các mô hình ngôn ngữ lớn – với hàng triệu bài báo khác không dùng AI.
Kết quả đã hé lộ một sự đánh đổi đáng kinh ngạc. Các nhà khoa học áp dụng AI đạt được năng suất và sự nổi bật: trung bình, họ công bố số lượng bài báo gấp 3 lần, nhận được số trích dẫn gần gấp 5 lần, và trở thành trưởng nhóm sớm hơn một hoặc hai năm so với những người không dùng AI. Tuy nhiên, khi các bài báo đó được "vẽ bản đồ" trong một "không gian tri thức" đa chiều, các nghiên cứu nặng về AI lại chiếm một dấu ấn trí tuệ nhỏ hơn, tập trung chặt chẽ hơn vào các vấn đề phổ biến, giàu dữ liệu, và tạo ra các mạng lưới tương tác tiếp theo yếu hơn giữa các nghiên cứu.
Mô hình này vẫn đúng qua nhiều thập kỷ phát triển của AI, từ học máy ban đầu, sự trỗi dậy của học sâu, cho đến làn sóng AI tạo sinh hiện tại. Giáo sư Evans còn nhấn mạnh rằng, nếu có gì đó, thì xu hướng này đang ngày càng tăng cường.
Sự thu hẹp về mặt trí tuệ không phải là hậu quả ngoài ý muốn duy nhất đâu. Với các công cụ tự động hóa giúp việc "sản xuất hàng loạt" bản thảo và bài gửi hội nghị trở nên dễ dàng hơn, các biên tập viên tạp chí và nhà tổ chức hội nghị đã chứng kiến một làn sóng các bài báo hoặc bài thuyết trình chất lượng thấp và gian lận, thường được tạo ra với quy mô công nghiệp. Giáo sư Nunes Amaral, người đã nghiên cứu chi tiết hiện tượng "nhà máy sản xuất bài báo" được thúc đẩy bởi AI vào năm ngoái, chia sẻ: "Chúng ta đã quá ám ảnh với số lượng bài báo mà các nhà khoa học công bố đến nỗi không còn suy nghĩ về những gì chúng ta đang nghiên cứu và bằng cách nào điều đó đóng góp vào sự hiểu biết tốt hơn về thực tại, về sức khỏe và thế giới tự nhiên."
Bên cạnh những biến dạng xuất bản gần đây, phân tích của giáo sư Evans còn cho thấy AI chủ yếu đang tự động hóa những phần "dễ xơi" nhất của khoa học thay vì mở rộng các biên giới của nó. Các mô hình được huấn luyện trên dữ liệu phong phú hiện có rất giỏi trong việc tối ưu hóa các vấn đề được xác định rõ ràng: dự đoán cấu trúc protein, phân loại hình ảnh, trích xuất các mẫu từ các bộ dữ liệu khổng lồ. Một số hệ thống thậm chí đã bắt đầu đề xuất các giả thuyết và hướng nghiên cứu mới – một cái nhìn thoáng qua về điều mà một số người gọi là "đồng nghiệp AI".
Tuy nhiên, trừ khi chúng được thiết kế và khuyến khích một cách có chủ đích, những hệ thống như vậy – và các nhà khoa học dựa vào chúng - khó có thể mạo hiểm vào những vùng lãnh thổ ít được khám phá, nơi dữ liệu khan hiếm và các câu hỏi phức tạp hơn, giáo sư Evans nói. Nguy hiểm không phải là khoa học chậm lại, mà là nó trở nên đồng nhất hơn. Các phòng thí nghiệm cá nhân có thể chạy đua về phía trước, trong khi toàn bộ nỗ lực tập thể có nguy cơ hội tụ vào cùng một vấn đề, phương pháp và câu trả lời - một phiên bản tốc độ cao của sự thu hẹp mà giáo sư Evans đã ghi nhận lần đầu khi các công cụ tìm kiếm thay thế các chồng sách thư viện.
Giáo sư Catherine Shea, một nhà tâm lý học xã hội nghiên cứu hành vi tổ chức tại Trường Kinh doanh Tepper của Đại học Carnegie Mellon ở Pittsburgh, đã nhận xét rằng đây là một nghiên cứu thực sự đáng sợ khi nghĩ về những tác động cấp độ hai và ba của việc sử dụng AI trong khoa học. Bà cũng lưu ý rằng "một số loại câu hỏi nhất định phù hợp hơn với các công cụ AI." Và trong một môi trường học thuật mà các bài báo là "tiền tệ" chính của sự thành công, các nhà nghiên cứu đương nhiên sẽ hướng tới những vấn đề dễ dàng nhất để các công cụ này xử lý và biến thành kết quả có thể xuất bản. "Nó chỉ trở thành một vòng lặp tự củng cố theo thời gian," giáo sư Shea nói.
Liệu sự thu hẹp này có chỉ là tạm thời không? Điều này có thể phụ thuộc vào cách thế hệ công cụ AI tiếp theo được xây dựng và triển khai trong các quy trình làm việc khoa học. Trong một bài báo được xuất bản tháng trước, giáo sư Bowen Zhou và các đồng nghiệp tại Phòng thí nghiệm Trí tuệ Nhân tạo Thượng Hải ở Trung Quốc đã lập luận rằng việc ứng dụng AI trong khoa học vẫn còn rời rạc, với dữ liệu, tính toán và các công cụ tạo giả thuyết thường được triển khai một cách riêng lẻ và theo nhiệm vụ cụ thể, hạn chế việc chuyển giao kiến thức và làm giảm khả năng khám phá mang tính đột phá. Nhưng khi các yếu tố đó được tích hợp, các hệ thống AI cho khoa học sẽ giúp mở rộng khám phá khoa học, giáo sư Zhou, một nhà nghiên cứu học máy từng là nhà khoa học trưởng của Tập đoàn IBM Watson, cho biết.
Giáo sư Evans cũng đồng tình rằng điều đó có thể xảy ra. Nhưng ông không nghĩ rằng vấn đề nằm ở thiết kế thuật toán của AI. Hơn cả sự tích hợp kỹ thuật, ông lập luận rằng điều quan trọng nhất có thể là cải tổ các cấu trúc phần thưởng định hình những gì các nhà khoa học chọn làm việc ngay từ đầu. "Vấn đề không phải là kiến trúc của AI," giáo sư Evans nói. "Mà là về các động lực."
Giờ đây, giáo sư Evans cho rằng thách thức là phải cố tình định hướng lại cách AI được sử dụng và khen thưởng trong khoa học: "Theo một nghĩa nào đó, chúng ta chưa thực sự đầu tư vào giá trị cốt lõi của AI cho khoa học, đó là hỏi xem nó có thể cho phép chúng ta làm những điều mà chúng ta chưa từng làm trước đây hay không." Ông còn nói thêm: "Mình là một người lạc quan về AI. Hy vọng của mình là bài báo này sẽ là một sự khích lệ để sử dụng AI theo những cách khác nhau"- những cách mở rộng các loại câu hỏi mà các nhà khoa học sẵn sàng theo đuổi, thay vì chỉ đơn thuần tăng tốc công việc trên những vấn đề dễ giải quyết nhất. "Đây là thách thức lớn nếu chúng ta muốn phát triển các lĩnh vực mới."
Đây là kết luận từ một phân tích khổng lồ trên hơn 40 triệu bài báo khoa học. Nghiên cứu này chỉ ra rằng, những nhà khoa học nào sử dụng công cụ AI trong công việc của mình thì công bố được nhiều bài hơn, nhận được nhiều trích dẫn hơn, và thậm chí còn thăng tiến lên vị trí lãnh đạo sớm hơn hẳn so với những đồng nghiệp không dùng AI. Nghe thì có vẻ tuyệt vời đúng không?
Thế nhưng, mọi chuyện không đơn giản như vậy đâu. Trong khi các cá nhân nhà khoa học có thể "bay cao" trong sự nghiệp, thì khoa học nói chung lại đang dần mất đi sự tò mò, khám phá. Các nghiên cứu "nặng đô" về AI thường tập trung vào những vấn đề quen thuộc, giàu dữ liệu, và ít tạo ra những kết nối, tương tác sâu sắc giữa các công trình. Điều này cho thấy một sự căng thẳng rõ rệt giữa mục tiêu phát triển sự nghiệp cá nhân và sự tiến bộ chung của khoa học. Các công cụ như ChatGPT hay AlphaFold dường như đang ưu tiên tốc độ và quy mô, chứ không phải sự đột phá hay bất ngờ.
Giáo sư James Evans, một nhà xã hội học tại Đại học Chicago và là người đứng đầu nghiên cứu này, đã chia sẻ rằng chúng ta đang đối mặt với một mâu thuẫn giữa lợi ích cá nhân và lợi ích của toàn bộ nền khoa học. Khi ngày càng nhiều nhà nghiên cứu đổ xô vào cùng một "làn sóng" khoa học, một số chuyên gia bắt đầu lo ngại về một vòng lặp của sự tuân thủ và sự suy giảm tính độc đáo. Giáo sư Luís Nunes Amaral, một nhà vật lý nghiên cứu các hệ thống phức tạp tại Đại học Northwestern, đã bày tỏ sự lo lắng: "Điều này thực sự đáng báo động. Chúng ta đang đào sâu cùng một cái hố ngày càng sâu hơn." Nghiên cứu này đã được giáo sư Evans và các đồng nghiệp công bố trên tạp chí Nature vào ngày 14 tháng 1 vừa qua.
Thực ra, đây không phải là lần đầu tiên giáo sư Evans "vạch trần" những vấn đề kiểu này đâu nhé. Ông đã dành hơn một thập kỷ để sử dụng các bộ dữ liệu khổng lồ về xuất bản và trích dẫn để định lượng cách các ý tưởng lan truyền, đình trệ và đôi khi hội tụ trong khoa học. Hồi năm 2008, ông từng chỉ ra rằng việc chuyển sang xuất bản và tìm kiếm trực tuyến khiến các nhà khoa học có xu hướng đọc và trích dẫn những bài báo nổi bật giống nhau, điều này tuy giúp ý tưởng mới lan truyền nhanh hơn nhưng lại thu hẹp phạm vi các ý tưởng đang được lưu hành. Những công trình sau này còn đi sâu vào việc các động lực nghề nghiệp đã âm thầm hướng các nhà khoa học đến những câu hỏi an toàn, đông đúc thay vì những vấn đề mạo hiểm, độc đáo hơn.
Các nghiên cứu khác cũng theo dõi cách các lĩnh vực lớn có xu hướng làm chậm tốc độ đổi mới khái niệm theo thời gian, ngay cả khi số lượng bài báo tăng vọt. Gần đây hơn, giáo sư Evans đã bắt đầu áp dụng cùng một lăng kính định lượng đó vào chính AI, xem xét cách các thuật toán định hình sự chú ý tập thể, khám phá và tổ chức kiến thức. Những công trình trước đây của ông thường mang theo một lời cảnh báo: chính những công cụ và động lực giúp khoa học hiệu quả hơn cũng có thể nén chặt không gian ý tưởng mà các nhà khoa học cùng nhau khám phá. Và phân tích mới nhất này cho thấy AI có thể đang đẩy động lực này lên tốc độ "tối đa".
Để định lượng tác động này, giáo sư Evans và các cộng sự từ Trung tâm Nghiên cứu Khoa học và Công nghệ Thông tin Quốc gia Bắc Kinh đã huấn luyện một mô hình xử lý ngôn ngữ tự nhiên để xác định các nghiên cứu được tăng cường bởi AI trên sáu lĩnh vực khoa học tự nhiên. Bộ dữ liệu của họ bao gồm 41,3 triệu bài báo tiếng Anh được xuất bản từ năm 1980 đến năm 2025 trong các lĩnh vực sinh học, hóa học, vật lý, y học, khoa học vật liệu và địa chất. Họ đã loại trừ các lĩnh vực như khoa học máy tính và toán học, vốn tập trung vào việc phát triển các phương pháp AI.
Các nhà nghiên cứu đã theo dõi sự nghiệp của từng nhà khoa học, xem xét cách các bài báo của họ thu hút sự chú ý, và nhìn rộng hơn để xem các lĩnh vực khoa học đã tập trung hay phân tán về mặt trí tuệ theo thời gian như thế nào. Họ đã so sánh khoảng 311.000 bài báo có sử dụng AI theo một cách nào đó ví dụ như thông qua mạng nơ-ron hoặc các mô hình ngôn ngữ lớn – với hàng triệu bài báo khác không dùng AI.
Kết quả đã hé lộ một sự đánh đổi đáng kinh ngạc. Các nhà khoa học áp dụng AI đạt được năng suất và sự nổi bật: trung bình, họ công bố số lượng bài báo gấp 3 lần, nhận được số trích dẫn gần gấp 5 lần, và trở thành trưởng nhóm sớm hơn một hoặc hai năm so với những người không dùng AI. Tuy nhiên, khi các bài báo đó được "vẽ bản đồ" trong một "không gian tri thức" đa chiều, các nghiên cứu nặng về AI lại chiếm một dấu ấn trí tuệ nhỏ hơn, tập trung chặt chẽ hơn vào các vấn đề phổ biến, giàu dữ liệu, và tạo ra các mạng lưới tương tác tiếp theo yếu hơn giữa các nghiên cứu.
Mô hình này vẫn đúng qua nhiều thập kỷ phát triển của AI, từ học máy ban đầu, sự trỗi dậy của học sâu, cho đến làn sóng AI tạo sinh hiện tại. Giáo sư Evans còn nhấn mạnh rằng, nếu có gì đó, thì xu hướng này đang ngày càng tăng cường.
Sự thu hẹp về mặt trí tuệ không phải là hậu quả ngoài ý muốn duy nhất đâu. Với các công cụ tự động hóa giúp việc "sản xuất hàng loạt" bản thảo và bài gửi hội nghị trở nên dễ dàng hơn, các biên tập viên tạp chí và nhà tổ chức hội nghị đã chứng kiến một làn sóng các bài báo hoặc bài thuyết trình chất lượng thấp và gian lận, thường được tạo ra với quy mô công nghiệp. Giáo sư Nunes Amaral, người đã nghiên cứu chi tiết hiện tượng "nhà máy sản xuất bài báo" được thúc đẩy bởi AI vào năm ngoái, chia sẻ: "Chúng ta đã quá ám ảnh với số lượng bài báo mà các nhà khoa học công bố đến nỗi không còn suy nghĩ về những gì chúng ta đang nghiên cứu và bằng cách nào điều đó đóng góp vào sự hiểu biết tốt hơn về thực tại, về sức khỏe và thế giới tự nhiên."
Bên cạnh những biến dạng xuất bản gần đây, phân tích của giáo sư Evans còn cho thấy AI chủ yếu đang tự động hóa những phần "dễ xơi" nhất của khoa học thay vì mở rộng các biên giới của nó. Các mô hình được huấn luyện trên dữ liệu phong phú hiện có rất giỏi trong việc tối ưu hóa các vấn đề được xác định rõ ràng: dự đoán cấu trúc protein, phân loại hình ảnh, trích xuất các mẫu từ các bộ dữ liệu khổng lồ. Một số hệ thống thậm chí đã bắt đầu đề xuất các giả thuyết và hướng nghiên cứu mới – một cái nhìn thoáng qua về điều mà một số người gọi là "đồng nghiệp AI".
Tuy nhiên, trừ khi chúng được thiết kế và khuyến khích một cách có chủ đích, những hệ thống như vậy – và các nhà khoa học dựa vào chúng - khó có thể mạo hiểm vào những vùng lãnh thổ ít được khám phá, nơi dữ liệu khan hiếm và các câu hỏi phức tạp hơn, giáo sư Evans nói. Nguy hiểm không phải là khoa học chậm lại, mà là nó trở nên đồng nhất hơn. Các phòng thí nghiệm cá nhân có thể chạy đua về phía trước, trong khi toàn bộ nỗ lực tập thể có nguy cơ hội tụ vào cùng một vấn đề, phương pháp và câu trả lời - một phiên bản tốc độ cao của sự thu hẹp mà giáo sư Evans đã ghi nhận lần đầu khi các công cụ tìm kiếm thay thế các chồng sách thư viện.
Giáo sư Catherine Shea, một nhà tâm lý học xã hội nghiên cứu hành vi tổ chức tại Trường Kinh doanh Tepper của Đại học Carnegie Mellon ở Pittsburgh, đã nhận xét rằng đây là một nghiên cứu thực sự đáng sợ khi nghĩ về những tác động cấp độ hai và ba của việc sử dụng AI trong khoa học. Bà cũng lưu ý rằng "một số loại câu hỏi nhất định phù hợp hơn với các công cụ AI." Và trong một môi trường học thuật mà các bài báo là "tiền tệ" chính của sự thành công, các nhà nghiên cứu đương nhiên sẽ hướng tới những vấn đề dễ dàng nhất để các công cụ này xử lý và biến thành kết quả có thể xuất bản. "Nó chỉ trở thành một vòng lặp tự củng cố theo thời gian," giáo sư Shea nói.
Liệu sự thu hẹp này có chỉ là tạm thời không? Điều này có thể phụ thuộc vào cách thế hệ công cụ AI tiếp theo được xây dựng và triển khai trong các quy trình làm việc khoa học. Trong một bài báo được xuất bản tháng trước, giáo sư Bowen Zhou và các đồng nghiệp tại Phòng thí nghiệm Trí tuệ Nhân tạo Thượng Hải ở Trung Quốc đã lập luận rằng việc ứng dụng AI trong khoa học vẫn còn rời rạc, với dữ liệu, tính toán và các công cụ tạo giả thuyết thường được triển khai một cách riêng lẻ và theo nhiệm vụ cụ thể, hạn chế việc chuyển giao kiến thức và làm giảm khả năng khám phá mang tính đột phá. Nhưng khi các yếu tố đó được tích hợp, các hệ thống AI cho khoa học sẽ giúp mở rộng khám phá khoa học, giáo sư Zhou, một nhà nghiên cứu học máy từng là nhà khoa học trưởng của Tập đoàn IBM Watson, cho biết.
Giáo sư Evans cũng đồng tình rằng điều đó có thể xảy ra. Nhưng ông không nghĩ rằng vấn đề nằm ở thiết kế thuật toán của AI. Hơn cả sự tích hợp kỹ thuật, ông lập luận rằng điều quan trọng nhất có thể là cải tổ các cấu trúc phần thưởng định hình những gì các nhà khoa học chọn làm việc ngay từ đầu. "Vấn đề không phải là kiến trúc của AI," giáo sư Evans nói. "Mà là về các động lực."
Giờ đây, giáo sư Evans cho rằng thách thức là phải cố tình định hướng lại cách AI được sử dụng và khen thưởng trong khoa học: "Theo một nghĩa nào đó, chúng ta chưa thực sự đầu tư vào giá trị cốt lõi của AI cho khoa học, đó là hỏi xem nó có thể cho phép chúng ta làm những điều mà chúng ta chưa từng làm trước đây hay không." Ông còn nói thêm: "Mình là một người lạc quan về AI. Hy vọng của mình là bài báo này sẽ là một sự khích lệ để sử dụng AI theo những cách khác nhau"- những cách mở rộng các loại câu hỏi mà các nhà khoa học sẵn sàng theo đuổi, thay vì chỉ đơn thuần tăng tốc công việc trên những vấn đề dễ giải quyết nhất. "Đây là thách thức lớn nếu chúng ta muốn phát triển các lĩnh vực mới."
