- งานวิจัยนี้วิเคราะห์ผลกระทบของการใช้ LLM (โมเดลภาษาขนาดใหญ่) ต่อ ต้นทุนทางการรู้คิด ของมนุษย์ในกระบวนการเขียนเรียงความ
- ผู้เข้าร่วมถูกแบ่งเป็น กลุ่ม LLM, กลุ่มเสิร์ชเอนจิน, และกลุ่ม Brain-only และเข้าร่วมการทดลองเขียนเรียงความตามเงื่อนไขการใช้เครื่องมือ
- ผลการวิเคราะห์ EEG (คลื่นไฟฟ้าสมอง) พบว่า เมื่อใช้ LLM จะมี การเชื่อมต่อของโครงข่ายประสาท และระดับการมีส่วนร่วมทางการรู้คิดต่ำที่สุด ขณะที่กลุ่ม Brain สูงที่สุด
- หลังการเขียนเรียงความ กลุ่ม LLM มีผลลัพธ์ต่ำที่สุดในด้าน ความเป็นเจ้าของ (ownership) ความสามารถในการอ้างอิง และการระลึกความจำ
- ชี้ให้เห็นว่าการใช้ LLM แม้จะมีประสิทธิภาพในช่วงแรก แต่ ในระยะยาวอาจทำให้การเรียนรู้และความสามารถทางการรู้คิดลดลง
บทคัดย่อ
ปัจจุบันจากการนำ ผลิตภัณฑ์ LLM (โมเดลภาษาขนาดใหญ่) เช่น ChatGPT มาใช้อย่างแพร่หลาย ทั้งบุคคลและองค์กรต่างใช้งาน LLM เป็นกิจวัตร เครื่องมือเหล่านี้มี ทั้งข้อดีและข้อจำกัดเฉพาะตัว งานวิจัยนี้มุ่งอธิบายต้นทุนทางการรู้คิดของการใช้ LLM ในบริบทการศึกษาอย่างการเขียนเรียงความ กล่าวคือศึกษาว่าการใช้ LLM ส่งผลต่อโครงสร้างการรู้คิดของผู้เรียนและการทำงานของสมองอย่างไร
ในการวิจัย ผู้เข้าร่วมถูกแบ่งเป็น กลุ่ม LLM, กลุ่มเสิร์ชเอนจิน, และกลุ่ม Brain และในแต่ละเซสชันจะเขียนเรียงความโดยใช้เครื่องมือที่กำหนด (หรือไม่ใช้เครื่องมือ) มีผู้เข้าร่วมทั้งหมด 54 คนในเซสชัน 1–3 และในจำนวนนี้ 18 คนทำครบถึง เซสชัน 4 ใน เซสชัน 4 กลุ่ม LLM จะไม่ใช้เครื่องมือ ส่วนกลุ่ม Brain จะเปลี่ยนมาใช้ LLM (LLM-to-Brain, Brain-to-LLM) ระหว่างการเขียนเรียงความ มีการบันทึก สัญญาณ EEG (คลื่นไฟฟ้าสมอง) ของผู้เข้าร่วมเพื่อนำมาวิเคราะห์ การมีส่วนร่วมทางการรู้คิด ภาระทางการรู้คิด และการเชื่อมต่อของโครงข่ายประสาท หลังแต่ละเซสชันยังมีการสัมภาษณ์ การวิเคราะห์ NLP (การประมวลผลภาษาธรรมชาติ) และการให้คะแนนโดย ครูมนุษย์และเอเจนต์ตัดสิน AI ด้วย
ผลการวิเคราะห์พบว่ามีความเป็นเนื้อเดียวกันสูงภายในแต่ละกลุ่มในด้าน Named Entities Recognition (NER), n-gram และ topic ontology ผลการวิเคราะห์คลื่นสมองแสดงให้เห็นว่า แต่ละกลุ่มมีรูปแบบการเชื่อมต่อของระบบประสาทแตกต่างกันอย่างชัดเจน และยิ่งได้รับความช่วยเหลือจากเครื่องมือภายนอกมาก ขนาดของโครงข่ายการเชื่อมต่อของสมองและระดับการมีส่วนร่วมก็ยิ่งลดลง (Brain > เสิร์ชเอนจิน > LLM) ใน เซสชัน 4 ผู้เข้าร่วมแบบ LLM-to-Brain แสดงการเชื่อมต่อของสมองที่อ่อนลง การทำงานของเครือข่ายอัลฟาและเบตาที่ต่ำลง และความรู้สึกเป็นเจ้าของหัวข้อที่ต่ำลง ตรงกันข้าม ผู้เข้าร่วมแบบ Brain-to-LLM มีการระลึกความจำดีขึ้น และพบการกลับมาทำงานของบริเวณสมองที่เกี่ยวข้องกับการประมวลผลภาพ เรียงความของกลุ่ม LLM มีผลลัพธ์ต่ำทั้งในด้านความเป็นเจ้าของ ความสามารถในการอ้างอิง และการระลึกความจำ ส่วนกลุ่มเสิร์ชเอนจินดีขึ้นเล็กน้อย แต่ยังต่ำกว่ากลุ่ม Brain
โดยสรุป แม้การใช้ LLM จะช่วยเพิ่มผลิตภาพในระยะสั้น แต่เมื่อใช้ซ้ำต่อเนื่องหลายเดือนก็ยัง ด้อยกว่ากลุ่ม Brain อย่างต่อเนื่องทั้งในด้านพฤติกรรมของสมอง ผลสัมฤทธิ์ทางภาษา และคะแนน งานวิจัยนี้ชี้ว่า การใช้เครื่องมือ AI มากเกินไปอาจก่อให้เกิดการถดถอยทั้งด้านการรู้คิดและการปฏิบัติในบริบทการเรียนรู้ และเสนอว่าจำเป็นต้องระมัดระวังในการออกแบบการเรียนรู้ระยะยาว
สรุปผลการทดลองที่สำคัญ
- ใน เซสชัน 4 ผู้เข้าร่วมแบบ Brain-to-LLM แสดง การเชื่อมต่อของสมองที่สูงกว่า กลุ่ม LLM ในเซสชัน 1–3 (ครอบคลุมทุกย่านคลื่น เช่น alpha, beta, theta, delta) ซึ่งชี้ว่าหากมีประสบการณ์เขียนด้วยตนเองโดยไม่พึ่ง AI มาก่อน เมื่อหันมาใช้ AI จะเกิดการกระตุ้น โครงข่ายสมอง ได้กว้างกว่า
- ผู้เข้าร่วมแบบ LLM-to-Brain แม้มีประวัติใช้ LLM มาก่อน แต่เมื่อเขียนโดยไม่ใช้เครื่องมือกลับพบ ภาวะไม่ประสานกันทางระบบประสาท (การเชื่อมต่อลดลง) ในคลื่นสมองส่วนใหญ่ และพบอคติด้านคำศัพท์แบบเฉพาะ LLM
- ทั้ง AI และมนุษย์ให้คะแนนตรงกันว่าเรียงความของกลุ่ม LLM มี ความหลากหลายของ NER/n-gram ต่ำ และมีความคล้ายกันเชิงโครงสร้างสูง
- ในการวิเคราะห์รายหัวข้อ พบรูปแบบการใช้ที่แตกต่างอย่างมีนัยสำคัญระหว่างกลุ่ม LLM และกลุ่ม Brain ใน บางหัวข้อ (HAPPINESS, PHILANTHROPY)
- ค่า OWNERSHIP (ความเป็นเจ้าของ) และความสามารถในการอ้างอิงของแต่ละกลุ่มเรียงลำดับเป็น Brain > เสิร์ชเอนจิน > LLM
แนวทางอ่านสารบัญของงานวิจัย
- ภาพรวมอย่างรวดเร็ว: Discussion, Conclusion
- การวิเคราะห์ NLP ของข้อความเรียงความ: NLP ANALYSIS
- ทำความเข้าใจข้อมูลคลื่นสมอง: EEG ANALYSIS
- การวิเคราะห์เชิงลึกรายหัวข้อ: TOPICS ANALYSIS
- วิธีการทดลองโดยละเอียดและกิจกรรมของผู้เข้าร่วม: EXPERIMENTAL DESIGN
- ภาคผนวก: ข้อมูลเพิ่มเติม, ค่า EEG dDTF เป็นต้น
บทนำ
การแพร่ขยายอย่างรวดเร็วของโมเดลภาษาขนาดใหญ่ ได้เปลี่ยนแปลงมิติของชีวิตประจำวันอย่างรากฐาน ทั้งด้านงาน ความบันเทิง และการเรียนรู้ LLM มีศักยภาพสูงในภาคการศึกษาในแง่ของ การปรับประสบการณ์เรียนรู้ให้เหมาะกับแต่ละคน การให้ฟีดแบ็กทันที และการทำให้สื่อการเรียนเข้าถึงได้กว้างขึ้น มีรายงานผลเชิงบวกจริง เช่น การเพิ่มความเป็นอิสระของผู้เรียน การยกระดับการมีส่วนร่วม และการรองรับรูปแบบการเรียนรู้เฉพาะบุคคล
อย่างไรก็ตาม ผลข้างเคียงทางการรู้คิดจากการใช้ LLM อย่างแพร่หลาย ก็ถูกหยิบยกขึ้นมาพร้อมกัน แม้จะมีข้อดีในการลดภาระทางการรู้คิดเฉียบพลัน แต่ก็มีรายงานเรื่อง การลดลงของการคิดเชิงวิพากษ์ ความอ่อนแอลงของความสามารถในการวิเคราะห์เชิงลึก และการมีส่วนร่วมที่ลดลง โดยเฉพาะเมื่อ พึ่งพา AI มากขึ้น ความสามารถของสมองในการวิเคราะห์และตัดสินใจก็อาจเสื่อมถอย งานวิจัยยังให้ความสนใจกับแนวโน้มที่ว่า ยิ่งเป็นคนรุ่นใหม่ยิ่งมีการพึ่งพาเครื่องมือ AI สูง และตามมาด้วย คะแนนสมรรถนะทางการรู้คิดที่มีแนวโน้มต่ำลง
นอกจากนี้ยังมีผลลัพธ์ว่าปฏิสัมพันธ์กับ AI อาจทำให้โอกาสในการ แก้ปัญหาอย่างอิสระและคิดเชิงวิพากษ์ ของบุคคลลดลง จนเกิดความกังวลว่าในระยะยาวอาจส่งผลลบต่อ พัฒนาการทางปัญญาและความเป็นอิสระของมนุษย์ แตกต่างจากเสิร์ชเอนจินแบบดั้งเดิม LLM มักสร้างคำตอบแบบรวมศูนย์มากกว่าจะเสนอหลายมุมมอง จึงมีแนวโน้มทำให้ผู้ใช้เปลี่ยนจาก การค้นหาข้อมูลเชิงรุกไปสู่การบริโภคแบบรับอย่างเดียว และคาดว่าจะมีผลระยะยาวต่อวิธีประมวลผลและประเมินข้อมูลด้วย
งานวิจัยนี้ทำการ วัดต้นทุนทางการรู้คิดของการเขียนเรียงความโดยใช้ LLM แบบเชิงประจักษ์ การเขียนเรียงความเป็น ภารกิจที่ต้องใช้กระบวนการรู้คิดหลายด้านร่วมกัน เช่น การเขียน การจัดระเบียบข้อมูล การอ้างอิง และการคิดเชิงวิพากษ์ และถูกใช้อยู่บ่อยทั้งในชั้นเรียนและการประเมินมาตรฐาน งานวิจัยนี้แสดงให้เห็นว่าการนำเครื่องมือ AI เช่น LLM เข้ามาใช้ในภาคการศึกษาจำเป็นต้องพิจารณา ผลกระทบทางการรู้คิดระยะยาว อย่างรอบคอบ
การออกแบบการทดลองและรายละเอียดบางส่วน
- ในแต่ละเซสชัน มีการสลับผู้เข้าร่วมระหว่างกลุ่มหรือเปลี่ยนเงื่อนไขการใช้เครื่องมือ เพื่อเปรียบเทียบและวัดผลในเงื่อนไข LLM, เสิร์ชเอนจิน และ Brain (ไม่ใช้เครื่องมือ)
- ในเซสชัน 4 กลุ่ม Brain-only เริ่มใช้ LLM เป็นครั้งแรก (Brain-to-LLM) ส่วนกลุ่ม LLM เขียนโดยไม่ใช้เครื่องมือ (LLM-to-Brain)
- ระหว่างการทดลอง มีการประเมินคลื่นสมอง ตัวชี้วัด NLP ความเป็นเจ้าของของเรียงความ ความสามารถในการอ้างอิง และความหลากหลายรายหัวข้ออย่างเป็นระบบ
- การวิเคราะห์คลื่นสมองมุ่งเน้นการเปลี่ยนแปลงของการเชื่อมต่อการทำงานของสมอง เช่น การเชื่อมต่อของโครงข่ายประสาท (การวิเคราะห์ dDTF)
ลักษณะเด่นของผลการทดลองและการวิเคราะห์
- เมื่อใช้ LLM ความหลากหลายของทั้งคลื่นสมองและภาษา ลดลงอย่างชัดเจน พร้อมกับแนวโน้มที่ความเป็นเจ้าของงาน ความสามารถในการระลึกความจำ และความสามารถในการอ้างอิงลดลงทั้งหมด
- กลุ่ม Brain-only แสดงผลลัพธ์ที่ดีกว่าโดยรวมทั้งในด้าน การทำงานของโครงข่ายสมอง ความหลากหลายทางภาษา ความเป็นเจ้าของ และความสามารถในการอ้างอิง
- ในเซสชัน 4 ผู้เข้าร่วมแบบ Brain-to-LLM พบการเปลี่ยนแปลงของโครงข่ายประสาทสมองอย่างเด่นชัด เช่น การระลึกความจำที่เพิ่มขึ้นและการกลับมาทำงานของบริเวณภาพ-กลีบหน้าผากเมื่อเทียบกับก่อนใช้เครื่องมือ
- โดยรวมแล้ว ยิ่ง พึ่งพา AI มากเท่าไร ก็ยิ่งเกิดความกังวลเรื่อง ประสิทธิภาพทางการรู้คิดที่ลดลงและการสูญเสียความเป็นผู้กระทำเชิงรุก ในกระบวนการเรียนรู้
นัยสำคัญเชิงสรุป
งานวิจัยนี้พิสูจน์ด้วยข้อมูลหลายมิติว่า แม้เครื่องมือการเรียนรู้ AI จะเพิ่มประสิทธิภาพในระยะสั้น แต่ในระยะยาวอาจส่งผลลบต่อองค์ประกอบสำคัญของการเรียนรู้ เช่น ความสามารถทางการรู้คิด แรงจูงใจในการเรียน ความเป็นเจ้าของ และความจำ และชี้ว่าการออกแบบและนำ เทคโนโลยีการศึกษาขั้นสูง เช่น AI และ LLM มาใช้ จำเป็นต้องพิจารณาอย่างรอบคอบต่อหนี้ทางการรู้คิดและการลดลงของคุณภาพการเรียนรู้ รวมถึงต้องมีการวิจัยเพิ่มเติม
1 ความคิดเห็น
ความเห็นบน Hacker News
ผมคิดว่าคำว่า “cognitive debt” ไม่ค่อยตรงนัก คำอธิบายที่เหมาะกว่าน่าจะเป็นการเสื่อมถอยทางการรับรู้หรือการสูญเสียความสามารถทางการรับรู้ สมองไม่ได้เก็บข้อมูลที่ไม่จำเป็นไว้ งานวิจัยก่อนหน้านี้เกี่ยวกับการใช้ Google Maps ก็ชี้ว่าเมื่อใช้ GPS บ่อย ความจำเชิงพื้นที่จะลดลง และมีผลลัพธ์ออกมาด้วยว่าปริมาณสสารสีเทาในสมองของผู้ใช้แผนที่ลดลง ใครก็ตามที่เคยสั่งสมความเชี่ยวชาญในสายวิทยาศาสตร์คงรู้ดีว่า ถ้าจะเข้าใจแนวคิดอะไรอย่างแท้จริง ต้องใช้เวลาขบคิดมันอย่างเพียงพอ และสำรวจความเชื่อมโยงระหว่างไอเดียต่าง ๆ อย่างลึกซึ้ง แค่อ่านหนังสือคณิตศาสตร์ผ่าน ๆ ไม่ได้ทำให้เรียนคณิตศาสตร์ได้ง่าย คุณต้องหยุดแล้วคิดให้ลึก ผมมองว่าการคิดเองนี่แหละคือกระบวนการที่ทำให้แนวคิดต่าง ๆ ฝังตัวอยู่ในใจและยังใช้ประโยชน์ได้ในเวลาต่อมา
แค่อ่านหนังสือคณิตศาสตร์แบบคร่าว ๆ แล้วจะเข้าใจคณิตศาสตร์ไม่ได้ ต้องหยุดคิด และสิ่งที่สำคัญที่สุดคือ “การเขียน” ผ่านการเขียน สมองของผมสามารถจัดโครงสร้างความคิดได้ การเขียนเป็นเครื่องมือที่สร้างบทสนทนาอย่างมีโครงสร้างระหว่างผมกับตัวเอง มันทำให้สำรวจเส้นทางต่าง ๆ ได้ ความคิดล้วน ๆ มีขีดจำกัด แต่การเขียนทำให้ผมสำรวจความคิดของตัวเองได้แทบไร้ขอบเขต ผมคิดว่ากระบวนการคิดเชื่อมโยงอย่างใกล้ชิดกับการเขียนเสมอ (ไม่ว่าจะอยู่ในรูปแบบข้อความ ภาพ สมการ กราฟ ฯลฯ) และตอนนี้เรากำลังเข้าสู่ยุคที่ LLM เข้ามาเขียนแทนมากขึ้นเรื่อย ๆ ก็เลยสงสัยว่าผลกระทบนี้จะสะท้อนกลับมายังความสามารถทางการรับรู้ของผมอย่างไร
ผมคิดว่าคำว่า cognitive debt นี่แหละแม่นยำแล้ว เคยใช้ LLM เขียนรายงานยาว ๆ ไหม? พอให้ LLM ช่วยวางโครง สร้างกราฟ และประกอบข้ออ้างต่าง ๆ ให้ได้ง่าย ๆ ผลลัพธ์ก็จะค่อย ๆ กลายเป็นงานที่ไม่ใช่ของเราเอง ถึงจะส่งในชื่อเรา แต่พอมีคนขอให้ อธิบายกลับอธิบายได้ไม่ชัดอยู่บ่อย ๆ ปกติแล้วในหัวผมจะมีความเข้าใจจริงในระดับที่สูงกว่า แต่พอใช้ LLM กระบวนการนั้นกลับถูกข้ามไป ทำให้เวลาพยายามอธิบายแนวคิดหลักจริง ๆ กลับติดขัด สุดท้ายแล้วเราต้องผ่านประสบการณ์การสร้างแนวคิดแก่นแท้เหล่านั้นขึ้นมาในหัวด้วยตัวเอง แล้วปรับมันซ้ำ ๆ เพื่อถ่ายทอดให้ผู้ฟังที่ต่างกันเข้าใจ cognitive debt คือความต่างระหว่างแบบจำลองในหัวที่เมื่อก่อนเราจำเป็นต้องสร้างเอง กับความตื้นเขินเวลาที่ใช้ LLM สุดท้ายรายงานก็ยังใส่ชื่อเราอยู่ดี แต่เมื่อเวลาผ่านไปก็มีความเสี่ยงที่ผู้คนจะคาดหวังจากผู้เขียนน้อยลงเรื่อย ๆ หรือถึงขั้นคาดหวังให้ LLM มาอธิบายแทนเลยก็ได้ LLM แต่ละตัวต่างจำลองความเป็นจริงด้วยแบบจำลองภายในและอัลกอริทึมที่ต่างกัน แต่ถ้าจะคาดการณ์ให้แม่นที่สุด ก็ต้องมี ‘ความลึกของความเข้าใจ’ มากพอ การเขียนแบบพึ่ง LLM ไม่ได้สร้างความลึกแบบนี้ ในระยะยาวมันอาจนำไปสู่การเสื่อมถอยทางการรับรู้หรือการสูญเสียทักษะของประชากรโดยรวมได้ ตอนที่แท่นพิมพ์เพิ่งเกิดขึ้น ชนชั้นนำทางศาสนาในยุคนั้นก็เคยกังวลว่าคนทั่วไปอาจอ่านและตีความกันไม่ถูกต้อง แต่ความจริงก็ไม่ได้เป็นอย่างนั้น การเขียนคือการคิดจริง ๆ (และผมก็ยังคิดว่าเรายังไม่เจอเครื่องมือที่ดีกว่าการเขียน) และการคิดก็คือกระบวนการสร้างแบบจำลองในจิตใจจากข้อมูล เพื่อคาดการณ์อนาคตได้ดีขึ้น การอยู่รอดของเราขึ้นอยู่กับสิ่งนี้เอง ในมุมมองเชิงทฤษฎีสารสนเทศ “ชีววิทยาจะมีความหมายก็ต่อเมื่ออธิบายในแสงของข้อมูล” ลิงก์ YouTube
พอได้ยินคำว่า “สมองไม่ได้เก็บข้อมูลที่ไม่จำเป็น” ก็อดสงสัยไม่ได้ว่าทำไมผมยังจำวิธีปรับแต่งหน่วยความจำด้วย config.sys กับ autoexec.bat ของ DOS ได้ ทั้งที่ไม่ได้ใช้มาเกิน 20 ปีแล้ว และก็คงไม่มีโอกาสได้ใช้อีกในอนาคตด้วย
คำอย่าง “cognitive decline” หรือ “brain rot” อาจฟังดูรุนแรงเกินไป และในงานวิจัยนั้นเองก็ระบุข้อจำกัดไว้ชัดว่าขนาดตัวอย่างมีน้อย ตัวบทความไม่ได้ให้เหตุผลหรือการอ้างอิงสำหรับคำว่า “cognitive debt” เลย เลยทำให้ชื่อเรื่องดูแปลก ๆ เหมือนเพิ่งมาเปลี่ยนชื่อท้ายสุด เป็นผลการวิจัยจาก MIT ที่น่าสนใจ แต่ก็เหมือนงานวิจัยจิตวิทยาทุกชิ้นที่ควรถูกมองด้วยความสงสัยอย่างพอเหมาะและต้องมีการตรวจสอบซ้ำอย่างอิสระ มันให้ความรู้สึกเหมือนแพ็กเกจครบชุดที่รวมทั้งภาพสมองและการวัดทางจิตวิทยาเข้าด้วยกัน และผมก็คิดว่าภาพประเภท ‘นี่คือสมองของคุณเมื่อใช้ LLM’ ส่วนใหญ่มันก็ตลกดี
พอได้ยินว่า “สมองไม่ได้เก็บข้อมูลที่ไม่จำเป็น” มันฟังดูมีเหตุผลนะ แต่ก็ชวนสงสัยอยู่ดี เพราะชัดเจนว่ามีทักษะบางอย่าง เช่น การขี่จักรยาน ที่พอเรียนรู้แล้วแทบจะไม่ลืมไปตลอดชีวิต
การถกเรื่อง “cognitive debt” ก็น่าสมเหตุสมผล แต่ผมคิดว่าต้องมองให้กว้างกว่านั้นด้วย มันไม่ใช่แค่การทำทักษะอย่างภาษา หรือความจำเชิงพื้นที่ หายไปชั่วคราวหรือหลงลืมบ้างเท่านั้น แต่มันหมายถึงการที่วงจรประสาทที่ทำหน้าที่ด้านการให้เหตุผลแบบบูรณาการค่อย ๆ ฝ่อลงอย่างเป็นระบบ และอาจย้อนกลับไม่ได้ด้วย คำว่า “debt” ให้ความรู้สึกว่าสามารถชดใช้หรือฟื้นคืนได้ด้วยการฝึกฝน แต่ความเสี่ยงจริงคือการข้าม “cognitive tipping point(จุดวิกฤตทางการรับรู้)” ไปต่างหาก ถ้าเราผลักภาระด้านการทำงานเชิงบริหาร การบูรณาการ และการให้เหตุผล ไปให้ระบบภายนอกอย่าง LLM มากเกินไป สมองไม่เพียงจะตัดทอนวงจรที่ไม่ได้ใช้ทิ้งอย่างไร้ความปรานีเท่านั้น แต่ยังเสี่ยงต่อการสูญเสีย “ความสามารถในการสร้างกลับ” ของวงจรเหล่านั้นเองด้วย สมองมนุษย์เป็นระบบแบบ “use-it-or-lose-it” ที่ไม่มี version control เมื่อความสามารถทางการรับรู้ที่ซับซ้อนบางอย่างหายไป ก็เหมือน “ซอร์สโค้ด” เสียหายไปแล้ว collapsed neural network ก็ revert ด้วย git ไม่ได้ ความเห็นใน HN นี้โฟกัสที่การเขียนเรียงความ แต่ความจริงแล้วทั้งสังคมกำลังทำการทดลองขนาดใหญ่ที่ควบคุมไม่ได้ ในการเอาความสามารถทางปัญญาออกไปไว้ภายนอก ในระยะยาว สังคมทั้งสังคมอาจไม่ได้แค่ไร้ทักษะ แต่ถึงขั้นติดอยู่ในข้อจำกัดเชิงโครงสร้างแบบที่ “วิธีคิดเช่นนั้นเป็นไปไม่ได้อีกต่อไป” เพราะฉะนั้นคำถามที่แท้จริงจึงไม่ใช่แค่ “จะหลีกเลี่ยงหนี้ทางการรับรู้อย่างไร” แต่คือความหวาดกลัวว่า “เมื่อสมองชีวภาพปรับตัวให้เหมาะกับตัวเองไปพร้อมกับปรับให้เข้ากับความขี้เกียจอย่างอันตราย เราจำเป็นต้องมีภาชนะใหม่สำหรับรองรับจิตใจของเราหรือไม่” ลิงก์ที่เกี่ยวข้อง
AI เป็นสิ่งตรงข้ามกับ Zettelkasten(ระบบบันทึกแบบเชื่อมโยง) แทนที่มนุษย์จะลงลึกกับหัวข้อด้วยตัวเองเพื่อให้ได้ความเข้าใจที่ลึกขึ้น กลับกลายเป็นว่ามีแต่การวนซ้ำแบบเร็วแต่ตื้นบนผลลัพธ์ที่ AI สร้างขึ้น ตัวอย่างเช่น ผมอยากเข้าใจสถานการณ์ตะวันออกกลาง จึงเขียนเรียงความ 10 หน้าร่วมกับ OpenAI เกี่ยวกับต้นกำเนิดของ Hammas และ Hizbulah แต่สุดท้ายกลับไม่เหลืออะไรในความทรงจำเลย และแม้แต่เนื้อหาบางส่วนที่ยังจำได้ ผมก็ยังไม่แน่ใจด้วยซ้ำว่านั่นคือภาพหลอนของ AI ที่ผมแก้ไว้ หรือเป็นข้อเท็จจริงจริง ๆ
ผมค่อนข้างมองโลกในแง่ดีต่อประโยชน์ของ LLM แต่ก็เห็นด้วยกับข้างบน เราอาจพัฒนาสัญชาตญาณในการใช้ LLM ได้ดีขึ้น แต่ไม่ได้แปลว่าจะพัฒนาความรู้ที่อธิบายได้จริงหรือความสามารถในการคิดเชิงท้าทาย ตรงกันข้าม สิ่งสำคัญกลับเป็นการคุ้นชินกับ “ความจำของกล้ามเนื้อ” ต่อรูปแบบเอาต์พุตบางอย่าง การปรับพรอมป์ต และการควบคุมคอนเท็กซ์ ซึ่งผมคิดว่า “ทักษะ” แบบนี้จะหายคุณค่าไปอย่างรวดเร็วเมื่อโมเดลดีขึ้น สถานการณ์นี้คล้ายกับความหมดแรงใจที่คนงานสายการประกอบบางส่วนรู้สึกอยู่เหมือนกัน
ส่วนที่คนลงมือแก้ด้วยมือเองมักจะจำได้มากกว่า ส่วนที่ผ่านไปโดยไม่มีปัญหากลับจำได้น้อยกว่าส่วนที่เราเข้าไปแตะและแก้เอง
คนฉลาดส่วนใหญ่รู้ดีว่าการเขียนไม่ใช่แค่เพื่อให้ได้ผลลัพธ์ แต่เป็นกระบวนการของ “การคิด” LLM จึงเป็นคู่ซ้อมที่ดีในกระบวนการนี้ เพราะช่วยชี้ความผิดพลาดของผม ช่วยหาช่องโหว่หรือข้อผิดพลาด และช่วยงานค้นคว้าทั่วไปเพื่อทำความเข้าใจโลกได้ แต่จะเป็นแบบนั้นก็ต่อเมื่อใช้ LLM เป็นตัวช่วยประกอบในกระบวนการคิดด้วยตัวเอง ไม่ใช่ใช้ให้มัน “เขียนแทน” อย่างไรก็ตาม ผลลัพธ์สุดท้ายก็ยังต้องตรวจสอบแหล่งที่มาเสมอ
สำหรับผม ผลวิจัยครั้งนี้ไม่ได้เหนือความคาดหมายเลย เวลาใช้ AI ช่วยงานเขียนหรือแปล ผมรู้สึกน้อยลงว่าตัวเองกำลังมีส่วนร่วมอย่างกระตือรือร้นหรือมีส่วนกับการคิดอย่างลึกซึ้ง แต่พอใช้ AI ในอีกแบบหนึ่ง กลับรู้สึกมีส่วนร่วมมากอย่างเห็นได้ชัด ช่วง 2 สัปดาห์ที่ผ่านมา ผมลองใช้ Claude Code เพื่อระดมไอเดีย ค้นคว้า และทำงานเขียนเรียงความ/บทความเชิงวิชาการแบบอัตโนมัติ ซึ่งกระบวนการนั้นก็ทำให้จิตใจมีส่วนร่วมอย่างมากตลอดเวลา พอ ๆ กับการเขียน “จริง” (แม้จะเป็นคนละลักษณะกัน) ผลลัพธ์จากการทดลองของผมก็ค่อนข้างดี แม้จะเป็นเรียงความหรือบทความที่ AI เขียน แต่พออ่านเองก็ยังน่าสนใจมาก เพียงแต่ผมไม่ได้ตั้งใจจะเผยแพร่หรือส่งเหมือนงานวิชาการ
ปรากฏการณ์นี้เรียกว่า “cognitive offloading(การเอาภาระการรับรู้ออกไปให้ภายนอก)” ใครที่ทำงานกับ coding assistant มานานพอก็น่าจะรู้สึกตรงกัน
คล้ายกับผลกระทบที่การพัฒนาเครื่องจักรกลมีต่อภาคอุตสาหกรรมของมนุษย์ เราควรลองคิดในภาพกว้างถึงแรงกระเพื่อมที่เทคโนโลยีใหม่อย่าง LLM จะมีต่อโครงสร้างการรับรู้ของเรา ผมมองว่าการทำงานอัตโนมัติคือการยกงานซ้ำซากน่าเบื่อให้เครื่องทำแทน เพื่อให้มนุษย์มีพลังและเวลามากขึ้นไปทำสิ่งที่สร้างสรรค์และนวัตกรรมกว่า สิ่งที่ผมสงสัยคือการใช้เครื่องมืออย่าง LLM หรือ GPS ที่มากขึ้น จะเปลี่ยนไม่ใช่แค่พฤติกรรมระยะสั้น แต่รวมถึงวิธีคิดของเราในระยะยาวด้วยหรือไม่ คนรุ่นที่โตมากับเสิร์ชเอนจินอาจจำอะไรได้น้อยลง แต่ปรับตัวด้วยการจำ “วิธีค้นหา” ข้อมูลแทน มันจะเป็นเพียงความต่อเนื่องของพัฒนาการที่หน้าที่เดิมถูกแทนที่อย่างเป็นธรรมชาติ หรือการพึ่ง LLM มากขึ้นจะนำไปสู่การสูญเสียทักษะหลักที่ไม่สามารถทดแทนได้จริง ๆ กันแน่
ในคำอ้างด้านล่างมีการชี้ว่า “LLM ทำให้กำแพงการเข้าถึงการถาม-ตอบต่ำลง แต่ราคาของความสะดวกนั้นคือผู้ใช้มีแนวโน้มจะเข้าหาคำตอบหรือ ‘ความเห็น’ ของ LLM (ซึ่งจริง ๆ คือการประมาณเชิงความน่าจะเป็นจากข้อมูลฝึก) อย่างวิพากษ์วิจารณ์น้อยลง” สุดท้ายแล้วปรากฏการณ์ ‘echo chamber’ ไม่ได้หายไป แต่กลับกลายเป็นว่าการเปิดรับของผู้ใช้ถูกจัดโครงสร้างใหม่โดยเนื้อหาที่อัลกอริทึมจัดอันดับให้ “ถูกแสดงก่อน” และ “ลำดับความสำคัญ” นั้นเองก็สะท้อนค่านิยมของเจ้าของ LLM (ผู้ถือหุ้น)
นี่ก็เป็นสิ่งที่ผมคิดอยู่เรื่อย ๆ ช่วงหลัง และเพราะแบบนั้นเลยลองใช้ copilot แค่นิดหน่อย ผมยังอยู่ช่วงต้นของอาชีพและกำลังเรียนรู้อยู่ทุกวัน — ถ้าใช้ตัวช่วย LLM งานอาจเสร็จเร็วขึ้น แต่ก็เหมือนจะพลาดโอกาสในการฝึกทักษะให้แน่นขึ้น ผมไม่เห็นด้วยกับข้ออ้างที่ว่า “ทักษะการคิดเชิงวิพากษ์ระดับล่างจะค่อย ๆ หมดความหมาย และอนาคตจะต้องการแค่การวางแผนเชิงนามธรรมระดับสูง” ในเชิงความรู้สึกเอง ผมก็ภูมิใจและเห็นความหมายในความจริงที่ว่า “ผมรู้อะไรบางอย่างและทำมันได้ด้วยตัวเอง” ผมไม่ได้มองว่าการใช้ LLM เป็นเรื่องยากนัก ถ้าจำเป็นก็เลือกใช้เครื่องมือล่าสุดได้เสมอ แต่ในระยะนี้ผมยังคิดว่ากระบวนการเรียนรู้และเติบโตด้วยตัวเองมีค่ากว่า
ผมมองว่าการนำ AI เข้ามาใช้ไม่ใช่แค่ทำให้ตำแหน่งระดับจูเนียร์ลดลงเท่านั้น แต่แม้แต่คนระดับจูเนียร์ที่ยังเหลืออยู่ ถ้าใช้ AI ไปเรื่อย ๆ ก็อาจเสี่ยงที่จะไม่ได้เรียนรู้อะไรเลย และติดอยู่ในระดับจูเนียร์ตลอดไป
เวลาเขียนร่วมกับ AI มันเหมือนทุกอย่างลื่นไหลดีในตอนนั้น แต่ผมรู้สึกว่าตัวเองไม่ได้กำลังขบคิดไอเดียอย่างจริงจัง พอผ่านไปแล้ว แม้ข้อความที่เสร็จจะดูสละสลวย แต่ก็มักจำไม่ได้ว่าทำไมถึงเขียนประโยคนั้นลงไป ตอนนี้ผมเลยใช้วิธีเขียนร่างแรกด้วยตัวเองก่อน แล้วค่อยให้ AI มาช่วยเกลา แม้จะเหนื่อยเพิ่มขึ้นนิดหน่อย แต่ชัดเจนว่าได้เรียนรู้มากกว่าและจำได้นานกว่า