เราไม่สามารถเลี่ยงงานที่จำเป็นต่อการฝึกจิตใจของเราได้

 (zettelkasten.de)
1 คะแนน โดย GN⁺ 2025-09-12 | 1 ความคิดเห็น | แชร์ทาง WhatsApp
  • คำกล่าวที่ว่า “ไม่จำเป็นต้องจำอะไรเลย” เป็น ภาพลวงตา ที่มีมานานแล้ว
  • มีการอ้างว่าเครื่องมือดิจิทัลอย่างอินเทอร์เน็ต แอปจดโน้ต และ AI ทำให้ ความจำไม่จำเป็นอีกต่อไป แต่สิ่งนี้มีต้นทุนแฝงต่อ ความสามารถในการคิด
  • หากขาด ความสามารถในการคิดเชิงวิพากษ์และเชิงวิเคราะห์ ก็จะไม่สามารถใช้ผลการค้นหาบนอินเทอร์เน็ตได้อย่างมีประสิทธิภาพ และการเรียนรู้ความรู้จะหยุดอยู่เพียงระดับตื้น
  • หากบริโภคข้อมูลเพียงผิวเผินโดยไม่มี ความรู้เชิงลึก ก็จะทำให้ ความสามารถในการประมวลผลทางการรับรู้ของสมอง อ่อนแอลง
  • วิธีการอย่าง Zettelkasten Method และการฝึกฝนอย่างสม่ำเสมอเป็นสิ่งจำเป็นสำหรับ งานความรู้ที่มีความหมาย

ภาพลวงตาเกี่ยวกับเครื่องมือดิจิทัลและความจำ

  • แนวคิดที่ว่า “ไม่จำเป็นต้องจำอะไรเลย” เป็น มุมมองเก่าแก่ ที่เกิดขึ้นมาตั้งแต่หลายทศวรรษก่อน
  • เสิร์ชเอนจิน แอปจดโน้ตรุ่นเก่า และ AI ต่างก็ย้ำข้ออ้างว่า ความสำคัญของความจำ ได้หมดไปแล้ว
  • แต่ในความเป็นจริง การจะค้นหาข้อมูลที่ต้องการได้นั้นจำเป็นต้องมีทั้ง การศึกษาพื้นฐาน และ ความรู้เดิม ในสาขานั้น

การคิดเชิงวิพากษ์และความสามารถในการใช้อินเทอร์เน็ต

  • ในสังคมปัจจุบัน มีแนวโน้มชัดขึ้นที่จะ ข้าม กระบวนการคิดที่จำเป็น แล้วไปหาข้อสรุปจากอินเทอร์เน็ตโดยตรง
  • แนวโน้มนี้นำไปสู่การลดลงของ โอกาสในการเรียนรู้ด้วยตนเอง และ ความรู้เดิม รวมถึงทำให้ความสามารถในการประเมินคุณภาพของข้อมูลและแปลงมันให้เป็นความรู้จริงลดลง
  • งานวิจัยระบุว่าเหล่า digital natives ที่เรียกกันนั้นขาดความสามารถในการประเมินข้อมูลที่พบในอินเทอร์เน็ตอย่างมีวิจารณญาณและเชิงวิเคราะห์
  • หากต้องการดึงคุณค่าที่แท้จริงจากการค้นหาบนอินเทอร์เน็ต จำเป็นต้องมี แผนที่ทางความคิด เฉพาะสาขา

แนวทางของ digital natives และปัญหาที่ตามมา

  • digital natives มักตัดสินข้อมูลจากเพียง ความสอดคล้องกันในระดับผิวเผิน และแรงจูงใจในการ ประเมินอย่างมีวิจารณญาณ ก็อ่อนลง
  • แนวทางเช่นนี้นำไปสู่ผลลัพธ์ดังต่อไปนี้
    • ความเชื่อมโยงทางอารมณ์กับข้อมูลลดลง ทำให้ความลึกของความคิดและการจดจ่อลดลง
    • เกิด ความสัมพันธ์แบบตื้น ๆ กับข้อมูล จนไม่เกิดการเปลี่ยนแปลงในโครงสร้างของสมอง
  • ผลลัพธ์คือ ยิ่งสะสมพฤติกรรมการบริโภคข้อมูลแบบผิวเผินมากเท่าไร รากฐานของความรู้ก็ยิ่งเปราะบาง

สมมติฐานหลักของความรู้ การจดโน้ต และการคิดเชิงวิพากษ์

  • การก่อรูปความรู้ ในความหมายที่แท้จริงนั้น ไม่ใช่สิ่งที่ AI หรือเครื่องมือ PKM(Personal Knowledge Management) จะทำแทนได้ แต่เจ้าตัวต้อง ลงมือทำด้วยตนเอง
  • ตัวอย่างเช่น อาจให้ ChatGPT ออกแบบตารางออกกำลังกายรายสัปดาห์ได้ แต่หากอยู่ในสภาวะที่ ไม่มีความรู้พื้นฐาน ก็จะไม่สามารถตัดสินได้ว่าผลลัพธ์นั้นถูกต้องหรือไม่
  • หากไม่มี ความเข้าใจเชิงลึก ต่อแนวคิดสำคัญ และรู้เพียงคำศัพท์ในระดับผิวเผิน ก็ยากที่จะประเมิน คุณค่าที่แท้จริงของข้อมูล

ความรู้พื้นฐานและความสามารถในการประมวลผลภายในของสมอง

  • ระดับที่นึกได้เพียงความเชื่อมโยงผิวเผิน กับภาวะที่เมื่อเห็นคำเฉพาะคำหนึ่งแล้วสามารถนึกถึง ความรู้พื้นฐานที่เป็นชั้น ๆ และลึกซึ้งได้อย่างครอบคลุมจริง ๆ นั้นแตกต่างกันมาก
  • คอขวดของงานความรู้ ไม่ได้อยู่ที่ปริมาณข้อมูลภายนอก แต่อยู่ที่ สมรรถนะภายในของสมองในการประมวลผลข้อมูลและระดับการฝึกฝน ของแต่ละคน

ความจำเป็นของเครื่องมือที่เหมาะสมและการฝึกฝนอย่างต่อเนื่อง

  • ตรงกันข้ามกับแนวคิดที่ว่า “ไม่จำเป็นต้องจำอะไรเลย” ในความเป็นจริงแล้ว แนวทางที่พึงปรารถนาคือ “ต้องจำทุกอย่าง”
  • จึงจะทำให้ งานทางการรับรู้ที่มีความหมาย และการคิดบนฐานความรู้เป็นไปได้
  • เครื่องมือง่าย ๆ (เช่น spaced repetition) ช่วยงานแบบง่าย ส่วนเครื่องมือขั้นสูง (เช่น Zettelkasten Method) ช่วยการคิดที่ซับซ้อน
  • การประมวลผลอย่างลึกซึ้ง ในท้ายที่สุดเชื่อมโยงโดยตรงกับการฝึกสมอง
  • อนาคตของงานความรู้ขึ้นอยู่กับ ท่าทีที่ไม่ยอมละทิ้งการฝึกจิตใจ

Live long and prosper
Sascha

บทความที่เกี่ยวข้อง

1 ความคิดเห็น

 
GN⁺ 2025-09-12
ความคิดเห็นบน Hacker News
  • ไม่นานมานี้ได้คุยกับใครคนหนึ่งเกี่ยวกับประสบการณ์การย้ายระบบของเขา แล้วก็ลองจินตนาการว่า AI จะช่วยได้อย่างไร มีอยู่สองวิธี

  • วิธีแรกคือถาม AI เพื่อเอาคำตอบ: มันสร้างบางอย่างให้ ทำให้รู้สึกว่างานง่ายขึ้นเพราะ AI มาคิดแทนในส่วนที่ฉันควรต้องคิดเอง

  • วิธีที่สองคือใช้ AI เป็นเครื่องมืออัตโนมัติสำหรับงานที่ทำซ้ำและเรียบง่าย เช่น การเขียน test suite หรือการตั้งค่า infrastructure: มันเร็วกว่ามนุษย์จริง แต่กลับทำให้เหนื่อยกว่าเพราะเราต้องโฟกัสกับงานยาก ๆ สองแนวทางนี้ให้ความรู้สึกต่างกันมาก แบบแรกคืองานง่ายขึ้น ส่วนแบบที่สองคือส่วนที่ง่ายถูกทำให้อัตโนมัติไป เลยอาจกลายเป็นสภาวะที่ต้องคิดและต้องลำบากอย่างต่อเนื่องมากขึ้น ถ้าในที่ทำงานมีการแข่งขันอยู่แม้เพียงเล็กน้อย ฉันเชื่อว่าคนที่ทำงานตามรูปแบบที่สองจะมีทั้ง productivity และคุณภาพเหนือกว่ามาก แต่แนวทางนี้ให้ความรู้สึกสิ้นเปลืองพลังทางจิตใจอย่างมาก บทความที่เกี่ยวข้อง

    • เคยลองใช้วิธีที่สองในบริษัทจริงแล้ว ถ้าจะให้สำเร็จแทบจะแน่นอน ต้องวางแผน implementation ไว้ล่วงหน้าเกือบทั้งหมด และต้องคอยมอนิเตอร์ว่า LLM ไม่ได้สร้างผลลัพธ์ประหลาดออกมา ระหว่างนั้นแทบทำอย่างอื่นไม่ได้เลย โดยความรู้สึก productivity ดีขึ้นราว ๆ 10%~20%

    • ความรู้สึกแบบ "บีบอัดงานที่ต้องคิดให้ต่อเนื่อง แล้วเหลือแต่งานหนัก ๆ" นั่นแหละคือประเด็นที่ฉันพยายามจะอธิบาย ใน system design คอขวดจริง ๆ ไม่ใช่งานง่าย ๆ หรือการทำซ้ำ แต่เป็นส่วนที่คาดเดาได้ยาก พื้นที่ที่ยังไม่รู้ ผลลัพธ์ที่ไม่ได้ตั้งใจ และอื่น ๆ ซึ่ง AI ไม่ได้ช่วยเรื่องพวกนี้ได้มากนัก กลับกัน การไม่ทำให้งานที่ทำซ้ำเป็นอัตโนมัติทั้งหมด แต่ปล่อยไว้บางส่วน กลับมีประโยชน์ งานพวกนั้นช่วยให้เรายังอยู่กับโดเมนนั้น และมักทำให้ได้ insight ต่อปัญหาที่ยากด้วย

    • ฉันให้ AI รับผิดชอบเรื่องสถาปัตยกรรม การจัดโครงสร้างโค้ด และการออกแบบระดับอัลกอริทึม ฉันวางแผนไว้ในระดับนั้น แล้วมอบ implementation จริงให้ agent ทำทั้งหมด ทั้งทดสอบเอง และให้ AI agent หลายตัวช่วย audit ด้วย pipeline ถูกทำเป็นอัตโนมัติ 100% และผลลัพธ์ก็ดีมาก

อย่างไรก็ตาม ความรู้สึกของการทำวิศวกรรมก็ยังอยู่ เพราะสุดท้ายมันคือการ orchestrate stochastic workflow DAG ตามที่ฉันสั่ง

  • ปัญหาของ LLM คือมันยังทำแม้แต่งานง่าย ๆ ให้เสร็จได้เองทั้งหมดไม่ได้ และเวลาที่คนต้องเข้ามาแทรก มันยังสามารถชักนำ bias ที่โง่เขลาจนทำให้สัญชาตญาณของมนุษย์พร่ามัวได้ด้วย แต่ฉันก็คิดว่าแนวคิดนี้เชื่อมโยงกับประวัติศาสตร์ของการพัฒนาอย่าง compiler, type checker, automated test และ version control ด้วย

  • ในตัวอย่างแรก (แบบถาม-ตอบเอาคำตอบอย่างเดียว) บางทีกลับต้องคิดมากกว่าเดิมด้วยซ้ำ ถ้าสิ่งที่ generate ออกมาไม่ตรงกับที่ต้องการจริง มีบั๊ก หรือซับซ้อนขึ้น เราต้องมาวิเคราะห์และทำความเข้าใจโค้ดจำนวนมากที่เราไม่ได้เขียนเองก่อนจะไปขั้นต่อไปได้ การอ่านโค้ดแบบนี้อาจกลายเป็นการเสียเวลาได้ ท้ายที่สุด ถ้า input prompt หรือสเปกชัดเจนสมบูรณ์จนเราเข้าใจมันได้ในระดับเดียวกับโค้ดที่เราเขียนเองก็ไม่เป็นไร แต่ถ้าไม่ใช่ ฉันคิดว่าลบทิ้งแล้วกลับไปวางแผนใหม่ยังดีกว่า

  • ว่าด้วยคำกล่าวที่ว่า "ต้องจำทุกอย่างได้จึงจะทำงานทางปัญญาที่มีความหมายได้" จริง ๆ แล้วไม่จำเป็นต้องจำทุกอย่าง ผ่านกระบวนการอย่างประสบการณ์ การคิด และการเขียน แค่จำจุดเริ่มต้นและรูปแบบคร่าว ๆ ของสิ่งที่จะตามมาก็เพียงพอสำหรับงานที่มีความหมายแล้ว

    • มีการยกคำพูดของ Thomas Aquinas ว่า "สิ่งที่คนต้องการจะจดจำ ควรถูกจัดเรียงอย่างดีตามลำดับ เพราะลำดับ (ระเบียบ) คือห่วงโซ่ของความทรงจำ" เจอข้อความนี้ใน Zettelkasten ของฉัน

    • ฉันคิดว่ามันขึ้นอยู่กับงาน เช่น ถ้าเป็นการสนทนาภาษาต่างประเทศที่ต้องการ performance แบบเรียลไทม์ ก็ต้องจำคำศัพท์ให้แม่น เช่นเดียวกับการเล่นดนตรี ตอนเขียนอาจทำช้า ๆ ได้ แต่ถ้าความรู้พื้นฐานน้อยเกินไป สุดท้ายก็ต้องไปเตรียมตัวข้างหลังอีกมาก

    • จริง ๆ แล้ว LLM (language model) ก็ทำงานแบบนั้นเหมือนกัน คือป้อนข้อมูลเข้าไปให้มากที่สุดในการ pre-training แบบสมองคน แล้วเมื่อผ่าน threshold บางอย่างไป ก็จะเริ่มได้ผลลัพธ์ที่ใกล้กับการคิดแบบมนุษย์มากขึ้น เช่น การใช้เหตุผลหรือการใช้เครื่องมือ เพราะงั้นฉันเห็นด้วยกับสมมติฐานที่ว่าสมองเอง ถ้ามีข้อมูล pre-training ไม่พอ ก็จะกลายเป็น base model ที่อ่อนแอ

    • ฉันไม่ได้จำคำตอบทั้งหมด แต่จำตำแหน่งที่ไปหาคำตอบได้มากกว่า

    • มีคำถามว่า นี่คือแบบ "จำแค่สถานะตั้งต้นแล้วปล่อยให้สมองไหลตามไปเอง (association)" หรือ "จำแค่จุดตั้งต้นของวิธีแก้ เช่น สมมติฐานหรือไอเดียหลักไม่กี่อย่าง" กันแน่ ถ้าเป็นคนใช้ Zettelkasten ก็น่าจะเห็นด้วยกับแบบแรกมากพอสมควร

  • ว่าด้วยคำกล่าวที่ว่า "ต้องจำทุกอย่างได้จึงจะทำงานทางปัญญาที่มีความหมายได้" ถ้ามนุษย์ไม่มีความสามารถด้าน abstraction ฉันก็คิดว่ามันพอฟังขึ้น แต่เพราะ abstraction มีอยู่จริง ในทางปฏิบัติจึงจำแค่ข้อเท็จจริงบางส่วนก็พอแล้ว ประเด็นสำคัญคือเราต้องมี conceptual model ที่แข็งแรงและ tacit knowledge tacit knowledge เกิดจากประสบการณ์และ feedback ส่วน conceptual model ก็ค่อย ๆ สร้างขึ้นแล้วเติมข้อเท็จจริงเข้าไป ช่วงแรกความจำช่วยได้ แต่เมื่อเติบโตถึงระดับหนึ่ง มันอาจกลายเป็นตัวขัดขวางเสียเอง เราไม่จำเป็นต้องจำภาพรวมทั้งหมดของสิ่งที่ซับซ้อนพร้อมกันตลอดเวลา ถ้ามีประสบการณ์มากขึ้น ก็แค่ใส่สิ่งที่จำเป็นลงใน 'framework' เท่าที่ต้องใช้ก็พอ ฉันคิดว่าความขัดแย้งเรื่องนี้มักเกิดจากคนที่ไม่ชอบการท่องจำ แต่เคยผ่านช่วงเป็นมือใหม่อย่างยากลำบากมาก่อน

    • เห็นมีหลายโพสต์ออกมาบอกว่า "ต้องจำทุกอย่าง" แต่รู้สึกว่าหลายอันพลาดประเด็นและบริบทไปมาก ในเมื่อการจำทุกอย่างจริง ๆ เป็นไปไม่ได้ ฉันเห็นด้วยกับการพยายามจำให้ได้มากที่สุดเท่าที่ทำได้ แต่สุดท้ายฉันคิดว่าท่าทีแบบ "ไม่ต้องจำทั้งหมดหรอก งั้นก็ไม่ต้องสนใจ" นี่อันตราย และคิดว่าใจความของบทความถูกเสนอออกมาอย่างหนักแน่นในทำนองว่า การโยนให้ calculator หรือ LLM ทำแทนไม่ได้ช่วยอะไรในระยะยาว

    • เห็นด้วยอย่างมากกับข้อเสนอที่ว่า "conceptual model และ tacit knowledge สำคัญกว่า" ยิ่งทำ computer science และ software engineering มานาน ก็ยิ่งตระหนักว่าแนวคิดแกนกลางจริง ๆ มีไม่มากอย่างที่คิด วิศวกรที่ชำนาญจริงต้องมีประสบการณ์แบบที่รู้สึกแนวคิดเหล่านั้นได้อย่างมีชีวิต ถ้าซึมซับแนวคิดพวกนี้ได้ดี ไม่ว่าจะเจอปัญหาเกี่ยวกับคอมพิวเตอร์แบบไหน ก็จะจับวางลงบน 'พิกัดของแนวคิด' ได้อย่างรวดเร็ว แล้วจึงนำไปประยุกต์และทำความเข้าใจซ้ำ ๆ ได้

  • ช่วงนี้คุยเรื่องนี้กับคนรู้จักบ่อย และนิยาม engineering ว่าสุดท้ายแล้วมันคือ "การเริ่มต้นจากคำถาม โดยออกเดินโดยยังไม่มีวิธีแก้ที่ชัดเจน" ในสถานการณ์แบบนี้ สิ่งสำคัญคือความเข้าใจที่เพียงพอต่อฐานรองรับของเลเยอร์ที่เรายืนอยู่ (เลเยอร์ abstraction ด้านล่าง) ถ้ามองเป็นพีระมิดความรู้ แต่ละชั้นก็มีบทบาทและความเชี่ยวชาญที่แยกย่อยกันไป แต่ไม่ว่าอยู่ตรงไหน ยิ่งเข้าใจเลเยอร์ล่างมาก สัญชาตญาณก็ยิ่งดีขึ้น ถ้าเรา outsource พื้นฐานออกไป เราก็จะอ่อนลงไม่ใช่แค่ด้าน critical thinking แต่รวมถึงสัญชาตญาณต่อโครงสร้างของโลกที่เราอยู่ด้วย

  • ฉันเห็นด้วยกับเครื่องมือเสริมความจำอย่าง Anki, Zettelkasten ฯลฯ แต่คิดว่าบทความนี้ทำให้เรื่องง่ายเกินไปหน่อย ฉันมองว่าโมเดลงานฐานความรู้มีอยู่ 2 แบบ

  1. กรณีที่ต้องการ reference ที่เข้าถึงได้ทันทีและครอบคลุม: นอกจากการอภิปรายสดหรือการทำงานเร็วระดับสุดขีดแล้ว ส่วนใหญ่ไม่เข้าข่ายนี้
  2. กรณีที่ไม่จำเป็นต้องจำทั้งหมด แค่รู้ชิ้นเล็ก ๆ ก็พอ (งานที่ไม่ต้องเห็นทั้งแผนที่ แค่เข้าใจบางจุด): งานส่วนใหญ่อยู่ในกลุ่มนี้ ดังนั้น ถ้าต้องการคำพูดชัด ๆ ของใครสักคน ก็ไปค้นทีหลังได้ ไม่จำเป็นต้องจำเนื้อหาทั้งหมดได้ทันทีเสมอไป ความเปลี่ยนแปลงที่เด่นชัดช่วงหลังคือ AI ช่วยได้มากเวลาเราไม่มีความรู้พื้นหลังเลยและอยากถามแบบคลุมเครือ การค้นหาแบบดั้งเดิมอย่าง Google แทบไม่ช่วยในสถานการณ์นี้ แต่ถ้าถาม ChatGPT ว่า "อยากหาคนที่เคยพูดอะไรประมาณ XYZ" มันให้คำตอบที่ดีได้ในแบบที่เมื่อก่อนแทบเป็นไปไม่ได้

  • ปรากฏการณ์ที่เด่นชัดช่วงหลังคือ AI มีประโยชน์มากเมื่อเราไม่มีความรู้พื้นหลังอะไรเลย แต่นี่แหละที่ฉันคิดว่าเป็นปัญหา AI ช่วยในจุดเริ่มต้นที่ง่าย แต่ระหว่างทางผู้ใช้กลับเสียโอกาสที่จะเรียนรู้ด้วยตัวเอง การเรียนรู้คือการวนซ้ำของ "รับเข้า-เข้าใจ-จดจำ-ประยุกต์ใช้" แต่ถ้าเอาแต่ prompt AI แบบไม่สิ้นสุดเพื่อเอาคำตอบ การเรียนรู้ของตัวเองแทบไม่เกิดขึ้นเลย

  • จุดแข็งของ AI คือมันยกตัวอย่างของ "ชนิด (kind)" ต่าง ๆ ได้ดีหลายแบบ ถ้า AI ช่วยหา "บริษัทที่ทำ X" มาให้หลายแห่ง เวลาฉันไปค้นต่อด้วย search engine เอง มันจะกลายเป็น reference ว่าควรขุดลึกต่ออย่างไร สุดท้ายแม้ปลายทางจะไม่ใช่ผลลัพธ์ที่ AI ให้มาโดยตรง แต่หลังจากได้ฟังความเห็นแล้ว ฉันก็ยังต้องตัดสินเอง AI เก่งเป็นพิเศษในการจับ pattern ระหว่างคำกับคุณลักษณะ และวิธีที่แต่ละหมวดหมู่ใช้ถ้อยคำอธิบายตัวเอง

  • นักบินก็มีเครื่องมืออ้างอิงอย่าง checklist ที่ใช้ได้โดยไม่ต้องท่องจำ และในสถานการณ์ฉุกเฉินก็มีหลายอย่างที่ต้องทำแทบจะเป็นปฏิกิริยาสะท้อนกลับจากความจำที่เข้ารหัสไว้เท่านั้น

  • ความสามารถในการด้นสดหรือ live performance (เช่น การสนทนา การเล่นดนตรี) ต้องอาศัยความจำถึงจะทำได้ดี ระดับที่เราอยากทำงานแบบ live ได้มากแค่ไหน น่าจะเป็นเกณฑ์ที่ดีในการตัดสินว่าควรมีความจำมากแค่ไหน

  • ว่าด้วยข้ออ้างที่ว่า "ถ้าอ่านคำถามแล้วไม่สามารถสังเคราะห์คำตอบแบบครอบคลุมได้ทันที แสดงว่าความรู้พื้นหลังยังไม่พอ" มุมมองนี้สุดโต่งเกินไป ยกตัวอย่างเช่น การวางแผนออกกำลังกาย ไม่จำเป็นต้องคำนึงถึงปัจจัยละเอียดทุกอย่างก็ได้ ถึงจะไม่ใช่คำตอบที่ optimize จนถึงที่สุด ('minmaxed') แต่ถ้าทำสม่ำเสมอ ก็ให้ผลลัพธ์ที่ดีพอได้ นี่เป็นจุดร่วมที่ใช้ได้กับทุกสาขา แม้ไม่ใช่ผู้เชี่ยวชาญลึกมาก ก็ยังสร้างผลลัพธ์ได้ในระดับหนึ่ง

    • แต่ในบางสังคม คนจะได้เจอกับผลของการขาดเหตุผลอย่างชัดเจนด้วยตัวเอง สุดท้ายมันคือความต่างระหว่างคนที่เชื่อมโยง 'ข้อเท็จจริง' จนเกิดระบบตรรกะได้ กับคนที่ทำไม่ได้ ไม่ใช่ว่าทุกคนคิดเหมือนกัน บางกลุ่มจะมองชีวิตผ่านโมเดลแบบ 'คอยหาเหตุผล' อยู่เสมอ

  • ในคณิตศาสตร์ก็เหมือนกัน แม้จะใช้ calculator ได้ แต่ถ้ามี number sense หรือสัญชาตญาณทางเลขคณิต ก็จะรับมือกับโลกได้เร็วและแม่นยำกว่ามาก ถึงจะใช้ AI หรือ search engine ช่วยด้วย อย่างน้อยเราก็ควรมีวิจารณญาณขั้นต่ำด้วยตัวเอง

    • ฉันรู้สึกแปลกใจกับคนจำนวนมากที่เริ่มจากทำสูตร Excel ทั้งที่ยังไม่ได้มองข้อมูลด้วยสัญชาตญาณของตัวเองก่อนเลย เช่น ถ้า A8 เป็น 120 และ A7 เป็น 100 ก็ควรมีนิสัยดี ๆ ที่มองด้วยตาแล้วรู้ทันทีว่ามันเพิ่มขึ้นกี่ % กับ AI ก็คล้ายกัน แทนที่จะเชื่อคำตอบของเรื่องที่เราไม่รู้อะไรเลยทันที อย่างน้อยก็ควรเช็กกับค่าหรือคอนเซปต์ที่เราพอตรวจเองได้ก่อน

    • ปัญหาไม่ใช่ว่าใช้ calculator หรือไม่ แต่คือการมีอาการต่อต้านการคำนวณเสียเอง น่าทึ่งมากว่าแค่จำสูตรง่าย ๆ ไม่กี่อย่าง (พื้นที่ ปริมาตร ความหนาแน่น พลังงาน ฯลฯ) ก็ช่วยกรองเรื่องเหลวไหลได้มากแค่ไหนด้วยการคำนวณฉับพลัน มีตัวอย่างดังอย่างปัญหาเส้นผ่านศูนย์กลางพิซซ่าด้วย

  • แก่นจริง ๆ คือสมองวิวัฒน์ขึ้นจากการถูก 'ฝึก' ผ่านประสบการณ์ ถ้าไม่ท่องจำอะไรเลยและพึ่งการค้นหาอย่างเดียวตลอด สมองก็จะเรียนรู้เพียงวิธีทำงานเหมือน search engine เท่านั้น เมื่ออยู่ในสถานการณ์ที่ค้นหาไม่ได้ การขาดประสบการณ์ที่สั่งสมไว้จะกลายเป็นข้อจำกัดร้ายแรง แน่นอน วิธีแบบนั้นอาจยังใช้ได้ผลในยุคนี้ แต่หลักการพื้นฐานที่ว่าสมองพัฒนาได้อย่างไรไม่ได้เปลี่ยนไป

  • สำหรับฉัน ไม่ถึงกับต้องจำทุกอย่าง แต่ต้องเคย 'สัมผัส' มาก่อนอย่างชัดเจน ถ้าไม่รู้ด้วยซ้ำว่า "ตัวเองไม่รู้อะไร" ก็อันตรายเกินไปสำหรับงานความรู้ ฉันเห็นด้วยกับคำพูดที่ว่า "รู้อะไรนิดหน่อยในทุกเรื่อง และรู้ลึกในสักเรื่องหนึ่ง"

  • ก่อนยุคอินเทอร์เน็ต เราก็ถามคนรอบตัว และถ้าเขาตอบแบบคร่าว ๆ มาก็เชื่อกันไปเลย พออินเทอร์เน็ตมา ผลการค้นหาก็แม่นยำกว่าคนรู้จักแบบสุ่ม ๆ ตอนนี้ AI เข้ามาแล้ว และแม้มันจะไม่สมบูรณ์แบบ แต่ก็ดูน่าเชื่อถือกว่าการถามใครก็ได้แถว ๆ ตัว หรือบล็อกสุ่ม ๆ ความคิดที่ว่ามันต้องถูกต้อง 100% ถึงจะยอมรับได้ สำหรับฉันฟังดูแปลกมาก ในอดีตทุกคนก็รับเอาคำพูดลอย ๆ จากคนใกล้ตัวกันทั้งนั้น

    • อยากรู้ว่ามีหลักฐานอะไรที่บอกว่า LLM ซึ่งเอาคำตอบมาจากการรวบรวมบล็อกสุ่ม ๆ จะให้คำตอบแม่นยำกว่าการค้นหาจากบล็อกที่มีความเชี่ยวชาญได้รับการยืนยันโดยตรง

    • การถามแบบสุ่มว่าใครก็ได้คิดอย่างไรเป็นวิธีที่ผิดตั้งแต่แรก ควรถามผู้เชี่ยวชาญในโดเมนนั้นเสมอ เช่น จะไม่ถามภรรยาเรื่องวิดีโอเกม และจะไม่ถามพ่อเรื่องการเขียนโปรแกรม แค่นี้ความจำเป็นของ AI ก็ลดลงไปมากแล้ว