คนส่วนใหญ่ใช้ AI เหมือนตู้ขายของอัตโนมัติสำหรับหาคำตอบ
อัปโหลดเอกสาร ถามคำถาม ได้คำตอบ ปิดแท็บ พรุ่งนี้ก็อัปโหลดเอกสารเดิมอีกครั้ง ถามคำถามที่ต่างออกไปเล็กน้อย แล้วดูโมเดลเริ่มต้นจากศูนย์อีกครั้ง เหมือนกับว่าเมื่อวานไม่เคยเกิดขึ้น
นี่คือรูปแบบเริ่มต้นของ "ประสิทธิภาพการทำงานด้วย AI" ในปัจจุบัน มันให้ความรู้สึกมหัศจรรย์ในครั้งแรกๆ เพราะระบบสามารถสรุป อธิบาย และดึงข้อมูลเชิงลึกจากเกือบทุกอย่างที่คุณโยนเข้าไป แต่หลังจากผ่านไปสองสามสัปดาห์ ความมหัศจรรย์นั้นเริ่มให้ความรู้สึกเหมือนของใช้แล้วทิ้งอย่างน่าประหลาด คุณไม่ได้กำลังสร้างความรู้ คุณกำลังเช่าช่วงเวลาอันชาญฉลาดสั้นๆ
ปัญหาคือไม่ใช่เพราะโมเดลอ่อนแอเกินไป ปัญหาคือเวิร์กโฟลว์ไม่มีหน่วยความจำที่ทวีคูณ
Andrej Karpathy อธิบายรูปแบบที่ดีกว่า: การใช้ LLMs เพื่อสร้างและบำรุงรักษาฐานความรู้ส่วนบุคคล ไม่ใช่แค่โฟลเดอร์ของ PDF ที่อัปโหลด ไม่ใช่แค่แชทบอทที่ใช้กับเอกสาร แต่เป็นวิกิที่คงอยู่ มีโครงสร้าง และเชื่อมโยงกัน ซึ่ง LLM จะอัปเดตอยู่ตลอดเวลา
ส่วนสำคัญไม่ใช่ตัววิกิ เรามีวิกิมานานหลายทศวรรษแล้ว
ส่วนสำคัญคือการบำรุงรักษา
นั่นคือชิ้นส่วนที่หายไปซึ่งทำให้ระบบ "สมองที่สอง" เกือบทั้งหมดก่อนยุค AI ล้มเหลว ผู้คนชอบแนวคิดของฐานความรู้ส่วนบุคคล พวกเขาชอบกราฟ Obsidian แผนภาพ Zettelkasten โฟลเดอร์ PARA โน้ตที่มีแท็ก ลิงก์ย้อนกลับ โน้ตที่คงอยู่ตลอดไป แดชบอร์ด และอื่นๆ ทั้งหมด แต่หลังจากความกระตือรือร้นในช่วงแรก สิ่งเดียวกันนี้มักจะเกิดขึ้น: ระบบกลายเป็นอีกระบบหนึ่งที่ต้องบำรุงรักษา
คุณคลิปบทความแต่ไม่ได้สรุป คุณสร้างโน้ตแต่ไม่ได้เชื่อมโยงมัน คุณติดแท็กสิ่งต่างๆ อย่างไม่สม่ำเสมอ คุณลืมอัปเดตข้อความเก่าเมื่อมีข้อมูลใหม่มาถึง คุณสร้างโครงสร้างที่สวยงามแล้วค่อยๆ หลีกเลี่ยงมัน เพราะทุกการโต้ตอบสร้างงานเอกสารมากขึ้น
สมองที่สองล้มเหลวเพราะมันยังต้องการสมองแรกมาทำความสะอาดตามหลัง
รูปแบบ LLM wiki ของ Karpathy เปลี่ยนเศรษฐศาสตร์ มันปฏิบัติต่อฐานความรู้เหมือนฐานโค้ดมากกว่าสมุดบันทึกส่วนตัว แหล่งข้อมูลดิบถูกป้อนเข้าไป LLM อ่านมัน ดึงส่วนสำคัญออกมา สร้างหรืออัปเดตหน้า markdown รักษาการอ้างอิงโยง ติดตามความขัดแย้ง และทำให้ดัชนีเป็นปัจจุบัน มนุษย์ไม่ได้เขียนวิกิด้วยมือ มนุษย์คัดสรรแหล่งข้อมูล ถามคำถาม ตรวจสอบผลลัพธ์ และตัดสินใจว่าอะไรสำคัญ
โพสต์ของ Andrej Karpathy
https://x.com/karpathy/status/2039805659525644595
นั่นคือการแบ่งงานที่น่าสนใจกว่ามาก
จากการดึงข้อมูลสู่ความรู้ที่ทวีคูณ
เวิร์กโฟลว์เอกสาร AI ส่วนใหญ่ในปัจจุบันอิงตามการดึงข้อมูล คุณอัปโหลดไฟล์ ระบบจะแบ่งเป็นชิ้นๆ ฝังชิ้นส่วนเหล่านั้น และค้นหาข้อความที่เกี่ยวข้องเมื่อคุณถามคำถาม นี่คือแนวคิดพื้นฐานเบื้องหลังระบบ RAG จำนวนมาก และมันมีประโยชน์ มันช่วยให้โมเดลตอบคำถามเกี่ยวกับเนื้อหาที่ไม่ได้อยู่ในข้อมูลการฝึก
แต่การดึงข้อมูลมีเพดาน
เมื่อคุณถามคำถาม ระบบจะค้นหา ดึงเศษเสี้ยวสองสามชิ้นเข้ามาในบริบท และสร้างคำตอบ คำตอบอาจจะดี แต่งานมักจะหายไปเมื่อการสนทนาสิ้นสุดลง การสังเคราะห์ไม่ได้กลายเป็นส่วนหนึ่งของโครงสร้างที่คงอยู่โดยอัตโนมัติ คำถามถัดไปจะเริ่มวงจรการดึงข้อมูลอีกครั้ง
นั่นใช้ได้ดีสำหรับคำถามครั้งเดียว มันอ่อนแอสำหรับการเรียนรู้ การวิจัย การเขียน และกลยุทธ์ ซึ่งประเด็นสำคัญคือความเข้าใจควรสะสม
วิกิที่ดูแลโดย LLM ทำงานแตกต่างกัน มันไม่รอจนถึงเวลาค้นถามเพื่อสังเคราะห์ทุกอย่างตั้งแต่เริ่มต้น มันรวบรวมความรู้ล่วงหน้า
เมื่อคุณเพิ่มแหล่งข้อมูลใหม่ LLM จะอ่านและรวมเข้ากับระบบที่มีอยู่ เอกสารวิชาการอาจอัปเดตหน้าแนวคิด โปรไฟล์บริษัทอาจแก้ไขหน้าคู่แข่ง บทถอดความอาจเพิ่มหลักฐานให้กับปัญหาของลูกค้า บทความใหม่อาจขัดแย้งกับบทสรุปเก่า ดังนั้นวิกิจะแจ้งเตือนถึงความตึงเครียดแทนที่จะฝังมันเงียบๆ ในกองเอกสาร
คำถามเปลี่ยนจาก "ฉันสามารถดึงย่อหน้าที่ถูกต้องได้ไหม" เป็น "ฐานความรู้ของฉันฉลาดขึ้นเพราะฉันเพิ่มแหล่งข้อมูลนี้หรือไม่"
นั่นคือการเปลี่ยนแปลงที่แท้จริง: ความรู้กลายเป็นสิ่งที่สะสมได้
สามชั้น
สถาปัตยกรรมนั้นเรียบง่ายจนความเรียบง่ายของมันอาจถูกมองข้ามได้ง่าย
ชั้นแรกคือแหล่งข้อมูลดิบ สิ่งเหล่านี้คือวัสดุต้นฉบับ: บทความ, PDF, โน้ต, บทถอดความ, เอกสารวิชาการ, คลิปเว็บ, รูปภาพ, ที่เก็บโค้ด, ชุดข้อมูล และสิ่งอื่นใดที่คุณต้องการให้ระบบรู้ ควรมองชั้นนี้ว่าไม่เปลี่ยนแปลง AI สามารถอ่าน อ้างอิง และสรุปได้ แต่ไม่ควรเขียนหลักฐานใหม่
ชั้นที่สองคือวิกิ นี่คือไดเรกทอรีของไฟล์ markdown ที่ดูแลโดย LLM สามารถรวมถึงบทสรุปแหล่งข้อมูล หน้าแนวคิด หน้าหน่วยงาน ไทม์ไลน์ การเปรียบเทียบ คำถามที่ยังไม่มีคำตอบ ดัชนี และรายงานการวิจัย นี่คือชั้นที่รวบรวมแล้ว เป็นที่ที่วัตถุดิบกลายเป็นความรู้ที่ใช้งานได้
ชั้นที่สามคือสคีมา นี่คือชุดคำสั่งที่บอก LLM ว่าควรปฏิบัติตนอย่างไรในฐานะผู้ดูแล มีโฟลเดอร์อะไรบ้าง? อะไรนับเป็นบทสรุปแหล่งข้อมูล? การอ้างอิงควรทำงานอย่างไร? ควรสร้างหน้าแนวคิดใหม่เมื่อใดแทนที่จะอัปเดตหน้าเก่า? ควรบันทึกความขัดแย้งอย่างไร? การตรวจสอบสุขภาพควรมองหาอะไร?
สคีมาคือสิ่งที่เปลี่ยนแชทบอทให้เป็นผู้ปฏิบัติงาน
หากไม่มีมัน คุณจะมีโมเดลที่เล่นไปเรื่อย หากมีมัน คุณจะมีสิ่งที่ใกล้เคียงกับนักวิจัยรุ่นน้องที่รู้สไตล์ของบ้าน ระบบการจัดเก็บ และพิธีกรรมการบำรุงรักษา
Obsidian เข้ากับเวิร์กโฟลว์นี้ได้อย่างเป็นธรรมชาติ เพราะมันเป็นสภาพแวดล้อม markdown ในเครื่องที่มีลิงก์ย้อนกลับ มุมมองกราฟ และการนำทางที่รวดเร็วอยู่แล้ว กรอบความคิดของ Karpathy มีประโยชน์: Obsidian คือ IDE, LLM คือโปรแกรมเมอร์, และวิกิคือฐานโค้ด
คำอุปมานั้นสำคัญ ฐานโค้ดมีคุณค่าไม่ใช่เพราะมันมีไฟล์ แต่มีคุณค่าเพราะไฟล์เป็นไปตามแบบแผน อ้างอิงถึงกันและกัน สามารถปรับโครงสร้างใหม่ ตรวจสอบข้อผิดพลาด และปรับปรุงได้โดยไม่ต้องเริ่มต้นใหม่ ฐานความรู้ที่จริงจังควรทำงานในลักษณะเดียวกัน
มนุษย์ไม่ควรเป็นเสมียน
โมเดลเก่าของการจัดการความรู้ส่วนบุคคลสันนิษฐานอย่างเงียบๆ ว่ามนุษย์จะทำทุกอย่าง
คุณอ่านแหล่งข้อมูล คุณไฮไลต์ คุณสรุป คุณเลือกโฟลเดอร์ คุณเพิ่มแท็ก คุณสร้างลิงก์ คุณจำได้ว่าโน้ตเก่าตอนนี้ต้องอัปเดต คุณสังเกตเห็นว่าแหล่งข้อมูลสองแห่งไม่เห็นด้วย คุณรักษาดัชนีให้สะอาด คุณตัดสินใจว่าโน้ตที่ไม่มีเจ้าของควรถูกลบ รวม หรือเชื่อมต่อ
นี่คืองานประเภทที่ให้ความรู้สึกมีประสิทธิผลในสัปดาห์แรกและทนไม่ได้ในเดือนที่สาม
และมันก็เป็นงานประเภทที่ LLMs ทำได้ดีเช่นกัน
พวกมันไม่เบื่อกับโครงสร้างที่ซ้ำซาก พวกมันไม่รังเกียจที่จะอัปเดตสิบห้าไฟล์ในครั้งเดียว พวกมันสามารถสแกนหาข้อความที่ล้าสมัย ลิงก์ย้อนกลับที่หายไป แนวคิดที่ซ้ำกัน การตั้งชื่อที่ไม่สอดคล้องกัน และความขัดแย้งที่ยังไม่ได้รับการแก้ไข พวกมันสามารถเปลี่ยนแหล่งข้อมูลที่ยุ่งเหยิงให้เป็นสิ่งประดิษฐ์ที่มีประโยชน์ห้าชิ้น: บทสรุป รายการข้อความ อัปเดตหน้าหน่วยงาน อัปเดตหน้าแนวคิด และคำถามที่ควรค่าแก่การตรวจสอบในภายหลัง
มนุษย์ควรอยู่ใกล้กับการตัดสินใจมากกว่า
แหล่งข้อมูลใดควรอยู่ในระบบ? ข้อความใดสำคัญจริงๆ? คำถามใดที่ควรถามต่อไป? การสังเคราะห์ใดที่ให้ความรู้สึกจริง มีประโยชน์ น่าประหลาดใจ หรือผิด? สิ่งใดควรเปลี่ยนเป็นบทความ บันทึก ชุดสไลด์ การตัดสินใจ แนวคิดผลิตภัณฑ์ หรือทิศทางการวิจัย?
นั่นคือส่วนที่รสนิยมมีความสำคัญ
LLM ควรทำงานธุรการของความรู้ มนุษย์ควรทำงานบรรณาธิการของความหมาย
สิ่งนี้มีลักษณะอย่างไรในทางปฏิบัติ
ลองนึกภาพว่าคุณกำลังวิจัยตลาด คุณเริ่มต้นด้วยรายงานนักวิเคราะห์สองสามฉบับ โพสต์บล็อกของคู่แข่ง บทสัมภาษณ์ลูกค้า หน้าผลิตภัณฑ์ และบันทึกการโทรขาย ในเวิร์กโฟลว์เก่า สิ่งเหล่านี้จะกลายเป็นกองเอกสาร คุณอาจถามคำถามแชทบอทเกี่ยวกับเอกสารเหล่านั้น คุณอาจเก็บสเปรดชีต คุณอาจเขียนบันทึกในที่สุดซึ่งจะล้าสมัยทันทีที่มีข้อมูลใหม่มาถึง
ในเวิร์กโฟลว์ LLM wiki ทุกแหล่งข้อมูลใหม่จะอัปเดตแผนที่ที่มีชีวิต
การประกาศของคู่แข่งอัปเดตหน้าคู่แข่ง การโทรของลูกค้าอัปเดตหน้าเกี่ยวกับข้อโต้แย้ง จุดเจ็บปวด สิ่งกระตุ้นการซื้อ และภาษาที่ลูกค้าใช้จริง รายงานตลาดอัปเดตหน้าแนวคิดเกี่ยวกับการกำหนดราคา กฎระเบียบ การยอมรับ หรือการจัดจำหน่าย ความขัดแย้งใหม่ถูกบันทึกแทนที่จะถูกเพิกเฉย คำถามที่มีประโยชน์สามารถกลายเป็นรายงานสรุปที่บันทึกไว้ ซึ่งคำถามในอนาคตสามารถต่อยอดได้
หลังจากผ่านไปสองสามสัปดาห์ ระบบจะไม่ใช่แค่ที่เก็บเอกสารอีกต่อไป มันคือสภาพแวดล้อมการวิจัย
รูปแบบเดียวกันนี้ใช้ได้กับนักเขียน กลืนบทความ โน้ต บทสัมภาษณ์ บทความที่บันทึกไว้ และร่างในอดีตของคุณ วิกิสามารถติดตามข้อโต้แย้ง ตัวอย่าง ข้อความ อ้างอิง และแนวคิดที่ยังไม่เสร็จของคุณ เมื่อคุณนั่งลงเพื่อเขียน คุณสามารถถามว่าคุณเคยพูดอะไรเกี่ยวกับหัวข้อนี้แล้ว ตัวอย่างใดแข็งแกร่งที่สุด ความคิดของคุณเปลี่ยนไปตรงไหน และมุมใดที่คุณยังไม่ได้สำรวจ
มันใช้ได้กับการเรียนรู้ด้วยตนเอง กลืนบรรยาย สื่อการอ่าน แบบฝึกหัด และเอกสารวิชาการ วิกิสามารถรักษาหน้าแนวคิดที่พัฒนาไปเมื่อหลักสูตรยากขึ้น มันสามารถอธิบายว่าสัปดาห์ที่เจ็ดแก้ไขสัปดาห์ที่สองอย่างไร มันสามารถสร้างแผ่นทบทวน ระบุจุดอ่อน และเปลี่ยนความสับสนให้เป็นแผนการเรียน
มันใช้ได้กับทีม ป้อนบันทึกการประชุม เธรด Slack การโทรของลูกค้า เอกสารการวางแผน บันทึกกลยุทธ์ ตั๋วสนับสนุน และการวิเคราะห์หลังเหตุการณ์ วิกิสามารถรักษาหน้าโครงการ หน้าลูกค้า บันทึกการตัดสินใจผลิตภัณฑ์ หน้าคู่แข่ง และธีมความเสี่ยงที่เกิดขึ้นซ้ำ ประโยชน์ไม่ใช่แค่การค้นหา ประโยชน์คือองค์กรหยุดสูญเสียบริบทในรอยต่อระหว่างเครื่องมือต่างๆ
ในทุกกรณี รูปแบบจะเหมือนกัน: รวบรวมแหล่งข้อมูล รวบรวมความรู้ คำถามสร้างผลลัพธ์ และผลลัพธ์ที่มีประโยชน์จะถูกจัดเก็บกลับเข้าสู่ระบบ
การสำรวจสะสมขึ้น
การตรวจสอบสุขภาพคือผลิตภัณฑ์
ส่วนที่ถูกประเมินค่าต่ำที่สุดอย่างหนึ่งของรูปแบบของ Karpathy คือการตรวจสอบข้อผิดพลาด
ระบบโน้ตปกติจะเสื่อมสภาพอย่างเงียบๆ ลิงก์เสีย หน้าซ้ำกัน บทสรุปล้าสมัย ข้อความขัดแย้งกัน แหล่งข้อมูลสำคัญยังไม่ได้รับการประมวลผล คุณไม่สังเกตเห็นการเสื่อมสภาพจนกว่าคุณจะต้องการระบบสำหรับงานจริงและไม่ไว้วางใจมันอีกต่อไป
วิกิที่ดูแลโดย LLM สามารถตรวจสอบได้
คุณสามารถขอให้มันค้นหาหน้าไร้เจ้าของ คุณสามารถขอให้มันระบุแนวคิดที่ซ้ำกัน คุณสามารถขอให้มันดูว่าข้อความใดต้องการการอ้างอิง คุณสามารถขอให้มันดูว่าแหล่งข้อมูลใหม่ขัดแย้งกับแหล่งข้อมูลเก่าที่ไหน คุณสามารถขอให้มันดูว่าหน้าใดคลุมเครือเกินไป ยาวเกินไป บางเกินไป หรือขาดการอ้างอิงโยงที่ชัดเจน
สิ่งนี้ฟังดูเล็กน้อย แต่มันคือความแตกต่างระหว่างกองโน้ตกับฐานความรู้ที่ใช้งานได้
การตรวจสอบสุขภาพไม่ใช่คุณสมบัติเสริม มันคือกลไกที่ทำให้ความไว้วางใจยังคงอยู่
ฐานความรู้ที่คุณไม่ไว้วางใจก็เป็นแค่ที่เก็บเอกสารอีกแห่ง ฐานความรู้ที่สามารถตรวจสอบตัวเอง อธิบายจุดอ่อนของมัน และเสนอการซ่อมแซม เริ่มให้ความรู้สึกเหมือนโครงสร้างพื้นฐาน
ทำไม Markdown ถึงสำคัญ
การเลือก markdown ที่ดูเรียบง่ายนั้นสำคัญกว่าที่เห็น
ไฟล์ markdown สามารถพกพาได้ พวกมันสามารถอยู่ในโฟลเดอร์ปกติ สามารถเปิดใน Obsidian แก้ไขด้วยโปรแกรมแก้ไขข้อความใดๆ ก็ได้ ควบคุมเวอร์ชันด้วย git ค้นหาด้วยเครื่องมือบรรทัดคำสั่ง แสดงผลเป็นเว็บไซต์ แปลงเป็นสไลด์ หรือประมวลผลด้วยสคริปต์
สิ่งนี้ทำให้ระบบไม่กลายเป็นกล่องดำ
ผลิตภัณฑ์ AI จำนวนมากต้องการดูดซับความรู้ของคุณเข้าสู่อินเทอร์เฟซที่เป็นกรรมสิทธิ์ สะดวก แต่มันก็ทำให้ความเข้าใจของคุณขึ้นอยู่กับฐานข้อมูล ราคา แผนงาน และปุ่มส่งออกของคนอื่น
วิกิ markdown ในเครื่องนั้นน่าเบื่อในทางที่ดีที่สุด มันตรวจสอบได้ มันคงทน มันสามารถสำรองข้อมูลได้ มันสามารถเปรียบเทียบความแตกต่างได้ คุณสามารถเห็นสิ่งที่โมเดลเปลี่ยนแปลง คุณสามารถย้อนกลับการแก้ไขที่ไม่ดี คุณสามารถสร้างเครื่องมือเล็กๆ รอบๆ มันได้
สำหรับงานความรู้ที่จริงจัง โครงสร้างพื้นฐานที่น่าเบื่อชนะ
ผลิตภัณฑ์ที่ต้องการมีอยู่
Karpathy อธิบายสิ่งนี้ว่าเป็นชุดสคริปต์ที่ทำแบบชั่วคราว แต่มันชี้ไปยังหมวดหมู่ผลิตภัณฑ์ที่ใหญ่กว่ามาก
เครื่องมือความรู้ที่ยิ่งใหญ่ชิ้นต่อไปอาจจะไม่ดูเหมือนแชทบอทที่มีปุ่มอัปโหลด มันจะดูเหมือนสภาพแวดล้อมการวิจัยแบบ AI-native มากกว่า: พื้นที่จัดเก็บในเครื่องเป็นอันดับแรก การนำเข้าที่มีโครงสร้าง การสังเคราะห์ที่คำนึงถึงการอ้างอิง การบำรุงรักษาอัตโนมัติ ผลลัพธ์ที่มองเห็นได้ การตรวจสอบสุขภาพ ประวัติเวอร์ชัน และเวิร์กโฟลว์แบบเอเจนต์ที่สามารถทำงานทั่วทั้งฐานความรู้
มันจะไม่เพียงตอบคำถาม มันจะรักษาบริบทที่ทำให้คำถามที่ดีขึ้นเป็นไปได้
ความแตกต่างนั้นสำคัญ แชทบอทเป็นเชิงรับ ฐานความรู้ที่ได้รับการบำรุงรักษาเป็นแบบสะสม แชทบอทให้คำตอบ วิกิให้จุดเริ่มต้นที่ดีกว่าสำหรับตัวคุณในอนาคต
นี่คือสาเหตุที่วลี "สมองที่สอง" ในที่สุดอาจจะน่าอายน้อยลง เป็นเวลาหลายปีที่มันมักจะหมายถึงตู้เก็บเอกสารที่มีความทะเยอทะยาน: สถานที่ที่คุณใส่สิ่งต่างๆ ด้วยความหวังว่าตัวคุณในอนาคตจะจัดระเบียบมัน แต่สมองที่สองที่แท้จริงไม่ควรเพียงเก็บความทรงจำ มันควรรักษาโครงสร้าง อัปเดตความเชื่อ เผยผิวการเชื่อมต่อ และทำให้ความคิดที่สะสมไว้นำกลับมาใช้ใหม่ได้ง่ายขึ้น
จนถึงตอนนี้ สิ่งนั้นต้องการวินัยของมนุษย์มากเกินไป
ตอนนี้การบำรุงรักษาสามารถมอบหมายได้แล้ว
เวิร์กโฟลว์ที่แท้จริง
เวิร์กโฟลว์ที่ใช้งานได้จริงนั้นเรียบง่ายจนเกือบจะน่าผิดหวัง
รวบรวมแหล่งข้อมูลดิบ ให้ LLM รวบรวมเป็นวิกิ markdown ที่มีโครงสร้าง ใช้ Obsidian หรืออินเทอร์เฟซ markdown อื่นเพื่อเรียกดูผลลัพธ์ ถามคำถามกับวิกิ บันทึกคำตอบที่มีนัยสำคัญกลับเข้าไปในวิกิ เรียกใช้การตรวจสอบสุขภาพเป็นระยะ ทำซ้ำ
วงล้อคือสิ่งที่สำคัญ
ทุกแหล่งข้อมูลทำให้วิกิดีขึ้น ทุกคำถามที่ดีสร้างสิ่งประดิษฐ์ ทุกสิ่งประดิษฐ์กลายเป็นบริบทในอนาคต ทุกการตรวจสอบสุขภาพปรับปรุงความน่าเชื่อถือ เมื่อเวลาผ่านไป ระบบจะพัฒนารูปร่างที่สะท้อนถึงสิ่งที่คุณศึกษา เขียน สร้าง และตัดสินใจจริงๆ
สิ่งนี้แตกต่างอย่างมากจากการขอให้ AI สรุป PDF
มันใกล้เคียงกับการมีผู้ช่วยวิจัยซึ่งงานหลักไม่ใช่การผลิตคำตอบสุดท้าย แต่เพื่อให้พื้นที่ทำงานทางปัญญาของคุณสอดคล้องกัน
นั่นอาจเป็นหนึ่งในการใช้ LLM ในปัจจุบันที่มีเลเวอเรจสูงที่สุด ไม่ใช่แทนที่ความคิดของคุณ ไม่ใช่แสร้งทำเป็นรู้ทุกอย่าง ไม่ใช่สร้างข้อความที่ใช้แล้วทิ้งไม่รู้จบ แค่ทำงานบำรุงรักษาที่ทำให้การคิดอย่างจริงจังทวีคูณ
ข้อสรุป
สมองที่สองแบบเก่าเป็นระบบจัดเก็บข้อมูลที่มีปัญหาด้านวินัย มันให้สถานที่แก่คุณในการใส่ทุกอย่าง แต่มันยังคงขึ้นอยู่กับตัวคุณในอนาคตในการจัดระเบียบ เชื่อมต่อ อัปเดต และทำความสะอาด นั่นคือสาเหตุที่ระบบจดบันทึกจำนวนมากเริ่มต้นเป็นแผนที่สวยงามและจบลงเป็นที่เก็บข้อมูลที่เงียบสงบ
LLM wiki พลิกโมเดล แหล่งข้อมูลดิบยังคงเป็นชั้นหลักฐาน วิกิ markdown กลายเป็นชั้นที่รวบรวมแล้ว สคีมาให้กฎ AI สำหรับวิธีการบำรุงรักษา การตรวจสอบสุขภาพทำให้ระบบน่าเชื่อถือ Obsidian หรืออินเทอร์เฟซ markdown อื่นใดกลายเป็นสถานที่ที่คุณตรวจสอบ ถามคำถาม และนำงานกลับมาใช้ใหม่
RAG สามารถช่วยคุณตอบคำถามจากกองเอกสาร วิกิที่ดูแลโดย LLM เปลี่ยนจุดเริ่มต้นสำหรับทุกคำถามในอนาคต
นั่นคือแนวคิดหลัก คุณค่าไม่ใช่แค่การสรุปที่เร็วขึ้น โน้ตที่สะอาดขึ้น หรือกราฟที่สวยงามขึ้น คุณค่าคือบริบทที่สะสม ทุกแหล่งข้อมูล ทุกคำถาม ทุกความขัดแย้ง และทุกผลลัพธ์ที่มีประโยชน์สามารถเสริมสร้างระบบแทนที่จะหายไปในเธรดแชทอื่น
บทบาทของมนุษย์แคบลงและมีคุณค่ามากขึ้น: เลือกอินพุตที่ดีกว่า ถามคำถามที่เฉียบคมขึ้น ท้าทายการสังเคราะห์ที่อ่อนแอ และตัดสินใจว่าอะไรสำคัญ บทบาทของ AI กลายเป็นเรื่องซ้ำซากและมีโครงสร้าง: สรุป เชื่อมโยง แก้ไข อ้างอิง ตรวจสอบข้อผิดพลาด และบำรุงรักษา
นั่นคือวิธีที่งานความรู้เริ่มทวีคูณ
สมองที่สองของคุณไม่ต้องการโฟลเดอร์เพิ่ม
มันต้องการใครสักคนมาดูแลมัน
และเป็นครั้งแรกที่ใครสักคนนั้นไม่จำเป็นต้องเป็นคุณ
ถ้าคุณชอบบทความนี้ ฝากติดตามฉันเพื่อรับคำแนะนำ AI และ Obsidian เพิ่มเติม: @Degen_calls_sol
