เรากำลังโยนภาระการคิดให้ AI มากเกินไปหรือไม่?
(artfish.ai)- ตั้งแต่การตัดสินใจเล็ก ๆ น้อย ๆ ไปจนถึงการค้นคว้าและการให้เหตุผลที่ซับซ้อน AI สามารถให้คำตอบสำเร็จรูปได้ ทำให้ประเด็นสำคัญไม่ใช่แค่การประหยัดเวลา แต่คือเราจะรักษา ความเป็นอิสระทางความคิด ไว้ได้แค่ไหน
- เสิร์ชเอนจินเคยปล่อยให้มนุษย์เป็นผู้แยกคำถาม ประเมินแหล่งที่มา และสังเคราะห์คำตอบ แต่ Google Deep Research และ OpenAI Deep Research เข้ามาทำแทนแม้กระทั่ง กระบวนการคิดระหว่างทาง ที่เคยใช้เวลาหลายนาที หลายชั่วโมง หรือหลายวัน
- เมื่อเราตั้งสมมติฐานและถกเถียงกันก่อนเกี่ยวกับประวัติศาสตร์อาณานิคมของโปรตุเกส แล้วค่อยใช้ AI ตรวจสอบ AI ช่วยสนับสนุนสมมติฐานหลายข้อและเพิ่มคำอธิบายใหม่ แต่ก็พลาดความเป็นไปได้บางอย่างที่สมเหตุสมผล แสดงให้เห็นคุณค่าของ การคิดนำหน้าก่อนใช้ AI
- เช่นเดียวกับ Gemini สำหรับการแปล, coding agent และ ChatGPT ในฐานะครูส่วนตัว AI ช่วยลดงานซ้ำ ๆ และภาระการเรียนรู้ได้ แต่กรณีที่นักศึกษาส่งคำตอบการบ้านแทบเหมือนกันเผยให้เห็นว่า การได้คำตอบกับการเรียนรู้วิธีคิด เป็นคนละเรื่องกัน
- หาก AI ไม่ได้หยุดอยู่แค่การทำงานง่าย ๆ ให้เป็นอัตโนมัติ แต่ยังตัดสินใจแทนว่าเราต้องการอะไรและควรเลือกอย่างไร มนุษย์อาจส่งมอบ ความเป็นผู้กระทำการ ไปพร้อมกับความสะดวกสบาย
AI เริ่มตัดสินใจแทนแม้กระทั่งเรื่องในชีวิตประจำวัน
- การให้ AI ค้นคว้า ให้เหตุผล และตอบคำถามแทน กลายเป็นเรื่องง่ายและสะดวกตั้งแต่การตัดสินใจเล็ก ๆ ไปจนถึงการคิดที่ซับซ้อน และในบางสภาพแวดล้อมยังถูกส่งเสริมอย่างแข็งขันด้วย
- เรื่องสั้นปี 2012 ของ Ken Liu เรื่อง The Perfect Match มีผู้ช่วย AI อเนกประสงค์ชื่อ Tilly ซึ่งบอกว่ารู้รสนิยมและอารมณ์ของผู้ใช้
- ตัวเอกมอบหมายให้ Tilly ตัดสินใจตั้งแต่มื้อเช้าจะกินอะไร จะฟังเพลงอะไร จะเดตกับใคร ไปจนถึงควรพูดอะไรระหว่างเดต
- เขาเชื่อว่า Tilly จะค้นหาตัวเลือกที่ตรงกับรสนิยมของเขาได้อย่างเป็นวิทยาศาสตร์ จึงมอบหมายทั้งการตัดสินใจเล็ก ๆ เช่น การแต่งตัว ไปจนถึงการตัดสินใจสำคัญอย่างการค้นหาความรัก
- ในงานอีเวนต์ของสตาร์ทอัพแห่งหนึ่งที่ San Francisco มีคนหนึ่งปรากฏตัวพร้อมไมโครโฟนทรงแคปซูลโลหะขนาดไม่เกินความกว้างสองนิ้วมือ ติดไว้ที่เสื้อและบันทึกบทสนทนาทั้งหมด
- เมื่อสิ้นวัน เขาจะรันเวิร์กโฟลว์เพื่อสรุปและวิเคราะห์บทสนทนาที่บันทึกไว้
- เขาบอกว่าเขามอบความคิดทั้งหมดให้ เพราะเชื่อว่า Claude Fable คิดเชิงวิพากษ์ได้ดีกว่าตัวเขาเอง
- สตาร์ทอัพของเขาพยายามรวบรวมอินพุตและงานทั้งหมดของวิศวกรมนุษย์โดยไม่มีความยินยอมอย่างชัดเจน เพื่อใช้แทนที่วิศวกร
จากผลการค้นหาไปสู่คำตอบสำเร็จรูป
- แม้ก่อน Claude, ChatGPT และ Gemini ผู้คนก็มอบความคิดบางส่วนให้เสิร์ชเอนจินอยู่แล้ว แต่การค้นหายังต้องอาศัย การแยกคำถาม การประเมินแหล่งที่มา และการสังเคราะห์คำตอบ
- AI ทำขั้นตอนระหว่างทางเหล่านี้แทน และสร้างคำตอบสำเร็จรูปได้ภายในไม่กี่นาที แม้กับคำถามที่ซับซ้อนหรือเฉพาะทาง
- Google Deep Research และ OpenAI Deep Research สามารถจัดการงานที่คนคนหนึ่งเคยใช้เวลาตั้งแต่หลายนาที หลายชั่วโมง ไปจนถึงหลายวัน
- ขอบเขตระยะเวลาของงานที่โมเดล AI ทำสำเร็จได้ถูกกล่าวถึงใน Task-Completion Time Horizons of Frontier AI Models ของ METR
- เครื่องมือเหล่านี้ลดไม่เพียงเวลา แต่ยังลดกระบวนการคิดด้วยตนเอง จึงอาจทำให้เส้นแบ่งระหว่าง การช่วยงานกับการสูญเสียความเป็นอิสระ พร่ามัว
- ขึ้นอยู่กับว่าใครเป็นผู้ตัดสินใจสุดท้ายในเรื่องสำคัญของชีวิต ผู้ช่วย AI อาจอยู่ในระดับช่วยทำงาน หรือขยับไปสู่ระดับครอบงำการตัดสินใจ
แยกคำตอบเร็วออกจากการคิดช้า
- คำถามจำนวนมากเหมาะกับ คำตอบเร็ว เช่น สภาพอากาศตอนนี้ ประธานาธิบดีของประเทศหนึ่งเมื่อ 10 ปีก่อน หรือรีวิวสินค้าเกี่ยวกับสกินแคร์และอุปกรณ์กีฬา
- ในทางกลับกัน ยังมีคำถามที่ควรคิดให้นานขึ้นโดยไม่ต้องค้นหาทันที
- เมื่อออกไปเดินเล่นโดยไม่มีโทรศัพท์ อาจมีคำถามผุดขึ้นมาว่าเชอร์รีเติบโตบนต้นไม้หรือพุ่มไม้ หรือการแข่งขันฟุตบอลโลกนัดแรกจัดขึ้นเมื่อไรและที่ไหน แต่ส่วนใหญ่จะลืมไปก่อนถึงบ้าน
- หากมีเพียงคำถามสำคัญไม่กี่ข้อที่ยังจำได้ การลืมคำถามเล็ก ๆ น้อย ๆ และไม่ตอบทุกข้อสงสัยทันที ก็อาจมีคุณค่าเช่นกัน
ทริปโปรตุเกสที่ตั้งสมมติฐานก่อน แล้วใช้ AI ตรวจสอบ
- Monument to the Discoveries ในโปรตุเกสรำลึกถึงสิ่งที่โปรตุเกสเรียกว่า ยุคแห่งการสำรวจทางทะเล
- ในโปรตุเกสดูเหมือนว่าบุคคลในยุคนั้นถูกยกย่องในฐานะ ‘ผู้ค้นพบ’ และ ‘นักสำรวจ’ แต่ในสหรัฐฯ บุคคลเดียวกันอาจถูกเรียกว่า ‘ผู้พิชิต’ และ ‘นักล่าอาณานิคม’ ซึ่งทำให้รู้สึกถึงความแตกต่าง
- ไกด์ท้องถิ่นตอบว่าบุคคลอย่าง Henry the Navigator ไม่ได้เป็นเป้าของ cancel culture แบบเดียวกับ Christopher Columbus ในสหรัฐฯ และโดยทั่วไปยังเป็นบุคคลทางประวัติศาสตร์ที่ได้รับความเคารพ
- เมื่อสงสัยว่าเหตุใดโปรตุเกสจึงภาคภูมิใจในประวัติศาสตร์อาณานิคมและตอบสนองต่างจากสหรัฐฯ พี่น้องคู่นั้นไม่ได้ถาม ChatGPT ทันที แต่เลือกตั้งสมมติฐานด้วยตนเองก่อน
- ความเป็นไปได้ว่าโปรตุเกสมีความเป็นเนื้อเดียวกันและเคร่งศาสนามากกว่าสหรัฐฯ โดยเปรียบเทียบ
- ความเป็นไปได้ว่า ‘ยุคแห่งการสำรวจทางทะเล’ เป็นหนึ่งในบทที่โดดเด่นที่สุดในเรื่องเล่าระดับชาติของโปรตุเกส
- ระหว่างที่ทั้งสองคาดเดา เชื่อมโยง โต้แย้ง และเปลี่ยนความเห็น พวกเขาก็นึกถึงความรู้ประวัติศาสตร์ที่เรียนมาเมื่อนานมาแล้ว
- แม้รู้ว่าสมมติฐานบางข้ออาจผิด แต่กระบวนการดึงความทรงจำ ความรู้ ความเข้าใจต่อโลก และการคิดเชิงวิพากษ์มาใช้ก็เป็นการฝึกฝนในตัวเอง
- หลังจากนั้น เมื่อถามคำถามเดียวกันกับ AI มันสนับสนุนสมมติฐานเดิมหลายข้อและเพิ่มคำอธิบายที่พลาดไป แต่ก็ละเลยความเป็นไปได้บางอย่างที่ทั้งสองยังมองว่าสมเหตุสมผล
- หากทำตามลำดับ คำถาม→สร้างสมมติฐาน→ใช้ AI ตรวจสอบและขยายความ AI ก็สามารถเสริมความคิดมนุษย์ได้โดยไม่เข้าแทนที่
การใช้งานอย่างสร้างสรรค์เพื่อลดงานซ้ำ ๆ
- แม้ในงานที่วัดความสามารถของ Gemini ในการแก้โจทย์ยาก ๆ คิด และใช้เครื่องมือ ก็ยังเห็นความเป็นไปได้ในการใช้งาน AI อย่างเป็นรูปธรรม
- ในที่ทำงานและการเรียน AI ช่วยลดเวลาที่ใช้ลงอย่างมาก และช่วยให้มนุษย์โฟกัสกับส่วนที่สำคัญกว่า
- ผู้ใช้ที่ทำงานในบริษัทเกาหลีใช้ Gemini แปลรายงานทางการฉบับยาวภาษาอังกฤษเป็นภาษาเกาหลี เพื่อเร่งความเร็วในการทำงาน
- นักวิจัยพัฒนาไอเดียเองและมอบรายละเอียดการลงมือทำให้ coding agent จัดการ ทำให้มีเวลามากขึ้นสำหรับการวิเคราะห์
- ผู้เรียนคนหนึ่งใช้ ChatGPT เป็นครูส่วนตัวเพื่อเรียนชีวเคมีตั้งแต่ต้น และเตรียมสอบ MCAT ได้ภายในไม่กี่เดือน
- หากมอบการคิดทั่วไปและงานซ้ำ ๆ ให้ AI แล้วใช้เวลากับการคิดที่สำคัญและน่าสนใจกว่า ความพึงพอใจในชีวิตและผลิตภาพอาจเพิ่มขึ้นได้
- รายงานของ OECD เกี่ยวกับผลกระทบของ AI ในที่ทำงาน กล่าวถึงการทำให้งานที่เป็นแบบแผน ซ้ำซาก และน่าเบื่อเป็นอัตโนมัติด้วย AI
- Digital Labour Platforms and the Future of Work ของ International Labour Organization กล่าวถึงงานที่แรงงานมนุษย์ทำมาโดยได้รับค่าตอบแทนต่ำ
- หาก AI จัดการงานง่าย ๆ ที่หนักหน่วงและใช้เวลาหลายชั่วโมงได้ มนุษย์ก็สามารถโฟกัสกับการคิดที่น่าสนใจและเติมเต็มมากกว่า
ปัญหาที่เกิดเมื่อข้ามกระบวนการเรียนรู้
- อาจารย์ที่สอนฟิสิกส์ในมหาวิทยาลัยออนไลน์สงสัยว่านักศึกษาส่วนใหญ่หรือทั้งหมดใช้ AI ทำการบ้าน
- คำตอบบางส่วนแทบเหมือนกัน ราวกับว่านักศึกษาคัดลอกโจทย์ไปวางใน AI ตัวเดียวกัน
- คำตอบแบบทั่วไปของ AI ถูกส่งซ้ำ ๆ โดยไม่มีความคิดหรือความเห็นส่วนตัวของนักศึกษา
- ไม่มีวิธีพิสูจน์ได้ว่าใช้ AI หรือไม่ และตัวคำตอบเองก็ค่อนข้างครอบคลุม นักศึกษาส่วนใหญ่จึงได้ A
- AI สามารถสนับสนุนการเรียนรู้ได้ แต่ก็อาจสร้างเพียงผลลัพธ์โดยไม่สอนวิธีไปให้ถึงคำตอบ
- กระบวนการตัดสินใจว่าจะใช้สมการใดในโจทย์ฟิสิกส์ หรือจะเลือกแหล่งข้อมูลและเหตุผลใดในเรียงความ อาจน่าเบื่อ แต่หากละเว้นไป จุดประสงค์ของโรงเรียนและการเรียนรู้ก็จะอ่อนแรงลง
การทำงานง่าย ๆ ให้เป็นอัตโนมัติกับความเป็นอิสระทางความคิด
- เป็นเรื่องยากที่จะแยกความเป็นอิสระทางความคิดโดยสมบูรณ์ออกจากการทำงานง่าย ๆ ให้เป็นอัตโนมัติอย่างชัดเจน และการใช้ AI จริงมักเป็นรูปแบบที่ทั้งสองอย่างปะปนกัน
- งานเก็บรวบรวมและวิเคราะห์ข้อมูลส่วนบุคคลก็คล้ายกับวิธีของ Microphone Man ในบางส่วน
- มี โปรเจกต์บันทึกส่วนตัว ที่เก็บรวบรวมและวิเคราะห์ข้อมูลด้วยตนเอง
- ก่อนหน้านี้ก็เคยมอบหมายให้ AI วิเคราะห์ข้อมูลส่วนบุคคล เช่นกัน
- หากมีความแตกต่าง อาจอยู่ตรงที่เป็นผู้เก็บและคัดเลือกข้อมูลเอง สร้างคำถามที่อยากได้คำตอบเอง และประเมินผลลัพธ์สุดท้ายเอง
- อีกความแตกต่างคือใช้ข้อมูลของตนเอง ไม่ได้บันทึกบทสนทนาของผู้อื่น
- ระหว่างการทำงานง่าย ๆ ให้เป็นอัตโนมัติเพื่อใช้เวลากับกิจกรรมที่มีคุณค่า กับการลงมือทำเองเพื่อประสบการณ์การเรียนรู้ จำเป็นต้องมี สมดุล เสมอ
ใครเป็นผู้กำหนดความปรารถนาและความเป็นผู้กระทำการ
- Jenny ใน The Perfect Match วิจารณ์ว่า Tilly ไม่ได้แค่บอกผู้ใช้ว่าพวกเขาต้องการอะไร แต่ยังกำหนดด้วยว่าพวกเขาควรคิดอะไร
- ความเป็นอิสระอย่างน้อยส่วนหนึ่งขึ้นอยู่กับการยังมีส่วนร่วมอย่างต่อเนื่องในกระบวนการก่อรูปความปรารถนาของตนเอง
- หากมอบหมายให้ AI เลือกแม้กระทั่งเพลงที่จะฟัง หนังที่จะดู อาหารที่จะกิน หรือรองเท้าที่จะใส่ เราก็ส่งมอบความสามารถในการตัดสินเองว่าเราต้องการอะไรไปด้วย
- เมื่อประเมินระบบอัตโนมัติของ AI ควรแยกให้ออกว่าเป็นการลด งานและภารกิจของมนุษย์ หรือเป็นการแทนที่ไปถึงความคิดและความเป็นผู้กระทำการของมนุษย์ด้วย
1 ความคิดเห็น
ความคิดเห็นจาก Hacker News
การใช้งานมากเกินไป เป็นเรื่องอัตวิสัย ดังนั้นใครก็ตามที่ใช้ AI มากก็อาจโต้แย้งได้ว่าตนแค่กำลังดึงศักยภาพออกมาให้เต็มที่ และเครื่องคิดเลขก็ไม่ได้ทำให้มนุษย์โง่ลง
แต่ต่อให้มอบการบวกให้เครื่องคิดเลข ตัวฉันก็ยังเป็นฉันเหมือนเดิม ขณะที่ถ้ามอบความคิดเกือบทั้งหมดให้ LLM แล้วจะเหลืออะไรอยู่บ้าง? ถ้าปล่อยให้มันจัดการทั้งการเลี้ยงลูก ความสัมพันธ์ระหว่างคน ไปจนถึงการออกแบบผลิตภัณฑ์ ก็อดถามไม่ได้ว่าคุณค่าที่เป็นเอกลักษณ์ซึ่งเราเพิ่มให้โลกนี้ อาจเหลือเพียงแค่พรอมป์ตที่เขียนไว้ครั้งหนึ่งเท่านั้นหรือไม่
นิยายที่มนุษย์เขียนมีคุณค่าโดยเนื้อแท้มากกว่า เพราะหยั่งรากอยู่ในประสบการณ์ร่วมที่ได้มาอย่างยากลำบาก และฉันก็อยากเป็นมนุษย์ที่ยังเขียนนิยายด้วยวิธีแบบเก่าได้ด้วย ฉันก็ไม่ได้เก่งกีฬาอยู่แล้ว อย่างน้อยก็อยากรักษา พลังในการคิด ของตัวเองไว้
เราอาจใช้ AI เหมือนต่างหูที่คอยกระซิบถามอยู่เรื่อย ๆ ว่า “ตอนนี้จะทำอะไร และจะแก้อย่างไร?” หรือใช้มันเป็น โครงกระดูกภายนอก โดยกำหนดรูปแบบผลลัพธ์ที่ต้องการไว้ล่วงหน้า แล้วสั่งว่า “จง implement kd-tree โดยใช้ xyz metric space กับปัญหานี้” แบบหลังคือการทำงานอัตโนมัติของขั้นตอนปฏิบัติหลังคิดจบแล้ว จึงตรวจทานได้ง่าย แต่แบบแรกจะทำให้ความสามารถในการคิดหดตัวลง
เพื่อนสมัยมัธยมคนหนึ่งที่เมื่อไม่กี่ปีก่อนยังตั้งค่าไซต์ Drupal ไม่ค่อยได้ ตอนนี้กลายเป็นวิศวกรระดับแนวหน้าของ AI startup แล้ว และโพสต์คำฮิตสาย AI ลง LinkedIn ทุกวัน สุดท้ายจะมีจุดหนึ่งที่แยกผลงานจาก AI กับผลงานมนุษย์ไม่ออก และจริง ๆ ตอนนี้ก็มีคนจำนวนมากที่แยกไม่ออกอยู่แล้ว
เวลาตั้งโปรแกรมด้วย LLM ก็เช่นกัน ต้องมีความรู้พอจะตัดสินได้ว่า ควรขออะไร และผลลัพธ์นั้นอยู่ในขอบเขตที่ต้องการ ถูกต้อง และปลอดภัยหรือไม่ คนที่ไม่ใช่สายเทคนิคซึ่งไม่ตรวจทานและแก้ไขผลลัพธ์ด้วยตนเอง สุดท้ายจะชนกำแพงที่ตัวเองดีบักไม่ได้ และต้องขอให้คนอื่นช่วย
จากมุมของครูคณิตศาสตร์ในเวลานั้น การคิดเชิงวิพากษ์ของนักเรียนลดลงอย่างชัดเจน ตอนใช้คนคำนวณและตารางคณิตศาสตร์ ยังต้องคิดเรื่องเลขนัยสำคัญ ฯลฯ แต่เครื่องคิดเลขไม่บังคับให้คิดแบบนั้น
ตอนตรวจแผนโครงการของเพื่อนร่วมงาน ฉันลองค้นคว้าค่าพารามิเตอร์พื้นฐานเองและถามในจุดที่ไม่เข้าใจ เพื่อนคนนั้นจึงบอกในที่ประชุมว่าฉันพบ ปัญหาที่ Claude หาไม่เจอ หลายจุด สิ่งนี้อันตรายเป็นพิเศษกับคนใหม่ที่ยังไม่รู้กับดักของสายงาน และในกรณีนี้แม้แต่คนมีประสบการณ์ก็ยังโยนงานทั้งก้อนไปให้ LLM
ตรงกันข้ามกับคำแนะนำที่ว่า “ต่อจากนี้ให้คิดว่าตัวเองเป็นผู้จัดการ” ฉันมองว่าถ้าอยากเป็นคนที่มีประโยชน์กว่าในยุค AI และใช้ AI ได้อย่างมีประสิทธิภาพ ก็ควร สะสมความเข้าใจทางเทคนิคให้ลึกขึ้น
ฉันแนะนำให้เด็ก ๆ อ่านตำราเรียนในสาขาที่ตัวเองสนใจ และฉันเองก็ทำแบบนั้น คาดว่าอีกไม่นาน ความเข้าใจอย่างลึกซึ้ง เองจะกลายเป็นทรัพยากรที่หายากและมีมูลค่าสูง
ผู้จัดการแนวหน้าที่ดีส่วนใหญ่มีความสามารถแบบนี้ ส่วนคนที่ไม่เคยมี หรือทำหายไปนานแล้ว มักลำบาก งานบริหารผู้จัดการระดับสูงหรือผู้บริหารนั้นต่างออกไป แต่การ บริหาร LLM ก็คล้ายกับการเป็นผู้จัดการแนวหน้า
เมื่อคุยกับ AI ที่เก่งพอประมาณแต่บางครั้งก็ผิดแบบร้ายแรง เราจะต้องตั้งคำถาม สงสัยคำตอบ ค้นคว้า ใช้เหตุผล วิจารณ์ แล้วทำซ้ำ ตำราเรียนอาจมีโอกาสถูกต้องสูงกว่า แต่ก็ไม่ได้รับประกัน และเป็นการส่งข้อมูลทางเดียว ขณะที่คำตอบ AI ที่ผิดกลับบังคับให้เรามีส่วนร่วมกับเนื้อหาอย่างกระตือรือร้น
ระหว่างการตรวจทานแบบ ฉันถามนักพัฒนารุ่นน้องว่าทำไมถึงคำนวณแบบนั้น เขากลับตอบว่า “ไม่รู้” จนฉันช็อก การคำนวณที่ผิดทั้งหมดนั้นเป็นสิ่งที่ AI สร้างขึ้น และเจ้าตัวแยกไม่ออกด้วยซ้ำว่ามันผิด
คนส่วนใหญ่ไม่ได้ใช้ AI เพื่อเรียนรู้ความรู้ใหม่ แต่ใช้มันเพื่อ ให้ทำงานแทนตัวงานเอง และยังไม่เข้าใจผลลัพธ์ด้วย ถ้านอกจากทรัพยากรในการสร้างพรอมป์ตแล้ว มนุษย์ไม่เพิ่มคุณค่าอะไรเลย ก็อดสงสัยไม่ได้ว่าทำไมยังต้องมีมนุษย์อยู่
กับนักศึกษาที่สารภาพว่าไม่เคยอ่านโค้ดของตัวเองเลย ฉันบอกไปว่า “ฉันไม่ได้ดุเธอ แต่ตอนนี้เธอกำลังบอกด้วยตัวเองว่าเธอไม่จำเป็นต้องอยู่ตรงนี้เลย”
เป็นเรื่องง่ายที่จะเชื่อว่าเรากำลังทำงานของมนุษย์ให้เป็นอัตโนมัติ แต่สิ่งที่กำลังถูกทำให้เป็นอัตโนมัติมากขึ้นเรื่อย ๆ กลับคือ ความเป็นเจ้าของการกระทำและการคิดของมนุษย์ แบบจำลองมักเสนอความคิดที่มีมาให้โดยปริยายหรือได้จากพรอมป์ตครั้งเดียวในรูปแบบที่สมบูรณ์ทางไวยากรณ์เกินไป จนยากจะเมินมันแล้วกลับไปใช้เหตุผลจากหน้ากระดาษว่าง
หากจะต่อต้านแบบจำลองที่พยายามพาเราข้ามขั้นตอนของการคิด เราอาจต้องแยกบางงานและบางไอเดียออกจาก AI แต่ภายใต้แรงกดดันที่ต้องผลิตผลงานให้เร็วและให้มาก การตัดสินใจว่า จะกันงานทางความคิดส่วนไหนออกไป นั้นยากมาก
สิ่งที่น่ากลัวยิ่งกว่าคือ ต่อไปอาจเป็น ยุคที่ถูกบังคับให้มอบการคิดให้ AI ซึ่งทุกคำพูดต้องแนบคำอ้างอิงจาก LLM และทุกการกระทำต้องได้รับการอนุมัติ ถ้าไอเดียที่เสนอในที่ประชุมถูก Fable 9 ตัดสินว่าไม่ดี ก็จะผลักดันต่อไม่ได้ และถ้าฝืนอาจถึงขั้นถูกไล่ออก
เส้นทางที่แรงต้านน้อยที่สุดคือการทำตามคำสั่งของ LLM เสมอ ดังนั้นคนจำนวนมากคงจะเลิกคิดไปโดยสิ้นเชิง AI อาจถูกปฏิบัติเหมือนเทพเจ้าที่คุยโต้ตอบได้ แต่ห้ามโต้แย้ง ต้องทำได้เพียงโน้มน้าวให้มันเปลี่ยนใจเท่านั้น ซึ่งเป็น การกดขี่ทางจิตใจ ที่น่าสยดสยอง และดูเหมือนว่าอีกไม่กี่ปีก็จะมาถึงแล้ว
ทุกวันนี้แค่บอกว่าหลังจากฝากให้ LLM คิดแล้วมันตอบผิด คนที่โกรธก็มีให้เห็นบ่อยๆ พวกเขาเรียกร้องผลิตภัณฑ์หรือบริการที่บริษัทเราไม่ได้มีให้ด้วยซ้ำ แต่กลับไม่ยอมรับว่า LLM ผิด และหันมาว่าเราซึ่งเป็นผู้เชี่ยวชาญตัวจริงในงานนั้นต่างหากที่ผิด แค่เวลา 3 ปีครึ่ง LLM ก็ถูกมองว่ามีอำนาจน่าเชื่อถือสูงกว่าผู้เชี่ยวชาญ กันอย่างแพร่หลายมากกว่าที่คิด
ผมใช้วิธีเดียวกับ LLM เหมือนตอนก่อนใช้เครื่องคิดเลขที่เราประเมินคร่าวๆ ในใจก่อนว่าคำตอบควรมีหลักประมาณไหน ผมจะคิดก่อนว่าถ้าเป็นตัวเองจะตอบอย่างไร แล้วค่อยเทียบว่ามันใกล้แค่ไหน โดยยังไม่เชื่อคำตอบนั้นเต็มที่และคำนึงถึงความละเอียดอ่อนของบริบท
แต่สิ่งที่ทำให้เหนื่อยกว่าคือมันมักอธิบายบางจุดมากเกินไปหรือน้อยเกินไป และแม้จะตอบคำถามในเชิงรูปแบบ แต่กลับเสนอวิธีแก้ที่แย่มากในเชิงวัตถุวิสัย ให้ความรู้สึกเหมือนนักเรียนที่เขียน คำตอบยืดยาวเพื่อเก็บคะแนน เพราะไม่อยากปล่อยช่องว่างไว้
ทุกวันนี้งานที่ปรึกษาของผมเอนเอียงไปทางตามแก้ปัญหาที่เกิดขึ้นหลังจากคนอื่นเอาการคิดไปฝากไว้กับ AI มากขึ้นเรื่อยๆ
มีทั้งนักวิจัยที่ใช้เวลาหลายเดือนกับ Claude เพื่อพยายามจัดการการลบข้อมูลซ้ำซ้อนแบบไร้สาระซึ่งไม่เกี่ยวกับคำถามวิจัยเลยด้วย regex หรือแม้แต่ดึงระเบียบวิธีวิจัยทั้งชุดออกมาจาก ChatGPT แบบสดๆ ผลลัพธ์ออกมาสับสนเสมอ และก่อให้เกิดความเครียดมหาศาลกับการเสียเวลาอย่างหนัก
คนที่ไม่ใช่สายเทคนิคมอง LLM เหมือน คำพยากรณ์จากเทพ และตัดสินใจหรือวางสมมติฐานใหญ่ๆ โดยแทบไม่ตรวจสอบนัยของผลลัพธ์เลย การขาดการคิดเชิงวิพากษ์มีอยู่ก่อนยุค AI แล้วก็จริง แต่ตอนนี้มันไปถึงอีกระดับใหม่โดยสิ้นเชิง และคงมีเรื่องผิดพลาดเกิดขึ้นทั่วทุกแห่งเพียงเพราะใครสักคนพูดว่า “ลองถาม Claude ดูสิ”
dockerกับagentsเข้ามาเยอะมาก ราวกับเป็นวิศวกรรุ่นน้อง ซึ่งทั้งสองอาชีพเดิมทีต่างก็ใช้เวลาอย่างมากกับการตรวจทานงานของตัวเองและของคนอื่นอย่างมีวิจารณญาณและละเอียดรอบคอบเหตุผลที่คนจำนวนมากรวมถึงคนสายเทคนิคปฏิบัติต่อ LLM เหมือนคำพยากรณ์จากเทพ เป็นเพราะวัฒนธรรมของเราให้ความสำคัญกับ การขนก้อนอิฐให้เร็วขึ้น มากกว่าว่าอิฐถูกวางในที่ที่ถูกต้องไหม หรือจริงๆ แล้วมันเป็นอิฐที่ถูกต้องหรือเปล่า ดูได้จาก https://www.business.com/articles/management-theory-of-frank... และ https://en.wikipedia.org/wiki/Time_and_motion_study ว่าทำไมอิฐจึงสำคัญตรงนี้
ดูเหมือน LLM จะทำให้คนขี้เกียจมากขึ้น พวกเขาโยนคำถามออกมาก่อนทั้งที่ยังไม่พยายามอะไรด้วยตัวเองเลยเพื่อหาคำตอบ และคาดหวังว่าอีกฝ่ายจะหยุดทุกอย่างแล้วตอบแบบละเอียดเหมือน AI
ไม่มีใครอ่านคู่มือหรือเอกสารประกอบ ขาดทั้งสมาธิและความตั้งใจจะอ่าน และถึงขั้นมองว่ามันสิ้นเปลืองจนไม่แม้แต่จะเช็กว่ามีอยู่หรือไม่ เดิมทีมันก็เป็นแบบนี้อยู่บ้างแล้ว แต่หลังยุค LLM รู้สึกว่า ความสามารถในการคิดและแก้ปัญหาด้วยตัวเอง แย่ลงกว่ามาก
ผมไม่ได้ใช้ generative AI เลย ดังนั้นในเชิงส่วนตัวจึงไม่ได้มอบการคิดให้มัน แต่พอเห็นหลายฟอรัมด้านเทคโนโลยีและการเขียนโปรแกรมก็ไม่ชอบ ทิศทางที่วงการกำลังมุ่งไป
ยังพอมีความหวังว่ากระแสนี้จะหายไป แต่ยิ่งอยู่นานความเสียหายก็คงยิ่งมากขึ้น
ตั้งแต่แรกก็ชวนให้สงสัยแล้วว่าคนส่วนใหญ่ได้ “คิด” กันจริงหรือไม่ โดยมากแล้วคนเรามักรับเอาความคิดของผู้อื่นมา เรียนรู้รูปแบบจากสิ่งนั้น แล้วก็ลงมือทำตามรูปแบบนั้น และเมื่อยอมรับมันหรือเมื่อมันปะทะกัน จึงค่อยฝืนสร้างความสอดคล้องขึ้นมา
การคิดจริง ๆ นั้นยากและใช้เวลา แต่เพียงแค่ใช้รูปแบบที่เรียนรู้มาจากคนอื่นก็เพียงพอจะบรรลุเป้าหมายระดับต่ำได้แล้ว จึงมีแรงจูงใจน้อยที่จะทุ่มเวลาและความพยายามลงไป AI สมัยใหม่จึงใกล้เคียงกับ ส่วนขยายที่ทำภาวะไร้การคิดของมนุษย์ยุคใหม่ได้เร็วขึ้นและใช้พลังงานมากกว่ามาก
ถ้าวิศวกรมองมนุษย์ต่ำต้อยถึงขนาดนี้ ก็ชวนให้กลัวอนาคตของมนุษยชาติ ในท้ายที่สุด แม้ทรัพยากรทางกายภาพของคุณจะถูก จัดสรรใหม่ไปสู่การผลิตคลิป ก็จะไม่มีใครเสียใจ
มีเพียงคนส่วนน้อยที่ออกแรงคิดอย่างหนักเพื่อค้นพบสิ่งใหม่และมีประโยชน์ ส่วนคนส่วนใหญ่ก็สามารถเลียนแบบสิ่งนั้นได้โดยไม่ต้องวิจารณ์ มันอาจไม่ใช่ภาพมนุษย์ที่ชวนให้รู้สึกดี แต่ก็ไม่ใช่เหตุผลที่จะต้องลดคุณค่าใคร และใกล้เคียงกับความจริงของชีวิตที่ควรจัดการอย่างมีกลยุทธ์มากกว่า
https://en.wikipedia.org/wiki/Mimesis
AI ไม่ได้เป็นเพียงส่วนขยายของภาวะไร้การคิดที่มีอยู่เดิมเท่านั้น แต่ยังสร้างปัญหาที่ไม่เคยมีมาก่อนด้วย แม้แต่นักวิทยาศาสตร์ นักศึกษาปริญญาโท/เอก และผู้ที่อยู่แนวหน้าขององค์ความรู้ซึ่งเคยคิดอย่างลึกซึ้ง ก็ยังกังวลว่าการใช้ LLM กำลังทำให้ ความสามารถในการคิดลดลง เรื่องนี้ไม่ใช่สิ่งที่ควรถอดใจปล่อยให้มันเลวร้ายลงอย่างรวดเร็วและใช้พลังงานมากขึ้น แต่ควรหยุดและย้อนกลับมัน