ผู้เขียน：danny
เพื่อนๆ ถามฉันว่า ทำไมฉันดูเหมือนจะรู้ทุกอย่างทุกเรื่อง? นอกจากประสบการณ์ในอดีตหรือสิ่งที่กำลังทำอยู่ จริงๆ แล้วส่วนใหญ่ฉันมักจะเรียนรู้แล้วนำไปใช้ทันที วันนี้ฉันจะมาเล่าให้ทุกคนฟังว่าฉันใช้เครื่องมือ AI และ Notebooklm อย่างไรเพื่อสร้างเส้นทางการเรียนรู้ด้วยตัวเองของคนธรรมดา
ก่อนอื่น ผมต้องระบุว่าบทความนี้มุ่งเน้นไปที่: การเรียนรู้และทำความเข้าใจอย่างเป็นระบบและมีโครงสร้างเกี่ยวกับสาขา/สิ่งของ/แนวคิดเฉพาะทาง และการสร้างระบบความรู้และแผนที่ความรู้ของตนเอง หากคุณแค่ต้องการเข้าใจแนวคิดบางอย่างคร่าวๆ หรือรู้ว่า xx คืออะไร ก็สามารถถาม AI ที่เป็นที่นิยมในตลาดได้ใกล้เคียงกัน
การใช้ AI เพื่อเรียนรู้และเข้าใจสิ่งใหม่ในปัจจุบันยังมีข้อจำกัดและอุปสรรคบางประการ:
อย่างแรกคือภาพหลอน AI (โดยมาก) จะให้ข้อมูลและเรื่องราวที่แต่งขึ้นมาให้คุณ โดยเฉพาะในสาขาที่เฉพาะเจาะจง เนื่องจากข้อมูลฝึกอบรมและแหล่งเรียนรู้ไม่เพียงพอ;
ที่สองคือไม่มีรายละเอียดมากมายเช่นนี้ เพราะเนื่องจากปัญหาลิขสิทธิ์เป็นต้น AI จึงไม่สามารถอ่านบทความหรือหนังสือทั้งเล่มด้วยตัวเองได้ วัสดุการฝึกมักเป็นรีวิวหรือความคิดเห็นของผู้อื่น โดยเฉพาะข้อมูลในสาขาเฉพาะยิ่งมีน้อยมาก;
ที่สาม ไม่สามารถอธิบายปัญหาได้อย่างแม่นยำ หากคุณไม่เคยมีประสบการณ์เกี่ยวกับหัวข้อนี้มาก่อน คุณคงจะไม่สามารถอธิบายปัญหาที่คุณต้องการทราบได้อย่างดี ไม่รู้ว่าเหตุการณ์เหล่านี้มีที่มาและผลลัพธ์อย่างไร ยิ่งไม่พูดถึงการรวบรวมข้อมูลอย่างเป็นระบบและสร้างกรอบการเรียนรู้ที่เป็นระเบียบ
ส่วนทฤษฎี
วิธีของฉันก็เรียบง่ายเช่นกัน: ใช้ “เครือข่ายการอ้างอิง (quote/reference/impact factor)” จากวงการวิชาการเพื่อกรองข้อมูล แล้วใช้ AI ในการพิสูจน์และคิดอย่างสร้างสรรค์ เพื่อทำการวิเคราะห์โครงสร้างของสิ่งใหม่ๆ อย่างสมดุลระหว่างซีกสมองซ้ายและขวา
เวิร์กโฟลว์ฉบับย่อ:
ค้นหาเอกสารวิจัยที่มีคุณค่า – ใส่ลงใน Notebooklm – ใช้เครื่องมือ AI สร้างคำสั่ง – ถามและตอบเพื่อเรียนรู้ใน Notebooklm – เพิ่มเอกสารวิจัยที่มีคุณค่าอีกเข้าไปใน Notebooklm – เรียนรู้ใน Notebooklm – ทำซ้ำเช่นนี้
Workflow แบบซับซ้อน:
ขั้นตอนที่ 1: ติดตามรอยจนเจอต้นตอ (ใช้เวลา: 0.25 ชั่วโมง)
อย่าไปค้นหาว่า “XX คืออะไร หลักการของมันคืออะไร” แต่ให้หา “ของศักดิ์สิทธิ์” ในสาขาดังกล่าวโดยตรง
เรียก AI (Gemini / Perplexity): ถามตรงๆ: “ใน [สาขาเฉพาะทางหนึ่ง] ใครคือสามบุคคลที่ได้รับการยอมรับว่าเป็นผู้ก่อตั้ง? ผลงานวิจัยคลาสสิกที่มีการอ้างอิงสูง 1-3 ชิ้นที่พวกเขาสร้างพื้นฐานให้กับสาขาดังกล่าวคืออะไร?” (ตัวอย่างเช่น ในสาขา LLM ให้ระบุเอกสารเช่น Attention Is All You Need) ซึ่งเป็นตัวแทนของ “ชีวิตนี้”
ดาวน์โหลดเอกสารระดับแรก: ดึง Reference (เอกสารอ้างอิง) จากบทความหลัก 1-3 ฉบับนี้ และดาวน์โหลดเอกสารหลักทั้งหมดที่พวกเขากล่าวอ้าง แสดงถึง “ชาติที่แล้ว”
สกัดเอกสารระดับที่สองที่ถูกอ้างอิงบ่อย: เปรียบเทียบข้ามเอกสารอ้างอิงของเอกสารระดับแรก เพื่อคัดเลือกบทความที่ถูกอ้างอิงมากที่สุด 5 บทความ โดยอยู่ในอันดับトップ 10 ของจำนวนครั้งที่ถูกอ้างอิง
ตรรกะหลัก: การมองโลกผ่านสายตาของผู้เชี่ยวชาญคือทางลัดที่มีต้นทุนต่ำที่สุด อย่ามองข้ามขั้นตอนนี้ เพราะคุณกำลังดาวน์โหลดแผนที่การพัฒนาความคิดที่สำคัญที่สุดของสาขานี้ตลอดหลายทศวรรษ
ขั้นที่สอง: สร้างฐานความรู้ที่มีโครงสร้าง (ใช้เวลา: 0.25 ชั่วโมง)
อัปโหลดเอกสารคลาสสิกทั้งหมดที่กรองออกมาในขั้นตอนที่หนึ่งไปยัง Google NotebookLM ทั้งหมดในครั้งเดียว
โดยทั่วไป ถ้าเป็นบทความคลาสสิก ใช้สองแห่งนี้เพียงพอแล้ว: https://scholar.google.com/ หรือ https://arxiv.org/
ทำไมจึงเป็น NotebookLM? เพราะมันไม่เคยสร้างภาพหลอน (Hallucination) มันตอบคำถามเฉพาะจากข้อมูลที่คุณป้อนเท่านั้น
ด้วยการคัดกรองเอกสารอย่างเข้มงวด คุณได้ตัดข้อมูลรบกวนบนอินเทอร์เน็ตออก สร้างฐานความรู้ที่บริสุทธิ์และมุ่งเน้นสูงสำหรับสาขา này
ขั้นที่สาม: การแข่งขันระหว่าง AI ต่างๆ กัน (ใช้เวลา: 1-3.5 ชั่วโมง)
นี่คือหัวใจของกระบวนการทั้งหมด คุณให้ AI ที่มีคุณสมบัติต่างกันทำการซักถามข้ามกันในคลังความรู้ของคุณ เพื่อสร้างเส้นทางความรู้ที่มีโครงสร้างและการอนุมานเชิงตรรกะ จนเกิดมุมมองของตัวเอง
ใช้การตั้งคำถามเชิงรุกแทนการเรียนรู้แบบรับ passive การตั้งคำถามเชิงรุก (ความสนใจ) ส่งเสริมการคิดของสมอง
ค้นหาจุดยึด: ถาม Claude, Deepseek, Gemini หรือ Perplexity ว่า: “ในด้าน xx ปัญหาการถกเถียงหลักและกรอบทฤษฎีพื้นฐานในวงการวิชาการ/อุตสาหกรรมปัจจุบันคืออะไร?”
คำถามแบบปิดล้อม: นำข้อถกเถียงหลักเหล่านี้กลับไปถาม NotebookLM: “ตามเอกสารที่ฉันอัปโหลด นักปราชญ์ตอบข้อถกเถียงหลักเหล่านี้อย่างไร? กรุณาให้แหล่งอ้างอิงทางเอกสารและเหตุผลในการวิเคราะห์อย่างชัดเจน”
การพิจารณาในระดับที่ต่ำกว่า: คัดลอกคำตอบที่ NotebookLM สร้างขึ้นอย่างเข้มงวดกลับไปให้ Gemini หรือ Claude ที่มีความสามารถในการวิเคราะห์เชิงตรรกะสูง แล้วสั่งว่า: “โปรดพิจารณาความคิดเห็นเหล่านี้ด้วยความคิดเชิงวิพากษ์ ชี้ให้เห็นช่องโหว่ทางตรรกะ ข้อจำกัดทางยุคสมัย หรือจุดที่มองไม่เห็น บนพื้นฐานนี้ ฉันควรตั้งคำถามลึกซึ้งอีก 3 ข้อใด?”
การพัฒนาความเข้าใจแบบวนซ้ำ: นำช่องโหว่และคำถามใหม่ที่ AI ระบุมา กลับไปหา NotebookLM อีกครั้งเพื่อหาคำตอบ
การปฏิบัติจริง
ฉันจะใช้ตัวอย่างว่า “LLM (large language models) คืออะไรกันแน่” นะ 😂
ขั้นตอนที่ 1: ติดตามรอยจนเจอต้นตอ (ใช้เวลา: 0.25 ชั่วโมง)
ฉันถามทั้ง Gemini และ Claude - เฮ้ คุณทำแบบนี้จริงๆ นะ คำตอบที่ให้มา
gemni
จากนั้นคุณก็นึกขึ้นได้ว่าครูมัธยมต้นเคยพูดไว้ว่า ทฤษฎีทางวิทยาศาสตร์ต้องเชื่อมโยงกันอย่างต่อเนื่อง มีอดีต ปัจจุบัน และอนาคต ดังนั้นคุณจึงให้ AI ช่วยค้นคว้าว่าบทความหลัก这几篇เหล่านี้อ้างอิงถึงงานวิจัยใดบ้าง (มักจะอยู่ในส่วน “การทบทวนวรรณกรรม”) และมีบทความใดบ้างที่อ้างอิงถึงบทความหลักเหล่านี้ในภายหลัง แล้วให้ AI ช่วยกรองออกมา
ขั้นที่สอง: สร้างฐานความรู้ที่มีโครงสร้าง
เนื่องจากคุณสมบัติบางอย่างของ LLM เดิมและสิทธิ์ของ AI เราจึงต้องดาวน์โหลดด้วยตนเอง (หรือคุณสามารถให้ปูมังกร🦞ของคุณช่วยทำแทน)
โดยทั่วไปแล้ว https://scholar.google.com/ และ https://arxiv.org/ ก็เพียงพอแล้ว
คุณดาวน์โหลดแล้ววางไว้ใน NotebookLM (ปัจจุบันหนึ่งคลังรองรับประมาณ 300 บทความ)
ขั้นที่สาม: การแข่งขันระหว่าง AI ต่างๆ
คุณสามารถเริ่มต้นด้วยการถามคำถามที่ง่ายและตรงไปตรงมาใน Notebooklm จากนั้นนำความเข้าใจของคุณไปอภิปรายและหารือกับ AI อื่นๆ ก่อนส่งข้อสรุปกลับไปยัง Notebooklm เพื่อให้มันโต้แย้ง สนับสนุน เพิ่มเติม และแก้ไข
คำตอบและคำอธิบายของ Notebooklm:
ทำซ้ำหลายครั้งแบบนี้ จนคุณสามารถจัดระเบียบแผนผังความคิดของตัวเองได้
แล้วถ้าคุณต้องการความเข้มข้นมากขึ้น คุณสามารถให้ Notebooklm สร้างข้อสอบมาทดสอบคุณอีกครั้ง
ตอนนี้คุณมีความเข้าใจในสาขานี้อยู่บ้างแล้ว (อย่างน้อยก็รู้เรื่องอดีต ปัจจุบัน และอนาคต พอคนอื่นถามคุณก็สามารถพูดต่อได้อีก 5 นาที～)
หลังคำพูด
บันทึก “คลังความรู้” ของคุณไว้ (และอัปเดตแบบเรียลไทม์ ซึ่งสามารถให้กุ้งมังกรจัดการได้) ในโฟลเดอร์แยกต่างหาก — เช่น ฉันจัดเก็บบทความเชิงทฤษฎีที่เกี่ยวข้องกับ “การซื้อขายสัญญา” เป็นหนังสือแยกต่างหาก เมื่อจำเป็นต้องวิเคราะห์เรื่องใดๆ เพียงแค่เรียกโฟลเดอร์นี้ขึ้นมา แล้วอธิบายข้อมูลและตัวอย่าง ก็สามารถวิเคราะห์ได้เกือบ “ไม่มีภาพหลอน”
ไม่ใช่ว่าโมเดล AI ปัจจุบันไม่สามารถคิดวิเคราะห์ในระดับลึกได้ แต่คุณยังไม่ได้ใช้เครื่องมืออย่างถูกต้อง (ใน LLM มีพารามิเตอร์สำคัญอย่างหนึ่งคือเงื่อนไขการจำกัดและเงื่อนไขการป้อนข้อมูล)
การใช้ AI เป็นทักษะหนึ่ง แต่การที่ AI จะทำให้มนุษย์แข็งแกร่งขึ้นนั้นเป็นทักษะอีกแบบหนึ่ง การใช้ AI เป็นทักษะหนึ่ง แต่การที่ AI จะทำให้มนุษย์แข็งแกร่งขึ้นนั้นเป็นทักษะอีกแบบหนึ่ง