ผลวิจัยจาก MIT ระบุว่าการใช้ AI ทำให้สมองถูกปรับโครงสร้างใหม่และก่อให้เกิดความสามารถด้านการรับรู้ถดถอย
(publichealthpolicyjournal.com)- งานวิจัยของ MIT พบว่า การใช้ LLM อย่าง ChatGPT นำไปสู่การถดถอยด้านการรับรู้ในระยะยาว เช่น การเชื่อมโยงของสมองอ่อนแอลงและความจำลดลง
- นักศึกษาที่เข้าร่วมมี ความสามารถในการบูรณาการเชิงสร้างสรรค์และความเป็นอิสระลดลง ยิ่งใช้ AI ซ้ำๆ มากเท่าใด
- การตรวจคลื่นสมอง EEG ยืนยันการทำงานต่ำลงของเครือข่ายการใส่ใจและการประมวลผลภาพในกลุ่ม LLM
- กลุ่มผู้ใช้เสิร์ชเอนจินยังคงรักษา การทำงานเชิงบริหาร การกระตุ้นความจำ และความสามารถในการประมวลผลภาพ ได้แข็งแรงกว่า
- แม้หลังหยุดใช้ LLM แล้วก็ยัง ฟื้นการทำงานของสมองกลับมาได้ไม่สมบูรณ์ และการพึ่งพา AI นำไปสู่แนวโน้มของการ ‘โยนภาระทางการรับรู้’
ข้อค้นพบหลักจากงานวิจัย MIT: การใช้ LLM กับภาวะถดถอยด้านการรับรู้
งานวิจัยของ MIT ชื่อ "Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task" เปิดเผยว่า การพึ่งพาปัญญาประดิษฐ์อย่าง ChatGPT ซ้ำๆ อาจก่อให้เกิด ความเสียหายด้านการรับรู้ระยะยาว ต่อสมอง
นักศึกษาที่เข้าร่วมพบว่า ยิ่งพึ่งพา AI ในการเขียนเรียงความมากขึ้น ก็ยิ่งเกิดการเชื่อมต่อของระบบประสาทอ่อนแอลง ความจำลดลง และสูญเสียความรู้สึกเป็นเจ้าของต่องาน
แม้ผลงานที่ AI สร้างขึ้นจะได้รับการประเมินในระดับสูงจากภายนอก แต่ในกระบวนการนั้น สมองกลับมีแนวโน้มค่อยๆ เข้าสู่ภาวะไม่ค่อยทำงาน
การเชื่อมโยงของสมองที่ลดลงและภาวะพึ่งพาปัญญาประดิษฐ์
- ผลการวัด EEG (คลื่นสมอง) แสดงให้เห็นว่า ยิ่งใช้ปัญญาประดิษฐ์มากขึ้น การเชื่อมโยงของสมอง (systematic neural connectivity) ก็ยิ่งลดลงอย่างค่อยเป็นค่อยไป
- กลุ่มที่ใช้สมองล้วนๆ: พบการเชื่อมโยงที่แข็งแรงและครอบคลุมที่สุด
- กลุ่มเสิร์ชเอนจิน: มีการกระตุ้นสมองในระดับกลาง
- กลุ่ม LLM: พบการลดลงของการประสานตัวในทุกย่านคลื่นสมอง (alpha, beta, delta, theta)
- โดยเฉพาะในกลุ่ม LLM เครือข่ายด้านสมาธิและการประมวลผลภาพ ถูกทำให้ไม่ค่อยทำงานอย่างชัดเจน
- ใน Session 4 เมื่อพยายามเขียนโดยไม่ใช้ AI ผู้ที่เคยใช้ LLM แสดงให้เห็นว่าการทำงานของเครือข่ายหลักของสมองลดลง
ความจำและเส้นทางการเรียนรู้ของผู้ใช้ LLM ที่ถูกบิดเบือน
- หลังพึ่งพา LLM นักศึกษาประสบกับอาการ จำสิ่งที่ตัวเองเพิ่งเขียนไปได้ไม่ดี
- มีการสังเกตการรบกวนอย่างชัดเจนใน เส้นทางที่เกี่ยวข้องกับความจำระยะยาวและการเรียนรู้ของสมอง
- ระหว่างใช้ AI ความสามารถของสมองในการบูรณาการข้อมูลและแนวทางการเข้าหาแบบขับเคลื่อนด้วยตนเองอ่อนแอลง
- ผู้เข้าร่วมรู้สึก มีระยะห่างทางจิตใจกับผลงาน และความรู้สึกเป็นเจ้าของลดลง
ข้อจำกัดของการเปลี่ยนจากการใช้ AI กลับมาใช้สมอง
- ในเซสชันที่ 4 กลุ่มที่ใช้ LLM มาก่อนแล้วกลับมาใช้สมองโดยตรง พบว่า การกระตุ้นสมองไม่สามารถฟื้นกลับไปถึงระดับของเซสชันเดิม (ใช้สมองล้วนๆ)
- พบแนวโน้มที่ตัวชี้วัดหลายด้าน เช่น คลื่นสมอง ความพยายามในการทำงาน และการรับรู้ตนเอง ยังคงต่ำกว่าค่า baseline
ผู้ใช้เสิร์ชเอนจินยังคงมีการมีส่วนร่วมของสมองที่ดีกว่า
- กลุ่มผู้ใช้เสิร์ชเอนจินรักษาระดับสูงในตัวชี้วัดด้านการรับรู้สำคัญ เช่น การทำงานเชิงบริหาร การกระตุ้นความจำ และการระลึกคำอ้างอิง
- พบการกระตุ้นที่มากขึ้นใน กลีบท้ายทอยและกลีบข้าง จากคลื่นสมอง ซึ่งเกี่ยวข้องอย่างใกล้ชิดกับการประมวลผลภาพและความพยายามในการทำงาน
การโยนภาระทางการรับรู้ (Cognitive Offloading) ที่เกิดจากการพึ่งพา AI
- ทีมวิจัยยืนยันอย่างชัดเจนว่า เมื่อสมองสัมผัสกับ LLM ซ้ำๆ จะเกิดแนวโน้ม หยุดพยายามบูรณาการข้อมูลและจดจำด้วยตนเอง (neural efficiency adaptation)
- ส่งผลให้เกิด ท่าทีการทำงานแบบเฉื่อย การแก้ไขน้อยลง และระดับการบูรณาการแนวคิดลดลง
ประสิทธิภาพระยะสั้น หนี้ทางการรับรู้ระยะยาว
- กลุ่ม LLM แม้จะได้คะแนนจากกรรมการในระดับหนึ่งในเชิงผิวเผิน แต่ก็มีข้อจำกัดชัดเจน ได้แก่
- ขาดการบูรณาการเชิงกลยุทธ์
- ความหลากหลายของโครงสร้างการแสดงออกลดลง
- ลักษณะของผลงานที่สั้นและเป็นเครื่องจักรมากขึ้น
- เมื่อเวลาผ่านไป แนวโน้มของ การมีส่วนร่วมทางการรับรู้ ประสิทธิภาพการทำงาน และความพึงพอใจต่อตนเองที่ลดลงอย่างต่อเนื่อง ยังคงชัดเจน
บทสรุปและข้อเสนอแนะจากงานวิจัย
- ยิ่งมีผู้คนจำนวนมาก พึ่งพาปัญญาประดิษฐ์ในการทำงานที่ซับซ้อน มากเท่าใด ก็ยิ่งมีความเสี่ยงสูงที่ ศักยภาพการรับรู้ตามธรรมชาติและความสามารถเชิงสร้างสรรค์ของมนุษย์ จะลดลงอย่างรวดเร็ว
- งานวิจัยเน้นย้ำถึง ความสำคัญของการหยุดพักเป็นระยะและการใช้สมองของตนเองโดยตรง เมื่อต้องใช้งานปัญญาประดิษฐ์
- ปัญญาประดิษฐ์ไม่ได้เป็นเพียงสิ่งที่เข้ามาแทนงานของมนุษย์เท่านั้น แต่ยังเป็น สิ่งที่ส่งผลต่อระบบความคิดและการทำงานของสมองมนุษย์โดยตรง
แนะนำผู้เขียน
- Nicolas Hulscher, MPH
- นักระบาดวิทยา และ Foundation Administrator ของ McCullough Foundation
- สามารถดูคอนเทนต์เพิ่มเติมที่เกี่ยวข้องได้จากบัญชีของ McCullough Foundation และผู้เขียนบน X (เดิมชื่อ Twitter)
2 ความคิดเห็น
ดูจากเนื้อหาแล้ว ฝั่งที่ใช้ LLM เหมือนจะแค่จดตามคำตอบที่ได้รับมาเท่านั้น
ปกติแล้วไม่ใช่ว่าจะมีเป้าหมายหรือแนวทางที่ต้องการอยู่ก่อน แล้วคอยตรวจคำตอบพร้อมให้ฟีดแบ็กซ้ำไปซ้ำมาระหว่างใช้งานกันหรือครับ? เลยสงสัยว่ากรณีนั้นจะเป็นเหมือนกันหรือเปล่า
ความเห็นจาก Hacker News
อยากแชร์ประสบการณ์ตอนเรียนบัณฑิตศึกษาที่ได้คุยกับนักศึกษาปริญญาเอกคนหนึ่งที่ผมนับถือมาก เขาจะอ่านเปเปอร์แต่ละฉบับแล้วลงมือเขียนโค้ดทำตามเองทุกครั้ง ของผมใช้เวลาหลายเดือน แต่เขามักทำโค้ดเสร็จได้ภายในไม่กี่วัน เขาอธิบายว่า ถ้าฝึกเยอะก็จะเก่งขึ้นได้ นอกจากจะโค้ดได้เร็ว เขายังวิเคราะห์เปเปอร์และผสานไอเดียต่าง ๆ ได้เร็วขึ้นเรื่อย ๆ และยังพัฒนาสัญชาตญาณว่าอะไรใช้ได้ผลด้วย ตอนนี้ผมก็อาวุโสพอสมควรแล้วเลยแทบไม่ได้เขียนโค้ดเองมากนัก แต่ก็ยังรู้สึกว่าการได้จับโค้ดและไอเดียใหม่ ๆ ด้วยตัวเอง และได้ลำบากกับมันนั้นมีประโยชน์มาก ผมคิดว่าคนที่มองว่าแค่เปลี่ยน
promptนิดหน่อยก็พอ กำลังพลาดโอกาสการเรียนรู้ที่สำคัญจริง ๆผมคิดว่าตอนนี้เองเรากำลังเห็นช่องว่างด้านทักษะก่อตัวขึ้นตรงหน้าแล้ว ระหว่าง (1) คนที่เข้าใจแนวคิดอย่างลึกซึ้ง สร้างแบบจำลองในหัวได้ และลงมือเขียนโค้ดระดับไหนก็ได้ด้วยตัวเอง กับ (2) คนที่เอากระบวนการนั้นไปให้เครื่องทำแทน แล้วค่อย ๆ สูญเสียความสามารถนั้นไป ตอนนี้ความต่างอาจยังไม่ชัดมาก แต่ผมเชื่อว่าอีกไม่กี่ปีจะเห็นชัดเจนแน่นอน
ต้องระวังตรรกะวิบัติแบบ “โปรแกรมเมอร์ของจริงต้องเขียน assembly เอง” ตอนที่คอมไพเลอร์เริ่มแพร่หลาย ก็เคยมีความกังวลว่าพวกโปรแกรมเมอร์จะไม่เข้าใจการทำงานของโค้ดตัวเอง ซึ่งในระดับหนึ่งก็จริง แต่คนส่วนใหญ่ก็ยังสร้างของที่ใช้งานได้จริงโดยไม่มีปัญหาอะไรมาก ถ้าหยุดคิด แน่นอนว่าก็เรียนน้อยลง แต่ถ้าคุณสามารถคิดในระดับ abstraction ที่สูงขึ้นได้ รายละเอียดปลีกย่อยก็อาจไม่ได้สำคัญเสมอไป ข้อจำกัดของมหาวิทยาลัยคือมันไม่ใช่ “ระดับ abstraction ถัดไป” แต่เป็นแค่ชุดของไอเดียที่คัดมาอย่างระมัดระวังเพื่อถ่ายทอดความรู้ที่ผ่านการพิสูจน์แล้วเท่านั้น ซึ่งต่างจากการมีเวลาไปสร้างอะไรจริง ๆ ในสตาร์ตอัปหรือไปท้าทายกับปัญหาที่ใหญ่กว่า แน่นอนว่าวิธีนี้ไม่ได้เหมาะกับทุกหลักสูตรปริญญาเอก บางสาขาก็ต้องรู้รายละเอียด แต่ในโลกทุกวันนี้ที่มีความเฉพาะทางมากขึ้น ผมกลับคิดว่านี่อาจเป็นผลดีสุทธิ
มันให้ความรู้สึกคล้ายกับการเรียนคณิตศาสตร์ คุณอาจอ่านหนังสือคณิตทั้งวันและชื่นชมไอเดียต่าง ๆ ได้ แต่ถ้าไม่ได้ลองแก้นิยาม ทฤษฎีบท หรือโจทย์แบบฝึกหัดด้วยตัวเอง ก็แทบไม่ได้เรียนรู้อะไรเลย
ในสาย data science มีคำพูดว่า “ไม่มีอาหารกลางวันฟรี” พอเครื่องมืออย่าง ChatGPT กลายเป็นเรื่องปกติมากขึ้น แม้แต่คนระดับปริญญาเอกขึ้นไปที่ยังเรียนเองโดยไม่ใช้เครื่องมือพวกนี้เลย ก็ดูเหมือนพ่อมดขึ้นเรื่อย ๆ ผมเริ่มเห็นคนที่ฝีมือไม่ถึงจนเขียนโค้ดระดับกลางขึ้นไปไม่ได้ หรือสัญชาตญาณไม่ดีพอแล้ว มันไม่ใช่ imposter syndrome อีกต่อไป แต่เป็นภาวะที่ทำงานให้ดีไม่ได้หากไม่มี AI สำหรับผม แต่ละหัวข้อผมจะพยายามคิดและตั้งคำถามด้วยตัวเองก่อนโดยไม่ใช้เครื่องมือ แล้วค่อยไปถาม ChatGPT เมื่อเริ่มจับทางได้บ้างแล้ว
น่าสนใจ ผมสงสัยว่าเขาหมายถึงเขียนโค้ดด้วยปากกาและกระดาษจริง ๆ หรือเปล่า วิธีนั้นดูเหมือนจะช่วยให้เข้าใจได้จริงนะ (สำหรับบริบท ผมไม่ได้เขียนโค้ดเป็นอาชีพ) นักประวัติศาสตร์ก็คล้ายกัน คนที่หมกตัวอยู่ใน archive จริงทั้งวันจะค่อย ๆ สั่งสมสัญชาตญาณและความเข้าใจเชิงลึกเกี่ยวกับหัวข้อนั้นเมื่อเวลาผ่านไป แต่ถ้าแค่ใช้ Google ไปคุ้ยหา quote กับเอกสารที่ต้องใช้ ก็เสี่ยงจะเข้าใจหัวข้อแบบตื้น ๆ มองไม่หลายมุม ไม่เห็นความเชื่อมโยงระหว่างปรากฏการณ์ต่าง ๆ และมีแนวโน้มจะยึดติดกับข้อสรุปของตัวเองเกินไปด้วย
มีหลายจุดที่ควรทำความเข้าใจไว้ก่อน (1) เปเปอร์นี้อยู่บน arXiv ยังไม่ตีพิมพ์และยังไม่ผ่าน peer review ควรอ่านโดยคำนึงถึงเรื่องนี้ (2) มี 18 คนต่อหนึ่ง cohort (3) รวมทั้งหมด 54 คน ขนาดตัวอย่างเล็ก และดูเหมือนส่วนใหญ่เป็นนักศึกษา MIT อายุ 18-22 ปี จึงยังมีโจทย์เรื่องการทำซ้ำและการสรุปผลทั่วไป ระหว่างการทดลองก็มีการวัดคลื่นสมอง (EEG) ซึ่งเป็นสภาพแวดล้อมที่ไม่คุ้นเคยและไม่สบาย อีกทั้งหัวข้อวิจัยคือการเขียนเรียงความโดยใช้ LLM, เครื่องมือค้นหา, หรือไม่ใช้เครื่องมือเลย ผู้เข้าร่วมจึงรู้ชัดอยู่แล้วว่าตัวเองกำลังอยู่ในเงื่อนไขไหน สรุปของเปเปอร์คือศึกษาต้นทุนทางปัญญา (
cognitive cost) ของการใช้ LLM ในงานเขียนเรียงความ การเขียนเรียงความเป็นงานซับซ้อนที่ระดมกระบวนการคิดหลายแบบ และถูกใช้ในโรงเรียนหรือการสอบ ผู้ทำต้องจัดการทั้งงานระดับมหภาคอย่างการจัดระเบียบความคิดและโครงสร้างข้อโต้แย้ง และงานระดับจุลภาคอย่างการเลือกคำ ไวยากรณ์ และโครงสร้างประโยคไปพร้อมกัน เพื่อประเมินการมีส่วนร่วมทางปัญญา (cognitive engagement), ภาระทางปัญญา (cognitive load) และระดับการทำงานของสมอง จึงใช้ EEG นอกจาก LLM แล้ว ยังเปรียบเทียบกับการค้นหาอินเทอร์เน็ตแบบดั้งเดิม และการไม่ใช้เครื่องมือใด ๆ ด้วย ต้นฉบับเปเปอร์ผู้เข้าร่วม 54 คนมีอายุ 18~39 ปี (เฉลี่ย 22.9 ปี, SD=1.69) และรับมาจาก 5 มหาวิทยาลัย ได้แก่ MIT, Wellesley, Harvard, Tufts, Northeastern มีนักศึกษาปริญญาตรี 35 คน บัณฑิตศึกษา 14 คน และอีก 6 คนเป็น postdoc/นักวิจัย/วิศวกรซอฟต์แวร์ เป็นต้น ขนาดและองค์ประกอบของกลุ่มตัวอย่างเป็นข้อจำกัดจริง และการศึกษาต่อไปก็ควรใช้ตัวอย่างที่ใหญ่และหลากหลายกว่านี้ แต่ผมไม่คิดว่าถึงขั้นสรุปว่า “ทำซ้ำได้ยาก”
ผมคิดว่าควรเลิกใช้ข้ออ้างว่าเปเปอร์ก่อน peer review จึง “ต้องเผื่อใจ” ได้แล้ว peer review เองก็ไม่ใช่กระบวนการทางวิทยาศาสตร์ในอุดมคติ บ่อยครั้งเป็นแค่ความล่าช้าที่ไม่จำเป็นหรือคอมเมนต์ไร้ความหมาย และเป็นแรงงานฟรีให้บริษัทสำนักพิมพ์ใหญ่ ๆ ผมตีพิมพ์มาเกิน 30 ชิ้น เจอทั้งรีวิวที่ดีและแย่มาเยอะ อย่างน้อยเราควรไปสู่ open peer review และการสื่อสารกับบรรณาธิการโดยตรง วิทยาศาสตร์ควรเป็นตลาดของไอเดีย ส่วนคำวิจารณ์อื่น ๆ ผมเห็นว่าถูกต้องทั้งหมด ข้อสรุปของเปเปอร์นี้ก็รีบเกินไปและใกล้เคียงงานประชาสัมพันธ์ ส่วนตัวผมคิดว่าระบบ peer review ปัจจุบันล้าสมัยแล้ว
งานวิจัยนี้คือการทดลองว่าการใช้ ChatGPT ส่งผลต่อความสามารถในการเขียนเรียงความของผู้ใช้อย่างไร สิ่งที่มันบอกคือถ้าไม่ฝึกเขียน ความสามารถในการเขียนก็จะถดถอย และรูปแบบการทำงานของสมองก็แตกต่างจากวิธีอื่น แต่ยังไม่ใช่หลักฐานว่า “เป็นอันตราย” โดยเฉพาะ อีกอย่าง ในเปเปอร์ใช้คำว่า
cognitive debtแทนcognitive declineซึ่งเป็นนัยสำคัญต่อการตีความ ผมคิดว่างานวิจัยอื่นก็น่าจะพบผลคล้ายกันได้ แต่ยังเร็วเกินไปที่จะสรุปว่า AI/LLM เป็นอันตรายต่อสมอง ตรงกันข้าม มันอาจถูกอ่านได้ด้วยซ้ำว่าช่วยลดภาระทางปัญญาและทำให้การเขียนเรียงความง่ายขึ้น เพียงแต่ยังต้องมีงานวิจัยเพิ่มเติม เช่น การประเมินคุณภาพของผลลัพธ์อีกจุดที่ต้องระวังคือ “AI” ในที่นี้ถูกใช้แทนคำว่า LLM จริง ๆ AI มีหลายรูปแบบมาก ยากจะจินตนาการว่าการสร้างภาพ วิดีโอ หรือเสียงจะนำไปสู่ภาวะความสามารถถดถอย ส่วน LLM นั้น ผมมองว่าอย่างมากคือทำให้เกิด “ความขี้เกียจทางปัญญา” เพราะไม่ต้องจำหรือท่องอะไรด้วยตัวเอง
ผมคิดว่าผลแบบนี้ทำซ้ำได้สบาย ๆ ช่วงนี้เวลาปฏิสัมพันธ์กับคนที่เพิ่งเริ่มใช้ LLM หนัก ๆ จะรู้สึกเหมือน IQ ลดลงอย่างเห็นได้ชัด จากคนที่เมื่อก่อนถกเถียงได้คล่อง ตอนนี้กลับคุยไม่ได้ถ้าไม่ได้ไปเช็กคำตอบจาก Grok หรือ ChatGPT ก่อน
ตัวบทความและพาดหัวนี้ต่างหากที่กำลังเอางานต้นฉบับที่เดิมก็มีความเป็นต้นฉบับมากกว่าอยู่แล้วมาทำซ้ำแบบหยาบ ๆ แม้แต่นักวิจัยเองก็เขียนชัดใน FAQ ว่าอยากให้สื่อหยุดตีความงานของพวกเขาผิด ๆ แล้วใช้คำอย่าง “LLM ทำให้เรากลายเป็นคนโง่” คอมเมนต์ใน HN (บางส่วน) เป็นตัวอย่างที่ดีของอคติทางความคิดที่รับข้อมูลไปโดยไม่ตรวจสอบหลักฐานจริง
ผมเข้าใจเลยว่าทำไมคนถึงบอกว่ามันชวนให้นึกถึง Reddit เพราะประเด็น clickbait แบบนี้ถูกหยิบขึ้นมาตลอด โดยเฉพาะงานนี้ที่จริง ๆ คือให้คน 18 คนใช้ ChatGPT 4 ครั้งในช่วง 4 เดือน แถมยังควบคุม noise ไม่ได้ ผมเห็นด้วยว่าการใช้ AI มากเกินไปอาจเป็นปัญหา แต่งานวิจัยแบบนี้ก็เป็นแค่ clickbait ของประเด็นที่พวกเราไม่ชอบอยู่แล้ว
ผมรู้สึกว่าแทบไม่มีใครอ่านเปเปอร์จริงจังเลย กลุ่มที่ใช้ LLM ใน session 1~3 พอมาทำ session 4 โดยไม่ใช้ LLM การเชื่อมโยงลดลง แต่ทุกกลุ่มก็มีการเชื่อมโยงเพิ่มขึ้นเมื่อทำ session มากขึ้น จุดสำคัญคือใน session 4 มันไม่ได้กลับลงไปเท่าระดับเริ่มต้น (session 1) แต่ไปอยู่ตรงกลาง somewhere นั่นแปลว่ายังมีการเรียนรู้อยู่ แนวคิดเชิงปรัชญาเรื่อง Extended Mind คือหัวใจสำคัญ ยิ่งไปกว่านั้น กลุ่มที่ไม่ใช้ LLM ใน session 1~3 พอมาได้ใช้ LLM ใน session 4 สมองกลับทำงานพุ่งขึ้นอย่างมาก ตรงนี้ต่างหากคือประเด็นจริงของข้อสรุปงานวิจัย
ส่วนตัวผมเขียนโค้ดกับ ChatGPT มา 8 เดือนแล้วรู้สึกได้เลยว่าสมองช้าลงเรื่อย ๆ ผลการวิจัยนี้เลยโดนใจมาก อย่างไรก็ตาม ผมคาดว่าในอนาคตคงแทบไม่มีงานวิจัยใหม่ที่นำเสนอด้านลบแบบนี้ออกมาอีก เพราะทั่วสังคมมีแรงผลักที่ไม่ต้องการให้เกิดความเห็นเชิงลบต่อ AI
ผมคิดว่าไม่ควรให้ LLM เป็นคนเขียนหรือแก้ต้นฉบับให้ มันใช้ได้กับการขอฟีดแบ็ก สำรวจไอเดีย หรือหาช่องโหว่ แต่การเขียนควรต้องทำด้วยตัวเองจนจบ เพราะเสี่ยงมากที่จะยกสมองให้ LLM ง่ายเกินไป ไม่ใช่แค่การเขียนเรียงความเท่านั้น เวลาพึ่ง LLM แก้ปัญหาเขียนโปรแกรมมาก ๆ ผมรู้สึกได้ถึงภาวะถดถอยทางการคิดจริง ๆ ใน ecosystem การเขียนโปรแกรมที่ไม่คุ้นเคย ถ้าเอาแต่ copy-paste error เข้าไป ปัญหาอาจแก้ได้เร็ว แต่การเรียนรู้จริงกลับลดลง แน่นอนว่ามันทำให้เริ่มต้นง่ายขึ้นและติดขัดน้อยลง จึงต้องมีความสมดุล และจำเป็นต้องมีแรงที่จะต่อสู้กับปัญหาด้วยตัวเอง
ผมมีประสบการณ์ตรงข้าม แทนที่จะ copy-paste error หรือรับคำตอบจาก AI มาเลย ผมจะถามต่อเรื่อย ๆ ว่า “ทำไมอันนี้ถึงใช้ได้?” ให้มันอธิบายคำสั่งหรือ flag ทีละตัว และจะไม่ขยับไปต่อจนกว่าจะเข้าใจจริง ๆ ผลคือ แม้อาจจำได้ไม่ลึกเท่าการไปสำรวจเองทั้งหมด แต่ผมได้เจอปัญหามากขึ้นและเรียนรู้ได้เร็วขึ้น
ตอน Firefox มีฟีเจอร์ autocorrect ผมเคยฝึกเขียนให้ไม่มีคำสะกดผิดโดยย้อนดูคำตอบที่ถูกต้อง แล้วก็พัฒนาขึ้นมาก (ภาษาอังกฤษไม่ใช่ภาษาแม่ของผม) ผมมองว่า LLM ก็เหมือนกัน คือเป็นเครื่องมือเพื่อไปสู่การเรียนรู้และข้อสรุปได้เร็วขึ้น เวลาเริ่มโปรเจกต์ใหม่แล้วลืมการตั้งค่าที่เคยทำมาก่อน LLM ก็ช่วยเตือนสิ่งที่เมื่อก่อนผมอาจต้องจดไว้ในวิกิเดิมได้ สิ่งสำคัญคือการ self-check เพื่อให้ตัวเองกลายเป็นวิศวกรที่เก่งขึ้นผ่าน LLM
นี่แหละคือประเด็นจริง แต่ถ้าใช้ LLM อย่างพอดี มันช่วยให้ผมตามทันทั้งทักษะของตัวเองและพื้นที่ใกล้เคียงได้เร็วขึ้น ไม่ติดกับช่องว่างความรู้เล็ก ๆ น้อย ๆ และโฟกัสกับงานแก่นแท้ได้มากขึ้น เช่น ผมเคยเร่งทำระบบประมวลผลสัญญาณเสียงใต้น้ำด้วย C ได้อย่างรวดเร็ว ในพื้นที่ที่ไม่จำเป็นต้องชำนาญลึกอย่างสมบูรณ์แต่ต้องทำให้ใช้ได้จริง ถ้าเป็นเมื่อก่อนผมคงต้องนั่งอ่านโค้ดคนอื่นยาว ๆ
การสั่งให้ LLM เขียนงานให้เป็นความขี้เกียจ และผลลัพธ์ก็มักไม่น่าพอใจ ทางที่ดีกว่าคือผมเขียนร่างเอง แล้วใช้ LLM ขอฟีดแบ็ก ตรวจ blind spot หรือช่วยหาคำที่ดีกว่า
ผมมองนิสัยการใช้ LLM คล้ายกับการพึ่งระบบนำทางหรือแอปแผนที่มากเกินไป มันสะดวกมากจริง แต่ก็มีผลข้างเคียงคือทำให้พื้นที่สมองที่ใช้กับความจำเชิงพื้นที่และการตัดสินใจฝ่อลง ผมเองก็เคยเชื่อมันมากไปจนพลาดครั้งใหญ่ สมัยก่อนแผนที่กระดาษจะไม่สะดวก แต่แลกมากับการปฏิสัมพันธ์และเวลาคิดทบทวนที่มากขึ้น ทุกวันนี้นอกจากพื้นที่ขัดแย้งแล้ว ก็แทบไม่มีใครใช้แผนที่กระดาษแล้ว
แม้จะเป็นงานวิจัยที่ถูกพูดถึงมากแบบเปเปอร์นี้ แต่ก็ยังมีข้อจำกัดเชิงระเบียบวิธีที่รุนแรงหลายอย่าง มีเพียง 54 คนแบ่งเป็น 3 กลุ่ม แต่ละเงื่อนไขมีแค่ 9 คน ซึ่งน้อยเกินไปมากสำหรับข้ออ้างแบบ “รีโปรแกรมสมองใหม่” สิ่งที่การศึกษานี้แสดงคือมีรูปแบบสมองต่างออกไปเฉพาะตอนเขียนเรียงความโดยมี AI ช่วยเท่านั้น ไม่ใช่ความเสียหายถาวร เวลาใช้เครื่องมือแล้วสมองทำงานน้อยลงก็เหมือนเวลาใช้เครื่องคิดเลขแล้วคิดเลขในใจน้อยลง คำอย่าง “ความเสียหายทางปัญญา” หรือ “อันตรายร้ายแรง” ก็ไม่ตรงกับสิ่งที่งานวิจัยนี้แสดงจริง ๆ และการวัด EEG บนผิวสมองก็ไม่สามารถใช้คาดเดาการเปลี่ยนแปลงลึก ๆ ของสมองได้ ผู้เขียนเองก็ยอมรับข้อจำกัดเหล่านี้ อีกทั้งประโยค “83.3% จำประโยคจากเรียงความตัวเองไม่ได้แม้แต่ประโยคเดียว” ก็หมายถึงแค่ 15 คนจาก 18 คนเท่านั้น
มีคนยกตัวอย่างการใช้ AI ในชีวิตประจำวันเพื่อการเรียนรู้เชิงลงมือทำ เช่น การบัดกรี การใช้มัลติมิเตอร์ การประกอบวงจร ระบบโซลาร์/แบตเตอรี่ การสร้างเครือข่าย LoRa ฯลฯ ในทุกกรณีเขาไม่ได้เรียนแค่ทฤษฎี แต่ทดลองเองจริง ๆ ด้วย เวลาเจอปัญหาก็ใช้ AI ช่วยหาสาเหตุ แล้วถามและทดลองซ้ำหลายครั้งจนเข้าใจหลักการแน่ชัด เขาไม่ชอบวิดีโอ YouTube เลยรู้สึกว่า AI แบบข้อความเหมาะกับตัวเองมากกว่า และชอบเรียนด้วยการจงใจลองผิดลองถูกหรือทำพังบ้าง เขาเอากลยุทธ์การเรียนรู้แบบลองผิดลองถูกที่เคยใช้ในซอฟต์แวร์ มาประยุกต์กับอิเล็กทรอนิกส์ราคาถูกแล้วได้ผลดี
ในฐานะคนที่ทำเรื่องพวกนี้จริง ผมสงสัยว่าทำไมถึงเลือก AI การเรียนด้วยข้อความเป็นหนึ่งในวิธีที่ยากที่สุดเลยนะ วิดีโอที่ทำดี ๆ แสดงกระบวนการจริง รวมถึงเกณฑ์ว่าแบบไหนคือสำเร็จหรือผิดพลาดได้ดีกว่ามาก เพียงแต่ทุกวันนี้ก็หาวิดีโอดี ๆ ยากขึ้นเรื่อย ๆ จริง
ผมเองก็เรียนแบบคล้ายกันมาก่อน LLM จะมา โดยสร้าง analog synthesizer ด้วย สิ่งที่ผมเห็นด้วยคือ เอกสารบนเว็บที่ LLM ใช้อ้างอิงนั้น ผมก็ใช้อ่านอยู่แล้วเหมือนกัน ถ้าอะไรไม่ทำงาน ผมก็อ้างอิงอุปกรณ์จริงหรือเอกสารจริงมาตลอด เรามีเส้นทางการเรียนรู้ที่ใช้ได้อยู่แล้วก่อนมี LLM และผมก็ยังไม่แน่ใจว่า LLM เป็นวิธีเรียนที่เหนือกว่าวิธีอื่นจริงหรือไม่
การต้องลงมือทำงานทางกายภาพจริง ๆ ทำให้ความเร็วในการเรียนสอดคล้องกับความเร็วที่สมองจะซึมซับ แต่ feedback loop ที่เร็วเกินไปแบบ “vibe coding” ในซอฟต์แวร์ กลับอาจไม่ช่วยการเรียนรู้จริง เพราะมันทำให้สมองหลีกเลี่ยงกระบวนการเรียนรู้
ถ้าใช้ LLM แบบศิษย์ถามอาจารย์ ผมคิดว่าไม่มีปัญหาอะไรเลย
คล้ายกันเลย ผมกำลังทำแบบฝึกหัดจากหนังสือที่ไม่มีเฉลย และทุกครั้งที่ติดขัดก็ใช้ ChatGPT ขอฟีดแบ็กและ hint ซึ่งช่วยได้มาก
บทความนี้ทำให้ผมรู้สึกเหมือนมันถูก AI เขียนเสียเอง เพราะอ่านเปเปอร์จริงแล้วสรุปแบบนั้นได้ยากมาก การทดลองมีแค่เขียนเรียงความสไตล์ SAT ครั้งละไม่ถึง 30 นาที ตลอด 4 เดือน และมีแค่บางส่วนที่ใช้ AI จะสรุปว่าการใช้ AI ครั้งละ 20 นาที เดือนละครั้งทำให้สมองแย่ลงอย่างเห็นได้ชัดนั้นไม่มีเหตุผล สิ่งที่งานวิจัยแสดงจริง ๆ คือ คนเรามีความผูกพันและความทรงจำกับผลลัพธ์ที่ตัวเองไม่ได้สร้างน้อยกว่า ซึ่งเรื่องนี้ก็เหมือนกันกับงานที่คนอื่นทำให้
promptอยู่เป็นเวลานานผมคิดว่าวิธีใช้ AI มีความเกี่ยวข้องอย่างมากกับผลต่อการเรียนรู้ สำหรับผมกลับกลายเป็นว่า AI ทำให้คิดลึกกว่าปกติมาก เพราะผมคอยถามและไล่ตรรกะกับมันอยู่ตลอด เช่น ถ้าเจอฟีเจอร์ที่เอกสารไม่พอ ผมจะใช้ AI ไล่ flow ของโค้ด แล้วถกกับมันต่อเรื่องการปรับปรุง naming, การปรับโครงสร้าง, การเขียนเอกสาร และตัวเลือกอื่น ๆ อีกหลายแบบ เพราะ LLM เร็วกว่ามากในด้านการค้นข้อมูล ผมจึงแค่เหนื่อยน้อยลงในส่วนนั้น แต่กลับคิดหนักขึ้นด้วยซ้ำ แน่นอนว่ามีบางพื้นที่อย่าง
mermaidที่ผมข้ามไปบ้าง แต่เพราะ LLM ผมถึงทำงานจริงได้ และถ้าไม่มีมัน ผมคงได้แต่นั่งทำงานจิปาถะงานวิจัยนี้กับบทความต่าง ๆ ถูกตีความแบบเร้าอารมณ์มากเกินไปจนทีมวิจัยต้องทำ FAQ แยกต่างหาก ผู้เขียนเปเปอร์ขอซ้ำแล้วซ้ำเล่าว่าอย่าใช้คำอย่าง “LLM ทำให้คนโง่ลง”
การพูดถึง “ภาวะความสามารถทางปัญญาถดถอยระยะยาว” จากแค่ผลการวัดเครือข่ายประสาทเชิงเทคนิค เป็นการพูดเกินจริง เช่น ผลที่ว่า “83% ของผู้ใช้ LLM จำประโยคจากเรียงความที่เพิ่งเขียนไม่ได้แม้แต่ประโยคเดียว” ก็เป็นเรื่องธรรมดามากอยู่แล้วว่า งานเขียนที่มือเราไม่ได้ผ่านเองจะไม่ติดอยู่ในความทรงจำ เพราะตั้งต้นมันก็เป็น AI เขียนแทน จึงเป็นธรรมชาติที่จะไม่ผ่านกระบวนการคิดของตัวเอง