Tác giả: danny
Bạn bè hỏi tôi tại sao tôi dường như biết mọi thứ hoặc mọi lĩnh vực? Ngoài một số kinh nghiệm trước đây hoặc những việc đang làm, thực ra nhiều lúc tôi đều học rồi áp dụng ngay, hôm nay hãy cùng tôi chia sẻ cách tôi sử dụng các công cụ AI và Notebooklm để hoàn thành hành trình tự học của một người bình thường.
Trước tiên, tôi muốn nói rằng bài viết này dành cho: việc học và tìm hiểu một lĩnh vực/concept/vấn đề cụ thể một cách hệ thống và có cấu trúc, đồng thời xây dựng hệ thống kiến thức và bản đồ tri thức của riêng bạn. Nếu bạn chỉ cần hiểu sơ qua một vài khái niệm, biết được cái xx này là gì? Thì việc hỏi các AI phổ biến trên thị trường hiện nay có lẽ đều tương tự nhau.
Sử dụng AI để học hỏi và tìm hiểu một điều mới hiện nay vẫn còn một số rào cản và hạn chế:
Đầu tiên là ảo giác, AI (khả năng cao) sẽ cung cấp cho bạn một số dữ liệu và sự việc bịa đặt, đặc biệt là trong các lĩnh vực chuyên sâu, do thiếu dữ liệu huấn luyện và tài liệu học tập;
Thứ hai là không có nhiều chi tiết như vậy, vì các vấn đề bản quyền và các lý do khác, AI sẽ không tự mình đọc toàn bộ bài viết hoặc toàn bộ cuốn sách; tài liệu huấn luyện thường là các bài đánh giá, nhận xét của người khác, đặc biệt là thông tin trong các lĩnh vực chuyên sâu thì càng ít hơn;
Thứ ba, không thể mô tả chính xác vấn đề; giả sử bạn chưa từng tiếp xúc với chủ đề này, bạn sẽ khó có thể mô tả tốt vấn đề mình muốn tìm hiểu, cũng không biết được nguyên nhân và hệ quả của những điều này, càng không thể thu thập thông tin một cách hệ thống và xây dựng khung học tập có cấu trúc.
Lý thuyết
Cách của tôi thực ra cũng rất đơn giản: sử dụng “mạng lưới trích dẫn (quote/reference/impact factor)” trong giới học thuật để tinh lọc thông tin, sau đó dùng AI để chứng minh và phát huy tư duy phân tán, tạo nên một cuộc “tự đối kháng giữa hai bán cầu não” nhằm hiểu có hệ thống một thứ mới.
Phiên bản tóm tắt quy trình:
Tìm các bài báo có giá trị – đưa vào Notebooklm – sử dụng công cụ AI để tạo lời nhắc – hỏi và đáp để học trong Notebooklm – bổ sung các bài báo có giá trị khác vào Notebooklm – học trong Notebooklm – lặp lại quy trình này
Chế độ workflow phức tạp:
Bước 1: Theo dõi vết tích (thời gian: 0,25 giờ)
Đừng tìm kiếm “XX là gì, nguyên lý của nó là gì”, mà hãy trực tiếp tìm kiếm “kim chỉ nam” trong lĩnh vực đó.
Gọi AI (Gemini / Perplexity): Hỏi trực tiếp: “Trong [một lĩnh vực con cụ thể], ba cá nhân nào được công nhận là những người sáng lập hàng đầu? Những bài báo kinh điển có số lần trích dẫn cao, đặt nền móng cho lĩnh vực này, là những bài nào? (ví dụ: trong lĩnh vực LLM, xác định các bài báo như Attention Is All You Need).” Đại diện cho “kiếp này”
Tải tài liệu bậc nhất: Trích xuất các tài liệu tham khảo từ 1-3 bài viết cốt lõi này, tải về tất cả các tài liệu cốt lõi mà chúng đã trích dẫn. Đại diện cho "kiếp trước".
Rút trích các tài liệu bậc hai phổ biến nhất: So sánh chéo trong danh mục tài liệu tham khảo của các tài liệu bậc nhất, lọc ra 5 bài báo xuất hiện nhiều nhất và nằm trong top 10 về số lần được trích dẫn.
Logic cốt lõi: Nhìn thế giới theo ánh mắt của bậc thầy là con đường tắt tiết kiệm chi phí nhất. Đừng xem nhẹ bước này, vì bạn đang tải về biểu đồ tiến hóa tư tưởng quan trọng nhất trong lĩnh vực này trong vài thập kỷ qua.
Bước 2: Xây dựng cơ sở tri thức có cấu trúc (thời gian: 0,25 giờ)
Tải lên tất cả các tài liệu kinh điển đã được lọc ở bước đầu tiên vào Google NotebookLM cùng một lúc.
Nói chung, chỉ cần hai trang này là đủ cho các bài viết kinh điển: https://scholar.google.com/ hoặc https://arxiv.org/
Tại sao lại là NotebookLM? Vì nó hoàn toàn không tạo ra ảo giác (Hallucination). Nó chỉ trả lời câu hỏi dựa trên các tài liệu bạn cung cấp.
Bằng cách lọc tài liệu một cách khắt khe, bạn đã cắt đứt thông tin rác trên internet, tạo ra một kho tri thức thuần khiết và tập trung cao cho lĩnh vực này.
Bước 3: Đấu trí giữa các AI khác nhau (thời gian: 1-3,5 giờ)
Đây là trung tâm của toàn bộ quy trình. Bạn cho các AI có đặc tính khác nhau tiến hành chất vấn chéo trong kho kiến thức của bạn, tạo thành các lộ trình kiến thức có cấu trúc và suy luận logic, cuối cùng hình thành quan điểm riêng của bạn.
Thay vì học một cách bị động, hãy đặt câu hỏi chủ động. Đặt câu hỏi chủ động (dựa trên sự quan tâm) thúc đẩy não bộ suy nghĩ.
Tìm điểm neo: Hỏi Claude, Deepseek, Gemini hoặc Perplexity: “Trong lĩnh vực xx, những vấn đề tranh luận cốt lõi và khung lý thuyết nền tảng hiện nay là gì?”
Câu hỏi khép kín: Mang theo những tranh cãi cốt lõi này, quay lại NotebookLM để hỏi: “Dựa trên các tài liệu tôi đã tải lên, các bậc thầy đã giải đáp những tranh cãi cốt lõi này như thế nào? Vui lòng cung cấp nguồn tài liệu cụ thể và logic suy luận.”
Xem xét ở cấp độ thấp hơn: Sao chép câu trả lời do NotebookLM tạo ra và gửi lại cho Gemini hoặc Claude, những công cụ có khả năng phân tích logic mạnh mẽ. Đưa ra chỉ lệnh: “Hãy xem xét những quan điểm này bằng tư duy phản biện, chỉ ra các lỗ hổng logic, giới hạn thời đại hoặc điểm mù trong đó. Dựa trên điều này, tôi nên đặt thêm 3 câu hỏi sâu sắc hơn nào?”
Sự tiến bộ nhận thức ngày càng cao: Mang những lỗ hổng và câu hỏi mới do AI phát hiện trở lại NotebookLM để tìm câu trả lời.
Thực hành
Tôi sẽ lấy ví dụ về “LLM (large language models) rốt cuộc là gì” 😂
Bước 1: Theo dõi vết tích (thời gian: 0,25 giờ)
Tôi đã hỏi cả Gemini và Claude - này bạn, thế mà lại đưa ra câu trả lời như vậy
gemni
Sau đó bạn chợt nhớ ra giáo viên cấp hai từng nói, lý thuyết khoa học nhất định phải có tính kế thừa, có quá khứ, hiện tại và tương lai. Vì vậy, bạn nhờ AI tìm hiểu xem những bài viết cốt lõi này đã tham khảo những bài báo nào (thường nằm trong “tổng quan tài liệu”), cũng như những bài báo nào sau này đã trích dẫn các bài viết cốt lõi, và để AI giúp bạn lọc ra.
Bước 2: Xây dựng cơ sở tri thức có cấu trúc
Do một số đặc tính gốc của LLM và quyền hạn của AI, chúng tôi cần tự tải xuống (hoặc bạn có thể để cua của bạn 🦞 làm thay)
Nói chung, https://scholar.google.com/ và https://arxiv.org/ là hoàn toàn đủ
Sau khi tải về, hãy đặt vào NotebookLM (hiện tại một thư viện hỗ trợ khoảng 300 bài).
Bước 3: Đấu trí giữa các AI khác nhau
Bạn có thể bắt đầu bằng cách đặt một số câu hỏi đơn giản, trực quan trên Notebooklm, sau đó trao đổi và thảo luận hiểu biết của bạn với các AI khác, rồi sau đó gửi kết luận đó trở lại Notebooklm để nó phản biện, lập luận, bổ sung và sửa chữa.
Câu trả lời và ghi chú từ Notebooklm:
Lặp lại vài lần như vậy cho đến khi bạn có thể tự mình hệ thống hóa sơ đồ tư duy của mình.
Sau đó, nếu bạn muốn nghiêm túc hơn, hãy yêu cầu Notebooklm tạo cho bạn một bài kiểm tra để thử thách bản thân.
Đến đây, bạn đã có một mức độ hiểu biết nhất định về lĩnh vực này (ít nhất là đã biết được quá khứ, hiện tại và tương lai, khi người khác hỏi, bạn có thể nói thêm 5 phút ~)
Sau lời nói
Lưu “thư viện kiến thức” của bạn lại (và cập nhật theo thời gian thực, có thể để tôm hùm làm), tạo một thư mục riêng – ví dụ như tôi tách riêng các bài viết lý thuyết liên quan đến “giao dịch hợp đồng” thành một cuốn riêng, khi cần phân tích sự việc, chỉ cần gọi ra thư mục này, sau đó mô tả dữ liệu và ví dụ, là có thể phân tích cơ bản “không ảo tưởng”.
Không phải các mô hình AI hiện tại không thể thực hiện suy nghĩ và phân tích sâu sắc, mà là bạn chưa sử dụng đúng công cụ. (Trong LLM có một tham số rất quan trọng là điều kiện ràng buộc và điều kiện đầu vào)
Việc sử dụng AI là một khả năng, nhưng làm thế nào để AI giúp con người trở nên mạnh mẽ hơn lại là một khả năng khác. Việc sử dụng AI là một khả năng, nhưng làm thế nào để AI giúp con người trở nên mạnh mẽ hơn lại là một khả năng khác.