Hai Năm Sau 7 Khóa Học Andrew Ng Của Tôi: Lộ Trình 2026 Mà Tôi Sẽ Thật Sự Chọn

Vẫn có người nhắn tôi hỏi về bài viết từ năm 2023. Câu hỏi thường gặp nhất, gần như y nguyên: "liệu đây có còn là lộ trình đúng vào năm 2026 không?"

Tôi phải thừa nhận là tôi đã trì hoãn một câu trả lời đầy đủ, vì câu trả lời thành thật thì có nhiều lớp. Phần lớn các khóa học của Andrew Ng vẫn còn giá trị. Nhưng cái roadmap tôi dựng xung quanh chúng thì không còn. Bài này là bản cập nhật mà tôi nợ các bạn.

Nếu bạn đang bắt đầu từ con số 0 như tôi hồi 2023, thì phần nền tảng của roadmap này vẫn áp dụng được. Chỉ là bạn sẽ cần ít hơn so với tôi hồi đó, vì những lý do tôi sẽ nói tiếp sau.

Nói trước một điều: có thể tôi sẽ đánh giá sai một vài điểm trong này, và tôi thật sự muốn nghe phản hồi nếu trải nghiệm của bạn khác với tôi. Trong chủ đề này tôi vẫn là học viên. Chỉ là tôi đã dành hai năm qua để cố ship những thứ mình học được.

1. 7 khóa học đó thật sự đã cho tôi những gì

Nhìn lại với hai năm bối cảnh thêm vào, tôi nghĩ các khóa học 2023 đã cho tôi hai thứ rất rõ ràng, và còn thiếu một thứ thứ ba.

Chúng cho tôi vốn từ vựng. Prompt engineering, retrieval-augmented generation, embeddings, function calling, chain-of-thought reasoning. Đây vẫn là những thuật ngữ tôi dùng trong hầu hết các cuộc trao đổi kỹ thuật của mình. Khi tôi giải thích một bug phức tạp cho một đồng nghiệp mới bước vào AI, chúng tôi có chung một ngôn ngữ. Ngôn ngữ đó đến từ Andrew.

Chúng cho tôi sự tự tin. Xuất phát điểm của tôi không phải dân kỹ thuật. Nếu không có cấu trúc của các khóa học đó, tôi không chắc mình đã đủ gan để bắt đầu build. Một khóa học tốt có thể làm được điều này. Không phải dạy bạn hết mọi thứ, mà thuyết phục bạn rằng bước tiếp theo vẫn trong tầm với.

Cái chúng không cho được tôi là taste (khẩu vị, cảm giác đúng sai): cái cảm giác biết khi nào một prompt sẽ giòn, khi nào một evaluation thật sự đang đo cái bạn quan tâm, khi nào một cost pattern sắp nổ tung trong production. Cái đó chỉ đến từ việc làm hỏng đồ trước mặt người dùng thật. Tôi đã viết về năm đầu tiên trong bài năm 2024 này — ba tháng vào rồi mà vẫn bị stuck. Hai năm sau, tôi stuck ở những thứ khác, nhưng vẫn stuck.

Các khóa học đưa tôi đến mức "tôi có thể đọc docs mà không hoảng loạn." Mọi thứ sau đó đến từ việc shipping.

2. Vì sao roadmap cũ giờ lỗi thời nhanh hơn

Đây là phần của bài viết 2023 mà tôi muốn viết lại nhất.

Tôi đã đóng khung 7 khóa học đó như một bệ phóng hoàn chỉnh. Không phải vậy, và thực ra chưa bao giờ là vậy. Chúng là một lớp nền tảng. Cái roadmap xung quanh chúng đã thay đổi nhiều hơn trong hai năm qua so với chính các khóa học.

Tóm lại luận điểm của tôi: AI pair-programming đã nén thời gian thực thi nhanh hơn nhiều so với việc nén thời gian rèn khả năng phán đoán. Đó là lý do các khóa học nền tảng vẫn dạy những thứ tốt (phán đoán lão hóa chậm) và là lý do gần như mọi thứ khác trong kho học tập của tôi giờ không còn giống 2023.

Đây là dòng thời gian của cá nhân tôi, nói thẳng:

• Cuối 2022: ChatGPT ra mắt. Ai cũng thành prompter.
• Tháng 3, 2025: Google Gemini 2.5 Pro trở thành daily driver của tôi cho việc code. Model bắt đầu viết ra code mà tôi thật sự sẽ ship.
• Khoảng tháng 3, 2025: Tôi subscribe Claude Max, gói cao cấp của Anthropic. Nó cho tôi Claude Code, một AI coding assistant chạy trong terminal, viết và sửa code ngay bên cạnh bạn trong chính repo của bạn. Nó nhanh chóng chiếm một phần đáng kể trong công việc hằng ngày của tôi.
• Tháng 3, 2026: Tôi bắt đầu dùng song song Codex, coding assistant tương đương của OpenAI, với Claude Code.
• Tháng 4, 2026: Tôi hủy Claude Max sau 13 tháng và chuyển chủ yếu sang Codex. Phép thử 30 ngày. Chưa có kết luận.

Mỗi bước trong danh sách đó là một workflow change, không phải một khóa học tôi đã lấy. Cái mà một bài giảng trên trình duyệt không thể cho bạn được là trải nghiệm nhìn AI assistant refactor chính repo của bạn trong lúc bạn đang đọc gợi ý của nó. Việc đó gần với code review dưới áp lực hơn là lập trình, và đó là nơi rất nhiều việc học hỏi của 2026 thực sự diễn ra.

Nói thêm cho đủ, tôi cũng đã làm phần build song song. Giữa bài 2023 và bây giờ tôi đã ship ba thứ: DIALOGUE, một trình tạo podcast AI; STRATUM, một marketing platform 9-agent; và course platform trên site này. Tôi cũng vẫn thỉnh thoảng học thêm khóa khác, chủ yếu là những khóa lấp chỗ trống nền tảng như Google IT Automation with Python và Google Cybersecurity Specialization. Các khóa học giữ cho tôi đọc được tiếng của ngành. Còn các sản phẩm thì làm cho tôi thực sự có năng lực.

Một hệ quả thực tế từ tất cả chuyện này: chỗ bạn chi tiền cho việc học bây giờ đã khác. Năm 2023, bạn trả tiền cho các bài giảng có cấu trúc và build trên free tier của vài API. Năm 2026, các bài giảng chỉ là một phần nhỏ trong hóa đơn; các tool mà bạn dùng để viết code cùng mới là chi phí định kỳ lớn hơn. Nếu bạn đang lên ngân sách để học AI lúc này, hãy dự trù cả tiền tool, không chỉ tiền khóa học.

Nếu bạn không phải builder, nếu bạn là marketing leader hay operator sẽ không bao giờ tự chạy Claude Code, hệ quả vẫn là một, chỉ nói theo cách khác: cái bạn thực sự mua từ một lộ trình học 2026 là khả năng phán đoán về các tool, không phải sự thành thạo một tool cụ thể nào. Các tool sẽ xoay vòng. Phán đoán về khi nào tin chúng, khi nào challenge output của chúng, và khi nào đặt con người vào giữa quy trình — đó mới là phần bền.

3. Đánh giá từng khóa học cho 2026

Đây là phần tôi nghĩ sẽ hữu ích nhất với bạn, nên tôi sẽ nói thẳng, và chỉ làm mềm lại ở chỗ câu trả lời thật sự phụ thuộc vào bạn là ai.

Dành cho ai: bất kỳ ai đang cân nhắc nên học gì hôm nay. Dù bạn là một marketing operator cần đủ AI literacy để dẫn một team, hay một builder muốn ship, các đánh giá bên dưới sẽ phân biệt hai nhóm ở những chỗ có khác biệt.

Khóa học 2023	Đánh giá 2026	Lý do
Machine Learning Specialization	Time-box: 1–2 tuần, lướt qua phần toán	Với phần lớn người đọc, chủ yếu là để có vocabulary. Phần toán nặng chỉ đáng đầu tư nếu bạn định đi hướng research. Còn lại thì lướt qua.
Generative AI for Everyone	Vẫn nên học, cho tất cả mọi người	Đây là cách đóng khung generative AI cho người không kỹ thuật tốt nhất tôi từng thấy. Lão hóa đẹp. Thật sự có thể đưa cho CEO của bạn xem.
ChatGPT Prompt Engineering for Developers	Vẫn nên học, nhưng kết hợp với cookbooks	Các pattern cốt lõi vẫn đúng. Nên xem kèm cookbook của Anthropic và OpenAI cho các API thời 2026.
Building Systems with the ChatGPT API	Học để lấy mental model; đừng tin các chi tiết cụ thể về API	Moderation, chain-of-thought, chained prompts, output checks. Vẫn đúng. Bề mặt API cụ thể đã đổi không chỉ một lần.
Neural Networks and Deep Learning	Bỏ qua trừ khi bạn đi hướng research	Tôi đã nói về việc khóa này trùng lặp với ML Specialization từ 2023, và giờ tôi càng muốn nhắc mạnh hơn, cho cả builder lẫn operator.
Functions, Tools, and Agents with LangChain	Kiểm tra trạng thái hiện tại trước khi commit thời gian	Khi tôi build platform 9-agent năm 2025, tôi không dùng LangChain. Đầu năm đó tôi đã thử một agent LangGraph và đụng phải các trần performance buộc tôi chuyển sang orchestration đơn giản hơn. Bài học thật sự là các agentic pattern; chọn framework cụ thể là việc của bạn, và ngành đã dịch chuyển kể từ trải nghiệm 2025 của tôi. Tôi sẽ không loại LangChain ra nếu chưa nhìn lại một lần nữa.
Vector Databases: from Embeddings to Applications	Vẫn nên học, giữ ngắn gọn	Đây là các pattern đang vận hành tính năng search trên site này. Bỏ qua các chương gắn với provider cụ thể đã lỗi thời.

Hãy xem đây là góc nhìn của một builder, không phải một bảng xếp hạng phổ quát. Nếu bạn đến với mục tiêu khác (research, một stack rất cụ thể), bảng của bạn có thể trông khác.

4. Tôi sẽ thêm gì bây giờ, và lộ trình rẽ nhánh ra sao

Đến đây thì lộ trình rẽ nhánh. Một operator và một builder cần hai lớp thứ hai khác nhau.

Nếu bạn là marketing leader hay operator

Tier 1. Học các khóa "Vẫn nên học" trong bảng phía trên. Tập trung vào Generative AI for Everyone và Prompt Engineering for Developers. Bạn đang mua vocabulary và trực giác.

Tier 2. Học đủ về evaluations (cách đo xem output của AI có thật sự tốt hay chỉ nghe hợp lý) và agent design (cách ghép nhiều bước AI thành một workflow đáng tin) để đưa ra quyết định team. Bạn không cần tự build mấy thứ đó. Nhưng bạn cần biết phải hỏi câu gì. Chúng ta đang đo chính xác cái gì? Fail nhìn trông ra sao? Trace nằm ở đâu? Chúng ta review output thật bao lâu một lần? Nếu không ai trong team trả lời rõ những câu đó, khả năng cao bạn đang nhìn vào một demo, không phải một hệ thống bền. Và nếu ai đó bảo bạn "AI sẽ tự xử lý," hãy hỏi nó đang được ground bằng nguyên liệu thô gì. Một model mạnh có thể giúp biến trace thật, output được chấp nhận, các ca lỗi, và tài liệu nội bộ thành draft eval criteria và một dataset hạt giống. Cái đó hữu ích. Nhưng nó vẫn cần một con người để review rubric và calibrate chuẩn đánh giá.

Tier 3. Thiết kế lại một workflow. Chọn thứ thật nhỏ và có thật trong tuần làm việc của team bạn — một báo cáo hàng tuần, một brief intake, một QA review — rồi build lại với AI trong vòng lặp. Ở cuối bài tôi sẽ quay lại cách tôi đóng khung việc rebuild đó, nhưng công việc thực sự thì vẫn là của bạn dù sao đi nữa.

Nếu bạn là builder

Tier 1. Các khóa nền tảng y chang bảng phía trên.

Tier 2.

Hãy bắt đầu bằng cách build, chứ đừng bắt đầu bằng cách học. Mở một tài khoản GitHub miễn phí và tạo repository đầu tiên. Học đủ Git để làm commit nhỏ và roll back cho gọn khi bạn làm hỏng thứ gì đó. Rồi bắt đầu build trên một dự án thật với một trong những coding assistant hàng đầu. Tôi đã dùng cả Claude Code với Opus 4.7 và OpenAI Codex với GPT-5.4. Cái walkthrough chính là công việc, và nếu bạn đợi đến khi cảm thấy sẵn sàng rồi mới bắt đầu, bạn sẽ không bắt đầu. Đọc docs của tool trước mặt bạn khi bị stuck, và đừng biến "nghiên cứu stack" thành một cái cớ để trì hoãn tiếp.

Một khi có gì đó đã chạy, bắt đầu học evals theo cách thực dụng. Lưu lại các input và output thật. Gom một ít tài liệu ground-truth. Quyết định xem tốt và xấu trông như thế nào ở từng bước trong workflow. Rồi dùng một coding assistant mạnh — Claude Code với Opus 4.7 ở xhigh thinking, hoặc Codex với GPT-5.4 ở xhigh thinking — để giúp bạn scaffold framework eval, đề xuất tiêu chí, và tạo dataset ban đầu grounded bằng chính các tài liệu đó. AI có thể làm rất nhiều việc setup đó. Việc nó không nên làm là âm thầm định nghĩa chuẩn giúp bạn. Hãy tự review rubric.

Rồi học cơ bản về MCP, Model Context Protocol: lớp cho phép một tool như Codex nói chuyện trực tiếp với phần còn lại của stack bạn. Trong workflow của tôi trên repo này, hiện tại là Chrome DevTools, Playwright, Supabase, GitHub, Stripe, Resend, và Cloudflare. MCP chưa tồn tại vào 2023, và giờ nó là một phần trong cách tôi build.

Tier 3. Build một thứ có người khác dùng. Không phải tutorial. Không phải bản sao của một demo. Một thứ có user thật, dù user đó chỉ là một người trong team của chính bạn.

Cả hai lộ trình có chung một luật: bạn chưa xong cho tới khi có một thứ thật đang chạy.

Một ghi chú thực tế, vì tiền quan trọng: nếu $20 một tháng cho coding assistant là ngoài tầm với của bạn lúc này, cứ bỏ qua tier tooling đi. Các khóa nền tảng cộng với free-tier API key vẫn chạy được. Đó là cách tôi bắt đầu năm 2023, và nó vẫn là một con đường thật.

5. Thứ tôi sẽ bỏ qua hoặc giới hạn thời gian lại

Ba cái bẫy, đều dễ mắc vì chúng cho cảm giác là đang có tiến bộ.

1. Sưu tầm cert như một cách trì hoãn. Tôi từng làm rồi. Nó cho cảm giác productive. Nhưng không thay thế được việc shipping. Lấy các cert nền tảng, rồi dừng đếm.
2. Các khóa kiểu framework-của-tháng. Nếu một khóa gắn chặt vào một framework mới chưa tới hai năm tuổi, hãy cẩn trọng. Đọc docs của chính framework đó thay vì đi học, và quay lại các khóa khi ngành đã ổn định hơn.
3. Lý thuyết deep learning nặng toán, trừ khi bạn đi vào research. Một builder không cần phải tự derive backpropagation. Một leader cũng vậy.

6. Khóa học mà cuối cùng tôi đã build

Sau các khóa nền tảng, khoảng trống tôi liên tục va phải không phải là kỹ thuật. Đó là khả năng phán đoán ở tầm operator. Làm sao thiết kế lại một marketing team quanh AI, thay vì chỉ gọi vài API? Làm sao quyết định việc gì con người vẫn nên làm, và việc gì máy đã thực sự xứng đáng được giao? Không có ai dạy cái đó theo kiểu khớp với những gì tôi thấy trong công việc.

Vậy nên tôi đã build khóa học mà tôi ước gì mình đã có thể lấy sau 7 khóa của Andrew Ng. Nó có tên AI-Native Media Operations, và nó sống trên site này. 7 module, 16 template, khoảng 3 tiếng video, của bạn giữ luôn. Đó là framework mà tôi hướng operator track đến, vì tôi tin vào nó.

Một link, một pitch. Nếu 7 khóa của Andrew Ng đã làm xong việc của chúng với bạn, và các đánh giá phía trên giúp bạn cắt gọt lại roadmap, thì bậc tiếp theo là công việc thật, dù bạn có học khóa của tôi hay không.

---

Nếu bạn đã học theo danh sách 2023, tôi thật sự muốn biết khóa nào có ích nhất với bạn và khóa nào bạn ước đã bỏ qua. Nếu bạn đang bắt đầu hôm nay, điều gì đang làm bạn ngần ngại?

Vậy thôi nhé.

Thân mến, Chandler