- Khẳng định "không cần phải nhớ gì cả" là một ảo tưởng đã tồn tại từ lâu
- Các công cụ số như internet, ứng dụng ghi chú, AI được cho là xóa bỏ nhu cầu ghi nhớ, nhưng thực tế lại phát sinh cái giá ẩn đối với năng lực tư duy
- Nếu thiếu năng lực tư duy phản biện và phân tích, con người không thể tận dụng hiệu quả kết quả tìm kiếm trên internet, và việc tiếp thu tri thức chỉ dừng ở mức hời hợt
- Nếu chỉ tiêu thụ thông tin bề mặt mà không có tri thức sâu, thì năng lực xử lý nhận thức của não bộ sẽ suy yếu
- Những phương pháp như Zettelkasten Method cùng quá trình rèn luyện bền bỉ là điều thiết yếu cho công việc tri thức có ý nghĩa
Ảo tưởng về công cụ số và trí nhớ
- Ý nghĩ rằng “không cần phải nhớ gì cả” là một nhận thức cũ kỹ đã xuất hiện từ vài thập niên trước
- Các công cụ như công cụ tìm kiếm, ứng dụng ghi chú đời cũ, AI liên tục lặp lại lập luận rằng tầm quan trọng của trí nhớ đã biến mất
- Nhưng trên thực tế, để tìm được thông tin mình muốn, giáo dục nền tảng và kiến thức trước đó về lĩnh vực liên quan là điều bắt buộc
Tư duy phản biện và năng lực sử dụng internet
- Trong xã hội hiện đại, xu hướng muốn bỏ qua quá trình tư duy cần thiết và lên internet để tìm ngay kết luận ngày càng mạnh hơn
- Xu hướng này dẫn đến sự thu hẹp của cơ hội tự học và kiến thức nền, đồng thời làm suy giảm khả năng đánh giá chất lượng thông tin và chuyển hóa nó thành tri thức thực sự
- Theo nghiên cứu, những người được gọi là digital natives thiếu khả năng đánh giá một cách phản biện và phân tích đối với thông tin tìm thấy trên internet
- Để thực sự khai thác được giá trị của tìm kiếm internet, cần có một bản đồ tinh thần theo từng lĩnh vực
Cách tiếp cận của digital natives và vấn đề của nó
- Digital natives chỉ đánh giá thông tin dựa trên mức độ trùng khớp bề mặt, và động lực đánh giá phản biện bị suy yếu
- Cách tiếp cận này để lại những hệ quả sau
- Mối liên kết cảm xúc với tư liệu suy yếu, làm giảm chiều sâu suy nghĩ và mức độ tập trung
- Hình thành mối quan hệ hời hợt với thông tin, khiến cấu trúc não bộ không thay đổi
- Kết quả là, càng tích lũy thói quen tiêu thụ thông tin bề mặt thì nền tảng tri thức càng trở nên mong manh
Tiền đề cốt lõi của tri thức, ghi chú và tư duy phản biện
- Việc hình thành tri thức theo đúng nghĩa không thể do AI hay công cụ PKM (Personal Knowledge Management) làm thay, mà bản thân người học phải tự mình thực hiện
- Ví dụ, có thể nhờ ChatGPT thiết kế lịch tập thể dục hằng tuần, nhưng trong trạng thái không có kiến thức nền, ta không thể đánh giá kết quả đó đúng hay sai
- Nếu chỉ biết các thuật ngữ ở mức bề mặt mà không có sự hiểu biết sâu sắc về những khái niệm quan trọng, thì rất khó đánh giá giá trị thực sự của thông tin
Kiến thức nền và năng lực xử lý nội tại của não bộ
- Mức độ chỉ gợi nhớ ra các liên tưởng bề mặt và trạng thái có thể thực sự gợi ra tri thức nền tảng, đa tầng về một thuật ngữ cụ thể là hai thứ rất khác nhau
- Điểm nghẽn của công việc tri thức không nằm ở lượng thông tin bên ngoài, mà nằm ở năng lực nội tại của não bộ trong việc xử lý thông tin và mức độ được rèn luyện của mỗi cá nhân
Sự cần thiết của công cụ phù hợp và rèn luyện liên tục
- Trái với suy nghĩ rằng “không cần phải nhớ gì cả”, hướng đi đáng mong muốn trong thực tế là “phải nhớ mọi thứ”
- Chỉ như vậy mới có thể thực hiện công việc nhận thức có ý nghĩa và tư duy dựa trên tri thức
- Các công cụ đơn giản (ví dụ: spaced repetition) hỗ trợ tác vụ đơn giản, còn công cụ nâng cao (ví dụ: Zettelkasten Method) hỗ trợ tư duy phức hợp
- Xử lý ở chiều sâu rốt cuộc gắn trực tiếp với việc rèn luyện não bộ
- Tương lai của công việc tri thức phụ thuộc vào thái độ không từ bỏ việc rèn luyện tâm trí
Live long and prosper
Sascha
1 bình luận
Ý kiến trên Hacker News
Cách thứ nhất, hỏi AI để lấy câu trả lời: nó tạo ra thứ gì đó, AI làm thay phần suy nghĩ mà tôi đáng ra phải tự làm nên công việc có cảm giác dễ hơn
Cách thứ hai, dùng AI như công cụ tự động hóa cho các việc lặp lại và đơn giản (như viết test suite hay thiết lập hạ tầng): thực sự nhanh hơn con người, nhưng vì phải tập trung vào các việc khó nên lại còn mệt hơn Hai cách tiếp cận này mang lại cảm giác quá khác nhau Cách thứ nhất làm công việc trở nên dễ hơn, còn cách thứ hai thì phần dễ được xử lý tự động, nên có thể chuyển sang trạng thái phải liên tục suy nghĩ nhiều hơn và vất vả hơn Nếu ở nơi làm việc có cạnh tranh dù chỉ một chút, tôi tin rằng người làm theo mô thức thứ hai sẽ vượt trội hẳn cả về năng suất lẫn chất lượng Nhưng cách này mang lại cảm giác rất hao tổn tinh thần Bài viết liên quan
Tôi đã thử cách thứ hai này trong công ty rồi Muốn gần như chắc chắn thành công thì phải lập phần lớn kế hoạch triển khai từ trước, đồng thời giám sát xem LLM có tạo ra kết quả kỳ quặc hay không Trong lúc đó gần như không đụng được việc khác Cảm giác là năng suất chỉ cải thiện khoảng 10%~20%
Cảm giác "nén dồn công việc suy nghĩ liên tục và chỉ làm phần việc nặng" — đó đúng là điểm tôi muốn diễn đạt Trong thiết kế hệ thống, nút thắt thực sự không phải việc dễ hay việc lặp lại, mà là những phần khó dự đoán, vùng chưa biết, các hệ quả ngoài ý muốn, v.v. AI không giúp được nhiều ở những chỗ đó Ngược lại, không tự động hóa hoàn toàn các công việc lặp lại mà giữ lại một phần lại còn có ích hơn Chính những việc đó giúp bạn bám trong domain và thường xuyên có thêm insight cho các vấn đề khó
Tôi giao cho AI phần kiến trúc, tổ chức code và thiết kế ở cấp độ thuật toán Tôi lập kế hoạch ở mức đó, rồi giao toàn bộ phần triển khai thực tế cho agent Tôi cũng cho kiểm thử và kiểm toán bởi chính mình, đồng thời bởi nhiều AI agent khác nữa Pipeline đã được tự động hóa 100%, và kết quả cũng rất tốt Dù sao thì nó vẫn giữ được cảm giác làm kỹ thuật ở chỗ tôi đang điều phối một DAG workflow stochastic theo đúng lệnh của mình
Vấn đề của LLM là nó thậm chí không thể tự mình làm trọn vẹn cả những việc đơn giản Và khi con người phải can thiệp, LLM có thể tạo ra những thiên lệch ngớ ngẩn đến mức làm mờ cả trực giác của con người Nhưng tôi nghĩ ý tưởng này cũng nối liền với lịch sử phát triển phần mềm như compiler, type checker, automated test, version control, v.v.
Có những lúc ở ví dụ thứ nhất (chỉ hỏi-đáp để lấy câu trả lời) bạn lại phải suy nghĩ nhiều hơn Nếu thứ được tạo ra không làm đúng chính xác điều bạn muốn, hoặc có bug, hoặc trở nên phức tạp, thì bạn phải phân tích và hiểu một lượng lớn code mà mình không viết thì mới đi tiếp được Cứ đọc code như vậy có thể thành ra lãng phí thời gian Cuối cùng, nếu prompt đầu vào hay đặc tả đủ rõ ràng đến mức bạn hiểu nó ngang với code do chính mình viết thì không vấn đề gì, còn nếu không thì tôi nghĩ tốt hơn là xóa hết và lập kế hoạch lại từ đầu
Về lập luận "phải nhớ mọi thứ thì mới làm được công việc trí óc có ý nghĩa" Thực ra không cần phải nhớ hết mọi thứ Chỉ cần qua trải nghiệm, suy nghĩ và viết lách mà nhớ được điểm vào và hình dạng của những gì sẽ theo sau thì cũng đủ để làm việc có ý nghĩa
Trích lời Thomas Aquinas: "con người phải sắp xếp thật tốt theo một trật tự những gì mình muốn ghi nhớ; trật tự là chuỗi xích của ký ức" Tôi tìm thấy đoạn này trong Zettelkasten của mình
Tôi nghĩ điều này còn tùy vào công việc Ví dụ, với những thứ cần hiệu năng thời gian thực như hội thoại bằng ngoại ngữ thì bạn phải thực sự thuộc từ vựng, biểu diễn âm nhạc cũng vậy Khi viết lách thì có thể làm chậm hơn, nhưng nếu kiến thức nền quá thiếu thì rốt cuộc vẫn phải chuẩn bị rất nhiều ở phía sau
Thực ra LLM (mô hình ngôn ngữ) cũng hoạt động kiểu đó Giống như bộ não con người, sau khi được nạp càng nhiều thông tin càng tốt trong giai đoạn pre-training, nếu vượt qua một ngưỡng nhất định thì nó bắt đầu tạo ra kết quả gần với tư duy của con người hơn như suy luận hay dùng công cụ Vì vậy tôi đồng ý với giả thuyết rằng nếu bộ não thiếu dữ liệu pre-training thì nó sẽ trở thành một base model yếu
Tôi không nhớ toàn bộ câu trả lời, tôi thường chỉ nhớ nơi có thể tìm ra câu trả lời đó
Câu hỏi đặt ra là liệu đó có phải kiểu "chỉ nhớ trạng thái ban đầu rồi đầu óc tự lần theo phần còn lại bằng liên tưởng" hay là "chỉ nhớ điểm xuất phát của lời giải" (ví dụ: vài giả định hay ý tưởng chính) Nếu là người dùng Zettelkasten thì tôi nghĩ bạn sẽ khá đồng ý với cách thứ nhất
Về lập luận "phải nhớ mọi thứ thì mới làm được công việc trí óc có ý nghĩa" Nếu con người không có năng lực abstraction thì tôi thấy lập luận đó có lý Nhưng vì abstraction tồn tại, nên trên thực tế chỉ cần nhớ một phần các dữ kiện cụ thể là đủ Điều cốt lõi là cần có mô hình khái niệm mạnh và tacit knowledge Tacit knowledge được hình thành qua trải nghiệm và phản hồi, còn mô hình khái niệm thì được dựng lên rồi dần dần gắn thêm dữ kiện vào Ban đầu khả năng ghi nhớ có ích, nhưng khi đã phát triển đến mức nào đó thì bản thân nó lại có thể trở thành trở ngại Không cần lúc nào cũng giữ toàn bộ quá trình gia công trong đầu cùng một lúc; khi tích lũy đủ kinh nghiệm, bạn chỉ cần gắn thứ cần thiết vào đúng 'framework' là được Tôi nghĩ việc này gây tranh cãi vì những người không thích học thuộc thường là những người đã vất vả vượt qua giai đoạn mới bắt đầu
Tôi thấy đã có nhiều bài viết xuất hiện quanh lập luận "phải nhớ mọi thứ", nhưng cảm giác là bỏ lỡ khá nhiều luận điểm và ngữ cảnh Vì trên thực tế không thể nhớ hết mọi thứ, nên tôi đồng ý với ý rằng ta nên cố nhớ được càng nhiều càng tốt Rốt cuộc, kiểu suy nghĩ "không cần nhớ hết nên cứ mặc kệ" theo tôi là nguy hiểm Tôi nghĩ bài viết đã đưa ra luận điểm khá mạnh rằng việc giao cho calculator hay LLM xử lý thì về sau cũng không giúp ích gì
Tôi rất đồng cảm với lập luận rằng "mô hình khái niệm và tacit knowledge quan trọng hơn" Càng làm lâu trong computer science và software engineering, tôi càng nhận ra số lượng khái niệm thật sự cốt lõi ít hơn nhiều so với tưởng tượng Một kỹ sư thực sự thành thạo cần phải có trải nghiệm "cảm được chúng như đang sống" Nếu đã thấm được các khái niệm này, bạn có thể rất nhanh định vị bất kỳ vấn đề máy tính nào vào đúng 'tọa độ khái niệm', từ đó lặp đi lặp lại việc áp dụng và thấu hiểu chúng
Gần đây tôi hay bàn về chủ đề này với những người quen, và tôi định nghĩa engineering rốt cuộc là "khởi hành từ câu hỏi, trong khi chưa có lời giải rõ ràng" Trong những tình huống như vậy, điều quan trọng là phải hiểu đầy đủ nền tảng mà layer của tôi đang xây lên trên đó (các lớp abstraction thấp hơn) Nếu xem như một kim tự tháp tri thức thì ở mỗi tầng sẽ phân hóa thành nhiều vai trò và chuyên môn khác nhau, nhưng dù ở vị trí nào, càng hiểu các layer phía dưới thì trực giác càng tốt Nếu bạn outsource phần nền tảng, thì không chỉ tư duy phản biện mà cả trực giác về cấu trúc của thế giới mà bạn đang sống trong đó cũng sẽ yếu đi
Tôi đồng cảm với các công cụ tăng cường trí nhớ như Anki, Zettelkasten, v.v., nhưng tôi nghĩ bài viết này có phần đơn giản hóa quá mức Tôi cho rằng có 2 mô hình làm việc dựa trên tri thức
Hiện tượng nổi bật gần đây chính là việc AI giúp ích rất nhiều khi hoàn toàn không có kiến thức nền Nhưng tôi nghĩ đó cũng chính là vấn đề AI giúp ở điểm khởi đầu dễ dàng, nhưng trong quá trình đó lại khiến người dùng đánh mất cơ hội tự học Việc học là một vòng lặp lặp đi lặp lại của "tiếp nhận-hiểu-ghi nhớ-vận dụng", còn nếu chỉ prompt AI vô hạn để lấy đáp án thì hầu như chẳng có tự học nào xảy ra
Điểm mạnh của AI là nó đưa ra được nhiều ví dụ tốt về "loại (kind)" Nếu AI tìm cho tôi nhiều "công ty làm X", thì khi tự nghiên cứu thêm bằng search engine, tôi sẽ có được điểm tham chiếu để biết nên đào sâu theo hướng nào Ngay cả khi cuối cùng tôi không đi đến kết quả đúng như AI đã gợi ý, thì sau khi nghe ý kiến đó tôi vẫn phải tự mình đưa ra phán đoán AI rất giỏi trong việc nhận ra pattern giữa từ ngữ và đặc điểm, cũng như cách diễn đạt của từng nhóm phân loại
Phi công cũng dùng những công cụ có thể tra cứu mà không cần học thuộc, như checklist, nhưng trong tình huống khẩn cấp cũng có những thứ phải thực hiện gần như phản xạ chỉ bằng trí nhớ đã được mã hóa sẵn
Tính ngẫu hứng hay biểu diễn trực tiếp (hội thoại, chơi nhạc, v.v.) đòi hỏi phải có trí nhớ thì mới làm tốt được Tôi nghĩ mức độ bạn muốn xử lý trực tiếp theo thời gian thực là một tiêu chí tốt để xác định mức độ cần ghi nhớ
Về lập luận "nếu không thể đọc câu hỏi và lập tức đưa ra câu trả lời tổng hợp thì bạn không có đủ kiến thức nền" Quan điểm này quá cực đoan Ví dụ khi lập kế hoạch tập luyện, không nhất thiết phải cân nhắc mọi yếu tố chi tiết Dù câu trả lời không được tối ưu kiểu 'minmaxed' nhất, chỉ cần làm đều đặn thì vẫn tạo ra kết quả đủ tốt Đây là điểm chung áp dụng cho mọi lĩnh vực Ngay cả khi không phải chuyên gia sâu, bạn vẫn có thể tạo ra kết quả ở một mức độ nhất định
Trong toán học cũng vậy Bạn có thể dùng calculator, nhưng nếu có cảm quan về số và trực giác số học thì bạn sẽ xử lý thế giới nhanh hơn và chính xác hơn rất nhiều Bạn vẫn có thể nhận hỗ trợ từ AI hay search engine, nhưng ít nhất phải tự mình có năng lực phán đoán tối thiểu
Tôi luôn thấy kỳ lạ khi nhiều người chưa từng trực giác kiểm tra dữ liệu mà đã lao vào viết công thức Excel trước Ví dụ, nếu A8 là 120 và A7 là 100 thì tốt hơn hết là tự mắt mình nhìn ra ngay đó là tăng bao nhiêu phần trăm — đó là một thói quen tốt Tương tự với AI, thay vì vội tin đáp án trong một lĩnh vực mình không biết gì, bạn nên kiểm tra trước bằng những giá trị hoặc khái niệm mà bản thân có thể tự xác minh
Vấn đề không nằm ở việc có dùng calculator hay không, mà là ở sự kháng cự đối với chính việc tính toán Chỉ cần thuộc vài công thức đơn giản (diện tích, thể tích, mật độ, năng lượng, v.v.) là bạn sẽ ngạc nhiên vì có thể lọc được bao nhiêu điều vô lý chỉ bằng vài phép tính tức thời Có cả những ví dụ nổi tiếng như bài toán đường kính pizza
Cốt lõi thật sự là bộ não tiến hóa bằng cách được 'thuần hóa' qua trải nghiệm Nếu bạn không ghi nhớ gì cả và lúc nào cũng chỉ dựa vào tìm kiếm, thì cuối cùng bộ não chỉ học cách hoạt động như một search engine Khi rơi vào tình huống không thể tìm kiếm, sự thiếu hụt kinh nghiệm tích lũy trước đó sẽ trở thành giới hạn chí mạng Dĩ nhiên cách đó có thể vẫn hiệu quả trong thời đại này, nhưng nguyên lý cơ bản rằng bộ não được cải thiện thì không thay đổi
Theo tôi, không nhất thiết phải nhớ mọi thứ, nhưng chắc chắn trải nghiệm "đã từng tiếp xúc" là điều bắt buộc Nếu bạn thậm chí còn không biết "mình không biết cái gì" thì rất nguy hiểm cho công việc tri thức Tôi đồng ý với câu nói nổi tiếng: “Học một ít về mọi thứ, và học thật sâu về một lĩnh vực.”
Trước thời internet, chúng ta hỏi những người xung quanh, và nếu họ trả lời đại khái gì đó thì thường cứ thế mà tin Rồi internet xuất hiện, và độ chính xác của kết quả tìm kiếm tăng lên so với người quen ngẫu nhiên Bây giờ AI đã xuất hiện; AI cũng không hoàn hảo, nhưng vẫn đáng tin hơn một người bất kỳ xung quanh hoặc một blog ngẫu nhiên Với tôi, ý nghĩ rằng mọi thứ phải đúng 100% nghe khá kỳ lạ Trước kia ai cũng tiếp nhận lời nói bâng quơ từ người gần mình thôi
Tôi muốn biết căn cứ nào cho rằng việc LLM tổng hợp câu trả lời từ các blog ngẫu nhiên lại chính xác hơn so với việc tự tìm trực tiếp trên những blog đã được kiểm chứng chuyên môn
Hỏi ngẫu nhiên bất kỳ ai vốn đã là sai rồi Bạn phải luôn hỏi chuyên gia trong đúng domain Ví dụ, tôi không hỏi vợ về video game, cũng không hỏi bố về lập trình Chỉ cần làm như vậy thôi thì nhu cầu dùng AI cũng đã giảm đi rất nhiều