ความเกียจคร้านเชิงอภิปัญญา: ผลกระทบของ AI เชิงกำเนิดต่อแรงจูงใจในการเรียนรู้
(bera-journals.onlinelibrary.wiley.com)ขออภัย แต่ลิงก์ที่ให้มาไม่มีเนื้อหาบทความที่ใช้งานได้ หากคุณส่งบทความหรือเนื้อหาอื่นมา ฉันยินดีช่วยสรุปและแปลให้
ขออภัย แต่ลิงก์ที่ให้มาไม่มีเนื้อหาบทความที่ใช้งานได้ หากคุณส่งบทความหรือเนื้อหาอื่นมา ฉันยินดีช่วยสรุปและแปลให้
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
ดูเหมือนเป็นเรื่องที่แน่นอนอยู่แล้ว ถ้าใช้เวลาไปกับการค้นคว้าด้วยตัวเอง แทนที่จะได้คำตอบของคำถามทันที ก็จะได้เรียนรู้มากกว่ามาก
อาจมีคนที่มีวินัยพอจะค้นคว้าเพิ่มเติมแม้จะได้คำตอบทันที แต่คนส่วนใหญ่ไม่เป็นเช่นนั้น และบริษัทต่าง ๆ ก็ต้องการวิธีแก้ที่รวดเร็ว “มีประสิทธิภาพ” และ “แข่งขันได้” มากกว่าจะสนใจความเสียหายระยะยาว
ตอนนี้เราอยู่ตรงขอบของยุคใหม่ที่การอ่านกำลังถูกแทนที่ด้วย การค้นหาและเรียกคืนด้วย AI และความกังวลว่า AI จะกลายเป็นไม้ค้ำที่ทำให้คนรุ่นใหม่อ่อนแอลงก็มีเหตุผลอยู่ อย่างไรก็ตาม ยังไม่รู้ว่าผลลัพธ์จะเป็นอย่างไร และตอนนี้ก็ยังไม่มีสัญญาณว่าการใช้ AI ทำลายผลประกอบการทางธุรกิจ ส่วนข้อเสนอที่ใหญ่กว่าว่า “AGI จะก่อให้เกิดการเปลี่ยนแปลงทางสังคมครั้งใหญ่” นั้นน่าจะถูกต้อง
การเรียนรู้เชื่อมโยงกับความอยากรู้อยากเห็น และความอยากรู้อยากเห็นไม่ได้เชื่อมโยงกับความยากของการค้นคว้า คนที่อยากรู้ แม้จะได้รับคำตอบโดยตรงก็จะตั้งคำถามเพิ่ม ส่วนคนที่ไม่อยากรู้ก็จะหยุดแค่นั้น เราทุกคนยืนอยู่บนบ่าของยักษ์ และนั่นไม่ใช่เรื่องแย่ แต่เป็นเรื่องดี การละทิ้งยักษ์แล้วให้ปีนขึ้นไปถึงความสูงนั้นเองอาจมีข้อดีอยู่บ้าง แต่ในฐานะวิธีถ่ายทอดความรู้ ผมมองว่ามีประสิทธิภาพน้อยกว่ามาก
เมื่อ 30 ปีก่อน เราคาดหวังว่าถ้าทุกคนเข้าถึงความรู้ของมนุษยชาติได้ทันที ทุกคนจะฉลาดขึ้น แต่แม้จะมี Wikipedia คนส่วนใหญ่ก็ยังเลื่อนดูวิดีโอกระตุ้นความโกรธที่ไม่ได้ให้ความรู้หรือทำให้รู้สึกดี แน่นอนว่าเคสอย่างคนในปากีสถานที่เขียนโค้ดบนมือถือและดูแลปลั๊กอิน vim นั้นน่าทึ่ง แต่ดูเหมือนเป็นผลที่เกิดกับคนส่วนน้อยที่ได้โอกาสใช้เครื่องมือ มากกว่าจะเป็นผลโดยเฉลี่ยต่อมนุษยชาติโดยรวม
นักฟิสิกส์คนหนึ่งเคยพูดในการสัมภาษณ์บน YouTube ว่าตอนนี้นักฟิสิกส์คนไหนก็สามารถถาม ChatGPT เกี่ยวกับ论文ล่าสุดในระดับบัณฑิตศึกษา และข้ามไปมาระหว่างความรู้ในสาขาย่อยของฟิสิกส์ได้ จึงช่วย งานวิจัยฟิสิกส์
เอาวิศวกรซีเนียร์ออกจากโปรเจกต์มาสอนจูเนียร์ แล้วถ้าจูเนียร์ได้ทักษะและประสบการณ์ก่อนย้ายไปบริษัทอื่น บริษัทก็ต้องแบกรับ ROI ติดลบ ท้ายที่สุดมันคือโศกนาฏกรรมของทรัพยากรร่วม และทุกวันนี้ก็คล้ายกัน เพียงแต่กลไกต่างออกไป อาจเกิดการขาดแคลนวิศวกรซอฟต์แวร์ที่มีทักษะได้ แต่แนวทางที่อุตสาหกรรมจัดวางวิศวกรและมอบหมายงานนั้นสิ้นเปลืองมาก จึงดูเหมือนว่ายังมีช่องให้ทนต่อการขาดแคลนไปได้อีกสักพัก
ไม่ได้ใช้เพื่อหาคำตอบเท่าไร แต่ใกล้เคียงกับการหลีกเลี่ยง ทางตันราคาแพง มากกว่า
ปัญหานี้มีสองด้าน และอาจถกเถียงกันได้เล็กน้อย ไม่ว่าจะเป็นหัวข้อไหน ถ้าถาม ChatGPT ก็มักจะทำให้ตั้งคำถามต่อจากคำตอบมากขึ้น และส่วนใหญ่เป็นคำถามโง่ ๆ แต่ในกระบวนการนั้น รู้สึกเหมือนได้รับข้อมูล วิเคราะห์มัน แล้วลงลึกต่อเพราะความอยากรู้อยากเห็น
เมื่อเทียบกับการค้นคว้าบนอินเทอร์เน็ตก็มีข้อดี แต่ยิ่งลงลึก ก็ยิ่งมักได้อ่าน บทความที่ปนความคิดเห็นของใครบางคน บทความนั้นให้ความรู้สึกว่ามีการกำหนดไว้แล้วว่าคำถามไหนสำคัญ ควรมองจากมุมไหน และข้อสรุปคืออะไร แม้จะให้ความรู้ แต่ก็ยังมีคำถามค้างคาเกิดขึ้นเรื่อย ๆ
ความต่างคือความอยากรู้อยากเห็น ถ้าอยากรู้ในหัวข้อใดก็จะเรียนรู้ ถ้าไม่อยากรู้ก็รับคำตอบแล้วพอใจ นั่นไม่ใช่ความขี้เกียจ และเราไม่สามารถอยากรู้ได้กับทุกเรื่อง
ความต่างอยู่ที่มีหน่วยงานเดียวเป็นผู้กำหนดแนวโน้มทางการเมืองของโมเดล และโมเดลนั้นโต้ตอบกับผู้คนมากกว่าบทความของผู้เขียนคนเดียวอย่างมหาศาล
ผมคิดว่าผมไม่เคยตั้งคำถามใน Stack Overflow เลย เพราะมองเห็นได้ง่ายว่าคำถามที่กังวลว่าจะดูโง่นั้นจะถูกชุมชนนั้นปฏิบัติอย่างไร แต่กับโมเดลแบบนี้ ผมสามารถถามคำถามโง่ ๆ ได้สารพัดโดยไม่ต้องกังวลอะไรเลย และนั่นเป็นเรื่องดี
การถกเถียงแบบ “อยากรู้อยากเห็น” กับ ChatGPT สุดท้ายก็คือการค้นหาอินเทอร์เน็ตผ่านตัวกรองที่ผสมระหว่างอคติของตัวเองกับอคติของ ChatGPT อาจรู้สึกเหมือนหลุดออกมาแล้ว แต่ก็ยังอยู่ในอินเทอร์เน็ตอยู่ดี อินเทอร์เน็ตแค่ตอบคำถามด้วยคำพูดได้แล้ว แต่ก็ยังเป็นอินเทอร์เน็ตอยู่
ผมพูดประเด็นนี้มาตลอดตั้งแต่ OpenAI เปิดตัว ChatGPT ครั้งแรก ความเสี่ยงของ LLM ที่ใช้ได้ทุกที่และดูเหมือนจะมีคำตอบให้ทุกคำถาม ไม่ได้อยู่ที่การมีอยู่ของมันเอง แต่อยู่ที่ลักษณะอันเย้ายวนของมัน
ความเสี่ยงที่แท้จริงคือแรงดึงดูดให้รีบถาม LLM ที่อยู่ใกล้ที่สุดเพื่อเอาคำตอบทันที แทนที่จะนั่งขบคิดปัญหาเงียบ ๆ ด้วยตัวเอง การลองจัดการปัญหาในหัว หรือก็คือ การคิดเชิงวิพากษ์ สุดท้ายแล้วเป็นทักษะอย่างหนึ่ง และจะพัฒนาได้ก็ต่อเมื่อฝึกอย่างตั้งใจและมีวินัยเท่านั้น
เวลามีโปรเจกต์ที่เริ่มต้นได้ยาก การถาม ChatGPT แทบไม่มีแรงเสียดทานเลย แล้วพอรู้ตัวอีกทีก็กำลังทำโปรเจกต์อยู่ และผ่านไป 8 ชั่วโมงจนเสร็จแล้ว ถ้าติดอยู่กับการติดตั้งไลบรารีที่น่าหงุดหงิด ChatGPT ก็ช่วยแก้ให้ ทำให้ไม่ท้อ มันช่วยให้เข้าสู่และรักษา ภาวะ flow ได้ดีกว่าเครื่องมือใด ๆ และเป็นวิธีที่ดีในการหลีกเลี่ยงการผัดวันประกันพรุ่ง
ในการใช้งานแบบนี้ LLM เป็นเครื่องมือประเภทเดียวกับ Google กล่าวคือเป็นวิธีในการตั้งคำถาม ดึงข้อมูล และรับข้อมูลนั้นมา เช่นเดียวกับ Google ผลลัพธ์จากการค้นหาไม่ใช่จุดจบ แต่เป็นเครื่องมือ ดังคำกล่าวที่ว่า “ใช้เวลาหนึ่งเดือนในห้องแล็บ จะช่วยประหยัดเวลาหนึ่งสัปดาห์ในห้องสมุด” การถาม Claude/ChatGPT/Copilot สัก 10 นาทีก็ช่วยประหยัดได้เช่นกัน การจ้างครูสอนพิเศษส่วนตัวก็ถือว่าเกียจคร้านหรือเปล่า?
การดึงคำตอบมาได้อย่างรวดเร็วไม่ได้เป็นอันตราย ในยุค 90 ก็เคยมีคำพูดทำนองเดียวกันกับ Google หรือในยุค 70 กับเครื่องคิดเลขพกพา สำหรับผม LLM ก็แค่เร่งกระบวนการที่ผมคงจะค้นอินเทอร์เน็ตด้วยมืออยู่แล้ว และถ้าจะคิดเชิงวิพากษ์ให้ดี ก็ต้องตั้งคำถามให้มากขึ้น
โดยปกติแล้วก็จะลงมือแก้เอง หรือไม่ก็นึกถึงแหล่งข้อมูลปฐมภูมิที่ดีกว่าได้
มี preprint บน arXiv และด้านบนของหน้า 18 อธิบายว่า ความเกียจคร้านเชิงอภิปัญญา คืออะไร: “ในบริบทของปฏิสัมพันธ์ระหว่างมนุษย์กับ AI เรานิยามความเกียจคร้านเชิงอภิปัญญาว่าเป็นการที่ผู้เรียนพึ่งพาความช่วยเหลือจาก AI, ผลักภาระด้านอภิปัญญาออกไปภายนอก และเชื่อมโยงกระบวนการอภิปัญญาที่มีความรับผิดชอบกับงานการเรียนรู้ได้อย่างมีประสิทธิผลน้อยลง”
ในที่นี้ “ภาระด้านอภิปัญญา” ดูเหมือนหมายถึงความพยายามทางปัญญาและอภิปัญญาที่จำเป็นต่อการกำกับกระบวนการเรียนรู้ได้อย่างมีประสิทธิภาพ เมื่อผู้เรียนทำงานที่ต้องมีการตรวจสอบตนเอง การวางแผน และการประเมินอย่างกระตือรือร้น
บทความมองว่าสิ่งนี้คล้ายกับ การจ้างงานทางปัญญาออกไปภายนอก ที่ให้เครื่องมือทำงานทางปัญญาที่ยากแทน และมองว่าผลคือผู้เรียนถูกพรากโอกาสในการพัฒนาความสามารถ และต้องพึ่งพาเครื่องมือ
https://arxiv.org/pdf/2412.09315
การเรียกสิ่งนี้ว่า “ความเกียจคร้าน” เป็นการลดทอนเกินไป “การพึ่งพาความช่วยเหลือจากบางสิ่ง” นั่นแหละคือจุดประสงค์ของเทคโนโลยีทั้งหมด
ประเด็นนี้มีความรู้สึกสองด้านอย่างชัดเจน ด้านหนึ่งก็นึกถึงคำพูดที่ว่า “ไม่มีใครพกเครื่องคิดเลขไว้ในกระเป๋าหรอก” และเด็ก ๆ จะกลายเป็นคนไร้ความสามารถโดยสิ้นเชิงในโลกจริง ต่อมาเครื่องคิดเลขก็เข้าไปอยู่ในกระเป๋าของแทบทุกคน และเด็ก ๆ ก็ยังไม่เป็นไร
อีกด้านหนึ่ง ผมคิดว่าข้อดีที่ได้จากกระบวนการ เรียนรู้วิธีเรียนรู้ ความรู้เท่าทันสื่อ การค้นคว้าอย่างอิสระ และการสร้างข้อสรุปด้วยตนเองก็สำคัญเช่นกัน
คำตอบน่าจะอยู่ตรงกลางสักแห่ง คือใช้ LLM เป็น เครื่องมือช่วยเรียนรู้ มากกว่าจะมองเป็นจุดหมายปลายทางสุดท้าย
ช่วงหลังผมเห็นคน Gen Z งงกับเกมไพ่ที่ต้องบวกเลข หรือการคำนวณเงินทอน สำหรับมิลเลนเนียลแล้วนี่เป็นเรื่องระดับประถม
ทุกวันนี้ยังมีสักกี่คนที่ใส่อานม้าได้ อ่านเวลาได้โดยไม่ใช้นาฬิกา เย็บเสื้อได้ ทำผ้าได้ ล่าสัตว์ด้วยเครื่องมือดั้งเดิมได้ หรือจุดไฟได้ เราจะซ่อนเด็ก ๆ จาก AI ก็ได้ หรือจะสอนให้เด็ก ๆ ใช้ AI เพื่อเติบโตก็ได้ ถ้าอยากเห็นว่าจะเกิดอะไรขึ้นเมื่อยอมละทิ้งสิ่งที่รู้สึกว่าล้ำอนาคตเกินไป ก็ลองดูชาว Amish เป็นชีวิตที่น่านับถือ แต่ในบรรดาคนที่อ่านบทความนี้อยู่ จะมีสักกี่คนที่เลือกชีวิตแบบนั้น
เพื่อนคนหนึ่งถาม ChatGPT เกี่ยวกับประวัติของนักดนตรีคนหนึ่ง ซึ่งน่ากลัวนิดหน่อยตรงที่เขาไม่อ่านหน้า Wikipedia ที่มีข้อมูลและแหล่งอ้างอิงเดียวกัน แม่บอกว่าใช้ ChatGPT เพื่อทำ “capsule wardrobe” แต่ผมคิดว่าแค่ดูเสื้อผ้าแล้วทิ้งตัวที่ไม่ใส่ก็พอแล้วไม่ใช่หรือ ทำไมการตัดสินใจง่าย ๆ แบบนี้ต้องให้คอมพิวเตอร์ทำ
ผมไม่แน่ใจว่าควรใช้ LLM เป็นเครื่องมือช่วยเรียนรู้หรือไม่ ยังไม่เคยเห็นว่ามันดีกว่าการค้นหาออนไลน์หรือการสร้างเรื่องราวของตัวเองอย่างไร และถ้ามีกรณีใช้งานที่ชัดเจนว่า LLM มีประโยชน์ ก็อยากฟัง
ในความเป็นจริง มาตรฐานของความรู้กว้าง ๆ และความสามารถในการเข้าถึงรายละเอียดได้อย่างรวดเร็วน่าจะสูงขึ้น ถ้าสามารถตรวจสอบรายละเอียดได้เร็วมากเมื่อจำเป็น การเข้าใจหลายสาขาในระดับปานกลางก็มีคุณค่าอย่างมาก ยิ่งลงลึก ความเร็วในการเรียนรู้ก็มักยิ่งช้าลงด้วย เวลาทำงานซับซ้อน ต่อให้รู้รายละเอียดอยู่แล้ว สุดท้ายก็ต้องกลับมาตรวจสอบอีกครั้งเพราะมันสำคัญอยู่ดี
ผมแทบจำวงกลมหนึ่งหน่วยแบบอัตโนมัติไม่ได้ นอกจากพหุคูณของ π/4 ส่วนพหุคูณของ π/6 ทำได้แต่ช้า ถึงอย่างนั้นผมก็ไม่คิดว่าการจำสิ่งเหล่านี้แบบทันทีไม่ได้ทำให้ผมเป็นนักคณิตศาสตร์ที่แย่ลง อาจช้าลงเล็กน้อยในการหาคำตอบของโจทย์เล็ก ๆ น้อย ๆ แต่ก็ยังแก้ปัญหาซับซ้อนได้
สูตรอินทิกรัลผมดูจากหนังสือตารางอินทิกรัลเล่มเล็ก ๆ หรือ Wolfram Alpha เพราะแม้จะอนุมานเองได้ ก็ไม่คิดว่าจะถูก 100% ความเกียจคร้านเชิงอภิปัญญาฝังอยู่ในตัวผมแล้ว เพียงแต่ถ้าหาวิธีหยุดมันก่อนลามไปเป็นภาวะสมองเน่าเต็มรูปแบบได้ก็น่าจะไม่เป็นไร ถ้าเราสอนนักเรียนให้คิดเชิงวิพากษ์ และหาวิธีให้ AI ช่วยโดยไม่ทำให้เรากลายเป็นมนุษย์บนยานอวกาศใน Wall-E เราก็น่าจะรอดได้
บทคัดย่อไม่ได้ให้นิยามว่า ความเกียจคร้านเชิงอภิปัญญา คืออะไร และคำอธิบายผลลัพธ์ก่อนหน้าก็ไม่ได้ให้ความหมายตามบริบทอย่างเพียงพอ
โดยส่วนตัว สิ่งที่ ChatGPT เหนือกว่า Google Search อย่างชัดเจนคือ เราสามารถถามคำถามที่ละเอียดอ่อนขึ้นต่อจากคำตอบแรกได้เรื่อย ๆ ในการค้นหาแบบดั้งเดิม ยิ่งค้นหาต่อเนื่อง ผลตอบแทนส่วนเพิ่มของความอยากรู้อยากเห็นเมื่อเทียบกับเวลาที่ใช้ก็ยิ่งลดลง ยิ่งทำให้คำถามแม่นยำขึ้น ก็ยิ่งยากที่จะได้ผลลัพธ์ที่ไม่ได้ถูกปรับแต่ง SEO และมักจะได้บทความสำหรับผู้อ่านทั่วไปที่ไม่มีข้อมูลใหม่ หรือไม่ก็เอกสารเฉพาะทางที่ต้องมีพื้นฐานความรู้เชิงลึกจำนวนมาก LLM ช่วยสร้างสะพานไปสู่คำตอบที่ผมต้องการได้ดี
ผมเคยได้ยินว่าจูเนียร์เอนจิเนียร์บางคนตกหลุมพรางนี้ แทนที่จะเปิดเผยต่อเพื่อนร่วมงานว่าตัวเองขาดความรู้ ก็ถามแชตบอตทุกอย่าง แม้แชตบอตจะหลีกเลี่ยงความผิดพลาดที่ชัดเจนได้ แต่จูเนียร์ก็อาจไม่สังเกตเห็นความผิดพลาดที่ละเอียดอ่อน
ฟังดูคล้ายมากกับการหาเอกสาร Wikipedia บางหน้า แล้วไล่ดูแหล่งอ้างอิงเพื่อหาเอกสารต้นฉบับที่มี “คำตอบที่ผมต้องการ” ปรากฏเป็นครั้งแรก
ต้องเผื่อความเป็นไปได้ของอาการหลอนข้อมูลไว้ แต่การมี ผู้บรรยายอธิบาย ที่ไม่เหน็ดเหนื่อยและพร้อมใช้งานเสมอนั้น กลับเพิ่มแรงจูงใจให้สำรวจข้อมูลเทคนิคที่หนาแน่นและทำความเข้าใจแนวคิดใหม่ ๆ มากขึ้น เพียงแต่ดูเหมือนจะลดความตั้งใจในการเริ่มเขียนจากหน้ากระดาษเปล่า ผมจะสำรวจหัวข้อกับ ChatGPT เพื่อให้ได้โครงร่างคร่าว ๆ และเนื้อหาพื้นฐาน แล้วค่อยเขียนต่อ
ในบางกรณี LLM ยังให้สตริงเฉพาะเจาะจงสำหรับนำไปใส่ในเสิร์ชเอนจินเพื่อยืนยันเนื้อหาได้ด้วย การค้นหาพังหนักมาก และเป็นแบบนั้นมาตลอดตั้งแต่ราวปี 2014 ที่หน้าแสดงผลค้นหาของ Google เริ่มมีโฆษณามากกว่าผลลัพธ์
โทรศัพท์มือถือกับแล็ปท็อปได้เปลี่ยนอะไรหลายอย่างสำหรับคนที่โตมาโดยไม่มีของพวกนี้ เมื่อราว 20–25 ปีก่อน ผมตระหนักว่าแค่ค้นเว็บครั้งสองครั้ง อย่างมากก็สองสามครั้ง ก็หาข้อเท็จจริงแทบทุกอย่างได้แล้ว และเมื่อราว 10–15 ปีก่อน อุปกรณ์ที่เชื่อมต่อซึ่งทำสิ่งนั้นให้ได้ทุกเมื่อที่ขอก็เข้ามาอยู่ในกระเป๋า
แต่ตั้งแต่ราว 5 ปีก่อน ผมเริ่มตั้งใจ ไม่ทำ แบบนั้นในสถานการณ์ทางสังคมเป็นส่วนใหญ่ ระหว่างคุยกัน ต่อให้สงสัยข้อเท็จจริงเล็ก ๆ น้อย ๆ ก็ไม่หยิบหน้าจอขึ้นมาดูให้เสียจังหวะแล้วตอบ แต่ปล่อยไว้และอยู่กับคนคนนั้นต่อไป
ในยุค 80–90 เคยมีบรรยากาศแบบตอบคำถามในผับ ที่เถียงกันอย่างออกรสเรื่องข้อเท็จจริงเล็ก ๆ ที่ทั้งสองฝ่ายไม่รู้คำตอบทันที ตอนนี้คำตอบหาง่ายเกินไปจนเรื่องแบบนั้นแทบหายไป และหายไปโดยสิ้นเชิง ผมไม่ได้คิดถึงมันนัก แต่ก็ทำให้รู้สึกไวขึ้นว่าจิตสำนึกของผมถูกผูกกับข้อเท็จจริงที่เข้าถึงได้ด้วยการค้นเว็บมากแค่ไหน และผมก็ไม่แน่ใจว่าชอบไหมที่เอาสมองส่วนมากขนาดนั้นไป outsource ไว้ในที่ที่อยู่นอกการควบคุมของตัวเอง
การเรียนรู้ความรู้จิปาถะล้วน ๆ เพื่อช่วยเรื่องความจำก็เป็นอีกวิธีหนึ่ง
มักพูดกันว่าโค้ดที่สร้างโดย generative AI ต้องให้มนุษย์ตรวจทั้งหมด ต้องตรวจว่าไม่มีข้อผิดพลาดชัดเจน และกำลังสร้าง “สิ่งที่ถูกต้อง” ตามข้อกำหนดหรือไม่
เกร็ดจากคนทำงานจริงที่ใช้ generative AI แบบนี้บอกว่า มันเป็นเครื่องมือที่ดีสำหรับ นักพัฒนาที่มีประสบการณ์ ซึ่งรู้ว่าต้องระวังอะไร แต่ถ้าคิดถึงคนที่กำลังเรียนอยู่และยังไม่รู้ว่าตัวเองกำลังทำอะไร พวกเขาไม่รู้ว่าต้องระวังอะไร เขาจะรู้ไหมว่าควรถามว่า use-after-free คืออะไร หรือหน่วยความจำแคชทำงานอย่างไร? เขารู้ชื่ออัลกอริทึมกับโครงสร้างข้อมูลไหม? เขาจะจับได้ไหมตอนที่ generative AI พูดมั่ว?
งานวิจัยแบบนี้ยากแต่สำคัญ ถึงตัวอย่างจะเล็กก็ยังน่าสนใจ และอยากรู้ว่าจะมีใครทำซ้ำเพื่อตรวจสอบได้ไหม
breakที่ไม่จำเป็นลงในโค้ด Cเช่น
while (condition) { do_stuff(); if (!condition) { break; } }พอสืบดูแล้วจุดร่วมคือ ChatGPT นักศึกษาทุกคนที่ถามว่าลูปทำงานอย่างไร ได้คำตอบในรูปแบบต่าง ๆ ว่า “ถ้าจะออกจากลูป ให้ใช้break()” ในวิทยาการคอมพิวเตอร์ไม่ได้ทำแบบนี้ และนอกจากจะไม่จำเป็นแล้ว ยังทำให้การพิสูจน์เชิงรูปแบบซับซ้อนขึ้นด้วย จึงต้องใส่คำชี้แจงในข้อสอบว่า “ให้ทำตามวิธีที่เรียนในคาบ” และต้องยกเว้นกรณีเฉพาะแบบครั้งเดียวตามปกติตัวอย่างเช่น เป็นโปรแกรมเมอร์แต่คณิตศาสตร์แย่มาก อยากทำเกมและจริง ๆ ก็ทำได้ แต่บ่อยครั้งคณิตศาสตร์ทำให้เดินหน้าลำบากขึ้นมาก เคยทำเกมและปล่อยออกมาแล้วด้วย แต่คณิตศาสตร์คอยถ่วงอยู่เสมอ ผมรู้ชัดเจนว่าต้องการพฤติกรรมและผลลัพธ์แบบไหน แต่ไม่ได้รู้วิธีไปถึงตรงนั้นเสมอไป
LLM ช่วยได้มากในการแยกส่วนแบบนั้นออกมาเป็น กล่องดำ เล็ก ๆ คือรู้ว่าผลลัพธ์ถูก แต่ไม่มั่นใจ 100% ว่ามันเป็นแบบนั้นได้อย่างไร เวลามันให้โค้ดผิดมา ผมจับได้เพราะรู้ว่ากำลังมองหาอะไรและเพราะอะไร สิ่งที่ขาดไปมีแค่ “อย่างไร” คล้ายกับไลบรารี third-party ที่แม้จะไม่เข้าใจภายในทั้งหมด แต่ถ้าเข้าใจ public API ก็ใช้งานได้ เพียงแต่เป็นความรู้สึกเหมือนเอาโค้ดนั้นมาใส่ใน codebase ของตัวเองแล้วติด unit test เข้าไปเต็มไปหมด
ตอนนี้กำลังทดสอบ deepseek-r1 ซึ่งเป็น LLM สาย reasoning กับบทเรียน
rustlingsที่ยอดเยี่ยม เอกสารทำไว้ดี และเฉลยก็หาได้ง่ายทางออนไลน์ จึงเหมาะเป็นการทดสอบแบบขี้เกียจเวลาประเมินงานเขียนโค้ด ว่าถึงเวลาต้องหางานใหม่แล้วไปทำวิศวกรรมซอฟต์แวร์เป็นงานอดิเรกหรือยังเหตุผลที่ทดสอบด้วย
rustlingsก็เพื่อดูคุณค่าในฐานะเครื่องมือเรียนรู้สำหรับนักศึกษาและเพื่อนร่วมงานในอนาคตด้วย ของแบบนี้อาจมีประโยชน์ในฐานะครูก็ได้ ตัวคอมไพเลอร์ Rust เองก็ให้คำแนะนำได้ดีมาก จึงมี baseline ที่ยอดเยี่ยมไว้เทียบกับผลลัพธ์ของ LLMสรุปคือดูเหมือน deepseek-r1 จะยังไม่มาแทนที่ใครในเร็ว ๆ นี้ มันสร้างข้อความปริมาณมหาศาล แต่ส่วนใหญ่ไม่เข้าท่า และแทบจะผิดอย่างเลวร้ายเสมอ อย่างไรก็ตาม นักพัฒนาที่ยังไม่ชำนาญหรือมือใหม่ โดยเฉพาะมือใหม่ อาจสับสนและถูกพาไปผิดทางได้ และมีความเสี่ยงที่จะ outsource การคิดอย่างมีเหตุผลให้กับสิ่งที่ฟังดูน่าเชื่อแต่จริง ๆ แล้วไม่ใช่
ณ ตอนนี้ การพึ่งพา คำพูดยืดยาวของโมเดลสถิติ มากเกินไปดูจะเป็นผลเสียต่อการศึกษาและผลงานของนักพัฒนาในอนาคต อาจถึงยุคทองของวิศวกรซอฟต์แวร์รุ่นเก่าแบบดั้งเดิมรุ่นสุดท้าย ที่ถูกฝึกมาด้วยกาแฟและน้ำตาแห่งความคับข้องใจ และต้องลงมือปล้ำกับโค้ดกับสถาปัตยกรรมเอง เพราะสุดท้ายต้องมีใครสักคนคอยแก้ขยะที่ LLM ผลิตออกมาจำนวนมาก
จุดประสงค์ดูเหมือนจะใกล้กับการเอาชั้นที่สรุปคำตอบสุดท้ายมาวางทับบนผลลัพธ์นั้น มากกว่าจะเอาผลลัพธ์นั้นไปใช้ตรง ๆ
ผมเริ่มเขียนโค้ดก่อนที่ Stack Overflow จะเริ่มดังขึ้นมาไม่นาน และจำได้ว่าตอนนั้นก็มีบล็อกโพสต์เต็มไปหมดทำนองว่า “Stack Overflow จะทำให้นักพัฒนาขี้เกียจ” “นี่คือจุดจบของนักพัฒนาตัวจริง” ไม่ได้ตั้งใจจะโต้แย้ง แค่รู้สึกน่าสนใจที่ความรู้สึกแบบนี้วนกลับมาเรื่อย ๆ ตามเวลา โดยเปลี่ยนแค่รายละเอียด
Socrates วิจารณ์ไว้ใน Phaedrus ของ Plato ว่าการเขียนจะ “สร้างการหลงลืมขึ้นในจิตวิญญาณของผู้เรียน” ส่วน Leonard Euler บอกว่าควรอนุมานลอการิทึมจากหลักการพื้นฐานแทนการใช้ตารางลอการิทึม และ Lord Kelvin มองว่าเครื่องคิดเลขกลไกจะทำให้นักเรียนละเลยการบ่มเพาะความสามารถในการให้เหตุผล
ในอัตชีวประวัติของ Henry Ford มีตอนหนึ่งที่ชาวนาคนหนึ่งในปี 1907 พูดว่าแทรกเตอร์น้ำมันเบนซินจะ “ทำให้เด็ก ๆ เกียจคร้านและไร้ประโยชน์” และทำให้พวกเขาไม่ได้เรียนรู้การทำเกษตร ส่วนใน New York Times ปี 1877 ก็ลงความกังวลของครูว่า ดินสอที่มียางลบจะทำให้นักเรียนไม่ต้องคิดก่อนเขียน และทำให้พวกเขาสะเพร่า
Augustus De Morgan บอกว่านักเรียนที่พึ่งพาตารางสูตรคูณแบบพิมพ์จะไม่เข้าใจตัวเลข และจะกลายเป็น “เครื่องคำนวณธรรมดา ๆ” John Philip Sousa วิจารณ์ว่าเครื่องเล่นแผ่นเสียงจะทำให้คนหยุดเรียนเครื่องดนตรี และ Richard Feynman ก็เคยกังวลว่าเครื่องคิดเลขพกพาอาจทำให้นักเรียนสูญเสียความสามารถในการประมาณค่าและการเข้าใจความสัมพันธ์ทางคณิตศาสตร์
ยังยกต่อได้อีก Claude เขียนมาให้ตั้ง 15 ข้อ อีก 20 ปีข้างหน้า ถ้า AI ไม่ได้ฆ่าพวกเราทั้งหมดเสียก่อน ผมคิดว่าเราจะมองย้อนกลับมาแล้วเห็นว่าการทำงานร่วมกับ LLM ไม่ได้เป็น ไม้ค้ำยัน อย่างที่ผู้คนในตอนนี้คิดกัน