อดีตหัวหน้าฝ่าย AI ของ Tesla และสมาชิกผู้ก่อตั้ง OpenAI อย่าง Andrej Karpathy ได้แชร์บน X ถึงแนวทางหลักที่เขาใช้เป็นการส่วนตัวกับโมเดลภาษาขนาดใหญ่ (LLM): มูลค่าที่มากที่สุดของ LLM ไม่ได้ช่วยให้คุณ “ลดทอนการเขียน” แต่ช่วยให้คุณ “ยกระดับการอ่าน” เขาเสนอขั้นตอนการอ่านแบบสามชั้น โดยวาง LLM ไว้ในฐานะ “ตัวเพิ่มพลังการอ่าน” ซึ่งมุมมองนี้ท้าทายความเข้าใจโดยรวมที่มองว่า AI เป็นตัวเร่งการเขียน
วิธีอ่านสามชั้น: จากต้นฉบับสู่การวิเคราะห์เชิงหลัง (post-meta analysis)
กระบวนการประมวลผลข้อมูลที่ Karpathy อธิบายแบ่งออกเป็นสามชั้น: ชั้นแรกคือการอ่านเอกสารต้นฉบับด้วยตัวมันเอง; ชั้นที่สองคือให้ LLM สร้างบทสรุป เพื่อทำความเข้าใจประเด็นหลักอย่างรวดเร็ว; ชั้นที่สาม——และที่สำคัญที่สุด——คือให้ LLM ดำเนินการ “การวิเคราะห์เชิงหลัง” (meta-analysis) เพื่อประเมินว่าในเอกสารฉบับนี้ ข้อคิดเห็นใดบ้างที่เมื่อเทียบกับกรอบความรู้เดิมของตัวเองแล้วเป็น “เรื่องใหม่” หรือ “น่าประหลาดใจ”
ความประณีตของวิธีนี้อยู่ตรงที่ มันไม่ได้ใช้ AI แทนการตัดสินใจของมนุษย์ แต่ใช้ AI เพื่อปรับให้การจัดสรร “ความสนใจ” ของมนุษย์ดีขึ้น เมื่อทุกวันต้องกลืนกินข้อมูลจำนวนมาก ความคมของการคัดกรองความเป็นเรื่องใหม่ในชั้นที่สามจะช่วยให้ผู้อ่านโฟกัสได้อย่างมีประสิทธิภาพกับสิ่งที่ควรอ่านอย่างลึกซึ้งจริงๆ
ทำไม “การเพิ่มพลังการอ่าน” จึงสำคัญกว่า “ตัวเร่งการเขียน”
สถานการณ์หลักที่คนส่วนใหญ่ใช้ ChatGPT หรือ Claude คือการสร้างข้อความ——เขียนจดหมาย เขียนรายงาน เขียนโค้ด Karpathy กลับเห็นตรงกันข้าม: เขาเชื่อว่าในแง่ของ LLM คุณค่าของมันฝั่งอินพุต (ช่วยให้คุณดูดซับข้อมูลได้ดีขึ้น) มีมากกว่าคุณค่าฝั่งเอาต์พุต (ช่วยให้คุณผลิตข้อความได้เร็วขึ้น)
ตรรกะเบื้องหลังคือ: ในงานด้านความรู้ คุณภาพของการตัดสินใจขึ้นอยู่กับคุณภาพของการดูดซับข้อมูล หากคุณอ่านได้ถูกเรื่อง อ่านประเด็นสำคัญเข้าใจ แรงผลิตจะตามมาเอง โดยทางกลับกัน หากเพียงใช้ AI เพื่อเร่งการผลิต แต่คุณภาพของอินพุตไม่เปลี่ยน ก็ได้มากสุดเพียงแค่ “ผลิตคอนเทนต์ธรรมดาได้เร็วขึ้น”
ความเสี่ยงและจุดบอด: ต้องมีความรู้ด้านโดเมนเพียงพอมารองรับ
วิธีนี้มีสมมติฐานตั้งต้นว่า ผู้ใช้งานเองจำเป็นต้องมีความรู้ด้านโดเมนเพียงพอเพื่อประเมินว่าการวิเคราะห์ของ LLM ถูกต้องหรือไม่ หากเป็นคนที่ไม่รู้จักบล็อกเชนเลย เมื่อให้ LLM ประเมิน “ความเป็นเรื่องใหม่” ของบทความ DeFi ก็มีโอกาสสูงที่จะถูกหลอกด้วยบทสรุปที่ LLM ดูมั่นใจแต่ผิด
นอกจากนี้ ยังมีนักวิจัยบางส่วนที่มีมุมมองต่างออกไป โดยเห็นว่า ความสามารถด้านการเขียนของ LLM คือสิ่งที่จะเพิ่มผลิตภาพได้มากที่สุด ส่วนการช่วยเหลือด้านการอ่านเป็นเรื่องรอง ความแตกต่างของสองมุมมองนี้ ในแก่นแล้วสะท้อนความแตกต่างของน้ำหนักระหว่าง “อินพุต vs. เอาต์พุต” ในรูปแบบการทำงานที่แตกต่างกัน——งานที่เน้นการวิจัยจำเป็นต้องมีการเพิ่มพลังการอ่านมากกว่า ในขณะที่งานที่เน้นการปฏิบัติมักต้องใช้ตัวเร่งการเขียนมากกว่า
ข้อคิดสำหรับผู้ทำงานด้านความรู้
กรอบของ Karpathy มอบแนวทางการใช้ AI ที่ใช้งานได้จริงสำหรับผู้ทำงานด้านความรู้ที่ต้องบริโภคข้อมูลจำนวนมาก: แทนที่จะปล่อยให้ AI เขียนแทนเรา ให้ทำให้ AI ช่วยคุณสร้าง “ไลน์ที่ใช้ควบคุมคุณภาพของอินพุต” วิธีทำที่เป็นรูปธรรมอาจเป็น: ทุกวันใช้ LLM สแกนบทความด้านอุตสาหกรรมมากกว่า 20 ชิ้น แล้วให้ AI ทำเครื่องหมายว่าข้อคิดเห็นใดเป็นเรื่องใหม่ ก่อนที่คุณจะตัดสินเองว่าข้อใดควรลงรายละเอียดในรายงานหรือการวิจัย วิธีนี้จะไม่ทำให้คุณเสียการตัดสินใจ กลับกัน ในยุคที่ข้อมูลล้นเกิน มันจะทำให้ความสนใจอันจำกัดถูกใช้ไปกับสิ่งที่สำคัญจริงๆ
บทความนี้ Karpathy เสนอวิธีอ่าน LLM แบบสามชั้น: มูลค่าที่มากที่สุดของ AI ไม่ได้อยู่ที่การเขียน แต่ช่วยให้คุณเข้าใจโลก โดยเผยแพร่ครั้งแรกที่ 鏈新聞 ABMedia
