Khả năng tương tác vẫn là một rào cản lớn, bất chấp sự phổ biến gần đây của các định
danh, tiêu chuẩn và giao thức. Có cơ hội tiềm năng cho các nhà hoạch định chính sách ảnh
hưởng đến sự phát triển của các hệ thống định danh quốc tế về dân số mục tiêu, thông tin
được nắm bắt, khả năng tương thích với các hệ thống thống kê và đặc biệt là áp dụng cả43
bởi các thực thể và bởi người dùng tiềm năng. Cụ thể, các nỗ lực quốc tế liên quan đến tài
liệu dữ liệu và phát triển các tiêu chuẩn cho siêu dữ liệu có thể được hợp nhất để cải thiện
khả năng tương tác dữ liệu.
Các hệ thống chính sách KHCNĐM số có thể giúp mở rộng cơ sở bằng chứng về việc
nghiên cứu được đánh giá, ví dụ, kết hợp độ cao. Nó cũng có thể trao quyền cho một nhóm
các bên liên quan tham gia tích cực hơn vào việc xây dựng và cung cấp chính sách
KHCNĐM. Tuy nhiên, cũng có nguy cơ là các hệ thống này tăng cường lạm dụng dữ liệu
hiện có. Các hệ thống chính sách KHCNĐM số nên duy trì và chấp nhận các sáng kiến
thúc đẩy các thực tiễn tốt nhất trong việc sử dụng dữ liệu có trách nhiệm.
Cuối cùng, các chính phủ có thể hợp tác hữu hiệu với các khu vực tư nhân và phi lợi
nhuận trong việc phát triển và vận hành các hệ thống chính sách KHCNĐM số. Tuy nhiên,
họ nên đảm bảo dữ liệu công khai mở cho mọi người dễ dàng truy cập và tái sử dụng. Họ
cũng nên tránh việc bị trói buộc vào các nhà cung cấp khóa, triển khai các hệ thống mở và
nhanh nhẹn. Trong một môi trường thay đổi nhanh chóng, điều này sẽ giúp các chính phủ
linh hoạt hơn trong việc áp dụng các công nghệ mới và kết hợp các nguồn dữ liệu chưa
được khai thác trong các hệ thống chính sách của họ.
45 trang |
Chia sẻ: hachi492 | Ngày: 18/01/2022 | Lượt xem: 421 | Lượt tải: 0
Bạn đang xem trước 20 trang tài liệu Tài liệu Số hóa trong khoa học, công nghệ và đổi mới sáng tạo: Những phát triển và chính sách chủ yếu, để xem tài liệu hoàn chỉnh bạn click vào nút DOWNLOAD ở trên
kiến Công nghiệp 4.0 của Đức đã ghi nhận hơn 300 trường hợp sử dụng các ứng dụng của
công nghệ kỹ thuật số, bao gồm cả các liên hệ với các chuyên gia (www.plattform-
i40.de). Ủy ban Mayfield 2017 của Vương quốc Anh đã tạo ra một công cụ tự đánh giá
trực tuyến, cung cấp cho các công ty một chuẩn mực so vớii thực tiễn tốt nhất, với các
hướng dẫn về các hành động hỗ trợ. Thông tin được cung cấp thông qua các sáng kiến như
vậy cũng cần bao gồm AI.
Đặc biệt hữu ích là thông tin về lợi tức đầu tư dự kiến (ROI) trong các công nghệ mới,
cũng như thông tin về các thay đổi quy trình và tổ chức bổ sung thiết yếu. Các quyết định
đầu tư cũng có thể phải bao gồm các cân nhắc chiến lược như nhu cầu duy trì khả thi trong
chuỗi cung ứng trong tương lai.
Do các kỹ năng tiếp thu thông tin ở nhiều DNVVN còn yếu, nên chỉ cung cấp thông
tin về công nghệ là không đủ. Chỉ dẫn các nguồn đáng tin cậy về chuyên môn của các
DNVVN có thể giúp ích. Ví dụ, Chương trình Kỹ thuật số dành cho các DNVVN,
TechDepot của Singapore cung cấp danh sách các giải pháp dịch vụ và công nghệ kỹ thuật
số trước khi được phê duyệt phù hợp với các DNVVN. Phát triển kỹ năng mục tiêu cũng
hữu ích. Chẳng hạn, Tooling U-SME - một tổ chức phi lợi nhuận của Mỹ thuộc sở hữu
của Hiệp hội kỹ sư chế tạo - cung cấp đào tạo và học nghề sản xuất công nghiệp trực tuyến.
28
Cơ sở thử nghiệm cũng có thể cung cấp cho các DNVVN các cơ sở để thử nghiệm các
kết hợp mới của thiết bị kỹ thuật số và các thiết bị khác. Bằng cách này, họ có thể giảm rủi
ro đầu tư trong tương lai.
Phổ biến đòi hỏi các điều kiện để hỗ trợ tạo ra các doanh nghiệp khởi nghiệp theo
định hướng tăng trưởng và phân bổ hiệu quả các nguồn lực kinh tế
Bằng cách đảm bảo các điều kiện như thủ tục phá sản kịp thời và thực thi mạnh mẽ
hợp đồng, chính phủ có thể hỗ trợ việc tạo ra các doanh nghiệp. Gia tăng sự gia nhập và
tăng trưởng của công ty mới là rất quan trọng để phổ biến công nghệ. Nghiên cứu của
OECD đã nhấn mạnh vai trò của các công ty mới và trẻ trong việc tạo việc làm ròng và đổi
mới căn bản. Không bị ràng buộc bởi các hệ thống cũ, các công ty khởi nghiệp thường giới
thiệu các hình thức tổ chức mà các công nghệ mới yêu cầu. Chẳng hạn, máy phát điện lần
đầu tiên được thương mại hóa vào giữa những năm 1890 trong cuộc cách mạng công
nghiệp lần thứ hai. Phải mất gần bốn thập kỷ, và một làn sóng hoạt động đầu tư và khởi
nghiệp trong thập niên 1920, trước khi các nhà máy được tổ chức lại một cách thích hợp đã
trở nên phổ biến và năng suất tăng lên (David, 1990).
Phân tích gần đây của OECD về các quy trình phân bổ kinh tế vi mô nhấn mạnh tầm
quan trọng của các điều kiện khung kinh tế và quản lý có lợi cho sản xuất tiên
phong. Chúng bao gồm thị trường sản phẩm cạnh tranh và thị trường lao động linh
hoạt. Chi phí thấp để bắt đầu và đóng cửa một doanh nghiệp cũng rất quan trọng. Hơn nữa,
sự cởi mở đối với đầu tư và thương mại trực tiếp nước ngoài cung cấp một phương tiện để
phổ biến công nghệ và khuyến khích áp dụng công nghệ. Tất cả những điều kiện như vậy
tạo thuận lợi cho phân bổ nguồn lực hiệu quả, giúp các công ty hiện hữu và các công ty
khởi nghiệp áp dụng các công nghệ mới và phát triển.
Một số yếu tố bổ sung có thể hỗ trợ phổ biến công nghệ bao gồm sự cởi mở với lao
động lành nghề di động quốc tế và tích cực trao đổi kiến thức giữa các nền kinh tế. Một
trao đổi quan trọng là sự tương tác giữa các tổ chức khoa học và doanh nghiệp.
Các tổ chức phổ biến cũng có thể có hiệu quả nếu được thiết kế tốt
Ngoài việc tạo ra các điều kiện khung, các tổ chức hiệu quả để phổ biến công nghệ
cũng rất quan trọng. Các hệ thống đổi mới luôn luôn chứa nhiều nguồn phổ biến công
nghệ, chẳng hạn như các trường đại học và xã hội chuyên nghiệp. Shapira và Youtie
(2017) đưa ra một kiểu các tổ chức phổ biến, bao gồm từ các trung tâm công nghệ ứng
dụng (ví dụ: Viện Fraunhofer ở Đức) đến các cơ chế công nghệ mở (ví dụ: Đăng ký khối
kiến thiết sinh học của các bộ phận sinh học tiêu chuẩn). Một số tổ chức có liên quan,
chẳng hạn như dịch vụ hỗ trợ kỹ thuật, có xu hướng nhận được mức độ ưu tiên thấp trong
bộ biện pháp hỗ trợ đổi mới tiêu chuẩn. Nhưng chúng có thể hiệu quả nếu được thiết kế
tốt. Ví dụ, gần đây, Đối tác mở rộng sản xuất của Hoa Kỳ đã được ước tính thu
được 14,5 USD cho mỗi đô la tiền tài trợ của liên bang.
29
Các sáng kiến phổ biến mới đang xuất hiện, một số trong đó vẫn đang thử nghiệm. Ví
dụ, bên cạnh các trung tâm công nghệ ứng dụng được thành lập, như Viện Fraunhofer, các
cách tiếp cận dựa trên quan hệ đối tác đang gia tăng. Một ví dụ là Mạng lưới đổi mới sản
xuất quốc gia Hoa Kỳ (NNMI). NNMI sử dụng các tổ chức phi lợi nhuận tư nhân làm
trung tâm của một mạng lưới các công ty và tổ chức đại học để phát triển các tiêu chuẩn và
nguyên mẫu trong các lĩnh vực như in 3D và sản xuất và thiết kế kỹ thuật số.
Các tổ chức phổ biến công nghệ cần có mục tiêu thực tế và mốc thời gian
Nâng cấp khả năng của các cộng đồng sản xuất để hấp thụ các công nghệ sản xuất mới
cần có thời gian. Phổ biến hiệu quả hơn khi các tổ chức phổ biến công nghệ được trao
quyền và nguồn lực để có tầm nhìn dài hạn hơn. Tương tự, các số liệu đánh giá nên nhấn
mạnh phát triển năng lực dài hạn hơn là kết quả gia tăng và tạo doanh thu.
Việc giới thiệu những cách mới để phổ biến công nghệ cần phải thử nghiệm. Tuy
nhiên, nhiều chính phủ muốn kết quả nhanh chóng và không có rủi ro. Hoạch định chính
sách cần bằng chứng đánh giá tốt hơn và sẵn sàng thử nghiệm các thiết kế và thực tiễn của
tổ chức. Những lo ngại về trách nhiệm giải trình của chính phủ kết hợp với ngân sách
nghèo nàn ở nhiều nền kinh tế có thể có nghĩa là các tổ chức không muốn chấp nhận rủi ro,
làm chậm sự xuất hiện của các tổ chức thế hệ mới để phổ biến công nghệ.
4.2. Chính sách về kết nối và dữ liệu
Mạng băng rộng là điều cần thiết cho Công nghiệp 4.0, chúng giảm chi phí truy cập
thông tin và mở rộng phương tiện để chia sẻ dữ liệu và kiến thức. Bằng cách này, chúng
giúp phát triển các hàng hóa, dịch vụ và mô hình kinh doanh mới và tạo điều kiện cho
nghiên cứu. Các ưu tiên chính sách trong lĩnh vực này bao gồm tiếp tục tăng cường truy
cập vào các mạng băng rộng tốc độ cao, bao gồm cả ở vùng nông thôn và vùng sâu vùng
xa. Cáp quang có tầm quan trọng đặc biệt đối với Công nghiệp 4.0 (Hộp 4.1).
Các chính sách để thúc đẩy cạnh tranh và đầu tư tư nhân, cũng như quản lý độc lập và
dựa trên bằng chứng, đã giúp mở rộng phạm vi. Khi các lực lượng thị trường không thể
hoàn thành tất cả các mục tiêu chính sách, chính phủ có thể đáp ứng bằng một loạt các
công cụ. Chúng có thể bao gồm đấu thầu cạnh tranh công khai để triển khai cơ sở hạ tầng,
nghĩa vụ pháp lý đối với các nhà khai thác và trợ cấp cho các mạng băng rộng quốc gia và
thành phố.
Các biện pháp khác bao gồm thúc đẩy các thỏa thuận và sáng kiến truy cập mở để
giảm chi phí triển khai. Sự phát triển công nghệ cũng có khả năng mở rộng cơ hội cung cấp
dịch vụ ở những khu vực thiếu quan sát. Ví dụ, băng thông rộng có thể được phân phối
thông qua các "Vùng trắng", những khoảng trống trong phổ vô tuyến giữa các kênh truyền
hình kỹ thuật số mặt đất.
30
Hộp 4.1. Tầm quan trọng của cáp quang đối với Công nghiệp 4.0
Kết nối cáp quang rất quan trọng đối với Công nghiệp 4.0 và có nhiều lợi thế so với Internet dựa
trên cáp đồng. Cáp quang cung cấp tốc độ nhanh hơn, với phạm vi trên hiện tại là 100 gigabyte
mỗi giây. Nó cung cấp truy cập nhanh hơn vào thông tin được lưu trữ trên đám mây điện toán,
cùng với độ tin cậy, cường độ tín hiệu và băng thông lớn hơn. Độ trễ thấp hơn của nó rất quan
trọng đối với nhiều máy điều khiển kỹ thuật số, sự hợp tác giữa các nhân viên và cung cấp các
công nghệ mới như haptics (tái tạo cảm giác từ xa). Nó cải thiện an ninh do tín hiệu bị mất trong
quá trình vi phạm cáp quang, chống lại sự can thiệp. Hơn nữa, mạng 5G dựa vào kết nối sợi quang.
Tăng cường niềm tin vào các dịch vụ kỹ thuật số là rất quan trọng đối với việc chia sẻ dữ liệu và
sự phát triển của băng thông rộng. Công nghiệp 4.0 cũng tạo ra những rủi ro có thể làm xói mòn
lợi ích nhận thức của các công nghệ kỹ thuật số. Mặc dù thách thức để đo lường, các sự cố an
ninh kỹ thuật số dường như đang gia tăng về độ tinh vi, tần suất và ảnh hưởng. Trong một sự cố
năm 2014, tin tặc đã xâm phạm các máy tính văn phòng của một nhà máy thép của Đức và áp đảo
các cơ chế ngừng hoạt động trên lò cao của nhà máy thép.
Những sự cố như vậy ảnh hưởng đến uy tín và khả năng cạnh tranh của các công ty. Chúng cũng
áp đặt chi phí đáng kể cho toàn bộ nền kinh tế, hạn chế các cơ hội kinh doanh và ứng dụng CNTT-
TT. Các giải pháp bảo mật kỹ thuật số mới đang nổi lên. Ví dụ, trong mã hóa đồng cấu trúc, dữ liệu
luôn được mã hóa, ngay cả khi được tính toán trên đám mây điện toán. Nhưng cuộc đua công
nghệ giữa tin tặc và mục tiêu của chúng là không ngừng. Và các DNVVN cần phải tiếp thu hoặc
cải thiện thực hành quản lý rủi ro an ninh kỹ thuật số của họ.
Tránh hạn chế dòng dữ liệu xuyên biên giới
Nghiên cứu bắt đầu chỉ ra rằng việc hạn chế luồng dữ liệu có thể dẫn đến mất cơ hội
thương mại và đầu tư, chi phí cao hơn của đám mây và các dịch vụ công nghệ thông tin
khác, năng suất kinh tế thấp hơn và giảm tăng trưởng tổng sản phẩm trong nước. Sản xuất
tạo ra nhiều dữ liệu hơn bất kỳ lĩnh vực nào khác của nền kinh tế. Các luồng dữ liệu xuyên
biên giới dự kiến sẽ tăng nhanh hơn tốc độ tăng trưởng trong thương mại thế giới. Hạn chế
các luồng như vậy, hoặc làm cho chúng đắt hơn, chẳng hạn, bằng cách bắt buộc các công
ty xử lý dữ liệu khách hàng tại địa phương, có thể làm tăng chi phí của các công ty và tăng
sự phức tạp trong kinh doanh, đặc biệt là cho các DNVVN.
Quyền di chuyển dữ liệu pháp lý cho các công ty?
Vào tháng 4 năm 2016, Quy định bảo vệ dữ liệu chung của Liên minh châu Âu đã thiết
lập quyền đối với tính di động đối với dữ liệu cá nhân. Một số công ty, chẳng hạn như
Siemens và GE, đang cạnh tranh vị trí dẫn đầu trong các nền tảng trực tuyến cho IoT. Khi
tiến hành số hóa, các nền tảng như vậy sẽ trở thành kho lưu trữ dữ liệu kinh doanh ngày
càng quan trọng. Nếu các công ty có quyền di động đối với dữ liệu phi cá nhân, sự cạnh
tranh giữa các nền tảng có thể tăng lên và chi phí chuyển đổi cho các công ty có thể giảm.
Các khung để bảo vệ dữ liệu cảm biến phi cá nhân
Việc bảo vệ dữ liệu do máy tạo ra có thể sẽ trở thành một vấn đề ngày càng tăng khi
Công nghiệp 4.0 phát triển. Điều này là do các cảm biến đang trở nên phổ biến, có khả
31
năng hơn, ngày càng được liên kết với tính toán nhúng và được sử dụng để truyền khối
lượng lớn dữ liệu máy thường xuyên quan trọng. Các máy đơn lẻ có thể chứa nhiều bộ
phận được sản xuất bởi các nhà sản xuất khác nhau, mỗi bộ được trang bị cảm biến thu
thập, tính toán và truyền dữ liệu. Những phát triển này đặt ra câu hỏi pháp lý và quy
định. Chẳng hạn, các điều khoản đặc biệt cần thiết để bảo vệ dữ liệu trong chuỗi giá trị từ
bên thứ ba? Những pháp nhân nào nên có quyền sở hữu dữ liệu do máy tạo ra trong những
điều kiện nào? Và, những quyền nào để sở hữu dữ liệu có giá trị nên tồn tại trong các
trường hợp mất khả năng thanh toán của doanh nghiệp?
Tăng niềm tin vào điện toán đám mây
Điện toán đám mây là một công nghệ khác có thể cần chính sách quản lý. Sử dụng
đám mây có thể mang lại hiệu quả đạt được cho các công ty. Và Công nghiệp 4.0 sẽ yêu
cầu chia sẻ dữ liệu gia tăng trên các trang web và ranh giới công ty. Do đó, dữ liệu máy
tính và phân tích dữ liệu và thậm chí giám sát và hệ thống kiểm soát sẽ ngày càng được
nằm trong đám mây. Đám mây cũng sẽ cho phép các dự án AI độc lập bắt đầu nhỏ và mở
rộng quy mô theo yêu cầu. Thật vậy, nhà khoa học AI trưởng của Google, Fei-Fei Li, gần
đây đã lập luận rằng điện toán đám mây sẽ dân chủ hóa AI.
Chính phủ có thể hành động để tăng niềm tin vào đám mây và kích thích áp dụng đám
mây. Việc sử dụng điện toán đám mây trong sản xuất rất khác nhau giữa các quốc gia
OECD. Ví dụ, ở Phần Lan, 69% các nhà sản xuất sử dụng đám mây so với khoảng 15% ở
Đức. Các công ty ở các quốc gia nơi sử dụng điện toán đám mây thấp thường gây ra lo
ngại về bảo mật dữ liệu và sự không chắc chắn về việc đặt dữ liệu trong các máy chủ ngoài
lãnh thổ. Tuy nhiên, sử dụng đám mây có thể mang lại sự bảo mật dữ liệu tăng lên, đặc biệt
là đối với các DNVVN. Ví dụ: Amazon Web Services, công ty dẫn đầu thị trường, cung
cấp hơn 1.800 kiểm soát bảo mật. Điều này mang đến một mức độ bảo mật dữ liệu vượt xa
những gì hầu hết các công ty có thể tự cung cấp. Chính phủ có thể thực hiện các bước để
giúp các DNVVN hiểu rõ hơn về ý nghĩa kỹ thuật và pháp lý của các hợp đồng dịch vụ
đám mây, bao gồm việc cung cấp thông tin về phạm vi và nội dung của các chương trình
chứng nhận phù hợp cho khách hàng điện toán đám mây.
4.3. Phát triển kỹ năng số
Công nghệ kỹ thuật số tạo ra nhu cầu kỹ năng mới. Các chức danh nghề nghiệp gần
đây như "nhà khoa học dữ liệu công nghiệp", và "nhà khoa học tin sinh học", phản ánh
những thay đổi theo hướng công nghệ trong nhu cầu kỹ năng. Các cá nhân cần các kỹ năng
cơ bản cần thiết để áp dụng các công nghệ kỹ thuật số mới. Việc thiếu các kỹ năng phân
tích chung và các kỹ năng tiên tiến đang cản trở việc áp dụng công nghệ. Chẳng hạn, các
cuộc khảo sát cho thấy sự thiếu hụt các chuyên gia dữ liệu lành nghề là trở ngại chính cho
việc sử dụng phân tích dữ liệu trong kinh doanh (OECD, 2017b).
32
Mối quan tâm phổ biến liên quan đến sự đổ vỡ thị trường lao động có thể có từ tự
động hóa được thúc đẩy bởi công nghệ kỹ thuật số. Dữ liệu từ Chương trình đánh giá quốc
tế về năng lực của người trưởng thành của OECD nêu bật việc thiếu các kỹ năng về CNTT
trong dân số trưởng thành có tay nghề thấp trong các ngành nghề bán kỹ năng. Điều này có
nghĩa là nhóm nhân khẩu học này có nguy cơ mất việc cao đối với tự động hóa.
Dự báo nhu cầu kỹ năng là rất khó. Chỉ vài năm trước, ít người có thể dự đoán rằng
điện thoại thông minh sẽ phá vỡ, và trong một số trường hợp là xóa sổ, nhiều loại sản
phẩm và ngành công nghiệp, từ máy tính xách tay và các thiết bị cá nhân đến các ngành
công nghiệp tạo ra các máy đo âm nhạc và kính lúp cầm tay (chức năng hiện nay có sẵn
thông qua các ứng dụng di động).
Do vậy, chính phủ phải thiết lập các hệ thống thu thập thông tin tập thể và hiểu biết về
các nhu cầu mới nổi về kỹ năng. Về mặt này, các doanh nghiệp, công đoàn, tổ chức giáo
dục và người học đều có thể tham gia đóng góp. Học sinh, phụ huynh và người sử dụng lao
động phải có quyền truy cập vào thông tin để đánh giá mức độ hiệu quả của các tổ chức
giáo dục và đánh giá con đường sự nghiệp của sinh viên tốt nghiệp của các chương trình
khác nhau. Đổi lại, các hệ thống giáo dục và đào tạo phải được tổ chức sao cho các nguồn
lực được phân bổ hiệu quả cho các khóa học và tổ chức phục vụ tốt nhất cho nhu cầu về kỹ
năng. Các tổ chức như hội đồng bảo mật công việc của Thụy Điển hoặc cơ quan
SkillFutureSingapore, đóng vai trò như vậy (Atkinson, 2018). Doanh nghiệp và chính phủ
phải cùng làm việc để thiết kế các chương trình đào tạo, với các cơ quan công quyền đảm
bảo độ tin cậy của chứng chỉ đào tạo.
Các thức cung cấp học tập rất quan trọng.
Các chính sách để cải thiện kỹ năng cho Công nghiệp 4.0 thường bao gồm việc bồi
dưỡng kiến thức về CNTT trong chương trình giảng dạy ở trường. Kiến thức này bao gồm
từ việc sử dụng các phần mềm năng suất cơ bản như chương trình xử lý văn bản và bảng
tính, đến mã hóa và thậm chí các khóa học bảo mật kỹ thuật số. Trong quá trình giáo dục
chính quy, thường cần nhiều chương trình đa ngành và chương trình giản dạy linh hoạt
hơn. Ví dụ, sinh viên có thể chọn một thành phần về kỹ thuật cơ khí và kết hợp với khoa
học dữ liệu, sản xuất dựa trên sinh học hoặc các ngành khác.
Trong một đánh giá toàn diện về giáo dục khoa học, công nghệ, kỹ thuật và toán học
(STEM), Atkinson và Mayo (2010) xác định một loạt các ưu tiên. Những điều này nhấn
mạnh giúp sinh viên làm theo sở thích và đam mê của họ; tôn trọng mong muốn của học
sinh nhỏ tuổi trở thành người học tích cực; và tạo cơ hội lớn hơn để khám phá nhiều môn
học STEM chuyên sâu. Điều quan trọng không kém là tăng cường sử dụng trực tuyến, trò
chơi video và học tập dựa trên dự án và tạo các tùy chọn để tham gia các khóa học STEM
cấp ba ở cấp trung học. Các trường học Kosen của Nhật Bản đã chứng minh tính hiệu quả
của nhiều ý tưởng này kể từ đầu những năm 1960 (Schle Rich, 2018).
33
Nhiều chính phủ đang triển khai các chương trình hướng tới tương lai để phù hợp với
các ưu tiên đào tạo về CNTT-TT với nhu cầu kỹ năng dự kiến. Ví dụ, tại Bỉ, chính phủ
thực hiện các nghiên cứu trong tương lai về tác động dự kiến của việc chuyển đổi kỹ thuật
số đối với nghề nghiệp và kỹ năng trong nhiều lĩnh vực. Kết quả sau đó được sử dụng để
chọn các khóa đào tạo được củng cố cho các công việc mới nổi và trong tương lai. Estonia
và Costa Rica cũng đã thay đổi chương trình giảng dạy ở trường dựa trên ước tính việc làm
sẽ có trong tương lai.
Học tập suốt đời phải là một phần không thể thiếu trong công việc.
Tiến bộ tự động hóa và sự ra đời của các công nghệ mới cũng có nghĩa là học tập suốt
đời phải là một phần không thể thiếu trong công việc. Mỗi năm, dòng lực lượng lao động
từ giáo dục ban đầu chỉ chiếm một tỷ lệ nhỏ trong số những người làm việc, đến lượt họ sẽ
chịu phần lớn chi phí điều chỉnh cho các công nghệ mới. Cả hai cân nhắc đều nhấn mạnh
tầm quan trọng của việc học tập suốt đời. Những thay đổi đột phá trong công nghệ sản xuất
làm nổi bật tầm quan trọng của các kỹ năng chung mạnh mẽ và phổ biến, như biết chữ, tính
toán và giải quyết vấn đề. Những kỹ năng nền tảng này là cơ sở để tiếp thu các kỹ năng kỹ
thuật, bất kể chúng là gì. Phối hợp với các đối tác xã hội, chính phủ có thể giúp thúc đẩy
phát triển các chương trình đào tạo mới, chẳng hạn như các khóa học chuyển đổi về AI cho
những người đã đi làm.
Công nghệ số sẽ tự ảnh hưởng đến cách phát triển kỹ năng.
Công nghệ kỹ thuật số đang tạo ra cơ hội để phát triển các kỹ năng theo những cách
mới lạ. Ví dụ, vào năm 2014, Giáo sư Ashok Joel, và các sinh viên tốt nghiệp, tại Đại học
Georgia Tech, đã tạo ra một trợ lý giảng dạy AI - Jill Watson - để trả lời các câu hỏi của
sinh viên trực tuyến. Trong nhiều tháng, sinh viên không biết rằng các câu trả lời là không
phải của con người (Korn, 2016). iTalk2Learn là một dự án của Liên minh Châu Âu nhằm
phát triển một nền tảng dạy kèm toán học thông minh mã nguồn mở cho các trường tiểu
học. Gần hơn với nơi làm việc, các nhà nghiên cứu tại Đại học Stanford đang phát triển các
hệ thống để đào tạo đám đông lao động bằng cách sử dụng tài liệu điều khiển bằng máy
được tạo ra bởi những lao động khác. Và Upskill (www.upskill.io) cung cấp công nghệ có
thể đeo để kết nối người lao động với thông tin, thiết bị, quy trình và những người họ cần
để làm việc hiệu quả hơn. Trong số những lợi ích tiềm năng khác, trong một thế giới nơi
việc học tập suốt đời sẽ rất cần thiết, AI có thể giúp người học hiểu được những đặc điểm
riêng về cách họ học tốt nhất.
4.4. Tham gia thiết lập tiêu chuẩn
Sản xuất tiên tiến hoạt động trong một ma trận rộng lớn của các tiêu chuẩn kỹ
thuật. Ví dụ, ngành công nghiệp bán dẫn sử dụng hơn 1.000 tiêu chuẩn (Tassey,
2014). Phát triển tiêu chuẩn liên quan đến Công nghiệp 4.0 đang được tiến hành trong
nhiều lĩnh vực, từ giao tiếp giữa máy với máy và truyền dữ liệu đến 5G, robot và định danh
34
kỹ thuật số cho các đối tượng. Hiện có hơn 100 sáng kiến tiêu chuẩn cho IoT và Công
nghiệp 4.0 (Ezell, 2018).
Các quốc gia và công ty đóng vai trò chính trong việc thiết lập các tiêu chuẩn quốc tế
có thể tận hưởng lợi thế nếu các tiêu chuẩn mới phù hợp với các tiêu chuẩn quốc gia và /
hoặc các đặc điểm của cơ sở sản xuất của họ. Vai trò của khu vực công phải là khuyến
khích ngành công nghiệp, bao gồm các công ty có quy mô khác nhau, tham gia ở giai đoạn
đầu trong các tiêu chuẩn quốc tế (và trong một số trường hợp là quốc gia). Hỗ trợ riêng có
thể được cung cấp cho các nhóm doanh nghiệp đại diện trong các quy trình phát triển các
tiêu chuẩn.
Sự phát triển của các tiêu chuẩn AI - đặc biệt là các tiêu chuẩn kỹ thuật - đang ở giai
đoạn sớm ban đầu. Hầu hết các chiến lược AI quốc gia đề cập đến việc phát triển các tiêu
chuẩn đạo đức AI. Nhưng khía cạnh giám sát này của các tiêu chuẩn, xung quanh đạo đức
và quản trị doanh nghiệp, cũng cần các tiêu chuẩn kỹ thuật (một thuật ngữ như "thuật toán
minh bạch" chưa có định nghĩa kỹ thuật). Thời điểm thiết lập tiêu chuẩn - quá sớm hoặc
quá muộn - luôn là vấn đề được đặt ra khi đánh giá mức độ ảnh hưởng của tiêu
chuẩn. Trong quá khứ, thông thường, chỉ có một vài chủ thể chính đàm phán tiêu
chuẩn. Nhưng giờ có một số lượng lớn các nhà phát triển làm việc trong các dự án Nguồn
mở cũng sẽ tìm ra các giải pháp tiêu chuẩn. Trong một số lĩnh vực của AI, người xác định
tiêu chuẩn đầu tiên có thể ít quan trọng hơn so với các công nghệ trước đó.
4.5. Cải thiện việc tiếp cận điện toán hiệu năng cao
Điện toán hiệu năng cao HPC ngày càng quan trọng đối với các công ty trong các
ngành công nghiệp từ xây dựng và dược phẩm cho đến lĩnh vực ô tô và hàng không vũ
trụ. Ví dụ, Airbus sở hữu 3 trong số 500 siêu máy tính nhanh nhất thế giới. Hai phần ba các
công ty có trụ sở tại Hoa Kỳ sử dụng HPC nói rằng: Hiệu suất tăng của các mô hình tính
toán là vấn đề cạnh tranh sống còn (Hội đồng cạnh tranh Hoa Kỳ, 2014). Làm thế nào HPC
được sử dụng trong sản xuất cũng đang mở rộng, vượt ra ngoài các ứng dụng như thiết kế
và mô phỏng để bao gồm kiểm soát thời gian thực các quy trình sản xuất phức tạp. Tỷ lệ
lợi nhuận tài chính cho việc sử dụng HPC rất cao. Theo một ước tính, trung bình mỗi EUR
đầu tư sẽ tạo ra 69 EUR lợi nhuận (EC, 2016).
Khi Công nghiệp 4.0 trở nên phổ biến hơn, nhu cầu về HPC sẽ tăng lên. Nhưng giống
như các công nghệ kỹ thuật số khác, việc sử dụng HPC trong sản xuất còn ít. Một ước tính
cho thấy 8% các công ty Mỹ có ít hơn 100 nhân viên sử dụng HPC. Tuy nhiên, một nửa số
DNVVN sản xuất có thể sử dụng HPC (để tạo mẫu, thử nghiệm và thiết kế) (Ezell và
Atkinson, 2016). Các sáng kiến HPC công thường tập trung vào nhu cầu tính toán của khoa
học lớn. Sự tiếp cận rộng hơn với công nghiệp, đặc biệt là các DNVVN, là cần thiết. Các
cách tiếp cận được nêu trong Hộp 4.2.
35
Hộp 4.2. Đưa siêu máy tính vào công nghiệp: Các hành động chính sách
- Nâng cao nhận thức về các trường hợp sử dụng công nghiệp, với định lượng chi phí và lợi ích
của chúng.
- Phát triển nguồn tư vấn và dịch vụ HPC một cửa cho các DNVVN và người dùng công nghiệp
khác.
- Cung cấp việc sử dụng thử nghiệm hạn chế HPC chi phí thấp hoặc miễn phí cho các DNVVN,
nhằm chứng minh ý nghĩa kỹ thuật và thương mại của công nghệ.
- Thiết lập thư viện phần mềm trực tuyến hoặc thanh toán bù trừ để giúp phổ biến phần mềm HPC
cải tiến đến cơ sở công nghiệp rộng lớn hơn.
- Ưu đãi cho các trung tâm HPC có kinh nghiệm công nghiệp lâu năm, chẳng hạn như Trung tâm
Hartree ở Vương quốc Anh hoặc TERATEC ở Pháp, để tư vấn cho các trung tâm có ít kinh
nghiệm.
- Sửa đổi tiêu chí đủ điều kiện cho các dự án HPC, thường tập trung vào đánh giá ngang hàng về
sự xuất sắc khoa học, để bao gồm các tiêu chí về tác động thương mại.
- Huy động viện nghiên cứu và công nghiệp tham gia cùng thiết kế phần cứng và phần mềm mới,
như đã được thực hiện trong các dự án châu Âu như Mont Blanc.
- Đưa HPC vào chương trình giảng dạy khoa học và kỹ thuật đại học.
- Khám phá các cơ hội để phối hợp mua năng lực tính toán được cung cấp thương mại.
Ngay cả các nước đang phát triển có thể được khuyên nên có một mạng lưới máy tính
hiệu năng cao. Ban đầu, một nền kinh tế thu nhập thấp có thể có một vài cách sử dụng công
nghiệp nhỏ cho HPC. Tuy nhiên, máy tính hiệu năng cao có thể tìm thấy các ứng dụng ban
đầu trong nghiên cứu và khoa học, và sau đó được áp dụng trong công nghiệp. Siêu máy tính
dựa trên đám mây không thể đáp ứng tất cả các nhu cầu siêu máy tính. Điều này chỉ khả thi
khi thỉnh thoảng cần các ứng dụng. Nếu các ứng dụng công nghiệp hoặc khoa học là thường
xuyên hoặc liên tục, thì dịch vụ dựa trên đám mây có thể quá đắt.
4.6. Hệ thống sở hữu trí tuệ
Các công nghệ kỹ thuật số đang đưa ra những thách thức mới cho các hệ thống
SHTT. Ví dụ, in 3D có thể tạo ra các vấn đề phức tạp liên quan đến đủ điều kiện bằng
sáng chế. Chẳng hạn, nếu mô người được in 3D cải thiện mô người tự nhiên, nó có thể đủ
điều kiện để được cấp bằng sáng chế, mặc dù không có mô người tự nhiên. Về cơ bản hơn,
các khung bằng sáng chế mới có thể cần thiết trong một thế giới mà máy móc có khả năng
phát minh. Các hệ thống AI đã tạo ra các phát minh có thể đăng ký sáng chế.
AI đặt ra nhiều thách thức phức tạp cho các hệ thống SHTT, chẳng hạn như xác định
hành vi vi phạm luật sáng chế. Các luật này sẽ phức tạp bởi các hệ thống AI tự động - và
không thể đoán trước - học hỏi từ nhiều nguồn thông tin có sẵn công khai. Một thách thức
chính sách bao trùm là cân bằng các nhu cầu xung quanh SHTT. Một mặt, SHTT cần thiết
36
để khuyến khích một số loại đổi mới sáng tạo. Mặt khác, nó không nên cản trở sự phổ biến
của các công nghệ như AI và in 3D.
4.7. Hỗ trợ công cho NC&PT
Sự phức tạp của nhiều công nghệ sản xuất mới nổi vượt quá khả năng nghiên cứu của
ngay cả các công ty lớn nhất. Trong những trường hợp như vậy có thể cần đến sự hợp tác
nghiên cứu công - tư. Vi điện tử, vật liệu mới và công nghệ nano, trong số những thứ khác,
đã phát sinh nhờ những tiến bộ về tri thức khoa học và thiết bị. Nghiên cứu cơ bản được tài
trợ công thường rất quan trọng. Ví dụ, trong nhiều thập kỷ, tài trợ công đã hỗ trợ cho sự
tiến bộ trong AI, bao gồm cả trong thời gian nghiên cứu không hiệu quả, đến mức AI ngày
nay thu hút đầu tư tư nhân rất lớn. Sự suy giảm gần đây trong hỗ trợ công cho nghiên cứu
ở một số nền kinh tế lớn là một mối lo ngại.
Nhiều mục tiêu khả thi tồn tại cho các nỗ lực NC&PT và thương mại hóa của chính
phủ, từ điện toán lượng tử cho đến tiến bộ AI.
Thách thức nghiên cứu bao quát liên quan đến chính tính toán
Tốc độ xử lý, dung lượng bộ nhớ, mật độ cảm biến và độ chính xác của nhiều thiết bị
kỹ thuật số được gắn liền với Định luật Moore, khẳng định rằng số lượng bóng bán dẫn
trên một vi mạch tăng gấp đôi sau mỗi hai năm (Investopedia, nd). Tuy nhiên, hiện tượng
cấp nguyên tử và chi phí tăng làm hạn chế sự thu nhỏ các bóng bán dẫn trên các mạch tích hợp.
Nhiều chuyên gia tin rằng giới hạn thu nhỏ sẽ sớm đạt tới. Đồng thời, các ứng dụng
của công nghệ kỹ thuật số trên toàn nền kinh tế phụ thuộc vào nưng lực tính toán ngày
càng tăng. Ví dụ, năng lực tính toán cần thiết cho các thử nghiệm AI lớn nhất đang tăng
gấp đôi cứ sau 3,5 tháng (OpenAI, ngày 16/5/2018). Theo một ước tính, xu hướng này có
thể được duy trì trong ít nhất 3,5 đến 10 năm, thậm chí giả định các cam kết NC&PT công
ở mức tương tự như các dự án Apollo hoặc Manhattan (Carey, 10/7/2018).
Do đó, phần lớn phụ thuộc vào việc đạt được hiệu năng tính toán vượt trội (bao gồm
cả về các yêu cầu năng lượng). Nhiều người hy vọng rằng những tiến bộ đáng kể trong
điện toán sẽ xuất phát từ những đột phá nghiên cứu về điện toán quang học (sử dụng
photon thay vì electron), điện toán sinh học (sử dụng ADN để lưu trữ dữ liệu và tính toán)
và / hoặc điện toán lượng tử (Hộp 4.3).
Hộp 4.3. Chế độ điện toán mới: Cuộc đua điện toán lượng tử
Máy tính lượng tử hoạt động bằng cách khai thác các định luật vật lý hạ nguyên tử. Một bóng bán
dẫn thông thường thay đổi giữa bật và tắt, đại diện cho 1 và 0. Tuy nhiên, một máy tính lượng tử sử
dụng các bit lượng tử (qubit), có thể ở trạng thái 0, 1 hoặc bất kỳ kết hợp xác suất nào của cả 0 và 1
(ví dụ: 0 với 20% và 1 với xác suất 80%). Đồng thời, các qubit tương tác với các qubit khác thông
qua cái gọi là sự vướng víu lượng tử (mà Einstein gọi là hành động ma quái ở khoảng cách xa).
Máy tính lượng tử được phát triển đầy đủ, có nhiều qubit, có thể cách mạng hóa một số loại máy
37
tính. Nhiều vấn đề được giải quyết tốt nhất bởi các máy tính lượng tử, như tối ưu hóa phức tạp và
mô phỏng rộng lớn, có ý nghĩa kinh tế lớn. Ví dụ, tại Hội nghị CogX 2018, Tiến sĩ Julie Love, giám
đốc điện toán lượng tử của Microsoft, đã mô tả cách mô phỏng tất cả các tính chất hóa học của
phân tử chính liên quan đến việc cố định nitơ - nitrogenase - sẽ mất hàng tỷ năm của siêu máy
tính. Tuy nhiên, mô phỏng này có thể được thực hiện trong vài giờ với công nghệ lượng tử. Kết
quả của một mô phỏng như vậy sẽ trực tiếp đưa ra thách thức nâng cao năng suất nông nghiệp
toàn cầu và hạn chế sự phụ thuộc ngày nay vào việc sản xuất phân bón nitơ sử dụng nhiều năng
lượng. Rigetti Computing cũng đã chứng minh rằng máy tính lượng tử có thể đào tạo các thuật
toán ML với độ chính xác cao hơn, sử dụng ít dữ liệu hơn so với máy tính thông.
Cho đến gần đây, công nghệ lượng tử chủ yếu là một khả năng lý thuyết. Tuy nhiên, Google, IBM và
các công ty khác đang bắt đầu thử nghiệm các ứng dụng thực tế với một số lượng nhỏ các qubit. Ví
dụ, IBM Quantum Experience (IBM, nd) cung cấp tính toán lượng tử trực tuyến miễn phí. Tuy nhiên,
hiện tại không có thiết bị lượng tử nào tiếp cận hiệu suất của các máy tính thông thường.
Theo một ước tính, dưới 100 người trên toàn cầu sở hữu các kỹ năng viết thuật toán đặc biệt cho
máy tính lượng tử. Azhar (2018) tính toán rằng các công ty tham gia vào bất kỳ khía cạnh nào của
điện toán lượng tử sử dụng ít hơn 2.000 người trên toàn cầu. Những hạn chế về kỹ năng có thể
được giảm bớt khi Google phát hành Cirq. Bộ công cụ phần mềm này cho phép các nhà phát triển
không có kiến thức chuyên môn về vật lý lượng tử để tạo ra các thuật toán cho máy lượng
tử. Zapata Computing, một công ty khởi nghiệp, nhằm mục đích cung cấp một loạt phần mềm làm
sẵn mà các công ty có thể sử dụng trên máy tính lượng tử.
Sự phát triển hơn nữa của điện toán lượng tử mạnh mẽ, có thể mở rộng liên quan đến những
thách thức lớn về nghiên cứu và kỹ thuật. Đầu tư công hàng năm trên toàn cầu vào điện toán
lượng tử có thể dao động từ 1,5 tỷ EUR đến 1,9 tỷ EUR . Trong khi nguồn vốn đầu tư mạo hiểm
tương đối nhỏ đang tăng lên, dẫn đầu là D-Wave ( 175 triệu USD), Rigetti ( 70 triệu USD),
Quantum Computing Cambridge ( 50 triệu USD) và IonQ ( 20 triệu USD) (Azhar, 2018). Trung
Quốc dự kiến sẽ mở một Phòng thí nghiệm Quốc gia về Khoa học Thông tin Lượng tử với khoản
đầu tư dự kiến là 10 tỷ USD. Các nhà khoa học Trung Quốc đang có những tiến bộ nghiên cứu
lớn. Chẳng hạn, vào tháng 7/2018, họ đã phá vỡ kỷ lục về số lượng qubit được liên kết với nhau
thông qua sự vướng víu lượng tử.
Cần nhiều nghiên cứu hơn về AI
Tài trợ nghiên cứu công là chìa khóa cho tiến bộ trong AI từ khi lĩnh vực này được
khai sinh. Hội đồng nghiên cứu quốc gia (1999) cho thấy, mặc dù khái niệm AI bắt nguồn
từ khu vực tư nhân - phối hợp chặt chẽ với giới hàn lâm - nhưng sự phát triển của nó chủ
yếu là kết quả từ nhiều thập kỷ đầu tư công. Các trung tâm xuất sắc về nghiên cứu AI toàn
cầu (ví dụ tại Stanford, Carnegie Mellon và Viện Công nghệ Massachusetts) xuất hiện từ
sự hỗ trợ công, thường gắn với tài trợ của Bộ Quốc phòng Hoa Kỳ. Tuy nhiên, những
thành công gần đây trong AI đã thúc đẩy tăng trưởng trong NC&PT của khu vực tư nhân
cho AI. Ví dụ, báo cáo thu nhập cho thấy tổng cộng Google, Amazon, Apple, Facebook và
Microsoft đã chi 60 tỷ USD cho NC&PT trong năm 2017, với một phần quan trọng về
AI. Để so sánh, tổng số NC&PT của chính phủ liên bang Hoa Kỳ cho sản xuất và công
nghệ phi quốc phòng lên tới khoảng 760 triệu USD trong năm 2017 (OECD, 2019).
Nhiều người trong doanh nghiệp, chính phủ và cộng đồng tin rằng AI đang ở điểm
uốn, sẵn sàng đạt được những cải tiến lớn về năng lực. Tuy nhiên, một số chuyên gia nhấn
38
mạnh quy mô và những khó khăn của những thách thức nghiên cứu nổi bật. Một số đột phá
nghiên cứu AI có thể đặc biệt quan trọng đối với xã hội, nền kinh tế và chính sách
công. Tuy nhiên, mục tiêu nghiên cứu của công ty và chính phủ có thể không hoàn toàn
phù hợp. Jordan (2018) lưu ý rằng nhiều nghiên cứu về AI không liên quan trực tiếp đến
những thách thức lớn trong việc xây dựng cơ sở hạ tầng thông minh an toàn, như hệ thống
y tế hoặc giao thông. Ông quan sát rằng không giống như AI bắt chước con người, các hệ
thống quan trọng như vậy phải có khả năng đối phó với các tương tác trên nền tảng đám
mây trong việc đưa ra các quyết định phân tán, kịp thời và chúng phải xử lý các hiện tượng
theo sau. Chúng phải giải quyết những khó khăn trong việc chia sẻ dữ liệu qua các ranh
giới hành chính và cạnh tranh.
Những thách thức nghiên cứu nổi bật khác liên quan đến chính sách công liên quan
đến việc làm cho AI có thể giải thích được; làm cho các hệ thống AI trở nên mạnh mẽ (ví
dụ, các hệ thống nhận dạng hình ảnh có thể dễ dàng bị đánh lừa); xác định bao nhiêu kiến
thức trước sẽ cần cho AI để thực hiện các nhiệm vụ khó khăn (Marcus, 2018); đưa lý luận
trừu tượng và có thứ tự cao hơn, và "cảm nhận chung" vào các hệ thống AI; và suy diễn và
thể hiện quan hệ nhân quả. Không có cơ sở đáng tin cậy để đánh giá khi nào - hoặc liệu -
những đột phá nghiên cứu sẽ xảy ra. Thật vậy, những dự đoán trước đây về các mốc thời
gian trong sự phát triển của AI là vô cùng thiếu chính xác.
Nghiên cứu và sản xuất công nghiệp có thể được liên kết hiệu quả hơn
Các tổ chức và chương trình nghiên cứu do chính phủ tài trợ cần được tự do kết hợp
các đối tác và cơ sở phù hợp để giải quyết các thách thức về quy mô và tính liên
ngành. Các trung tâm nghiên cứu ứng dụng và các cơ sở sản xuất thí điểm cần được đầu tư
để đưa các sáng kiến từ phòng thí nghiệm vào sản xuất. Các cơ sở trình diễn như cơ sở thử
nghiệm, dây chuyền thí điểm và nhà máy trình diễn cần cung cấp các môi trường nghiên
cứu chuyên dụng với sự kết hợp đúng đắn của các công nghệ tạo khả năng và các kỹ thuật
viên vận hành chúng. Một số thách thức NC&PT sản xuất có thể cần chuyên môn từ các kỹ
sư sản xuất và nhà nghiên cứu công nghiệp, cũng như các nhà thiết kế, nhà cung cấp thiết
bị, kỹ thuật viên cửa hàng và người dùng.
Các tổ chức và chương trình nghiên cứu hiệu quả hơn trong sản xuất tiên tiến cũng có
thể cần các chỉ số đánh giá mới. Chúng sẽ vượt ra ngoài các số liệu truyền thống như số
lượng bài báo khoa học và bằng sáng chế. Các chỉ số bổ sung cũng có thể đánh giá các tiêu
chí như trình diễn thí điểm và trình diễn thử nghiệm thành công, đào tạo kỹ thuật viên và
kỹ sư, thành viên tập đoàn, kết hợp các DNVVN trong chuỗi cung ứng và vai trò của
nghiên cứu trong thu hút FDI.
5. MẶT TỐI CỦA SỐ HÓA TRONG KHOA HỌC VÀ ĐỔI MỚI SÁNG TẠO
Động lực thúc đẩy của tổng quan này là việc số hóa mang lại nhiều cơ hội tích cực cho
STI, miễn là các chính sách bổ sung nhận được sự quan tâm đúng mức. Nhưng cũng có
39
khả năng xuất hiện các kết quả không mong muốn từ chuyển đổi số trong STI. Chúng bao
gồm nới rộng khoảng cách về khả năng giữa các quốc gia và khu vực, tác động tiêu cực
đến quá trình khoa học, sự phức tạp quá mức trong hệ sinh thái máy và rủi ro lan tỏa, khó
thấy trước và chủ yếu là tác động xã hội.
5.1. Các hiệu ứng phân tán và số hóa KHCNĐM
Các khía cạnh của số hóa có thể nới rộng khoảng cách về năng lực và thụ hưởng STI
giữa các quốc gia và khu vực. Trong đó có ba khả năng:
- Hiệu ứng tập trung trong khoa học. Khoa học xuất hiện ngày càng nhiều trong dữ
liệu. Các nước phát triển có lợi thế so sánh trong các công cụ khoa học tạo ra dữ liệu đòi
hỏi vốn đầu tư lớn. Trong một kịch bản, với quyền truy cập dữ liệu phù hợp, các nhà
nghiên cứu ở các nước đang phát triển có thể làm khoa học mà không cần thực hiện các
loại đầu tư vốn được thực hiện bởi các nước phát triển. Mặt khác, các nhà nghiên cứu ở các
nước phát triển có thể củng cố những lợi thế hiện có của họ trong khoa học hàng đầu. Một
vấn đề hẹp hơn nhưng có thể liên quan, tự động hóa trong phòng thí nghiệm hiện nay rất
cần thiết cho nhiều lĩnh vực KH&CN, nhưng lại tốn kém và khó sử dụng. Do đó, tự động
hóa phòng thí nghiệm là kinh tế nhất ở các trung tâm lớn, và các công ty và trường đại học
đang ngày càng tập trung tự động hóa phòng thí nghiệm của họ. Ví dụ mới nhất của xu
hướng này là tự động hóa điện toán đám mây trong khoa học sinh học. Các mẫu sinh học
được gửi đến một địa điểm duy nhất và các nhà khoa học thiết kế các thí nghiệm của họ
bằng các giao diện lập trình ứng dụng (King và Roberts, 2018).
- Hiệu ứng vị trí địa lý trong quốc gia. Nền kinh tế kỹ thuật số có thể làm trầm trọng
thêm sự chênh lệch thu nhập theo vị trí địa lý trong quốc gia, vì nó khuếch đại các hiệu ứng
kinh tế và xã hội của các nguồn lực kỹ năng ban đầu (Moretti, 2012). Ở nhiều nước OECD,
trong những thập kỷ gần đây, sự hội tụ thu nhập giữa các địa phương đã dừng lại hoặc đảo
ngược. Trong số các chính sách khắc phục, đầu tư vào kỹ năng và công nghệ là quan trọng
nhất (bởi vì đầu tư vào cơ sở hạ tầng và giao thông, mặc dù thường có lợi, lợi nhuận cũng
giảm dần).
Hiệu ứng từ siêu máy tính. Ngày nay, một số siêu máy tính được thiết kế dành riêng
cho AI. Trước đây, siêu máy tính được sử dụng chủ yếu để lập mô hình, như trong khoa
học khí hậu và hạt nhân. Nhiều công ty công nghệ đang hướng tới siêu máy tính. Tuy
nhiên, trên toàn thế giới, chỉ có 27 quốc gia sở hữu siêu máy tính được liệt kê trong số 500
siêu máy tính mạnh nhất. Đang chú ý là Trung Quốc đã có những bước tiến lớn trong việc
chế tạo siêu máy tính với các thành phần được sản xuất trong nước. Trung Quốc cũng tự
hào có số lượng lớn siêu máy tính, cùng với dữ liệu phong phú để đào tạo các thuật toán
AI. Năng lực giữa các quốc gia có thể chênh lệch nhiều hơn vì sự kết năng gia tăng giữa
siêu máy tính và AI? Giá trị của việc sở hữu / chế tạo siêu máy tính ngày càng mạnh mẽ sẽ
thay đổi liên quan đến việc sử dụng điện toán đám mây?
40
5.2. Hệ thống phức tạp và hệ sinh thái máy không thể quản lý
Chính phủ cần cải thiện sự hiểu biết về các hệ thống phức tạp. Khi một loạt các hệ
thống quan trọng trở nên phức tạp hơn, qua trung gian và được liên kết bởi mã, rủi ro và
hậu quả của các lỗ hổng có thể tăng lên. Khi mã kiểm soát số lượng ngày càng tăng của các
hệ thống được kết nối, lỗi có thể xếp tầng, với các hiệu ứng trở nên lan rộng hơn so với
trước đây. Chẳng hạn, do lỗi phần mềm, Hoa Kỳ gần đây đã trải qua lần mất điện tầm quốc
gia đầu tiên - chứ không phải địa phương (Bolog, 2017). Các hệ thống CNTT quan trọng
có thể hoạt động theo những cách không thể đoán trước và thậm chí là mới nổi và khả năng
lường trước những thất bại công nghệ có thể giảm đi (Arbesman, 2016). Một trường hợp
được công bố rộng rãi là sự tương tác bất ngờ của các thuật toán đã góp phần vào vụ "Flash
Crash", tháng 5 năm 2010, khi hơn 1 nghìn tỷ đô la về giá trị bị biến mất khỏi thị trường
chứng khoán toàn cầu trong vài phút. Tuy nhiên, nhiều ví dụ khác tồn tại lỗi phần mềm gây
ra lỗi hệ thống. Ví dụ, vào năm 1996, tên lửa Arianne 5 của Cơ quan Vũ trụ châu Âu đã
phát nổ khi phóng do trục trặc phần mềm.
AI và các biện pháp khác sẽ giúp tự động hóa và cải thiện xác minh phần mềm. Tuy
nhiên, khi nhà vật lý Max Tegmark nhận xét, nhiệm vụ xác minh sẽ gặp nhiều khó khăn
hơn khi phần mềm đưa vào robot và môi trường mới, và khi phần mềm được lập trình sẵn
truyền thống bị thay thế bởi các hệ thống AI tiếp tục học hỏi, do đó thay đổi hành vi của
chúng (Tegmark, 2017).
Một tính năng sẵn có của công nghệ là nó làm sâu sắc thêm sự phức tạp: các hệ thống
tích lũy các bộ phận theo thời gian và nhiều kết nối phát triển giữa các bộ phận đó. Các
công nghệ trở nên phức tạp hơn có thể bị loại bỏ tùy thuộc vào các hệ thống cũ. Điều này
đặc biệt đúng đối với mã. Ví dụ, trong thời gian dẫn đến ngày 01/01/2000, giữa những lo
ngại của Y2K, Cục Hàng không Liên bang Hoa Kỳ đã kiểm tra các máy tính được sử dụng
để kiểm soát không lưu. Một loại máy cần sửa, IBM 3083 đã được cài đặt vào những năm
1980. Tuy nhiên, chỉ có hai người tại IBM biết phần mềm của máy và cả hai đã nghỉ hưu
(Arbesman, 2016).
5.3. Tác động tiêu cực đến khoa học từ số hóa
Một số thách thức mà kỹ thuật số hóa đặt ra cho khoa học - từ việc đối phó với các tạp
chí khoa học trực tuyến săn mồi đến việc giữ dữ liệu nghiên cứu cá nhân ẩn danh. Một số
lượng lớn các nhà khoa học nghĩ rằng số hóa sẽ có ít nhất một số tác động tiêu cực đến
khoa học. Những tác động tiềm năng này bao gồm sự phát triển của nghiên cứu không có
giả thuyết về khoa học dựa trên dữ liệu và phân chia nghiên cứu giữa những người sở hữu
năng lực kỹ thuật số tiên tiến và những người không tham gia. Số hóa cũng có thể khuyến
khích một nền văn hóa nổi tiếng trong khoa học, dẫn đến sự phổ biến sớm các kết quả
nghiên cứu và tạo áp lực cho các cá nhân. Các mối quan tâm khác là việc sử dụng các chỉ
số sẵn có nhưng không phù hợp để theo dõi và khuyến khích nghiên cứu, và sự tập trung
41
tiềm năng của quy trình công việc và dữ liệu trong tay một số công ty cung cấp các công
cụ kỹ thuật số.
Một vấn đề tiềm ẩn vấn đề khác là việc áp dụng sai AI trong khoa học và xã hội. Việc
thiết kế và sử dụng các hệ thống AI hiệu quả đòi hỏi chuyên môn hiện còn đang khan
hiếm. Hơn nữa, các yêu cầu khắt khe hơn về hiệu suất, sự mạnh mẽ, dự đoán và an toàn sẽ
làm tăng nhu cầu về chuyên môn. Điều này đặc biệt đúng đối với các kỹ thuật học sâu hiện
đang là trọng tâm của nghiên cứu và ứng dụng AI.
Với những vướng mắc về chuyên môn và đôi khi, những kỳ vọng không thực tế về
những gì AI có thể đạt được, ngày càng nhiều những người không phải là chuyên gia triển
khai AI. Các hệ thống như vậy thường bị kém về hiệu suất, sự mạnh mẽ, dự đoán và an
toàn, các kết quả mà ngay cả các chuyên gia AI có thể rất nỗ lực mới đạt được (Hoos,
2018). Hoos đề xuất xây dựng một thế hệ hệ thống AI tiếp theo được gọi là AI tự động,
như một cách để giảm bớt vấn đề phức tạp về AI. Điều này có thể giúp phát triển và triển
khai AI chính xác và đáng tin cậy mà không cần chuyên môn chuyên sâu cao về AI. AI tự
động xây dựng dựa trên công việc thiết kế thuật toán tự động và ML tự động, đang phát
triển nhanh chóng trong giới học thuật và công nghiệp.
5.4. Rủi ro lan rộng hơn liên quan đến công nghệ kỹ thuật số
Giống như tất cả các công nghệ, công nghệ kỹ thuật số có thể giúp đỡ và gây hại. Chẳng
hạn, AI có thể tăng cường bảo mật kỹ thuật số bằng cách dự đoán các mối đe dọa bắt
nguồn từ đâu, nhưng nó cũng có thể làm giảm bảo mật kỹ thuật số bằng cách thêm trí thông
minh vào phần mềm độc hại. Sinh học tổng hợp có thể giúp chữa bệnh, nhưng nó cũng có
thể làm cho mầm bệnh có độc lực cao hơn. Một số rủi ro của công nghệ kỹ thuật số phản
ánh các tương tác phức tạp với các hệ thống xã hội và điều này có thể không thấy trước.
Ngày nay, một rủi ro là sự phân mảnh của thảo luận công khai trên phương tiện truyền
thông xã hội. Tương lai cũng có thể thấy sự mất niềm tin vào thông tin được công nhận do
các giả mạo âm thanh và video có độ trung thực cao. Ngoài ra, hoạt động kinh tế sụt giảm
của báo chí và văn học, một sự phát triển được quy cho công nghệ kỹ thuật số, có thể có
tác dụng chính trị xã hội không mong muốn (de León, 2019).
Harari (2018) thậm chí còn cho rằng tương lai của điện toán có thể định hình tương lai
của nền dân chủ. Ông lưu ý, chuyên quyền nói chung đã thất bại ở các nền kinh tế tiên tiến,
một phần vì việc xử lý thông tin không thể được tập trung đầy đủ. Xử lý thông tin phi tập
trung mang lại cho các nền dân chủ một lợi thế hiệu quả. Tuy nhiên, nếu AI xuất hiện bao
gồm nhiều hơn nữa nền kinh tế kỹ thuật số, nó có thể có xu hướng tập trung. AI cũng sẽ trở
nên hiệu quả hơn khi dữ liệu được tập trung.
Các nhà hoạch định chính sách có thể thực hiện các bước bổ sung để giảm thiểu rủi ro mới
nổi do tính chất sử dụng kép của công nghệ. Các tập phim trong quá khứ của lịch sử khoa
học có thể cung cấp những bài học hữu ích. Trường hợp của Paul Berg, người được giải
42
thưởng Nobel, người đã giúp tạo ra ADN tái tổ hợp, là một ví dụ. Nhận thức được sự phân
nhánh của khám phá của mình, Berg đã triệu tập Hội nghị Asilomar. Điều này dẫn đến một
lệnh cấm đối với các thí nghiệm nguy hiểm nhất cho đến khi khoa học được cải thiện.
Các nhà hoạch định chính sách có thể giảm thiểu rủi ro công nghệ theo nhiều cách. Họ
có thể dành một phần ngân sách nghiên cứu để nghiên cứu ý nghĩa rộng lớn hơn của khoa
học, thu hút công chúng tham gia tranh luận, đồng thời tránh cường điệu về công
nghệ. Ngoài ra, họ có thể đảm bảo rằng lời khuyên khoa học là đáng tin cậy. Đầu tư vào
nghiên cứu và đổi mới sáng tạo làm giảm rủi ro (như an ninh mạng) cũng có thể giúp ích.
KẾT LUẬN
Việc chuyển đổi kỹ thuật số của chính sách KHCNĐM và cơ sở bằng chứng của nó
vẫn đang ở giai đoạn đầu, các nhà hoạch định chính sách KHCNĐM có thể có lập trường
tích cực trong việc định hình các hệ sinh thái số để phù hợp với nhu cầu của họ. Điều này
sẽ đòi hỏi sự hợp tác chiến lược, thông qua việc phối hợp và chia sẻ tài nguyên quan trọng
(như định danh kỹ thuật số tiêu chuẩn) và khung chính sách mạch lạc để chia sẻ và tái sử
dụng dữ liệu trong khu vực công. Do một số bộ và cơ quan chính phủ xây dựng chính sách
KHCNĐM, nên hệ sinh thái chính sách KHCNĐM số dựa trên các nguyên tắc đồng thiết
kế, đồng sáng tạo và đồng quản trị.
Các công nghệ kỹ thuật số mới là chìa khóa cho cuộc cách mạng sản xuất tiếp theo. Nhận
ra tiềm năng đầy đủ của chúng đòi hỏi chính sách hiệu quả trong các lĩnh vực rộng lớn, bao
gồm kỹ năng, phổ biến công nghệ, dữ liệu, cơ sở hạ tầng kỹ thuật số, quan hệ đối tác
nghiên cứu, tiêu chuẩn và SHTT. Thông thường, các lĩnh vực chính sách đa dạng này
không được kết nối chặt chẽ trong các cấu trúc và quy trình của chính phủ. Các chính phủ
cũng phải áp dụng kế hoạch dài hạn, ví dụ, trong việc theo đuổi các chương trình nghị sự
nghiên cứu với các khoản chi trả dài hạn có thể. Các tổ chức công cũng phải có sự hiểu biết
cụ thể về nhiều công nghệ kỹ thuật số phát triển nhanh. Việc áp dụng Công nghiệp 4.0 đặt
ra thách thức cho các công ty, đặc biệt là các công ty nhỏ. Nó cũng thách thức khả năng
hành động của chính phủ với tầm nhìn xa và kiến thức kỹ thuật trên nhiều lĩnh vực chính sách.
Các nhà hoạch định chính sách KHCNĐM cần hỗ trợ việc tạo và áp dụng các tiêu
chuẩn để bảo vệ tính toàn vẹn của dữ liệu họ muốn sử dụng cho chính sách của mình, bất
kể nguồn gốc là gì. Hơn nữa, quản lý rủi ro sẽ trở thành một phần không thể thiếu trong
chính sách KHCNĐM trong kỷ nguyên số. Các nhà hoạch định chính sách sẽ cần xem xét
làm thế nào để tạo ra các hệ thống điều khiển kỹ thuật số, bao gồm cả các hệ thống dựa
trên AI, đáng tin cậy hơn.
Khả năng tương tác vẫn là một rào cản lớn, bất chấp sự phổ biến gần đây của các định
danh, tiêu chuẩn và giao thức. Có cơ hội tiềm năng cho các nhà hoạch định chính sách ảnh
hưởng đến sự phát triển của các hệ thống định danh quốc tế về dân số mục tiêu, thông tin
được nắm bắt, khả năng tương thích với các hệ thống thống kê và đặc biệt là áp dụng cả
43
bởi các thực thể và bởi người dùng tiềm năng. Cụ thể, các nỗ lực quốc tế liên quan đến tài
liệu dữ liệu và phát triển các tiêu chuẩn cho siêu dữ liệu có thể được hợp nhất để cải thiện
khả năng tương tác dữ liệu.
Các hệ thống chính sách KHCNĐM số có thể giúp mở rộng cơ sở bằng chứng về việc
nghiên cứu được đánh giá, ví dụ, kết hợp độ cao. Nó cũng có thể trao quyền cho một nhóm
các bên liên quan tham gia tích cực hơn vào việc xây dựng và cung cấp chính sách
KHCNĐM. Tuy nhiên, cũng có nguy cơ là các hệ thống này tăng cường lạm dụng dữ liệu
hiện có. Các hệ thống chính sách KHCNĐM số nên duy trì và chấp nhận các sáng kiến
thúc đẩy các thực tiễn tốt nhất trong việc sử dụng dữ liệu có trách nhiệm.
Cuối cùng, các chính phủ có thể hợp tác hữu hiệu với các khu vực tư nhân và phi lợi
nhuận trong việc phát triển và vận hành các hệ thống chính sách KHCNĐM số. Tuy nhiên,
họ nên đảm bảo dữ liệu công khai mở cho mọi người dễ dàng truy cập và tái sử dụng. Họ
cũng nên tránh việc bị trói buộc vào các nhà cung cấp khóa, triển khai các hệ thống mở và
nhanh nhẹn. Trong một môi trường thay đổi nhanh chóng, điều này sẽ giúp các chính phủ
linh hoạt hơn trong việc áp dụng các công nghệ mới và kết hợp các nguồn dữ liệu chưa
được khai thác trong các hệ thống chính sách của họ.
Biên soạn: Trung tâm Thông tin và Thống kê khoa học và công nghệ
44
TÀI LIỆU THAM KHẨO
1. OECD (2020), “An overview of key developments and policies”, in The
Digitalisation of Science, Technology and Innovation: Key Developments and
Policies, OECD Publishing, Paris. DOI: https://doi.org/10.1787/5260917b-en.
2. OECD (2020), “How are science, technology and innovation going digital? The
statistical evidence”, in The Digitalisation of Science, Technology and
Innovation: Key Developments and Policies, OECD Publishing, Paris. DOI:
https://doi.org/10.1787/1cfd272a-en.
3. OECD (2020), “Digital technology, the changing practice of science and
implications for policy”, in The Digitalisation of Science, Technology and
Innovation: Key Developments and Policies, OECD Publishing, Paris. DOI:
https://doi.org/10.1787/29ae760f-en.
4. OECD (2020), “Artificial intelligence, digital technology and advanced
production”, in The Digitalisation of Science, Technology and Innovation: Key
Developments and Policies, OECD Publishing, Paris. DOI:
https://doi.org/10.1787/629af843-en.
5. OECD (2020), “The digitalisation of science and innovation policy”, in The
Digitalisation of Science, Technology and Innovation: Key Developments and
Policies, OECD Publishing, Paris. DOI: https://doi.org/10.1787/0fbe3397-en.
Các file đính kèm theo tài liệu này:
- tai_lieu_so_hoa_trong_khoa_hoc_cong_nghe_va_doi_moi_sang_tao.pdf