Autor: danny
Meus amigos me perguntam por que pareço saber de tudo e qualquer coisa. Além de algumas experiências passadas ou atividades atuais, muitas vezes eu simplesmente aprendo e ensino ao mesmo tempo. Hoje, vou compartilhar com vocês como uso ferramentas de IA e NotebookLM para trilhar meu caminho de aprendizado autodidata como um indivíduo comum.
Primeiro, quero dizer que este artigo é voltado para: aprendizado sistemático e estruturado para compreender um domínio, objeto ou conceito específico e construir seu próprio sistema e mapa de conhecimento. Se você apenas precisa ter uma compreensão superficial de alguns conceitos e saber o que é esse xx, então perguntar aos principais AI do mercado provavelmente será suficiente.
Usar IA para aprender sobre algo novo atualmente tem alguns gargalos e limitações:
O primeiro é ilusão; a IA (muito provavelmente) lhe fornecerá dados e fatos inventados, especialmente em áreas específicas, devido à escassez de corpora e materiais de aprendizado;
Segundo, não há tantos detalhes, pois, por questões de direitos autorais e outras, a IA não lê automaticamente artigos inteiros ou livros inteiros; os materiais de treinamento geralmente são revisões e comentários de outras pessoas, especialmente em áreas específicas, onde essas informações são particularmente escassas;
Terceiro, não é possível descrever precisamente o problema; se você não tiver tido contato prévio com este assunto, provavelmente não conseguirá descrever bem a questão que deseja entender, nem conhecer as causas e consequências desses eventos, muito menos coletar informações de forma sistemática e estruturada ou construir um framework de aprendizado organizado.
Parte teórica
Minha abordagem é realmente muito simples: utilizar a “rede de citações (quote/reference/impact factor)” da comunidade acadêmica para purificar informações e, em seguida, usar a IA para provar e expandir o pensamento, realizando uma “luta interna” entre os dois lados do cérebro para estruturar a compreensão de algo novo.
Fluxo de trabalho versão resumida:
Encontre artigos valiosos – adicione ao NotebookLM – use ferramentas de IA para gerar prompts – pergunte e aprenda no NotebookLM – adicione mais artigos valiosos ao NotebookLM – aprenda no NotebookLM – repita esse processo
Fluxo de trabalho avançado:
Passo 1: Seguir a pista (tempo gasto: 0,25 horas)
Não procure por "o que é XX, qual é o princípio disso", mas sim busque diretamente o "pilar imutável" desse campo.
Chamar IA (Gemini / Perplexity): Faça a pergunta direta: “Em [um determinado subcampo], quais são os três líderes indiscutíveis? Quais são as 1-3 obras clássicas de alto impacto que eles estabeleceram como base para esse campo?” (por exemplo, no campo de LLM, focar em artigos como Attention Is All You Need). Representa o “destino atual”.
Baixar literatura de primeira ordem: extraia as referências desses 1 a 3 artigos principais e baixe todos os artigos fundamentais citados por eles. Representa o "passado".
Extraia as referências secundárias mais frequentes: faça uma comparação cruzada nas referências das fontes primárias e selecione os 5 artigos mais recorrentes, classificados entre os 10 mais citados.
Lógica central: Ver o mundo pelos olhos do mestre é o caminho mais barato. Não subestime este passo — você está baixando o mapa mais central das evoluções de pensamento deste campo nas últimas décadas.
Passo 2: Construir uma base de conhecimento estruturada (tempo estimado: 0,25 horas)
Carregue todos os textos clássicos selecionados na primeira etapa simultaneamente no Google NotebookLM.
Em geral, basta usar estes dois para artigos clássicos: https://scholar.google.com/ ou https://arxiv.org/
Por que NotebookLM? Porque ele nunca gera ilusões (Hallucination). Ele responde às perguntas apenas com base nos materiais que você fornece.
Através da seleção rigorosa de literatura, você cortou artificialmente as informações lixo da internet, criando uma base de conhecimento pura e altamente focada para este campo.
Passo 3: Treino entre diferentes IA (duração: 1-3,5 horas)
Este é o núcleo de todo o fluxo de trabalho. Você faz com que diferentes IA com características distintas realizem interrogatórios cruzados em sua base de conhecimento, formando caminhos de conhecimento estruturados e raciocínio lógico, resultando finalmente em suas próprias conclusões.
Substitua a aprendizagem passiva por perguntas ativas. Perguntas ativas (interesse) estimulam o pensamento cerebral.
Encontrar pontos de ancoragem: pergunte ao Claude, Deepseek, Gemini ou Perplexity: “Quais são os principais problemas controversos e os quadros teóricos fundamentais no campo de xx?”
Pergunta de ciclo fechado: Com esses pontos controversos centrais, volte ao NotebookLM e pergunte: “Com base nos documentos que carreguei, como os mestres responderam a esses pontos controversos centrais? Por favor, forneça as fontes literárias específicas e a lógica de inferência.”
Análise em dimensão reduzida: Copie as respostas rigorosas geradas pelo NotebookLM e envie-as de volta para o Gemini ou Claude, que possuem forte capacidade de análise lógica. Dê a instrução: “Por favor, examine criticamente esses pontos, identificando falhas lógicas, limitações históricas ou áreas cegas. Com base nisso, quais são as 3 perguntas mais profundas que eu deveria fazer a seguir?”
Evolução cíclica do conhecimento: volte ao NotebookLM em busca de respostas, levando as falhas e novas perguntas identificadas pela IA.
Prática
Vou usar “O que são, afinal, os LLMs (large language models)” como exemplo 😂
Passo 1: Seguir a pista (tempo gasto: 0,25 horas)
Eu perguntei ao Gemini e ao Claude ao mesmo tempo - ei, você só fez isso e ainda assim deu a resposta
gemni
Então você lembra repentinamente que o professor do ensino fundamental disse que uma teoria científica sempre é conectada, tendo um passado, um presente e um futuro. Então você pede ao AI para pesquisar quais artigos as principais publicações citaram (geralmente listados na “revisão da literatura”) e quais artigos posteriores citaram as publicações principais, pedindo ao AI para filtrar esses resultados para você.
Passo 2: Construir uma base de conhecimento estruturada
Devido a algumas características originais do LLM e permissões de IA, precisamos baixar manualmente (ou você pode pedir ao seu caranguejo🦞 para fazer isso)
Em geral, https://scholar.google.com/ e https://arxiv.org/ são mais do que suficientes.
Baixe e coloque no NotebookLM (atualmente, uma biblioteca suporta cerca de 300 artigos).
Passo 3: Luta interna entre diferentes IA
Você pode começar fazendo perguntas mais simples e intuitivas no Notebooklm, depois discutir e debater sua compreensão com outros IA, e posteriormente enviar as conclusões ao Notebooklm para que ele refute, argumente, complemente e corrija.
Respostas e comentários do Notebooklm:
Repita isso várias vezes até conseguir organizar seu mapa mental.
Then, if you want to get serious, have Notebooklm generate a quiz for you to test your knowledge.
Até agora, você tem uma certa compreensão desse campo (pelo menos sabe sobre o passado, o presente e o futuro — quando alguém perguntar, você poderá falar por mais 5 minutos~)
Pós-escrito
Salve sua “biblioteca de conhecimento” (e atualize-a em tempo real, pode até deixar o camarão fazer isso), crie uma pasta separada — por exemplo, eu guardo os artigos teóricos relacionados a “negociação de contratos” como um livro à parte; quando precisar analisar algo, basta chamar essa pasta e descrever os dados e casos, e você conseguirá analisar basicamente “sem ilusões”.
Não é que os modelos de IA atuais não consigam realizar pensamento e análise aprofundados, é que você não está usando as ferramentas corretamente. (Há um parâmetro muito importante nos LLMs: as condições de restrição e as condições de entrada)
Usar IA é uma habilidade, mas fazer com que a IA torne os humanos mais fortes é outra habilidade. Usar IA é uma habilidade, mas fazer com que a IA torne os humanos mais fortes é outra habilidade.