Nghiên cứu của MIT cho thấy việc dùng AI tái cấu trúc não bộ và gây suy giảm năng lực nhận thức
(publichealthpolicyjournal.com)- Nghiên cứu của MIT cho thấy việc sử dụng LLM như ChatGPT dẫn đến suy giảm nhận thức dài hạn như giảm kết nối não bộ và suy giảm trí nhớ
- Sinh viên tham gia cho thấy càng phụ thuộc lặp đi lặp lại vào AI thì khả năng tích hợp sáng tạo và tính tự chủ càng giảm
- Kiểm tra sóng não EEG xác nhận hiện tượng suy giảm hoạt hóa ở các mạng lưới chú ý và xử lý thị giác trong nhóm dùng LLM
- Nhóm người dùng công cụ tìm kiếm duy trì chức năng điều hành mạnh hơn, kích hoạt trí nhớ tốt hơn và năng lực xử lý thị giác cao hơn
- Ngay cả sau khi ngừng dùng LLM, chức năng não vẫn khó phục hồi hoàn toàn, và sự phụ thuộc vào AI dẫn đến xu hướng ‘chuyển gánh nặng nhận thức’
Phát hiện chính từ nghiên cứu MIT: sử dụng LLM và suy giảm nhận thức
Nghiên cứu của MIT mang tên "Your Brain on ChatGPT: Accumulation of Cognitive Debt when Using an AI Assistant for Essay Writing Task" cho thấy việc lặp đi lặp lại phụ thuộc vào AI như ChatGPT có thể gây ra tổn hại nhận thức dài hạn cho não bộ
Các sinh viên tham gia cho thấy càng dựa vào AI để viết bài luận thì càng gặp hiện tượng suy yếu kết nối thần kinh, suy giảm trí nhớ và mất cảm giác làm chủ đối với công việc
Kết quả do AI tạo ra đôi khi vẫn được đánh giá cao về bề ngoài, nhưng trong quá trình đó, não bộ có xu hướng dần chuyển sang trạng thái kém hoạt động
Suy giảm kết nối não bộ và hiện tượng phụ thuộc vào AI
- Kết quả đo EEG cho thấy khi việc sử dụng AI tăng lên, kết nối của não bộ (systematic neural connectivity) giảm dần theo thời gian
- Nhóm chỉ dùng não bộ: ghi nhận kết nối mạnh nhất và trên phạm vi rộng nhất
- Nhóm dùng công cụ tìm kiếm: mức hoạt hóa não ở mức trung bình
- Nhóm LLM: hiện tượng suy yếu sự gắn kết ở mọi dải sóng não (alpha, beta, delta, theta)
- Đặc biệt trong nhóm LLM, các mạng lưới chú ý và xử lý thị giác bị giảm hoạt hóa rõ rệt
- Ở Session 4, khi thử viết mà không có sự trợ giúp của AI, những người có kinh nghiệm dùng LLM cho thấy sự suy giảm hoạt động của các mạng lưới cốt lõi trong não
Biến dạng trí nhớ và lộ trình học tập ở người dùng LLM
- Sau khi phụ thuộc vào LLM, sinh viên trải qua hiện tượng không nhớ rõ nội dung mình vừa viết
- Quan sát thấy sự can thiệp rõ ràng tại các lộ trình liên quan đến trí nhớ dài hạn và học tập của não bộ
- Trong lúc dùng AI, khả năng tích hợp thông tin và cách tiếp cận mang tính tự thúc đẩy của não bộ bị suy yếu
- Người tham gia trải qua cảm giác xa cách về mặt tâm lý và sự co hẹp cảm giác sở hữu đối với kết quả đầu ra
Giới hạn của việc chuyển từ AI sang sử dụng não bộ
- Ở phiên thứ 4, nhóm chuyển từ dùng LLM sang tự viết chỉ bằng não bộ cho thấy hoạt hóa não không phục hồi được về mức của phiên gốc (chỉ dùng não bộ)
- Phát hiện xu hướng duy trì dưới mức baseline ở nhiều chỉ số như sóng não, nỗ lực làm việc và tự nhận thức
Người dùng công cụ tìm kiếm duy trì sự tham gia lành mạnh hơn của não bộ
- Nhóm người dùng công cụ tìm kiếm duy trì mức cao ở các chỉ số nhận thức chính như chức năng điều hành, kích hoạt trí nhớ và khả năng hồi tưởng trích dẫn
- Trên sóng não xác nhận hiện tượng tăng hoạt hóa ở thùy chẩm và thùy đỉnh, vốn liên quan chặt chẽ đến xử lý thị giác và nỗ lực làm việc
Phụ thuộc vào AI và hiện tượng chuyển gánh nặng nhận thức (Cognitive Offloading)
- Nhóm nghiên cứu xác nhận rõ rằng khi não bộ lặp đi lặp lại tiếp xúc với LLM, sẽ xuất hiện xu hướng tự ngừng nỗ lực tích hợp thông tin và ghi nhớ (neural efficiency adaptation)
- Điều này dẫn đến các hiện tượng như thái độ làm việc thụ động, chỉnh sửa ở mức tối thiểu và suy giảm mức độ tích hợp khái niệm
Hiệu quả ngắn hạn, món nợ nhận thức dài hạn
- Nhóm LLM bề ngoài vẫn nhận được một mức điểm nhất định từ ban giám khảo, nhưng
- thiếu tích hợp chiến lược
- giảm tính đa dạng trong cấu trúc diễn đạt
- đặc tính ngắn và máy móc của kết quả đầu ra là những hạn chế rõ rệt
- Theo thời gian, xu hướng suy giảm nhất quán về mức độ tham gia nhận thức, năng lực thực hiện và mức độ hài lòng với bản thân tiếp tục kéo dài
Kết luận và đề xuất từ nghiên cứu
- Càng có nhiều người phụ thuộc vào AI để thực hiện các tác vụ phức tạp, nguy cơ suy giảm nhanh chóng năng lực nhận thức cốt lõi và khả năng sáng tạo của con người càng cao
- Nghiên cứu nhấn mạnh tầm quan trọng của việc nghỉ ngơi định kỳ và dành thời gian trực tiếp sử dụng chính bộ não của mình khi dùng AI
- AI không chỉ dừng ở việc thay thế công việc của con người, mà còn là một thực thể ảnh hưởng trực tiếp đến chính hệ thống tư duy và chức năng não bộ của con người
Giới thiệu tác giả
- Nicolas Hulscher, MPH
- Nhà dịch tễ học và Foundation Administrator của McCullough Foundation
- Có thể tham khảo thêm nội dung liên quan qua tài khoản của McCullough Foundation và tác giả trên X (trước đây là Twitter)
2 bình luận
Nhìn vào nội dung thì có vẻ bên sử dụng LLM chỉ đơn thuần chép lại câu trả lời nhận được.
Thông thường chẳng phải người ta sẽ có mục tiêu hoặc mạch triển khai mong muốn, rồi kiểm tra câu trả lời và lặp lại phản hồi khi sử dụng sao? Tôi cũng tò mò không biết trong những trường hợp như vậy thì kết quả có giống thế không.
Ý kiến trên Hacker News
Tôi muốn chia sẻ trải nghiệm trò chuyện với một nghiên cứu sinh tiến sĩ mà tôi rất kính trọng hồi còn học cao học. Mỗi khi đọc một bài báo, anh ấy đều tự viết code để hiện thực hóa nó. Tôi mất hàng tháng, còn anh ấy thường chỉ mất vài ngày là hoàn thành code. Anh ấy giải thích rằng luyện tập nhiều thì sẽ làm tốt hơn. Không chỉ code nhanh, anh ấy còn ngày càng phân tích bài báo nhanh hơn, tích hợp ý tưởng rất tốt và dần phát triển trực giác về điều gì thực sự hiệu quả. Giờ tôi cũng đã khá senior nên gần như không còn trực tiếp code nhiều nữa, nhưng tôi vẫn cảm thấy việc tự tay vật lộn với code và ý tưởng mới là cực kỳ có ích. Tôi nghĩ những ai cho rằng chỉ cần chỉnh prompt một chút là xong đang bỏ lỡ một cơ hội học hỏi thật sự quan trọng
Tôi thực sự nghĩ rằng ngay lúc này trước mắt chúng ta đang hình thành một khoảng cách kỹ năng. Có một nhóm là (1) những người hiểu sâu khái niệm, xây dựng mô hình trong đầu và có thể tự triển khai ở bất kỳ mức độ code nào, và nhóm còn lại là (2) những người đang thuê ngoài quá trình đó cho máy móc rồi dần đánh mất năng lực ấy. Hiện giờ khác biệt này chưa quá rõ, nhưng tôi tin chỉ vài năm nữa nó sẽ trở nên rất rõ ràng
Cần cẩn thận với ngụy biện kiểu “lập trình viên thực thụ phải tự viết assembly”. Khi compiler trở nên phổ biến, từng có lo ngại rằng lập trình viên sẽ không còn hiểu code của chính mình hoạt động ra sao. Thực tế điều đó đúng phần nào, nhưng đa số mọi người vẫn không gặp vấn đề lớn trong việc tạo ra thứ gì đó hữu ích. Nếu bạn ngừng suy nghĩ thì đương nhiên cũng học được ít hơn. Nếu bạn có thể suy nghĩ ở một tầng trừu tượng cao hơn, thì chi tiết không phải lúc nào cũng quan trọng. Giới hạn của đại học là nó không phải “tầng trừu tượng kế tiếp”, mà là một chuỗi những ý tưởng được tuyển chọn thủ công chỉ để truyền đạt tri thức đã được kiểm chứng. Điều đó khác với việc có thời gian tự mình xây thứ gì đó trong startup hay thử thách những bài toán lớn hơn. Tất nhiên không phải chương trình tiến sĩ nào cũng phù hợp với cách này. Có những lĩnh vực buộc phải hiểu rất sâu chi tiết, nhưng trong bối cảnh ngày nay ngày càng chuyên môn hóa hơn, tôi nghĩ điều này thậm chí có thể là lợi ích ròng
Tôi cảm thấy nó khá giống việc học toán. Bạn có thể ngồi đọc sách toán cả ngày và thưởng thức các ý tưởng trong đó, nhưng nếu không tự giải các định nghĩa, định lý và ví dụ bài tập thì gần như chẳng học được gì
Trong lĩnh vực data science có câu “không có bữa trưa miễn phí”. Khi các công cụ như ChatGPT ngày càng phổ biến, thì ngay cả những người có bằng tiến sĩ trở lên mà vẫn hoàn toàn không dùng các công cụ này và tự học lấy cũng ngày càng trông như phù thủy. Tôi đã thấy những người năng lực vốn đã yếu nên không thể code ở mức trung cấp trở lên hoặc có trực giác rất kém. Đây không còn là impostor syndrome nữa, mà là hiện tượng không thể làm việc tử tế nếu thiếu AI. Với mỗi chủ đề, tôi luôn thử tự suy nghĩ trước và tự đặt câu hỏi mà không dùng công cụ. Sau khi có cảm giác nhất định rồi tôi mới hỏi ChatGPT
Thú vị thật. Tôi tò mò không biết ý là anh ấy thực sự viết code bằng bút và giấy hay sao. Cách đó có vẻ thật sự giúp ích cho việc hiểu vấn đề đấy chứ (lưu ý là tôi không làm nghề lập trình). Với các sử gia cũng tương tự: những người đắm mình cả ngày trong kho lưu trữ vật lý thường sẽ dần tích lũy trực giác và insight về chủ đề theo thời gian. Ngược lại, nếu chỉ dùng Google để cào các câu trích dẫn và tài liệu cần thiết, thì rất dễ chỉ nắm được đề tài một cách hời hợt. Người ta cũng dễ không nhìn được mối liên hệ giữa các hiện tượng hoặc bị ám vào luận điểm của chính mình quá mức
Có vài điểm cần lưu ý. (1) Đây là một bài trên arxiv, tức là chưa xuất bản và chưa qua peer review. Cần đọc với điều đó trong đầu. (2) Mỗi cohort có 18 người. (3) Tổng cộng là 54 người. N nhỏ và có vẻ chủ yếu gồm sinh viên MIT độ tuổi 18-22, nên có vấn đề về khả năng tái lập và khái quát hóa. Trong thí nghiệm họ còn đo EEG, tức là người tham gia ở trong một môi trường lạ và khó chịu. Ngoài ra, đối tượng nghiên cứu là viết essay với LLM, công cụ tìm kiếm hoặc không dùng công cụ, nên người tham gia cũng hoàn toàn biết mình đang ở điều kiện nào. Tóm tắt bài báo là nghiên cứu cognitive cost của việc dùng LLM trong nhiệm vụ viết essay. Viết essay là một tác vụ phức tạp, huy động nhiều quá trình nhận thức và thường được dùng trong trường học hoặc kỳ thi. Nó đòi hỏi đồng thời quản lý các công việc ở mức macro như tổ chức ý tưởng, cấu trúc lập luận, và ở mức micro như chọn từ, ngữ pháp, cú pháp. Họ dùng EEG để đánh giá cognitive engagement, cognitive load và mức độ hoạt hóa não. Ngoài LLM, họ còn so sánh hoạt động não khi dùng tìm kiếm internet truyền thống và khi không dùng công cụ nào. Bài báo gốc
54 người tham gia nằm trong độ tuổi 18~39 (trung bình 22.9 tuổi, SD=1.69), được tuyển từ 5 trường gồm MIT, Wellesley, Harvard, Tufts và Northeastern. Có 35 sinh viên đại học, 14 học viên cao học, và 6 người là postdoc/nghiên cứu viên/kỹ sư phần mềm. Cỡ mẫu và thành phần mẫu đúng là hạn chế, và các nghiên cứu tiếp theo nên dùng mẫu lớn hơn và đa dạng hơn. Nhưng vì thế mà nói là “khó tái lập” thì tôi không nghĩ tới mức đó
Tôi nghĩ cần dừng kiểu lập luận rằng vì đây là bài chưa qua peer review nên “phải dè chừng”. Peer review cũng không phải một quy trình khoa học lý tưởng; nó thường kéo dài vô ích, đầy những nhận xét vô nghĩa và rốt cuộc chỉ là lao động miễn phí cho các tập đoàn xuất bản lớn. Tôi đã xuất bản hơn 30 bài, nhận cả đánh giá tốt lẫn tệ. Ít nhất chúng ta nên tiến tới open peer review và giao tiếp trực tiếp với editor. Khoa học nên là một thị trường ý tưởng. Còn các phê bình khác thì tôi thấy hoàn toàn hợp lý. Kết luận của bài cũng quá vội và hơi giống để PR. Cá nhân tôi cho rằng hệ thống peer review hiện tại đã lỗi thời
Nghiên cứu này là thí nghiệm về ảnh hưởng của ChatGPT lên khả năng viết essay của người dùng. Ý chính là nếu không luyện viết thì khả năng viết sẽ suy giảm, và hoạt động não có khác so với các cách khác; chứ không phải bằng chứng cho thấy nó đặc biệt có hại. Hơn nữa, trong bài họ dùng thuật ngữ “cognitive debt” thay vì “cognitive decline”, và đó là một gợi ý rất quan trọng cho cách diễn giải. Tôi nghĩ những nghiên cứu khác cũng có thể cho ra kết quả tương tự, nhưng còn quá sớm để kết luận AI/LLM có hại cho não. Thậm chí cũng có thể đọc theo hướng nó giúp giảm cognitive load và làm việc viết essay dễ hơn. Tuy vậy, vẫn cần nghiên cứu thêm, chẳng hạn đánh giá chất lượng đầu ra
Một điểm nữa cần chú ý là ở đây “AI” được dùng như từ thay thế cho LLM. AI là một phạm trù rất rộng. Khó mà hình dung việc tạo ảnh, video hay âm thanh lại dẫn đến suy giảm nhận thức; còn với LLM, tôi nghĩ nhiều nhất chỉ là nó có thể gây ra kiểu “lười trí óc” vì không còn phải tự nhớ hay học thuộc nữa
Tôi nghĩ hiệu ứng này có thể được tái hiện khá dễ dàng. Gần đây khi tương tác với những người bắt đầu dùng LLM nhiều, tôi có cảm giác IQ của họ giảm đi thấy rõ. Có những người trước đây tranh luận rất sôi nổi, giờ thì không thể nói chuyện nếu chưa kiểm tra câu trả lời của Grok hay ChatGPT
Bài viết và headline này thực ra chỉ lặp lại một cách vụng về một nguyên bản trước đó vốn sáng tạo hơn. Chính các nhà nghiên cứu cũng đã viết rất rõ trong FAQ rằng xin đừng diễn giải sai nghiên cứu của họ theo kiểu “LLM khiến chúng ta ngu đi”. Một số bình luận trên HN là ví dụ điển hình cho thiên kiến nhận thức: tiếp nhận thông tin mà không kiểm tra tư liệu gốc
Tôi hiểu vì sao câu chuyện này đang bị Reddit hóa. Kiểu chủ đề clickbait như vậy cứ liên tục xuất hiện. Đặc biệt là nghiên cứu này thực chất chỉ có 18 người dùng ChatGPT 4 lần trong 4 tháng, nên không kiểm soát được nhiễu. Tôi đồng ý việc lạm dụng AI là một vấn đề, nhưng nghiên cứu kiểu này chỉ là clickbait về một chủ đề mà chúng ta vốn không thích
Tôi có cảm giác hầu như chẳng ai thực sự đọc kỹ bài báo. Nhóm dùng LLM ở session 1~3 khi làm session 4 mà không có LLM thì connectivity giảm, còn tất cả các nhóm đều tăng connectivity qua các session. Điểm quan trọng là đến session 4, connectivity cũng không quay hoàn toàn về mức ban đầu của session 1 mà nằm đâu đó ở giữa. Tức là họ vẫn đang học. Khái niệm triết học Extended Mind mới là điểm mấu chốt. Thực ra khi nhóm không dùng LLM trong session 1~3 được dùng LLM ở session 4 thì não của họ hoạt hóa bùng nổ. Đó mới là ý chính thật sự trong kết luận nghiên cứu
Cá nhân tôi có cảm giác rất rõ là sau 8 tháng code với ChatGPT, đầu óc mình ngày càng chậm đi. Kết quả nghiên cứu này khiến tôi thấy rất đúng. Tuy nhiên, tôi đoán từ giờ sẽ gần như không còn nghiên cứu mới nào đưa tin tiêu cực về vấn đề này nữa. Các lực lượng không muốn dư luận xấu về AI đang dẫn dắt toàn xã hội, nên có lẽ là vậy
Tôi nghĩ không nên để LLM viết hoặc sửa bài thay mình. Có thể dùng nó để lấy feedback, khám phá ý tưởng hay tìm lỗ hổng, nhưng việc viết thì phải tự mình làm đến cùng. Nguy cơ quá dễ dàng giao bộ não cho LLM là có thật. Không chỉ với viết essay, tôi còn cảm thấy nếu quá dựa vào LLM để giải bài toán lập trình thì sẽ có suy giảm nhận thức thật sự. Khi ở trong một ecosystem lập trình xa lạ mà cứ copy-paste lỗi liên tục thì vấn đề có thể được giải rất nhanh, nhưng học thật sự thì giảm đi. Dĩ nhiên nhờ vậy mà việc bắt đầu dễ hơn và ít bị mắc kẹt hơn, nên vẫn cần sự cân bằng. Năng lực tự mình vật lộn trực tiếp với vấn đề là thứ rất cần thiết
Tôi thì có trải nghiệm ngược lại. Thay vì chỉ copy-paste lỗi hoặc chấp nhận ngay câu trả lời của AI, tôi liên tục hỏi “vì sao cách này lại hiệu quả?”. Tôi bắt nó giải thích từng command, từng flag một, và chỉ khi hoàn toàn hiểu tôi mới chuyển sang bước tiếp theo. Nhờ vậy, dù có thể không nhớ sâu bằng tự mày mò toàn bộ, tôi vẫn có thể trải qua nhiều vấn đề hơn trong thời gian ngắn hơn và tăng lượng học được
Khi Firefox có tính năng tự sửa lỗi, tôi đã luyện viết không sai chính tả bằng cách xem lại đáp án đúng và mình tiến bộ lên rất nhiều (tiếng Anh không phải tiếng mẹ đẻ của tôi). Tôi nghĩ LLM cũng vậy: là công cụ để học nhanh hơn và đi tới kết luận nhanh hơn. Khi bắt đầu một dự án mới mà quên mất phần cấu hình trước đây từng làm, LLM có thể nhắc lại những gì trước kia tôi sẽ phải ghi vào wiki. Điều quan trọng là tự kiểm tra bản thân để trở thành kỹ sư tốt hơn nhờ LLM
Đây đúng là vấn đề thật, nhưng nếu dùng LLM một cách vừa phải thì tôi có thể nhanh chóng bắt kịp những vùng gần với chuyên môn của mình và không bị mắc lại ở những lỗ hổng kiến thức vụn vặt, nhờ đó tập trung vào công việc cốt lõi. Ví dụ, tôi đã nhanh chóng hiện thực xử lý tín hiệu âm học dưới nước bằng C, xử lý thực dụng và nhanh trong một lĩnh vực mà tôi không nhất thiết phải thành thạo tuyệt đối. Nếu là trước đây, chắc tôi chỉ ngồi đọc code của người khác mãi thôi
Bắt LLM viết văn hộ là lười biếng, mà kết quả cũng không mấy tốt. Thay vào đó, tốt hơn là tôi tự viết bản nháp rồi dùng LLM để lấy feedback, kiểm tra điểm mù hoặc tìm từ ngữ tốt hơn
Tôi xem thói quen dùng LLM cũng tương tự việc quá phụ thuộc vào thiết bị dẫn đường hay ứng dụng bản đồ. Nó thật sự rất tiện, nhưng cũng có tác dụng phụ là làm mai một những vùng não cần cho trí nhớ không gian và việc ra quyết định. Tôi cũng từng một lần tin mù quáng vào nó rồi thất bại nặng. Trước kia bản đồ giấy bất tiện hơn, nhưng đổi lại người ta có nhiều tương tác hơn và nhiều khoảng thời gian thong thả hơn. Hiện nay, ngoài các vùng xung đột ra thì hầu như chẳng ai dùng bản đồ giấy nữa
Dù là một nghiên cứu gây chú ý như bài này, nó vẫn có rất nhiều giới hạn nghiêm trọng về phương pháp luận. Chỉ có 54 người chia làm 3 nhóm, tức là mỗi điều kiện chỉ có 9 người, quá ít để đưa ra các tuyên bố như “tái lập trình não”. Điều nghiên cứu cho thấy chỉ là có mẫu hình não khác đi khi viết essay có hỗ trợ AI, chứ không phải tổn thương vĩnh viễn. Khi dùng công cụ mà hoạt động não giảm cũng giống như dùng máy tính thì nhẩm tính ít đi. Những từ như “tổn hại nhận thức” hay “thiệt hại nghiêm trọng” cũng không đúng với nội dung nghiên cứu thực tế. Với EEG bề mặt cũng không thể suy ra các thay đổi sâu trong não. Chính tác giả cũng thừa nhận các giới hạn này. Câu “83.3% không nhớ nổi một câu nào trong bài essay của mình” thực ra cũng chỉ là 15 trên 18 người
Có người kể về những trường hợp sử dụng AI hằng ngày như hàn mạch, dùng đồng hồ vạn năng, thiết kế mạch, hệ thống năng lượng mặt trời/pin, xây mạng LoRa và nhiều kiểu học thực hành khác. Trong mọi trường hợp, họ không chỉ học lý thuyết mà còn tự mình thử nghiệm trực tiếp. Khi có vấn đề, họ dùng AI để tìm nguyên nhân, rồi hỏi lại và thử lại nhiều lần cho tới khi thật sự hiểu nguyên lý. Họ không hợp với video YouTube, nên AI dạng văn bản lại phù hợp hơn. Họ thích cố tình mắc lỗi và phá hỏng mọi thứ để học. Chiến lược thử-sai từng hiệu quả trong phần mềm nay cũng được áp dụng cho điện tử giá rẻ và cho kết quả tốt
Với tư cách người trực tiếp làm những việc như vậy, tôi tò mò vì sao bạn lại chọn AI. Tôi nghĩ học bằng văn bản là một trong những cách khó nhất. Một video được làm tốt sẽ cho thấy quy trình thực tế cũng như tiêu chí thành công/thất bại tốt hơn rất nhiều. Dù vậy, đúng là ngày càng khó tìm được video tốt
Tôi cũng từng học kiểu tương tự trước khi LLM xuất hiện, khi tự làm synthesizer analog. Điều tôi đồng ý là tôi cũng đã tham khảo đúng những tài liệu văn bản trên web mà LLM dựa vào. Khi có gì không hoạt động, tôi sẽ tham khảo thiết bị thật hoặc tài liệu gốc. Từ trước tới nay vốn đã có một con đường học tập đủ tốt mà không cần LLM, nên tôi vẫn chưa chắc có thể nói LLM là một phương thức học vượt trội hẳn so với các cách khác
Việc phải thao tác vật lý thật sự khiến tốc độ học phù hợp hơn với tốc độ tiếp thu của não; còn vòng phản hồi quá nhanh như “vibe coding” trong phần mềm thì ngược lại có thể không giúp ích cho việc học thật. Nó khiến bộ não né tránh chính quá trình học
Nếu bạn dùng LLM giống như một đệ tử hỏi thầy phụ đạo, thì tôi nghĩ chẳng có vấn đề gì cả
Tương tự, tôi đang giải giáo trình không có đáp án, mỗi khi bí lại xin feedback từ ChatGPT và lấy gợi ý, thấy rất hữu ích
Tôi thấy rất khó để đọc bài báo gốc rồi đi tới kết luận như trong bài viết, đến mức nội dung bài báo nghe như thể do AI viết ra. Thí nghiệm chỉ là viết essay kiểu SAT trong chưa đến 30 phút suốt 4 tháng, và chỉ một phần người tham gia dùng AI. Từ đó mà kết luận rằng mỗi tháng dùng AI một lần trong 20 phút đã khiến đầu óc tệ đi rõ rệt thì thật vô lý. Điều nghiên cứu thực sự cho thấy là người ta ít gắn bó hoặc ít nhớ hơn với kết quả mà họ không tự tạo ra. Điều đó cũng đúng với sản phẩm do người khác làm thay
Tôi cho rằng cách sử dụng AI có liên hệ rất chặt với ảnh hưởng của nó lên việc học. Bản thân tôi lại thường xuyên hỏi AI, tranh luận logic với nó và vì thế suy nghĩ sâu hơn rất nhiều so với bình thường. Chẳng hạn, khi phát hiện một tính năng thiếu tài liệu, tôi dùng AI để lần theo luồng code, rồi tiếp tục thảo luận với AI về nhiều lựa chọn như cải thiện cách đặt tên, tái cấu trúc hay viết tài liệu. Vì LLM vượt trội ở khoản tìm thông tin nên tôi chỉ đỡ tốn sức hơn ở phần đó, còn thực ra lại phải suy nghĩ sâu hơn. Tất nhiên có một vài mảng như
mermaidlà tôi đã bỏ qua, nhưng nhờ LLM mà tôi mới có thể thực sự làm được việc; nếu không thì có lẽ tôi vẫn chỉ đang làm mấy việc vặt vô vịVì các bài báo và cách diễn giải về nghiên cứu này quá giật gân, nhóm nghiên cứu thậm chí còn phải đăng riêng một FAQ . Tác giả bài báo đã nhiều lần yêu cầu đừng dùng những cách diễn đạt kiểu “LLM làm chúng ta ngu đi”
Chỉ dựa vào kết quả đo mạng nơ-ron ở mức kỹ thuật mà bàn về “suy giảm nhận thức dài hạn” thì là phóng đại. Ví dụ, kết quả “83% người dùng LLM không nhớ nổi một câu nào trong bài essay vừa viết” thực ra chỉ là một điều quá hiển nhiên: những gì không đi qua tay mình thì khó đọng lại trong trí nhớ. Ngay từ đầu AI đã viết thay nên chuyện nó không đi qua suy nghĩ của bản thân là quá tự nhiên