- การสนทนากับ LLM ช่วยเพิ่มความชัดเจนในการคิดและความสามารถในการสื่อสารด้วยภาษาของแต่ละบุคคล
- ความคิดที่รู้อยู่ลึก ๆ มานานแต่ไม่สามารถอธิบายออกมาเป็นคำพูดได้ ถูก LLM เรียบเรียงออกมาเป็นประโยค ทำให้เกิดช่วงเวลาแห่งการตระหนักรู้ ไม่ใช่การเรียนรู้สิ่งใหม่
- เช่นเดียวกับประสบการณ์ของโปรแกรมเมอร์ สัญชาตญาณ การจดจำรูปแบบ และการตัดสินที่อธิบายได้ยาก มักสะสมอยู่ในรูปแบบที่มาก่อนภาษา
- LLM เชี่ยวชาญเป็นพิเศษในการคลี่โครงสร้างที่คลุมเครือเหล่านี้ออกมาเป็นภาษา และสามารถแยกแจกแจงเหตุผลเพื่อช่วยให้เราจัดโครงสร้างความคิดใหม่ได้
- เมื่อความคิดถูกตรึงไว้เป็นประโยค เราจะสามารถ ทดสอบ แก้ไข หรือทิ้งสมมติฐานและสัญชาตญาณ ได้ ทำให้คุณภาพของการคิดเปลี่ยนไป
- ผ่านกระบวนการทำให้เป็นภาษาซ้ำ ๆ ความละเอียดของบทสนทนาภายในใจ จะสูงขึ้น และทำให้เรารับรู้ความคิดของตนเองได้ดีขึ้น
สิ่งที่เรารู้อยู่จำนวนมากเป็นความรู้โดยนัย (tacit knowledge)
- โปรแกรมเมอร์และนักพัฒนามัก รับรู้ด้วยสัญชาตญาณได้ว่าการออกแบบมีปัญหา ตั้งแต่ก่อนจะอธิบายออกมาเป็นคำพูดได้
- เช่น การรู้สึกได้ว่าดีไซน์ผิด หรือ จับสัญญาณบั๊กได้ตั้งแต่ก่อนจะทำซ้ำบั๊กนั้นได้จริง
- พวกเขาอาจมองเห็น abstraction ที่ผิดพลาดได้ทันที แต่ต้องใช้เวลาในการอธิบาย
- ความรู้โดยนัยแบบนี้ไม่ใช่ความล้มเหลว แต่เป็น ผลลัพธ์ของประสบการณ์ที่ถูกบีบอัดเป็นรูปแบบเชิงพฤติกรรม
- สมองเก็บความรู้ไว้ในรูปแบบที่เหมาะกับการลงมือทำมากกว่าการอธิบาย
- แต่สำหรับ การใคร่ครวญ การวางแผน และการสอน นั้น การแสดงออกด้วยภาษาเป็นสิ่งจำเป็น และไอเดียที่ยังไม่ถูกถ่ายทอดออกมาย่อมตรวจสอบหรือแบ่งปันได้ยาก
LLM ถนัดปัญหาในด้านตรงกันข้าม
- LLM เป็นเครื่องมือที่ถูกปรับให้เหมาะกับการ แปลงแนวคิดและโครงสร้างที่คลุมเครือให้เป็นประโยค
- เมื่อผู้ใช้ตั้งคำถามในลักษณะว่า “รู้สึกเลา ๆ ว่ามันน่าจะถูก แต่ยากจะอธิบายว่าทำไม” LLM จะจัดเรียงเหตุผลออกมาให้เป็นลำดับขั้น
- แต่ละประเด็นถูกจัดวางอย่างเป็นอิสระต่อกัน (orthogonal) ทำให้ผู้ใช้สามารถ สลับหรือจัดเรียงใหม่ เพื่อขยายความคิดของตนได้
เมื่อพูดความคิดออกมาเป็นคำ ความคิดก็เปลี่ยนไป
- เมื่อ LLM เรียบเรียงไอเดียออกมาเป็นประโยค ผู้ใช้จะสามารถ ทดลองมันในใจ ได้
- สัญชาตญาณที่คลุมเครือจะเปลี่ยนเป็น ความแตกต่างที่ถูกตั้งชื่อไว้ชัดเจน และสมมติฐานโดยนัยก็จะถูกเปิดเผยจน ตรวจสอบ ทิ้ง หรือแก้ไขได้
- เช่นเดียวกับที่การเขียนช่วยกลั่นกรองความคิด LLM แตกต่างกันที่ ความเร็ว
- เราสามารถสำรวจความคิดที่ก่อตัวได้เพียงครึ่งเดียว ทิ้งคำอธิบายที่ผิด แล้วลองใหม่ได้อย่างรวดเร็ว
- กระบวนการนี้ช่วยกระตุ้นขั้นตอนการคิดที่เดิมทีเราอาจข้ามไป
วงจรป้อนกลับและการทำให้การคิดกลายเป็นส่วนภายใน
- เมื่อเวลาผ่านไป แม้ไม่มี LLM เราก็จะเริ่มถามตัวเองว่า “ตอนนี้ฉันสามารถอธิบายสิ่งที่ฉันคิด รู้สึก และเชื่อออกมาเป็นภาษาได้อย่างแม่นยำหรือไม่?”
- แทนที่ LLM จะพัฒนาความคิดโดยตรง มันกลับ ช่วยยกระดับทักษะการใช้ภาษาและประสิทธิภาพของบทสนทนาภายในใจ
- เพราะ การให้เหตุผลพึ่งพาการแสดงออกอย่างชัดแจ้ง ดังนั้น เมื่อความชัดเจนทางภาษาดีขึ้น ความชัดเจนทางความคิดก็จะดีขึ้นตามไปด้วย
- ยิ่งทำกระบวนการนี้ซ้ำมากเท่าไร เราก็ยิ่ง รับรู้ได้ดีขึ้นว่าจริง ๆ แล้วตัวเองกำลังคิดอะไรอยู่
9 ความคิดเห็น
คนที่จะคิดได้ดีต้องมีเมตาค็อกนิชันของตัวเองก่อน ต่อให้มี LLM ก็ไม่ได้แปลว่าจะทำให้การคิดดีขึ้นได้ และคนที่เริ่มใช้ LLM ตั้งแต่ช่วงแรก ๆ เมตาค็อกนิชันก็คงพังยับเหมือนกัน..
ก็ไม่แน่เสมอไป ผมกลับคิดว่ามีกรณีที่คนยิ่งติดอยู่ในกรอบความคิดของตัวเองเพราะคำตอบแบบประจบที่ผิด ๆ มากขึ้นด้วยครับ มันมีประโยชน์ในฐานะเครื่องมือที่ช่วยจัดระเบียบให้ชัดเจน แต่ผมคิดว่าการมองคำตอบของ AI ด้วยมุมมองเชิงวิพากษ์อยู่เสมอก็สำคัญเช่นกัน
ดังนั้นผมจึงตั้งค่า Gemini instruction ไว้ว่า "อย่าชมเชยหรือยกย่องผู้ใช้เกินควร ให้ตอบด้วยสำนวนที่เป็นกลางและมีลักษณะเชิงวิทยาศาสตร์/วิชาการ และต้องแสดงแหล่งอ้างอิงเสมอ" แล้วใช้งานแบบนั้น แม้บางครั้งมันก็ยังฝ่าฝืนคำสั่งอยู่บ่อย ๆ (เช่น สั่งห้ามใส่วิดีโอ YouTube แต่บางทีก็ยังแทรกเข้ามา) แต่ถึงอย่างนั้นก็ยังสร้างคำตอบที่สะอาดขึ้นมากและโฟกัสที่ประเด็นสำคัญได้มากกว่าเดิม
เป็นคำแนะนำที่กระชับและดีมากนะครับ ผมเองก็คงต้องลองนำไปใช้ดูเหมือนกันครับ
ความคิดเห็นจาก Hacker News
บทความนี้ตรงกับประสบการณ์ของผมเหมือนกัน ระหว่างคุยกับ LLM ผมสามารถ ทำให้ไอเดียที่เคยคลุมเครือเป็นรูปธรรมขึ้น และสำรวจหัวข้อที่เกี่ยวข้องเพื่อขยายความเข้าใจได้
เมื่อก่อนเวลาสงสัยอะไรขึ้นมา ผมมักไม่รู้จะเริ่มจากตรงไหน แต่ ChatGPT จะบอกได้ว่าไอเดียนั้นเป็นแนวคิดที่มีอยู่แล้วหรือไม่ ใครเป็นคนวิจัย และมี แหล่งข้อมูลปฐมภูมิ อะไรบ้าง
มันเหมือนโพรงกระต่ายสำหรับการสำรวจโลก อุปสรรคในการเข้าถึงความรู้ต่ำลง และแม้แต่การเขียนที่เมื่อก่อนเคยรู้สึกน่าเบื่อก็ดูใหม่ขึ้นมา ตอนนี้ผมยังเริ่มรู้สึกอยากเขียนอะไรด้วยตัวเองด้วย
แต่ก็อดกังวลไม่ได้ว่าสักวันบริษัทต่าง ๆ จะพยายาม สร้างรายได้ จาก LLM มากขึ้นไหม ระหว่างคุยกันอาจค่อย ๆ ไหลไปทางชักจูงให้ซื้อของก็ได้
ผมเข้าใจหลักการทำงานของอัลกอริทึมประมาณค่าในการแก้ปัญหา feedback loop ได้จริง ๆ คิดว่าวิธีเรียนแบบนี้จะช่วยนักเรียนได้มาก
AI ก็ดูคล้ายกัน แก่นแท้เหมือนเดิม ต่างกันแค่ของตกแต่งรอบ ๆ ที่ฉูดฉาดขึ้น ตลาดกาแฟทั่วโลกมีมูลค่าราว 5 แสนล้านดอลลาร์ และผมว่าอีกไม่นานตลาด AI ก็น่าจะไปถึงขนาดนั้น
ไม่ได้จะปฏิเสธประสบการณ์ของคนอื่น แต่ การคิดคือการกระทำที่เสริมแรงตัวเอง
ในกระบวนการถามและตอบตัวเอง ความคิดใหม่ ๆ ก็เกิดขึ้น เราไม่ควรลืมความสามารถนี้
แต่ก็น่าเสียดายที่มันเป็น yes-man เกินไป เลยโต้แย้งไม่ค่อยเป็น ถึงอย่างนั้นการคิดร่วมกับ LLM ก็ยังมีคุณค่าในตัวเอง
แต่กระบวนการถ่ายทอดออกมาเป็นลายลักษณ์อักษรนั้นต้องใช้ การคิดเชิงอภิปัญญาที่ลึกกว่า การคิดเฉย ๆ มาก จึงนำไปสู่ความคิดที่ประณีตยิ่งขึ้น
เมื่อรู้สึกว่าความคิดดีขึ้น → ตื่นเต้น → ทุ่มเทมากขึ้น → ผลลัพธ์ดีขึ้น → ตื่นเต้นมากขึ้น → วนซ้ำ
วงจรแบบนี้เกิดขึ้นได้แม้ไม่มี LLM
การคุยกับ LLM มัก ฟุ้งและไม่มีประสิทธิภาพ บ่อยครั้ง สุดท้ายมนุษย์ก็ยังต้องเป็นคนกำหนดทิศทาง
การสนทนากับมนุษย์แม้จะช้า แต่ก็ยังมี ความสามารถในการให้เหตุผล ที่ดีกว่า LLM เหมาะกับการสรุปหรือเป็นจุดตั้งต้นของการสำรวจ แต่ความเข้าใจเชิงลึกมาจากหนังสือและการคุยกับคน
แค่จัดระเบียบความคิดออกมาเป็นคำพูดก็ช่วยกระตุ้นสมองอีกส่วนหนึ่งและช่วยแก้ปัญหาได้แล้ว
หลังจากทำงานอย่างอื่นมา 20 ปี ไม่นานมานี้ผมเริ่มสอน วิชาวิทยาการคอมพิวเตอร์ ระดับปริญญาตรี
ตอนแรกคิดว่าจะใช้ LLM เป็นผู้ช่วยเขียนโค้ด แต่กลับพบว่ามันมีประโยชน์กว่ามากในการขัดเกลา กรอบแนวคิดเชิงมโนทัศน์
มันช่วยให้ผมอธิบายปรัชญาการออกแบบซอฟต์แวร์ที่ค่อนข้างนอกกรอบของตัวเองได้ชัดเจนขึ้น
ถ้าดูต้นฉบับ สำนวนมัน เหมือน LLM มากเกินไป
โครงสร้างซ้ำ ๆ แบบ “This is not <>, this is how <>” ให้ความรู้สึกประดิษฐ์ คนจริง ๆ ไม่ค่อยเขียนแบบนี้
ผู้เขียนอ้างว่า ‘การเขียนก็ช่วยให้คิดได้ แต่การคุยกับ LLM เร็วกว่าและมีแรงเสียดทานน้อยกว่า’ ทว่ากลับยิ่งมี แรงเสียดทานในการสื่อสาร มากขึ้นจนถ่ายทอดได้แย่ลง
ผมเห็นด้วยกับประเด็นที่ว่า LLM ดึง ความรู้ฝังลึก ของแต่ละคนออกมาได้
ขณะเดียวกันบทความเมื่อวานเรื่อง ‘หนี้ทางการรู้คิด (cognitive debt) เมื่อใช้ AI’ (ลิงก์) ก็มีเหตุผลอยู่เหมือนกัน ดูเหมือนว่าทั้งสองมุมจะถูกทั้งคู่
ถ้าใช้แบบโยนคำถามส่วนตัวและ ‘สนทนา’ ไปเรื่อย ๆ มันอาจก่อหนี้ทางการรู้คิดได้
แต่ถ้าใช้แบบออกคำสั่งเพื่อ ‘สั่งงาน’ ก็อาจได้ผลลัพธ์ที่ตรวจสอบได้
เช่น “เขียนเรียงความเกี่ยวกับนกในพื้นที่ของฉัน” อาจทำให้คนเข้าใจผิดว่าเป็นผลงานสร้างสรรค์ของมนุษย์
แต่ “ใน codebase นี้ ระบบคิดค่าบริการลูกค้าทำงานอย่างไร?” จะสร้าง โค้ดเชิงกำหนดแน่นอน ที่ตรวจสอบได้
ผมเห็นด้วยกับข้อสังเกตของผู้เขียน LLM ทำให้เราจัดระเบียบความคิดของตัวเองได้ผ่านกระบวนการอธิบายปัญหา คล้ายกับ rubber duck debugging
แต่สิ่งที่ต่างคือ ‘rubber duck’ ตัวนี้มีความรู้เฉพาะทางมหาศาล
ผมเองก็มักมีประสบการณ์ว่า ความคิดถูกกลั่นให้คมชัดขึ้น เวลาได้คุยไอเดียกับ LLM
ระหว่างอธิบาย ผมจะจัดโครงสร้างความคิดได้ดีขึ้น และคำถามโต้ตอบทันทีช่วยให้สำรวจมุมมองใหม่ ๆ ได้
ผมไม่เห็นด้วยกับนิยาม ‘การคิดที่ดี’ ในบทความนี้
สำหรับผม การคิดที่ดีคือต้องมีตรรกะ มีรายละเอียด และมองเห็นความเป็นไปได้ที่หลากหลายอย่างชัดเจน
LLM มีแนวโน้มจะ เสริมแรงสัญชาตญาณมากกว่าตรวจสอบมัน จึงอาจทำให้ความคิดพร่ามัวลงได้
ผมใช้ LLM เป็น คู่สนทนาทางปัญญา
มันมีประโยชน์สำหรับตรวจสอบไอเดียของผม และค้นดูว่าเคยมีใครคิดคล้ายกันมาก่อนหรือไม่
การคุยกับ LLM ทั้งน่าทึ่งและน่าหงุดหงิด
การที่มันเป็น คอมพิวเตอร์ที่เข้าใจภาษาธรรมชาติ นั้นน่าอัศจรรย์ แต่การที่มันเรียนรู้ไม่ได้ก็เป็นข้อจำกัด
กับนักพัฒนารุ่นจูเนียร์ เราจะค่อย ๆ สร้างความไว้ใจกันได้ตามเวลา แต่กับ LLM นั้นเป็นไปไม่ได้
ถ้าบันทึกวิธีเข้าหาปัญหาที่ผมชอบ วิธี build·test·deploy ฯลฯ ไว้ในไฟล์นี้ LLM ก็จะตั้งสมมติฐานหลุดโลกน้อยลง
ผมจัดการมันเหมือน ‘บัญญัติสิบประการของ LLM’ พอเริ่มเซสชันใหม่ก็ให้มันอ่านไฟล์นี้ทุกครั้ง จะได้ผลลัพธ์ที่สม่ำเสมอขึ้นมาก
มันไม่สมบูรณ์แบบ แต่เป็นวิธีเชิงปฏิบัติที่ช่วยชดเชยข้อจำกัดที่ LLM ยังเรียนรู้ด้วยตัวเองไม่ได้
คุณตื่นแล้วสินะ