TL;DR;
- ทักษะสำคัญของการใช้ AI ให้เก่งคือความสามารถในการตัดสินคุณภาพของผลลัพธ์และแก้ไขมัน ซึ่งความสามารถนี้กลับอ่อนแอลงเมื่อพึ่งพา AI มากขึ้น
- ตามทฤษฎี "ความยากที่พึงประสงค์" ของ Bjork ข้อมูลที่ประมวลผลได้อย่างง่ายดายจะไม่คงอยู่ในความจำระยะยาว
- งานวิจัยของ Roediger & Karpicke (2006) พบว่าอัตราการคงอยู่ของความจำหลังหนึ่งสัปดาห์ของกลุ่มที่ฝึกการดึงคืนความรู้สูงกว่ากลุ่มที่อ่านซ้ำประมาณ 50%
- เมื่อ AI เขียนโค้ดแทน แม้แต่ภาระทางปัญญาที่จำเป็นต่อการสร้างความเข้าใจเชิงโครงสร้าง (germane load) ก็ถูกตัดออกไป ทำให้โอกาสในการสร้างสคีมาหายไปตั้งแต่ต้น
- ยิ่งเป็นนักพัฒนาที่ชำนาญมากเท่าไร ด้วยประสิทธิภาพเชิงประสาท การอ่านผลลัพธ์จาก AI อย่างเดียวก็แทบไม่สร้างภาระให้สมองเลย
- แม้ก่อนยุค AI ก็มีเส้นทางที่ทำให้การเติบโตหยุดชะงักอยู่แล้ว แต่ AI ได้ลดแรงเสียดทานของเส้นทางนั้นลงอย่างมหาศาล
สรุปรายละเอียด
ปรากฏการณ์ย้อนแย้งที่ต้องรู้โค้ดจึงจะใช้ AI ได้ดี
- มีคนจำนวนมากที่พูดได้ว่า "ช่วยสร้างสิ่งนี้ให้หน่อย" แต่มีคนน้อยกว่ามากที่จะดูผลลัพธ์จาก AI แล้วแก้ไขได้อย่างเฉพาะเจาะจงว่า "โครงสร้างนี้เปราะบางต่อการเปลี่ยนแปลง" หรือ "อินเทอร์เฟซนี้มีหน้าที่อยู่สองอย่าง"
- ความสามารถนี้ใกล้เคียงกับสัญชาตญาณที่ก่อตัวขึ้นจากประสบการณ์ความล้มเหลว การดีบัก และการรีแฟกเตอร์นับครั้งไม่ถ้วน
- การเรียนรู้วิธีใช้ AI กับการเรียนรู้แพตเทิร์นของโค้ดไม่ใช่ความสัมพันธ์แบบต้องเลือกอย่างใดอย่างหนึ่ง แต่เป็นความสัมพันธ์ที่อย่างหลังคือฐานของอย่างแรก
- "นักพัฒนาที่ใช้ AI ได้เก่งที่สุด คือคนที่สามารถตัดสินโค้ดได้แม้ไม่มี AI"
สมองจะไม่จดจำเมื่อทุกอย่างสบายเกินไป
- "ความยากที่พึงประสงค์" ของ Bjork: เมื่อกระบวนการเรียนรู้มีระดับความยากและแรงต้านที่เหมาะสม แม้ผลการทำงานระยะสั้นจะช้าลง แต่การคงอยู่ของความจำระยะยาวและการถ่ายโอนความรู้จะดีขึ้น
- Roediger & Karpicke (2006): การทดลองอ่านซ้ำ vs ฝึกดึงคืนความรู้
- ทดสอบหลัง 5 นาที: กลุ่มอ่านซ้ำทำคะแนนได้ดีกว่า
- ทดสอบซ้ำหลังหนึ่งสัปดาห์: กลุ่มฝึกดึงคืนความรู้มีอัตราการคงอยู่ของความจำสูงกว่าประมาณ 50%
- กลุ่มที่ดึงคืนความรู้อย่างกระตือรือร้นมีการเชื่อมต่อระหว่างฮิปโปแคมปัสกับเปลือกสมองส่วนหน้าแข็งแรงขึ้น และกิจกรรมของเครือข่ายเซนเซอร์มอเตอร์เพิ่มขึ้น
- สมองในสภาวะการเรียนรู้แบบรับอย่างเดียวจะกระตุ้นเพียงการเชื่อมต่อระหว่างฮิปโปแคมปัสกับฟิวซิฟอร์มไจรัส — ใกล้เคียงกับ "แค่มองข้อมูลอยู่ แต่ไม่ได้ประมวลผลมัน"
- ผลของการสร้างเอง (Slamecka & Graf, 1978): กลุ่มที่เติมคำให้สมบูรณ์ด้วยตัวเองอย่าง "ร้อน-เย็___" มีอัตราการคงอยู่ของความจำสูงกว่ากลุ่มที่อ่านคู่คำที่สมบูรณ์แล้วอย่างมีนัยสำคัญ
- ภาพลวงตาของความลื่นไหล: ความรู้สึกว่าประมวลผลข้อมูลได้ง่าย นำไปสู่ความเข้าใจผิดว่าจะจำได้ดี
ทักษะการเขียนโค้ดคือความจำเชิงกระบวนการ
- ทักษะการเขียนโค้ดส่วนใหญ่คือความจำเชิงกระบวนการ — คล้ายการขี่จักรยาน ที่เมื่อฝังแน่นแล้วก็ทำงานได้อัตโนมัติโดยไม่ต้องคิดรู้ตัว
- แบบจำลอง ACT (Adaptive Control of Thought) ของ Anderson: การก่อรูปความจำเชิงกระบวนการมี 3 ขั้นตอน
- ขั้นรับรู้: ทำทุกอย่างอย่างมีสติทีละขั้นตอน ใช้หน่วยความจำขณะทำงานไปเกือบทั้งหมด
- ขั้นเชื่อมโยง: ขั้นตอนย่อยต่าง ๆ ถูกบูรณาการจนสามารถทำงานเป็นลำดับการไหลเดียวกันได้
- ขั้นอัตโนมัติ: ทำงานได้เองแทบไม่กินหน่วยความจำขณะทำงาน — จึงเหลือทรัพยากรไว้ใช้กับการตัดสินใจเชิงออกแบบ
- การเปลี่ยนผ่านระหว่างขั้นเกิดขึ้นได้ผ่านการลงมือทำซ้ำด้วยตนเองเท่านั้น
- การจัดกลุ่มข้อมูล (Chase & Simon งานวิจัยหมากรุก): ความต่างระหว่างผู้เชี่ยวชาญกับมือใหม่ไม่ได้อยู่ที่จำนวนช่องในหน่วยความจำขณะทำงาน แต่อยู่ที่ปริมาณข้อมูลที่บรรจุอยู่ในหนึ่งชังก์
- ผู้เล่นหมากรุกระดับสูงไม่ได้มองตำแหน่งหมากทีละตัว แต่รับรู้แพตเทิร์นที่มีความหมาย เช่น "การจัดวางช่วงกลางเกมแบบฉบับของ Sicilian Defense" เป็นหนึ่งชังก์
- สิ่งนี้ได้รับการยืนยันจากการทดลองจัดวางแบบสุ่ม ซึ่งความแตกต่างระหว่างผู้เชี่ยวชาญกับมือใหม่หายไป
AI รบกวนกระบวนการนี้
- เมื่อมอบการลงมือเขียนให้ AI แม้แต่ภาระทางปัญญาที่จำเป็นต่อการสร้างสคีมา (germane load) ก็ถูก AI จัดการแทน — ทำให้โอกาสในการสร้างกรอบความเข้าใจหายไปตั้งแต่ต้น
- ในมุมของความจำเชิงกระบวนการ เวลาที่ต้องนั่งติดขัดอยู่ในขั้นรับรู้ลดลง ทำให้การเปลี่ยนไปสู่ขั้นเชื่อมโยงล่าช้า และไปถึงขั้นอัตโนมัติได้ยากขึ้น
- การอ่านโค้ดที่ AI สร้างขึ้นเทียบได้กับ "การอ่านคู่คำที่เติมเสร็จแล้ว" ในการทดลองผลของการสร้างเอง — เหมือนเข้าใจแล้ว แต่ไม่ได้ถูกสลักลึกไว้
- ยิ่งเป็นนักพัฒนาที่ชำนาญมากขึ้น ก็ยิ่งประมวลผลโค้ดได้ด้วยทรัพยากรที่น้อยลงจากประสิทธิภาพเชิงประสาท → การอ่านผลลัพธ์จาก AI จึงแทบไม่สร้างภาระให้สมองอย่างที่คิด
- เวลาที่เขียนโค้ดด้วยตัวเอง ซินแนปส์จะถูกปรับแก้ผ่านลูปการคาดการณ์–ป้อนกลับ แต่การอ่านโค้ด AI ที่เสร็จแล้วเป็นเพียงการตีความย้อนหลังที่ข้ามกระบวนการคาดการณ์ไป
- รุนแรงเป็นพิเศษสำหรับจูเนียร์: เมื่อยังมีแพตเทิร์นจำนวนมากอยู่ในขั้นรับรู้ หาก AI ทำให้ข้ามขั้นนั้นไป ก็จะมีเพียงปีประสบการณ์ที่เพิ่มขึ้นโดยไม่มีการก่อรูปความจำเชิงกระบวนการ
วิธีสร้างภาระให้สมอง
- ก่อนจะให้ AI ทำงาน ให้เขียนแบบร่างการออกแบบของตัวเองก่อน: เป็นการใช้ผลของการสร้างเองอย่างตั้งใจ — ในกระบวนการเปรียบเทียบและประเมินกับผลลัพธ์จาก AI พื้นที่สมองที่เกี่ยวกับการประมวลผลความหมายและการควบคุมการลงมือทำจะถูกกระตุ้นพร้อมกัน
- รีวิวโค้ดอย่างจริงจัง: ตั้งคำถามอย่างมีสติว่า "ทำไมต้องเป็นโครงสร้างนี้" และ "ถ้าต้องแก้ไขอีก 6 เดือนข้างหน้า จุดไหนจะมีปัญหา" — ความน่ารำคาญนั้นเองคือความยากที่พึงประสงค์
- กันเวลาไว้สำหรับเขียนโค้ดด้วยตัวเอง: สิ่งนี้ทดแทนไม่ได้สำหรับการสร้างความจำเชิงกระบวนการ — หากติดขัด ให้ขอ AI แค่คำใบ้ขั้นต่ำแทนที่จะขอคำตอบทั้งหมด
- กลยุทธ์ที่เหมาะที่สุดสำหรับการผลิตงานกับการเรียนรู้ไม่เหมือนกัน: AI ยอดเยี่ยมมากในฐานะเครื่องมือเพิ่มผลผลิต แต่มีข้อจำกัดในฐานะเครื่องมือเรียนรู้
- ท้ายที่สุด สิ่งที่เหลืออยู่ในสมองจะเป็นตัวกำหนดคุณภาพของการรีวิวโค้ด ความแม่นยำของการตัดสินใจเชิงออกแบบ และย้อนแย้งก็คือความสามารถในการใช้ AI เอง
20 ความคิดเห็น
โดยส่วนตัวแล้ว ผมรู้สึกอย่างเจ็บแสบว่า AI ห่วยมากในสายความเชี่ยวชาญของผมเอง ผมเดาว่าผู้เชี่ยวชาญในสาขาอื่นก็คงรู้สึกไม่ต่างกัน แน่นอนว่ามันช่วยได้มาก แต่ถึงจะต้องนั่งเขียนเอกสารจุกจิกทั้งวัน ก็ยังเทียบกับผลิตภาพแบบเดิมไม่ได้เลย
Attention ถูกกำหนดขึ้นด้วยเสียงข้างมาก
เอเจนต์สำหรับการตรวจสอบขอแค่ผ่านฟังก์ชันการประเมินก็พอ
โค้ดอุตสาหกรรมชั้นยอดส่วนใหญ่ไม่ได้ถูกเปิดเผยต่อสาธารณะ
โอเพนซอร์สคือโค้ดที่ทำขึ้นเพื่อให้คนดู
ต้องใช้งานโดยจำเรื่องนี้ไว้เสมอ
เห็นด้วย ข้อมูลแกนหลักของโดเมนที่มีความซับซ้อนสูง เช่น อากาศยานและอวกาศ การแพทย์ การควบคุมความแม่นยำสูง ฯลฯ ถูกปิดไว้ในเครือข่ายภายในอย่างเข้มงวด และหากจะเข้าถึงก็ต้องเป็นคนวงในระดับสำคัญ หรือถ้าเป็นคนนอกก็แทบจะต้องจ่ายค่าใช้จ่ายสูงและเซ็น NDA ก่อนจึงจะพอเปิดให้เข้าถึงได้ ข้อมูลส่วนใหญ่ที่ AI ใช้เรียนรู้คือสิ่งที่เปิดเผยอยู่บนอินเทอร์เน็ต และถ้าเป็นบริการเว็บ/แอปที่อิง Python, JavaScript ก็พอจะทำ Full Automation ได้ในระดับหนึ่ง
แต่ 3D graphics และอัลกอริทึมที่อิง CAD ซึ่งใช้ในโดเมนขั้นสูงนั้น มีอยู่กระจัดกระจายบนอินเทอร์เน็ตหรือแทบไม่มีเลย ดังนั้นต่อให้เป็น AI ก็ทำได้แค่สร้างผลลัพธ์แบบผิวเผินผ่าน vibe coding เท่านั้น ผมคิดว่าแนวทางที่ปลอดภัยและสมจริงคือ วาง main agent ไว้หนึ่งตัว แล้วคอยป้อนบริบทของโดเมนอย่างต่อเนื่องในระดับ micro-managing พร้อมเดินงานด้วยวงจร Planning → Redirection → Review โดยให้นักพัฒนาเป็นผู้ขับเคลื่อนโดยตรง ไม่ใช่ full automation แต่เป็นการพัฒนาในรูปแบบการเสริมพลังอย่างต่อเนื่อง
ผมเองก็ยังรู้สึกว่ายังขาดอยู่ในสายความเชี่ยวชาญของตัวเอง จึงระวังโดยคิดว่าในด้านที่ผมได้รับความช่วยเหลือ มันก็น่าจะอยู่ราว ๆ ระดับนั้นเหมือนกัน แต่เพราะความเร็วในการพัฒนาสูงมาก ผมก็เลยตั้งใจจะลองใช้มันกับงานที่ถ้าคุณภาพยังอยู่ประมาณนั้นก็ถือว่าเพียงพอครับ
หรือว่าที่นี่ก็ดูเหมือนจะมีคอมเมนต์ที่ AI ปั่นอยู่เยอะเหมือนกันนะ เป็นความรู้สึกไปเองหรือเปล่า
ให้ความรู้สึกเหมือนมาถึงโลกดิสโทเปียแล้ว
ท้ายที่สุดแล้วมนุษย์ก็มักจะเลือกสิ่งที่สบายกว่า ผลก็คือแม้จะรู้ว่าคอนเทนต์แบบสั้นไม่ดี แต่ตอนนี้แทบทุกคนก็บริโภคคอนเทนต์สั้นกันอยู่ ต่อจากนี้ AI ก็จะไม่ใช่ทางเลือกแต่จะกลายเป็นสิ่งจำเป็น และในความเป็นจริงความต่างด้านประสิทธิภาพการทำงานระหว่างคนที่ใช้กับไม่ใช้ก็ต่างกันอย่างชัดเจน เรื่องนี้ไม่ว่าจะเป็นนักพัฒนาหรือไม่ใช่นักพัฒนาก็เหมือนกัน เพียงแค่วิธีการและรูปแบบต่างกันเท่านั้น อย่างที่คุณเปรียบกับโทรศัพท์ด้านล่างว่าทำให้เราไม่ต้องจำหมายเลขโทรศัพท์ คนยุคปัจจุบันเองก็เช่นกัน ถ้าไม่มีระบบนำทาง เดี๋ยวนี้ก็ขับรถโดยดูแค่แผนที่ไม่ได้แล้ว และแม้แต่เส้นทางที่ไปประจำก็ไม่ได้พยายามท่องจำเป็นพิเศษ
แล้วอย่างนั้นความสามารถในการขับรถเสื่อมลง หรือการรับรู้เชิงพื้นที่กับความจำถดถอยลงหรือเปล่า? ไม่เลย ด้วยการพัฒนาของระบบนำทาง ถ้าเรามีแค่นำทาง เราก็สามารถไปที่ไหนก็ได้
นอกจากนี้ยังมีการพูดกันว่าการใช้ AI จะทำให้ความสามารถด้านการรับรู้ของมนุษย์เสื่อมลง แต่ผมคิดว่านี่ไม่ใช่การเสื่อมถอย หากแต่เป็นการที่ความสามารถด้านการรับรู้เปลี่ยนไปอยู่ในรูปแบบอื่น
ช่วงนี้ยังมีการพูดถึงการเขียนโค้ดด้วยมือ ผมเห็นด้วยว่าการรับมือกับความกลัวที่ว่าทักษะแบบดั้งเดิมของตัวเองจะล้าสมัย ผ่านกรอบของงานอดิเรกนั้นทำได้ แต่ก็หวังว่าจะไม่ไปในทิศทางประมาณว่าเรื่องนี้เหมือนเป็นคำตอบที่ถูกต้องเพียงหนึ่งเดียว จนนักพัฒนาต้องเขียนโค้ดด้วยมือให้ได้เพื่อยกระดับความสามารถพื้นฐานของตัวเอง!
อันที่จริงวิวัฒนาการของภาษาการเขียนโปรแกรมเองก็พัฒนาไปในทิศทางที่ท้ายที่สุดค่อย ๆ เข้าใกล้ภาษาธรรมชาติที่มนุษย์คุ้นเคยมากขึ้น และตอนนี้ก็ดูเหมือนว่าเรากำลังอยู่ในช่วงเปลี่ยนผ่านไปสู่เป้าหมายสูงสุดนั้น
เนื้อหาแบบนี้ดูเหมือนเป็นการยึดติดกับวิธีการทำงานแบบเดิม ๆ อยู่แล้วส่วนแบบนั้น AI จะทำได้ดีกว่า สิ่งสำคัญตอนนี้คือประสบการณ์ในการปรับปรุงส่วนที่ยังทำได้ไม่ดีขณะใช้ AI แต่ถึงอย่างนั้นผมก็คิดว่าสิ่งนี้เองก็เป็นเพียงเรื่องชั่วคราว
มันไม่ได้จำกัดอยู่แค่การเขียนโค้ดเท่านั้นด้วยซ้ำ ความยากที่เหมาะสมไม่ใช่แค่คำขวัญซ้ำซาก แต่มีพื้นฐานอยู่บนหลักฐานทางวิทยาศาสตร์หลายประการ
การมีเครื่องคิดเลขอยู่แล้ว แต่ยังท่องสูตรคูณ ดูเหมือนเป็นการยึดติดกับวิธีการทำงานแบบในอดีต อย่างไรเสียส่วนแบบนั้นเครื่องคิดเลขก็จะทำได้ดีกว่าอยู่แล้ว ตอนนี้สิ่งสำคัญคือประสบการณ์ในการใช้เครื่องคิดเลขแล้วปรับปรุงส่วนที่ยังทำได้ไม่ดี อย่างไรก็ตาม ผมคิดว่าสิ่งนี้เองก็เป็นเพียงเรื่องชั่วคราวเช่นกัน
รู้สึกเหมือนจะโต้กลับด้วยตรรกะแบบคล้าย ๆ กันนี้ตลอดนะ.. เครื่องคิดเลขคำนวณไม่พลาดหรอก มันทำหน้าที่ของตัวเองได้อย่างถูกต้อง
วันหนึ่งถ้าเครื่องคิดเลขเสียแล้วแสดงว่า 3 X 3 = 10 แต่ไม่มีใครรู้เลยว่ามันผิด แบบนั้นก็น่ากังวลเหมือนกันนะ... ถ้าเรื่องแบบนั้นเกิดขึ้นบนคอมพิวเตอร์ของโปรแกรมเมอร์ที่ดูแลบัญชีธนาคารของผม... ระวังไว้ก็คงไม่เสียหายอะไรครับ
คำพูดที่ว่า "ทักษะการเขียนโค้ดส่วนใหญ่คือความจำเชิงกระบวนการ" โดนใจมากครับ
แม้แต่การแก้โจทย์คณิตศาสตร์ก็เป็นการจดจำขั้นตอนและฝึกฝนเพื่อให้สามารถสร้างผลลัพธ์แบบเดิมออกมาได้
จะเขียนโค้ดด้วย AI ก็ได้เหมือนกัน แต่ดูเหมือนว่าเราต้องเพิ่มภาระให้สมอง เพื่อให้สามารถสร้างผลลัพธ์ในระดับเดียวกันหรือดีกว่านั้นออกมาได้ซ้ำ ๆ
เป็นความคิดสั้น ๆ แต่ช่วงนี้ผมคิดแบบนี้บ่อย ๆ เมื่อก่อนเคยได้ยินว่าผู้เชี่ยวชาญภาษาแอสเซมบลีมองนักพัฒนา C แล้วพูดกันว่า "ไม่รู้จักเสียดายหน่วยความจำ" หรือ "ไม่เข้าใจฮาร์ดแวร์" อะไรทำนองนั้น ซึ่งพอมาดูตอนนี้ก็รู้สึกว่าเป็นคำวิจารณ์ในบริบทคล้าย ๆ กันอยู่ดี สุดท้ายแล้วในมุมมองของการพัฒนาซอฟต์แวร์ เราก็แค่กำลังพัฒนาด้วยภาษา (AI) ที่มีการยกระดับนามธรรมมากกว่าภาษาโปรแกรมเดิม ๆ เท่านั้นเอง ดังนั้นความเชี่ยวชาญในภาษาที่ใช้ก่อนหน้านั้นย่อมลดลงเป็นธรรมดา แต่ก็เหมือนกับเมื่อไม่นานมานี้ที่คนซึ่งยังพัฒนาด้วยภาษาในระดับ low-level กว่าปัจจุบันมักถูกเรียกว่าเป็น "สัตว์ประหลาด" ต่อจากนี้คนที่พัฒนาแบบ vibe coding แต่ยังเข้าใจหลักการของภาษาเดิม ๆ อยู่ ก็น่าจะถูกมองว่าเป็นคนที่โดดเด่นไม่เหมือนใครได้เหมือนกัน
“If you're nothing without the suit, then you shouldn't have it.” - Tony Stark
ดูเหมือนว่าคงต้องตั้งใจสร้างกระบวนการที่ทำให้ได้เจอกับความยุ่งยากบ้าง
เห็นพวกนักพัฒนาที่โค้ดแบบปล่อยสมองว่างตามกระแส vibe coding แล้วหงุดหงิดชะมัด ผลงานของตัวเองคุณภาพเละเทะ แต่ลองมาแก้ตัวว่า AI เป็นคนเขียนดูสิ สุดท้ายคนที่ต้องรับผิดชอบก็คือตัวเอง
AI ให้ความรู้สึกเหมือนกำลังใช้สว่านไฟฟ้า เลื่อยยนต์ และรถขุด หลังจากเริ่มใช้โทรศัพท์มือถือ ก็มีคนจำนวนมากที่จำแม้กระทั่งหมายเลขโทรศัพท์ของตัวเองไม่ได้
...สิ่งเหล่านี้อาจมองได้ว่าเป็นความเสื่อมถอย แต่สำหรับผมมองว่าเป็นเรื่องของประสิทธิภาพ จากประสบการณ์ที่เคยเป็นทั้งนักพัฒนาและทำงานมาหลายบทบาท ผมมองว่าเครื่องมือ AI เป็นเครื่องมือที่ช่วยเปิดโอกาสและช่วยให้เราก้าวออกจากโลกของนักพัฒนาเพียงอย่างเดียว ไปมีมุมมองที่กว้างขึ้นได้ แม้ในบางส่วนอาจถดถอยลง แต่เราก็เติมเต็มพื้นที่นั้นด้วยอย่างอื่นแทน
ผมก็เห็นด้วยกับความเห็นนี้เช่นกัน
ท้ายที่สุดแล้วผมมองว่ามันเป็นเครื่องมือที่มี trade-off ชัดเจน
แม้จะกังวลว่ายิ่งใช้ AI มากขึ้น ทักษะการเขียนโค้ดอาจลดลง แต่ก็ชัดเจนว่าเรากำลังได้คิดเรื่องอื่น ๆ ที่เมื่อก่อนเราไม่ได้ทำ (หรือทำไม่ได้) มากขึ้น
อย่างน้อยเวลาสั่ง AI ก็อย่าโยนคำสั้น ๆ ไม่กี่คำ แต่ควรอธิบายความคิดและลำดับเหตุผลของตัวเองให้ละเอียดและชัดเจนที่สุด หลังจากนั้นก่อนเริ่มทำงาน หากมีอะไรที่ควรตรวจสอบเพิ่มเติมก็ควรถามให้แน่ใจก่อนแล้วค่อยดำเนินการ น่าจะช่วยได้ครับ
เป็นบทความที่ทำให้นึกถึงคำว่าโรคสมองเสื่อมจากดิจิทัลเลยนะ