- AI มีบทบาทในการลดกำแพงการเริ่มต้นบนเส้นโค้งการเรียนรู้สำหรับ ผู้เริ่มต้นและผู้ใช้ระดับกลาง และสามารถให้ การสนับสนุนแบบปรับให้เหมาะกับแต่ละบุคคล ตามระดับของแต่ละคนได้
- การไปถึง ความเชี่ยวชาญระดับผู้เชี่ยวชาญ ยังคงเป็นเรื่องยาก และ AI ยังมีข้อจำกัดในหัวข้อที่ลึกซึ้งหรือประเด็นที่เป็นข้อถกเถียง
- หากใช้ AI เป็นเพียงเครื่องมือสำหรับตอบคำถาม ก็อาจเกิดผลข้างเคียงคือ หยุดอยู่ที่ขีดจำกัดของ AI โดยไม่มีการเติบโตอย่างแท้จริง
- อิทธิพลของ AI ปรากฏแตกต่างกันไปในหลายด้าน เช่น การเขียนโค้ด การสร้างสรรค์ และการใช้แอปในชีวิตประจำวัน โดยเฉพาะในสาขาที่ไอเดียใหม่และ นวัตกรรม มีความสำคัญ พลังในการเปลี่ยนแปลงของ AI จะมีข้อจำกัด
- แม้ AI จะ ยกระดับเส้นฐานล่างของการเปลี่ยนแปลง ขึ้นมาแล้ว แต่ก็ไม่ได้สร้างความเปลี่ยนแปลงครั้งใหญ่ในทุกสาขา และคุณค่าของการนำไปใช้ก็ถูกประเมินต่างกันตามความต้องการและบริบทของแต่ละคน
สรุป: เส้นโค้งการเรียนรู้ที่ AI เปลี่ยนไป
- ก่อนการมาถึงของ AI สื่อการเรียนรู้แต่ละชิ้นมักถูกสร้างขึ้นโดยยึดผู้เรียนบางกลุ่มเป็นหลัก จึงมี ข้อจำกัดที่ไม่สามารถสะท้อนความรู้พื้นฐานของผู้เรียนได้อย่างเหมาะสม
- ตัวอย่างเช่น การเรียนหัวข้อใหม่โดยเชื่อมจากสาขาที่คุ้นเคย สถานการณ์ที่ไม่รู้แม้กระทั่งว่าต้องมีความรู้พื้นฐานอะไรมาก่อน หรือปัญหาที่หาเนื้อหาซึ่งเหมาะกับระดับกลางไม่ได้ ล้วนเป็นเรื่องที่พบได้บ่อย
- เดิมที การให้การสนับสนุนแบบเฉพาะบุคคลในกระบวนการเรียนรู้ทักษะทำได้ยาก
- AI เปลี่ยนเส้นโค้งการเรียนรู้ด้วยการ ตอบคำถามตรงตามระดับความเข้าใจของผู้เรียนแต่ละคน หรือช่วยทำงานซ้ำ ๆ แทน
- จากประสบการณ์การเรียนรู้ที่ขับเคลื่อนด้วย AI ตอนนี้ไม่ว่าจะอยู่ในระดับใด AI ก็สามารถเป็นจุดเริ่มต้นได้ ทำให้เกิดการเปลี่ยนแปลงแบบ ยกระดับพื้น (ระดับขั้นต่ำ) ขึ้นทั้งชุด
ข้อจำกัดของระดับมาสเตอร์
- ผู้เชี่ยวชาญในแต่ละสาขามี มุมมองเชิงวิพากษ์ ต่อประสิทธิผลของ AI
- ข้อมูลที่ AI ให้มามีจุดแข็งในเรื่องทั่วไปและพื้นฐาน แต่เมื่อเป็น ความรู้เชิงลึก·เฉพาะทาง หรือหัวข้อที่เป็นข้อถกเถียง ก็ยังมีข้อจำกัดมาก
- ข้อมูลฝึกของ AI มักให้ผลลัพธ์ดีขึ้นเมื่อเป็น เนื้อหาที่ทำให้เป็นภาพรวมทั่วไปได้มาก แต่สำหรับความรู้ขั้นสูงและก้าวหน้า มักมีทั้งข้อมูลฝึกที่ไม่เพียงพอหรือข้อมูลที่ขัดแย้งกัน จึง ยากที่จะให้คำตอบที่แม่นยำและลึกซึ้ง
ผลข้างเคียงของการเรียนด้วย AI: การลัดคำตอบ
- ฟังก์ชันอย่าง OpenAI Study Mode ที่ ขอเพียงคำตอบที่ถูกต้องทันที อาจยิ่งทำให้ภาวะการเรียนรู้ชะงักงัน (plateau) ของผู้ใช้รุนแรงขึ้น
- ผู้ใช้ที่มองคำตอบจาก AI เป็นเพียงเครื่องมือ จะมีข้อจำกัดคือไม่สามารถเติบโตไปได้มากกว่านั้น
- ในระยะยาว วิธีนี้ไม่เป็นผลดีต่อการเติบโตระยะยาว
ผลกระทบจริงของเส้นโค้งการเรียนรู้ที่เปลี่ยนไป
- การเปลี่ยนแปลงทางเทคโนโลยีนำไปสู่ การเปลี่ยนแปลงของทั้งระบบนิเวศ
- อิทธิพลของ AI แตกต่างกันตามว่าในผลิตภัณฑ์หรือผลงานนั้น ต้องการ mastery (ความชำนาญระดับสูง) มากเพียงใด
-
การพัฒนาซอฟต์แวร์: เป็นผลดีต่อผู้จัดการ แต่ยังจำกัดกับโค้ดเบสขนาดใหญ่
- ผู้จัดการวิศวกรรมจำนวนมาก เข้าใจหลักการและตัดสินคุณภาพได้ แต่มีปัญหาในการสร้างแอปเพราะขาดประสบการณ์กับเฟรมเวิร์กเฉพาะ
- ด้วยเครื่องมือ AI มีกรณีเพิ่มขึ้นที่สามารถ เรียนรู้พื้นฐานได้อย่างรวดเร็ว และใช้ประสบการณ์เดิมมาต่อยอดเพื่อ สร้างแอปที่ใช้งานได้จริงเสร็จอย่างรวดเร็ว
- ในทางกลับกัน ข้อจำกัดของความช่วยเหลือจาก AI ในโค้ดเบสขนาดใหญ่และซับซ้อน ก็ชัดเจน
- เนื่องจากขาดความเข้าใจบริบทของระบบเดิมหรือข้อกำหนดเฉพาะ จึงไม่ได้ช่วยงานจริงได้มากนัก
-
สายงานสร้างสรรค์: การแข่งขันสูงจึงมีผลกระทบจำกัด
- ในสาขาสร้างสรรค์นั้น การแข่งขันรุนแรงมาก และความแปลกใหม่มีความสำคัญ
- แม้ AI จะช่วยสร้างภาพได้ง่าย แต่ กำแพงสำคัญของความสำเร็จในการสร้างสรรค์อย่างแท้จริง ซึ่งก็คือ 'ความใหม่' ไม่ได้ถูกทำให้ต่ำลง
- มนุษย์สามารถมองออกได้ง่ายว่าอะไรเป็นงานต่อยอดหรือเลียนแบบ จึงมักเกิดปรากฏการณ์ที่เป็นกระแสช่วงสั้น ๆ แล้วความสนใจก็จางหายไปอย่างรวดเร็ว
- แม้จะมีกรณีเฉพาะหน้าอย่างกระแสอวาตาร์สไตล์ Studio Ghibli แต่ในแง่ สถานะทางวัฒนธรรมและความนิยมในวงกว้าง AI ยังมีอิทธิพลเพียงเล็กน้อย
-
พื้นที่ของแอปเดิม: ผลกระทบน้อยที่สุด
- อีเมล การสั่งอาหาร และงานลักษณะนี้ มีแอปเฉพาะทางที่พัฒนามาอย่างดีอยู่แล้ว
- แม้จะมีฟีเจอร์สรุปด้วย AI แต่ การจัดการสแปมก็ถูกทำให้อัตโนมัติไปมากแล้ว และอีเมลสำคัญก็ยังน่าเชื่อถือกว่าหากตรวจดูเอง
- การสั่งอาหารเองก็มี UX ที่ออกแบบไว้อย่างพิถีพิถัน อยู่แล้ว จึงยากที่ AI จะเปลี่ยนให้มีประสิทธิภาพกว่านี้ได้มาก
ความเหลื่อมล้ำของการนำ AI ไปใช้และอนาคต
- AI ยกระดับพื้นของงานความรู้ขึ้นแล้ว แต่ไม่ได้ส่งผลเหมือนกันกับทุกคน
- ตามระดับทักษะ บทบาท และสภาพแวดล้อมของแต่ละคน จึงเกิด ความแตกต่างอย่างมากในการรับรู้ผลลัพธ์จาก AI
- บางคนสัมผัสนวัตกรรมผ่าน AI แต่บางคนกลับ ไม่รู้สึกถึงผลลัพธ์ หรือยิ่งรู้สึกถึงความเสี่ยงและความสับสนมากขึ้น
- AI ยังไม่ใช่สิ่งที่ 'ทดแทนไม่ได้' ในทุกวิธีการและทุกสาขา แต่ก็เป็น เทคโนโลยีทรงพลังที่มีศักยภาพมากพอให้ลองทดลองใช้งาน
- หากมองว่า AI ไม่มีความหมายมากนักในระดับบุคคล ก็อาจหมายความว่า ในบริบทของคุณ การเปลี่ยนแปลงเชิงปฏิบัติจริงยังไม่ได้มากนัก
2 ความคิดเห็น
ความคิดเห็นจาก Hacker News
เน้นว่าบทความบล็อกมีกราฟหลายอันจนดูเหมือนมีความเป็นกลางและเข้มงวด แต่จริง ๆ แล้วมีแค่ความรู้สึกกับการคาดเดาเท่านั้น งานวิจัยเชิงประจักษ์ช่วงหลังกลับชี้ว่า AI กำลังทำให้ความเหลื่อมล้ำแย่ลง ดูได้จากกราฟของ The Economistและบทความนี้
คิดว่าเป็นเรื่องชัดเจนอยู่แล้วว่า AI ทำให้ความเหลื่อมล้ำรุนแรงขึ้น AI คือเทคโนโลยีที่ทำงานอัตโนมัติในขั้นล่าง ๆ ของบันไดที่ผู้คนใช้สะสมประสบการณ์เพื่อไต่ขึ้นไป ทำให้คนที่จะกลายเป็นผู้เชี่ยวชาญในอนาคตไม่มีจุดเริ่มต้น ขณะที่คนที่อยู่บนยอดอยู่แล้วสามารถลงทุนแล้วดึงบันไดนั้นขึ้นได้เร็วกว่าเดิม
กราฟตั้งอยู่บนสมมติฐานที่ใหญ่เกินไป และให้ความรู้สึกเหมือนมีอยู่แค่ในหัวของพวกคลั่ง AI เท่านั้น โดยเฉพาะเรื่อง 'side project' ที่พูดอย่างกำกวม คิดว่า AI ยังไม่ดีพอที่จะรับอินพุตจากมือใหม่แล้วสร้างผลลัพธ์ที่ 'ดีพอใช้' ออกมาได้
ค่อนข้างเห็นด้วยกับใจความของบทความ มันเหมือนแต่งตัวเป็นนักวิทยาศาสตร์สวมเสื้อกาวน์ในห้องแล็บ แต่จริง ๆ แค่แสดงความเชื่อมโยงว่าพวกเขามองโลกอย่างไร ถึงอย่างนั้น ถ้าระบุชัดในกราฟว่าเป็น 'สมมติฐาน' หรือใช้วิธีทางภาพอย่างทำปลายแกนเป็นเส้นคลื่นเพื่อเน้นว่านี่คือข้อสมมติ ก็ยังมีคุณค่าในฐานะเครื่องมือสื่อสารเหมือนกัน และก็ยังไม่อาจมั่นใจได้ว่าความโค้งจะแบนลงจริง ๆ จนเกิดภาวะทักษะหยุดนิ่ง คิดว่าผู้เขียนยังเขียนด้วยเจตนาดีมากกว่าลิงก์จากพวกนักเศรษฐศาสตร์เสียอีก สำหรับผม อุดมคติคือผู้คนควรพูดความเห็นของตัวเองอย่างตรงไปตรงมา และถ้ามีข้อมูลก็ควรแสดงการทดสอบสมมติฐานไปด้วย
ในกราฟมีการอ้างถึงงานวิจัย 4 ชิ้นที่ชี้ว่าความเหลื่อมล้ำเพิ่มขึ้น และ 6 ชิ้นที่ชี้ว่าความเหลื่อมล้ำลดลง
ในฐานะนักคณิตศาสตร์เกษียณแล้ว ผมเพิ่งอินกับ AI มากในปี 2025 และใช้แพ็กเกจ Claude Max เพื่อใช้ Claude Code Opus 4 แบบไม่ติดลิมิต เวลาทำรีวิวโค้ดเบสเก่าขนาดใหญ่ด้วยเซสชันแบบขนาน บางทีก็ชนเพดานการใช้งานเหมือนกัน ช่วงหนึ่งผมหลีกเลี่ยงการสื่อสารทุกอย่างเกี่ยวกับ AI แต่พักหลังเห็นการถกเถียงที่น่าสนใจบน HN เลยกลับมาสนใจอีกครั้ง ความเห็นของผมคือคนที่มีภาวะ neurodivergent ใช้ AI ได้สำเร็จมากกว่า เพราะ AI เป็นเหมือนเครื่องเชื่อมโยงความคิดขนาดใหญ่ ผมเรียนด้านพีชคณิตเชิงเส้น โครงสร้างการเชื่อมโยงของ AI จึงเข้ากับวิธีคิดเฉพาะตัวของผมได้ดี สุดท้ายแล้ว AI จึงให้ผลเป็นการยกเพดาน ไม่ใช่ยกพื้น
เป็นข้อสังเกตที่คล้ายกับการพูดล่าสุดของ Andrew Ng เรื่อง AI startup คำแนะนำใหม่ที่เขาให้ผู้ก่อตั้งตอนนี้คือ เวลาจะ pivot ให้ทิ้ง prototype แล้วเริ่มใหม่จากศูนย์ ซึ่งก็เชื่อมกับเนื้อหาในบทความนี้ด้วย การพัฒนา prototype ดีขึ้นได้มากถึง 10 เท่า แต่กับโค้ดเบสเดิมกลับดีขึ้นแค่ราว 30~50% การเปลี่ยนแปลงนี้คล้ายกับอุปมายุคย้ายจาก VM ไปสู่คอนเทนเนอร์เรื่อง 'pets vs cattle' อาจเป็นยุคที่ต้องเลิกมองโค้ดเบสเป็น 'สัตว์เลี้ยง' ที่คอยทะนุถนอม แต่ต้องมองเป็น 'ปศุสัตว์' ที่จัดการอย่างมีประสิทธิภาพ ดูได้ที่วิดีโอช่วง 10:30
ผมคิดว่าอุปมา 'pets vs cattle' มักโฟกัสที่ตัวโค้ดมากเกินไป จนลืมว่าคุณค่าที่แท้อยู่ในหัวของนักพัฒนา AI อาจช่วยจัดการโค้ดได้ แต่คุณค่าจริงอยู่ที่ความเข้าใจและ mental model ของนักพัฒนา
เป็นประเด็นที่ดี แต่ผมได้ยินคำว่า 'cattle' บ่อยกว่า 'livestock' ไม่แน่ใจว่าเป็นความต่างตามภูมิภาคหรือเปล่า
ขอบคุณที่ยกอุปมานี้ขึ้นมา ต่อไปเราน่าจะต้องปฏิบัติกับโค้ดที่สร้างโดย generative AI เหมือนกับโครงสร้างพื้นฐานคลาวด์ขนาดใหญ่ ซึ่งอาจใช้ไม่ได้กับ legacy code ที่ใช้มานาน อยากรู้ว่าเคยเขียน insight นี้เป็นบล็อกไหม ผมลองหาทั้ง stillpointlab.com และทวิตเตอร์ @stillpointlab แล้ว แต่ข้อมูลมีไม่มาก
รู้สึกว่าอุปมา "pets vs cattle" เหมาะกว่าเรื่องถกเถียงแบบ "ช่างฝีมือ vs คนทำลวก ๆ" มาก ต่อให้ใช้ LLM มูลค่าของผลลัพธ์ก็ไม่ได้ลดลง สิ่งที่เปลี่ยนคือมุมมองจากความผูกพันทางอารมณ์กับโค้ด ไปสู่การมองอย่างใช้งานจริงมากขึ้น
ยังมีอีกหลายอย่างที่ LLM ทำไม่ได้ เช่น เวลาเล่นหมากรุกด้วยกัน พอผ่านไปประมาณ 5~10 ตาก็เริ่มเดินผิดกติกา และในกรณีที่ดีที่สุดก็ได้แค่ราว 18 ตาเท่านั้น อีกทั้งยังไม่แก้การเดินผิดของคู่ต่อสู้ จึงอาจทำให้เกิดการเรียนรู้ผิด ๆ ได้ สุดท้ายแล้วมันยังไม่สามารถจำลองปัญหาที่ซับซ้อนได้จริง ดังนั้นการที่ผู้ใช้ตระหนักว่าควรถามอะไรจึงสำคัญมาก LLM อาจอธิบายวิธีเดินม้า หรือบอกโอเพนนิงที่มีชื่อเสียงได้ แต่ไม่สามารถตามกระดานหมากรุกทั้งเกมอย่างถูกต้อง หรือบอกตาที่ดีที่สุดจากสถานะกระดานปัจจุบันได้ ผู้ใช้จำนวนมากอาจไม่รู้เลยว่ามันตอบผิดได้มากแค่ไหน และมีแนวโน้มจะเชื่อคำตอบที่พูดอย่างมั่นใจนั้นตรง ๆ มองเผิน ๆ ดูแข็งแรงดี แต่จริง ๆ ก็เหมือนเดินอยู่บนรอยแยกน้ำแข็งที่มองไม่เห็น
ผมไม่คิดว่าการที่ LLM เล่นหมากรุกไม่เก่งจะเป็นปัญหาใหญ่ โมเดลเฉพาะทางสำหรับหมากรุกสามารถเล่นได้ในระดับ ELO ที่ดีพอสมควรและเดินแต่ตาถูกกติกาได้ post-training อาจทำให้ความสามารถด้านหมากรุกแย่ลง และดูเหมือนที่อย่าง OpenAI ก็ไม่ได้ใส่ใจเรื่องนี้มากนัก ใช้ LLM เล่นหมากรุกเก่งก็ยังทำได้ ดูงานวิจัยนี้และตัวอย่างการประเมินนี้
ผมเองก็เห็นบ่อยเหมือนกันว่าคนรอบตัวที่เป็นผู้เชี่ยวชาญอย่างระดับปริญญาเอกหรือแพทย์ แทบจินตนาการไม่ออกเลยว่า LLM จะพลาดได้ พอมันเขียนได้สวย เป็นเหตุเป็นผล และมั่นใจ ก็เลยอาจเกิด 'halo effect' จนเข้าใจว่าเป็นผู้เชี่ยวชาญตัวจริง
ถ้าลองทำงานกับ LLM ในโหมด code agent จะเห็นเลยว่าตอนแรกมันทำได้ดี แต่พอผ่านไปก็ค่อย ๆ ไหลไปคนละทิศ หรือจู่ ๆ ไปแก้ indentation ของโค้ดที่ไม่เกี่ยวอะไรเลย พฤติกรรมแปลก ๆ แบบนี้เจอบ่อยมาก
กรณีหมากรุกน่าสนใจตรงที่ AI เฉพาะทางเก่งกว่ามนุษย์มาก แต่ LLM แบบใช้งานทั่วไปกลับยังเดินให้ถูกกติกายังยาก แปลว่าเพดานของ AI สูงกว่า LLM มาก
เรื่อง "ตามได้ยากเกิน 10 ตา" สำหรับหมากรุกนั้น สถานะกระดานปัจจุบันสำคัญกว่าตาเดินก่อนหน้า LLM อ่อนเรื่องการกรองข้อมูลที่ไม่จำเป็น ดังนั้นถ้าป้อนเฉพาะสถานะกระดานกลับจะทำงานดีขึ้น ดูการถกเถียงเพิ่มเติม
ถ้า agent เหมาะกับแค่โปรเจกต์ greenfield งั้นก็ควรเตรียมโค้ดเบสเดิมให้แต่ละฟีเจอร์ใหม่กลายเป็นโปรเจกต์ greenfield ใหม่ เพื่อให้เด็กฝึกงานมาเสียบปลั๊กแล้วใช้ได้ทันที ส่วนที่เหลือยังต้องใช้มือคน ไม่อย่างนั้นเด็กฝึกงานอาจรื้อกำแพงทั้งแผงออกหมด
ผมว่าไม่จริงเลย ถ้าเอาโปรเจกต์ Y ใน npm มาเปิดจาก GitHub ด้วย WebStorm แล้วถาม Junie ก็อาจได้คำตอบทันที แถมยังช่วยทำเอกสารโครงสร้างข้อมูลที่ไม่เข้าใจพร้อมตัวอย่างให้ได้ด้วย ถึงจะยังสร้าง PR ให้ตรง ๆ ไม่ได้ แต่ใช้เป็น pair programmer ได้สบาย ๆ แถมยังทำให้เราเขียนเทสต์มากขึ้นและใส่ใจ error handling มากขึ้น สุดท้ายได้ผลลัพธ์ที่ดีกว่าเดิม
agent มีทั้งสิ่งที่ทำได้ดีและสิ่งที่ทำได้แย่ ยิ่งใช้ยิ่งเริ่มงงว่าจริง ๆ แล้วอะไรที่มันเก่งกว่ากันแน่
ผมคิดว่า agent กลับไม่ค่อยเหมาะกับการเริ่มโปรเจกต์ใหม่เอี่ยม เหมาะมากกับโปรเจกต์ขนาดเล็กถึงกลาง และยิ่งขนาดใหญ่ก็ยิ่งประสิทธิภาพตก สำหรับโปรเจกต์ใหม่หมด มันมักสร้างโค้ดระดับ 'ตัวอย่าง' ที่เอาไปใช้จริงไม่ค่อยได้
สรุปสั้น ๆ ได้ว่า AI เป็นเครื่องมือที่เก่งเรื่อง interpolation แต่ทำ extrapolation ไม่ได้
ผมเห็นด้วยกับเนื้อหาส่วนใหญ่ แต่ไม่เห็นด้วยกับประโยคที่ว่า "ทักษะจะหยุดพัฒนาเมื่อไปถึงระดับที่ AI มอบให้ได้" จากประสบการณ์ของผม ถ้าจะใช้ AI ให้เก่ง ต้องมี mindset แบบเติบโต ไม่ใช่แบบตายตัว ผมเล่นบทเป็นเหมือนผู้จัดการของ AI แล้วคอยปรับปรุงผลลัพธ์ของมันต่อเนื่อง ถึงจะมีขีดจำกัดอยู่บ้าง แต่แม้ไม่ต้องลงไปเรียนทักษะนั้นโดยตรง ผมก็สามารถยกระดับคุณภาพผลลัพธ์ได้มาก ด้วยการโฟกัสที่ขอบเขตของปัญหา เมื่อเวลาผ่านไป ผมรู้สึกว่าตัวเองเก่งขึ้นในการเป็นผู้จัดการที่ดีของสาขานั้น แม้จะไม่ได้กลายเป็นผู้เชี่ยวชาญภาคสนามก็ตาม
ถ้าคุณไม่รู้ "วิธีทำ" เอง แล้วจะรู้ได้อย่างไรว่าคุณภาพมันดีขึ้นพอแล้ว เกณฑ์ที่ใช้ก็คงเป็นแค่การเทียบกับจุดเริ่มต้นแบบสัมพัทธ์ สุดท้ายถ้าแค่พอใจตัวเอง ก็ดูเหมือนไม่สำคัญด้วยซ้ำว่าคุณภาพจริงจะดีขึ้นหรือไม่
ผมไม่มองว่าวิธีนี้เป็น "การโกง"
ในเส้นโค้งการเรียนรู้ แม้จะใช้ AI ไปด้วย แต่พอเข้าใกล้จุดสูงสุดแล้ว การเรียนแบบไม่มี AI อาจกลับดีกว่า ความชำนาญระดับสูงสุดเกิดขึ้นได้จากการเรียนรู้ช้า ๆ ด้วยตัวเองเท่านั้น
ข้อดีที่ใหญ่ที่สุดของ LLM คือมันให้คำตอบในรูปแบบที่สม่ำเสมอโดยไม่ถูกรบกวนด้วยโฆษณาหรือโซเชียลมีเดีย ตรงข้ามกับการไปหาคำตอบบน reddit, insta หรือ tvtropes โดยสิ้นเชิง อยากให้มี OS ที่โฟกัสเต็มที่ในฐานะผู้ช่วยคิด และสภาพแวดล้อมที่ช่วยไม่ให้ลูก ๆ ติดกับดักคอนเทนต์ออกมาเร็ว ๆ ผมชอบมากที่สามารถรับเฉพาะเอกสารและข้อมูลที่ต้องการได้อย่างรวดเร็วโดยไม่ถูกรบกวนจาก ad hoc UI
ผมไม่คิดว่าคำตอบจาก AI จะถูกต้องนัก และหลายครั้งถึงขั้นอันตรายด้วยซ้ำ ในคอมมูนิตี้ เรายังพอดูออกว่าใครคือผู้เชี่ยวชาญ และสุดท้ายก็มักหาคำตอบที่ถูกได้ แต่ AI ก็เก็บข้อมูลพวกนั้นมาทั้งหมดเหมือนกัน จึงมีความเสี่ยงที่จะตอบผิดได้ไม่ต่างกัน ส่วนสภาพแวดล้อมไร้โฆษณาก็คงอยู่ได้ไม่นาน บริษัท AI ขาดทุนมหาศาล เดี๋ยวโฆษณาและฟีเจอร์โซเชียลก็คงทะลักเข้ามา สิทธิพิเศษฟรี ๆ ตอนนี้ก็เป็นแค่กลยุทธ์ยอมขาดทุนเพื่อดึงลูกค้าเท่านั้น
ประชดว่าคำว่า "ถูกต้อง" นั้นเป็นคำที่อัตวิสัย
ในสาย AI ที่ผมรู้จักดีกว่านี้ กระแสก็ไปในทางเดียวกัน คือแม้แต่คนที่ต่ำกว่าค่าเฉลี่ยก็ใช้ AI เพื่อให้ได้ผลลัพธ์ใกล้เคียงค่าเฉลี่ยได้
ก็สอดคล้องกับอีกสรุปหนึ่งว่า คนที่มีความรู้มากกว่าจะได้ประโยชน์จาก LLM อย่างแท้จริง
แม้แต่คนที่เก่งกว่าค่าเฉลี่ยก็ใช้ AI เพื่อสร้างผลงานธรรมดา ๆ ได้ ในหลายงาน มาตรฐานของคำว่า 'ดีพอ' นั้นต่ำมากอยู่แล้ว
ก็เลยมีมุกว่าคนแถวนี้ต่อต้าน AI เพราะทุกคนเก่งกว่าค่าเฉลี่ยกันหมด
ถ้า "คนที่ต่ำกว่าค่าเฉลี่ยใช้ AI แล้วทำผลงานระดับค่าเฉลี่ยได้" ก็เท่ากับว่าค่าเฉลี่ยโดยรวมสูงขึ้นด้วย
น่าจะสรุปได้ว่า "AI เหมาะกับการทำ prototype แต่ไม่เหมาะกับ engineering" เครื่องมือ AI เร็วก็จริง แต่ขาดทั้ง breadth และ depth มันมีประโยชน์กับการทำ PoC อย่างรวดเร็วหรือแก้ปัญหาย่อยบางส่วน แต่ขาดบริบทภาพรวมและความลึก ขณะที่ engineering ที่แท้จริงต้องการองค์ประกอบมากกว่าการลงมือทำมาก ทั้งบริบท ข้อยกเว้น รูปแบบความล้มเหลว ความเข้าใจเชิงลึก ฯลฯ ต่อให้เป็นโปรแกรมเมอร์ที่เก่งมาก ก็อาจไม่ใช่วิศวกร และคนที่เก่ง leetcode ที่สุดก็อาจช่วยทีมในทางปฏิบัติไม่ได้เลย การจะไปถึงระดับ mastery จริงต้องอาศัยประสบการณ์ และต้องเข้าใจสิ่งละเอียดอ่อนที่ไม่ตรงไปตรงมาด้วย ยุคที่ผู้จัดการกดปุ่มเดียวแล้วได้ผลิตภัณฑ์ที่ผ่านการ engineering คงไม่มาถึง เครื่องมือสร้างโค้ด AI ปัจจุบันเองก็เริ่มจากภาพลวงว่าเป็น 'ระบบอัตโนมัติสำหรับผู้จัดการ' แต่ผมคิดว่าเครื่องมือที่ทำงานบนคำอธิบายของวิศวกรสายงานจริงกลับดีกว่า ความเห็นของ Dijkstra เรื่อง "ความโง่เขลาในการเขียนโปรแกรมด้วยภาษาธรรมชาติ" ก็ยังใช้ได้อยู่ ดูต้นฉบับนี้
เห็นที่ Meta โหมกันซะเหมือนว่าซูเปอร์อินเทลลิเจนซ์ใกล้จะเสร็จสมบูรณ์แล้วเลยนะ 555