kiến thức Kết nối sâu - cộng sinh cùng AI

PhuThoDien đã nói:

Tầng siêu ngữ nghĩa (meta layer): Là lớp truyền tải mục tiêu sâu hơn – bối cảnh, mục đích sử dụng AI, hoặc ẩn ý nằm ngoài câu hỏi.

Nhấp để mở rộng...

Cái này có giống memory trong chatGPT không bác ?
Em khi tìm hiểu một lý thuyết bằng chatGPT thì trong quá trình trao đổi, có nhập vào mô tả cách hiểu của bản thân theo một mô hình/sự vật tưởng tượng rồi kêu nó kiểm tra có đúng hay không.
Lúc này chatGPT sẽ học được cách so sánh, trừu tượng hóa đó và lưu vào memory, các câu hỏi tiếp theo nó sẽ trả lời mở rộng từ cách trừu tượng hóa đó.
Đọc bài này thấy cũng khá giống

Monosuke đã nói:

Cái này có giống memory trong chatGPT không bác ?
Em khi tìm hiểu một lý thuyết bằng chatGPT thì trong quá trình trao đổi, có nhập vào mô tả cách hiểu của bản thân theo một mô hình/sự vật tưởng tượng rồi kêu nó kiểm tra có đúng hay không.
Lúc này chatGPT sẽ học được cách so sánh, trừu tượng hóa đó và lưu vào memory, các câu hỏi tiếp theo nó sẽ trả lời mở rộng từ cách trừu tượng hóa đó.
Đọc bài này thấy cũng khá giống

Nhấp để mở rộng...

Không thím à, cái thím đang nói đến nó gọi là In Context learning của ChatGPT. Kiểu như nó tự lưu 1 số thông tin, thói quen, dữ liệu của người dùng. Sau đó mỗi khi trả lời nó sẽ học cả từ những data đó để câu trả lời sát với thím hơn.
Còn cái Meta layer (Tầng siêu ngữ nghĩa): Nó là bối cảnh của cuộc hội thoại, bao gồm nguyên nhân, mục đích mà thím chat với thằng ChatGPT trong cuộc hội thoại đó.
Ví dụ như này: Em muốn viết 1 bài đăng Facebook về vấn đề chị em phụ nữ VN hay chửi chồng như con. Nhưng mục tiêu của bài viết không phải để chỉ ra Phụ nữ VN có chửi chồng như con hay là chửi hơn con. Cái em muốn truyền tải cho người đọc là 1 ví dụ của cách áp dụng System thinking trong việc phân tích các vấn đề rất đời thường, không hề cao siêu.

Vậy meta layer ở đây sẽ là: Cho người đọc xem 1 ví dụ sử dụng System thinking để phân tích 1 vấn đề rất bình thường trong cuộc sống. Từ đó, giúp họ cảm thấy chương trình AI cộng sinh không hề trừu tượng hay triết học, mà nó ứng dụng rất sát với cuộc sống hàng ngày. Đối tượng đọc là người đọc phổ thông, nhưng có văn hóa trình độ cao một chút.
Base layer ở đây sẽ là: So sánh phụ nữ việt nam với các nước Á đông, ai chửi chồng ghê hơn.

Tóm lại, Meta Layer là tầng mục tiêu và bối cảnh siêu hình, còn In-Context Learning là kỹ thuật máy học mà ChatGPT dùng để hiểu thói quen của người dùng.

Khi trao đổi vs chatgpt, nếu nó có thể hiểu được meta layer thì lúc đấy các suy luận, phản hồi của nó cũng hướng đến tầng đó cho thím. Còn nếu nó chỉ hiểu về tầng base layer thì lúc đấy bài viết mà nó đưa ra thuần túy chỉ có ý nghĩa là bài so sánh phụ nữ thôi, ko còn ẩn ý của việc show cho mọi người xem về system thinking nữa.

PhuThoDien đã nói:

Tóm lại, Meta Layer là tầng mục tiêu và bối cảnh siêu hình, còn In-Context Learning là kỹ thuật máy học mà ChatGPT dùng để hiểu thói quen của người dùng.

Nhấp để mở rộng...

PhuThoDien đã nói:

Việc này đòi hỏi người dùng phải kết hợp nhiều vòng Prompt, dùng từ có tính ẩn dụ phù hợp và dẫn dắt theo mạch xuyên suốt để giúp AI nắm được "ý định ngầm" – tức layer meta.

Nhấp để mở rộng...

Theo em hiểu đoạn này, thì meta layer bản chất chính là In-context learning được định hướng, thay đổi qua nhiều lần trao đổi, từ đó AI sẽ dựa vào để đưa ra phản hồi có đúng không bác

Monosuke đã nói:

Theo em hiểu đoạn này, thì meta layer bản chất chính là In-context learning được định hướng, thay đổi qua nhiều lần trao đổi, từ đó AI sẽ dựa vào để đưa ra phản hồi có đúng không bác

Nhấp để mở rộng...

Bác hiểu như vậy là gần đúng rồi. Giờ cho dễ thì bác cứ bỏ qua cái tính năng memory của ChatGPT đi. Thì cái meta layer nó vẫn dùng được bình thường. Ví dụ như vào đầu cuộc hội thoại, bác Prompt thế này;
Tôi muôn cho mọi người xem 1 ví dụ về việc áp dụng System thinking không hề trừu tượng hay cao siêu, mọi người có thể dùng cho trong cuộc sống hàng ngày. Tôi sẽ viết 1 bài viết so sánh về việc phụ nữ VN chửi chồng với các nước khác trong khối Á Đông. Thông qua việc lập luận, phân tích của tôi trong bài viết, tôi muốn mọi người có thể cảm nhận được kỹ năng System thinking của tôi.

Nếu bác làm thế này, thì đoạn văn trên sẽ trở thành meta layer của cuộc hội thoại hiện tại. Tất nhiên sau đó bác tạo 1 cuộc hội thoại mới, thì nó sẽ reset về không có gì.

Tại sao cái đoạn prompt trên nó lại là meta layer, vì trong suốt cuộc hội thoại, em ko nói gì với chatgpt về việc đó nữa, mà tập trung vào việc phân tích các số liệu về nữ quyền ở các nước. Lúc này nội dung về nữ quyền ở các nước trở thành base layer.

PhuThoDien đã nói:

Nếu bác làm thế này, thì đoạn văn trên sẽ trở thành meta layer của cuộc hội thoại hiện tại. Tất nhiên sau đó bác tạo 1 cuộc hội thoại mới, thì nó sẽ reset về không có gì.

Nhấp để mở rộng...

ra vậy, em hiểu thêm một chút,tks bác. Em hơi liên tưởng đến từ context. Giống việc thiết lập nguyên tắc đầu tiên.
Chương 3 viết ok đó bác

Monosuke đã nói:

ra vậy, em hiểu thêm một chút,tks bác. Em hơi liên tưởng đến từ context. Giống việc thiết lập nguyên tắc đầu tiên.
Chương 3 viết ok đó bác

Nhấp để mở rộng...

thanks bác. Sau chương 2 thì có 1 số bác inbox cho em, góp ý cho em về cách viết, vậy nên chương 3 em cố gắng điều chỉnh lại để dễ hiểu hơn vs mn người.
Cảm ơn các bác rất nhiều.

PhuThoDien đã nói:

thanks bác. Sau chương 2 thì có 1 số bác inbox cho em, góp ý cho em về cách viết, vậy nên chương 3 em cố gắng điều chỉnh lại để dễ hiểu hơn vs mn người.
Cảm ơn các bác rất nhiều.

Nhấp để mở rộng...

thread hay và tâm huyết nên nhiều bác nhiệt tình, lên cả sticky

hoanggiangsc đã nói:

Spam content has been removed

Nhấp để mở rộng...

@Vipluckystar fen này bán tài khoản nhầm chỗ rồi nè

meekoo đã nói:

@Vipluckystar fen này bán tài khoản nhầm chỗ rồi nè

Nhấp để mở rộng...

đã warn

kinh phí đầu tư hết mấy đấy bác

truongtieupham1805 đã nói:

kinh phí đầu tư hết mấy đấy bác

Nhấp để mở rộng...

Đầu tư vụ gì cơ bác

Lời cảm ơn đến anh em voz

Trước khi vào Chương 4 - Mindset Realignment, một chương có nội dung nặng đô nhất trong chương trình AI cộng sinh. Em muốn được gửi lời cảm ơn chân thành đến các bác, những người đã chịu khó đọc hết chuỗi bài viết của em, mặc dù nội dung của chúng không dễ tiêu hóa chút nào.

• Đầu tiên em muốn gửi lời cảm ơn chân thành đến các Mod của diễn đàn, vì các bác đã nhận ra được nội dùng và ý nghĩa của chuỗi bài viết. Sau đó bài viết được ghim lên đầu của box CNTT để nhiều người tiếp cận hơn. Thực sự, tuy nội dung rất trừu tượng, nhưng AI cộng sinh có tính ứng dụng rất cao trong cuộc sống hàng ngày, trong tất cả các ngành nghề. Các bác có thể áp dụng để lên lên phương án cãi nhau thắng được sư tử ở nhà.
• Tiếp theo em muốn được gửi lời cảm ơn đến các bác đã comment, nhắn tin góp ý cho em. Nhiều bác inbox cho em trên Facebook và Linkedin nên em cũng ko biết nick đấy của ai. Đặc biệt em muốn gửi lời cảm ơn đến 2 bác Monosuke và Meeko vì đã comment động viên góp ý trong suốt chuỗi bài viết.
• Em cũng muốn gửi lời cảm ơn đến bác Condao, vì bác đã đưa ra các phản biện rất sắc xảo và đậm chất chuyên môn. Tiếc là bác không vào phản biện nữa, nếu bác quay lại, em sẽ cảm thấy rất vui.

Do đặc thù của loại nội dung này, nó rất trừu tượng và phức tạp. Khi viết em đã cố hết sức để trình bày cho thân thiện, nhưng vẫn không tránh khỏi sự khó hiểu cho các bác. Em mong trong quá trình đọc, nếu thấy vấn đề gì các bác cứ mạnh dạn comment ở trên này. Như các bác thấy, em luôn trả lời rất nhiệt tình. Về phía cá nhân em, em rất cần những comment như vậy để có thể điều chỉnh lại cách viết.

Một lần nữa, em cảm ơn các bác rất nhiều.

Cách học nhanh để tham gia phỏng vấn (độ khó 3)


Phỏng vấn round 1

Như hôm nọ em kể, Intel layoff cả mớ, vậy nên khả năng cao là em Đờ i đi. Do hiện tại em làm việc ở nhà cùng vợ, nên em cũng không muốn chuyển sang công ty khác lắm, với bên Agent ở VN, họ có phúc lợi khá tốt, bảo hiểm cho cả nhà. Thành ra em gửi CV lại cho bên Agent để phỏng vấn với khách hàng khác.
Tình cờ họ cũng có 1 khách hàng khác, đang làm sản phẩm dùng chip của Intel, kết nối vào PC qua slot PCIe. Vậy nên em được xếp lịch phỏng vấn.
Round 1 thì phỏng vấn với 1 ông là member trong team, hỏi mấy câu cơ bản thôi. Ví dụ như cách chia sẻ bộ nhớ ở tầng kernel-space cho user-space, sự khác nhau giữa hàm mmap() và ioremap(), IOdevice là gì...
Sau khi phỏng vấn round 1 ok hết, ông ý bảo còn 1 round technical nữa với team lead là xong. Ông ý bảo dự án ở đây làm driver cho PCIe và code cả phần application để testing cho module đấy.

Đặc thù phỏng vấn embedded

Thông thường bên mảng embedded, nếu trong CV không ghi có kinh nghiệm về module nào, ví dụ như PCIe thì mặc định người ta sẽ không hỏi. Vì mảng nhúng mà code tầng dưới thì nó phải hiểu rất sâu, không chỉ là với việc này thì làm như thế nào, mà còn là tại sao người ta lại làm như vậy, làm thế thì có ưu nhược điểm gì cần lưu ý.
Bình thường anh em đi phỏng vấn, cũng không ai ôn mấy cái module mà dự án họ làm, nếu như mình chưa có kinh nghiệm, vì có ôn cũng không được.

Lý do cần học nhanh

Mặc dù khả năng pass rất cao rồi, nhưng ông member kia kể chuyện là sếp tao hay thích giảng giải cho mọi người về phần PCIe này. Vậy nên mình muốn trong buổi phỏng vấn, mình muốn đề xuất ông ý phỏng vấn mình cả về phần này. Do đó mình lên phương án học.
Bác nào mà từng va vào module này rồi thì sẽ biết, lý thuyết rồi flow code nó rất là dài, tầm senior nếu học để có thể code được trong dự án cũng phải từ 2 – 3 tuần.

Cách học nhanh cùng AI

Do đó, mình thực hiện các bước sau để tăng tốc quá trình học:

• Yêu cầu ChatGPT liệt kê các loại tài liệu chính để học về PCI.
• ChatGPT đưa ra 2 nguồn tài liệu, 1 là chương 12 PCI trong cuốn Linux device driver và 1 số nguồn tài liệu hướng dẫn code driver PCI, giải thích các API liên quan trong hệ điều hành...
• Mình copy hết về, paste vào một file word tầm 100 trang rồi cho ChatGPT thực hiện training và đưa ra tóm tắt cho mình.
• ChatGPT đưa ra phần tóm tắt, dài khoảng hơn 1 trang A4. Mình đánh giá phần tóm tắt nó giống mục lục trong sách hơn là nội dung.
• Trước khi tìm hiểu thêm về phần ChatGPT tóm tắt. Mình muốn hiểu về kiến thức lõi của PCI trước. Vậy nên mình đã hỏi nó như sau: “PCI ra đời để giải quyết vấn đề gì, công nghệ này có ưu nhược điểm ra sao”.
• Mất thêm khoảng mấy turn hỏi đáp thì mình đã nắm được về bản chất cốt lõi của PCI, ví dụ như về Configuration space, BARs, Hotplug...
• Sau đó mình quay lại nhìn vào phần ChatGPT tóm tắt để đánh giá xem còn thiếu ý gì không, ý nào cần đi sâu, ý nào không cần. Bản chất của bước này là mình có thể bỏ đi, không cần tìm hiểu những phần kiến thức mà mình đã có trong đầu. Ví dụ như ChatGPT nó đưa ra DMA, hàm probe(), remove()... những cái này mình biết từ những module khác, vậy nên có thể bỏ qua.
• Sau đó, mình đi vào tìm hiểu chi tiết những đầu mục mà mình đánh giá là hệ thống kiến thức mình chưa có. Việc tìm hiểu cũng khá đơn giản, chỉ cần bảo ChatGPT nó trình bày, mình đối chiếu theo logic và so sánh với các kiến thức liên quan ở trong đầu để xem nó có đúng hay không. Vì đôi khi ChatGPT nó cũng nói sai.
• Sau đó mình tìm source code PCI driver và PCI application ở trên mạng, paste vào cho ChatGPT đọc cùng mình. Đối chiếu source code với phần lý thuyết.
• Việc tìm hiểu được dừng lại khi mình cảm thấy khả năng hiểu của mình về PCI đã tương đồng với những module khác mà mình từng làm, ví dụ như SPI. Cụ thể nó phải đạt được một tiêu chí như sau:
• Hiểu được bản chất, cách vận hành của hardware PCIe.
• Hiểu được các API, struct dữ liệu giữa kernel và driver, giữa application và device.
• Nắm được khung source code của driver và PCI application.

Những tình huống thực tế mà chúng ta có thể áp dụng:

• Chúng ta mới vào dự án, cần học nhanh để làm được việc.
• Học nhanh 1 công nghệ mà dự án chúng ta phỏng vấn cần đến (Chỉ áp dụng cho level Senior)
• Công ty tham gia đấu thầu dự án outsource, training nhanh cho các bạn kỹ sư để tham gia phỏng vấn, ghi điểm với khách hàng.

Tuy nhiên, việc học nhanh này cũng có 1 nhược điểm khiến chúng ta không nên lạm dụng bừa bãi. Chúng ta sẽ hiểu nếu so sánh nó với việc học chậm (học theo phương pháp truyền thống).



Lợi ích nếu chúng ta dùng phương pháp học chậm:

• Nếu học qua sách và chúng ta đọc kỹ, nghiền ngẫm thì ngoài kiến thức, chúng ta còn cảm nhận được cách tư duy, quan sát vấn đề của tác giả.
• Nếu học từ việc ghép nối các mảnh kiến thức rời rạc trên mạng, não chúng ta phải thực hiện việc sắp xếp, tổ chức chúng. Thông qua đó cũng phát triển về mặt tư duy.

-> Có nghĩa là, phương pháp học chậm ngoài cung cấp kiến thức, nó còn giúp chúng ta phát triển cách tư duy. Trong khi phương pháp học nhanh này chỉ cung cấp kiến thức.

Một số lưu ý trước khi thực hành.

Phương pháp học nhanh cùng AI thông thường, khi mà chúng ta chỉ đọc phần tóm tắt và cố gắng nhớ. Thì phương pháp này đã có sự đối chiếu, liên kết kiến thức mới vào hệ thống kiến thức cũ. Đảm bảo được kiến thức mời dù được tiếp nhận qua học nhanh, vẫn có chất lượng tương đương với việc học chậm.

Tuy nhiên, phương pháp này chỉ phát huy được hết hiệu quả nếu người sử dụng có System thinking. Bởi vì cách học nhanh dựa vào việc đập vỡ kiến thức mới thành các mảnh nhỏ, đối chiếu từng mảnh và thực hiện ghép nối vào hệ thống kiến thức có sẵn trong đầu.

System thinking tuy học chậm và khó khăn trong giai đoạn đầu, tuy nhiên khi tuổi tác càng tăng dần, nó càng phát huy hiệu quả. Một người lập trình nhiều tuổi có thể học cái mới nhanh hơn nhiều so với chính bản thân anh ta lúc còn trẻ.

Phỏng vấn round 2.

Nhanh quá, cách đây 2 hôm em pv round 1, hôm qua thì em học về PCIe, sáng nay vừa viết bài hướng dẫn cách học nhanh thì chiều nay phỏng vấn luôn round 2. Mà còn không báo trước gì luôn, người ta báo trước cho em khoảng 2 tiếng.
Phỏng vấn round 2 em thấy cũng đơn giản, ko có gì lắm, hỏi về cách setup gdb để debug kernel. Xong họ hỏi em biết về PCIe không? Thì em bảo tao chưa làm bao giờ, nhưng ở round 1, bên mày bảo là dự án làm về PCIe, nên từ hôm đấy tao cũng học rồi, tự tin để phỏng vấn với mày. Sau đó họ hỏi mấy câu về cách hoạt động của hardware, cách code driver... em trả lời dc hết.

Sau đó họ hỏi sao CV mày toàn làm về Linux thế thì em bảo đây là đam mê của tao. Xong họ bảo nhưng phần Linux bọn tao làm xong rồi, giờ vào thì mày làm Windows kernel đi
Nói thật là em cũng chán rồi nên bảo ừ, thì tao làm. Đằng nào trước tao cũng học rồi code được cả MacOS kernel rồi.

Tầm 10 phút sau thì thấy Agent bảo là pass rồi. Họ sẽ làm thủ tục để em chuyển dự án. Pass pv mà lòng nặng trĩu.
Câu chuyện phỏng vấn kết thúc ở đây. Buồn quá các thím.

Ko liên quan lắm đến chủ đề bài viết, nhưng liên quan đến não người khi sử dụng AI. Nên là mình cứ chia sẻ vào đây.

meekoo đã nói:

Ko liên quan lắm đến chủ đề bài viết, nhưng liên quan đến não người khi sử dụng AI. Nên là mình cứ chia sẻ vào đây.

Quét não người dùng ChatGPT suốt 4 tháng, các nhà khoa học phát hiện sự thật kinh hoàng

ChatGPT, quét não, AI

doisongphapluat.nguoiduatin.vn

Nhấp để mở rộng...

thank thím, ở chương 4 em cũng đang viết về vấn đề này rồi. Nó gọi là trì trệ tư duy khi sử dụng AI lâu dài. Em sẽ lấy link thím gửi luôn để làm dẫn chứng trong bài viết đăng facebook.

PhuThoDien đã nói:

Tuy nhiên bài viết em post lên Facebook thấy ít tương tác quá. Chẳng ai comment phản biện hay ủng hộ gì cả. Làm em cũng nản.

Nhấp để mở rộng...

Bác đừng nản, có gì bác cho mình xin facebook follow với.

seal2002 đã nói:

Bác đừng nản, có gì bác cho mình xin facebook follow với.

Nhấp để mở rộng...

Thanks bác. Bác tìm nhóm Cùng nhau học Linux kernel ở trên Facebook nhé

Hiện tượng sa sút trí tuệ sau một thời gian sử dụng ChatGPT (độ khó 2)



Dạo gần đây, có một hiện tượng đang dần trở nên phổ biến trong giới lập trình và sinh viên, đó là: càng dùng ChatGPT nhiều, tư duy càng chậm lại.

Câu chuyện không phải là AI làm hộ – mà là làm thay luôn cả quá trình tư duy. Ví dụ như:

• Sinh viên lạm dụng ChatGPT để học và hoàn thành bài tập. Sau khi tốt nghiệp không thể trả lời những câu hỏi cơ bản trong buổi phỏng vấn.
• Người lập trình viên được hỏi về cách giải quyết một tình huống mà anh ta đã từng gặp. Tuy nhiên anh ta không biết hướng giải quyết, chỉ có thể trả lời là tôi sử dụng ChatGPT.

Hai ví dụ kể trên là biểu hiện của việc sa sút trí tuệ do sử dụng ChatGPT không đúng cách.

Hiểu nguyên nhân qua thang Bloom

Để trả lời câu hỏi chúng ta hãy tìm hiểu về thang đo Bloom. Đây là một công cụ rất mạnh để đánh giá chiều sâu tư duy (Hình 1). Mỗi tầng của thang thể hiện một mức độ trí tuệ khi chúng ta tìm hiểu kiến thức mới.


Sau đó, chúng ta đi đến Hình số 2, thể hiện tầng Bloom tương ứng với từng loại thói quen lập trình. Mức độ tiến trí tuệ ứng với từng tầng như sau:

• Tầng 0 hoặc 1: Trí tuệ bị sa sút. Gần như không có tiến triển tư duy trong quá trình làm việc.
• Tầng 2: Nhận thức mới ở lớp bề mặt, có thể dễ dàng bị thay thế bởi công nghệ AI hiện tại.
• Tầng 3: Nếu bị hỏi về kiến thức này ở trong buổi phỏng vấn, có thể tự trả lời được.
• Tầng 4: Hiểu sâu. Làm tốt, phỏng vấn tốt.
• Tầng 5 + 6: Xuất sắc, rất khó bị thay thế bởi AI.

Nhìn vào đây các bạn có thể thấy, để có thể trả lời được các câu hỏi trong buổi phỏng vấn, ít nhất chúng ta phải đạt được tầng 3 trong thang đo Bloom. Tương đương với việc phải hiểu cơ bản về solution của AI, có đọc hiểu, tùy chỉnh lại source code trước khi áp dụng. Tuy nhiên để trả lời tốt trong buổi phỏng vấn thì cần phải đạt được tầng 4.

Ảo tưởng tiến bộ – Cạm bẫy lớn nhất của AI

Với sự thông minh của AI, rất dễ tạo ra ảo tưởng cho người dùng. Họ có thể nghĩ rằng mình giỏi vì đã hoàn thành công việc nhanh, tìm ra lời giải cho những vấn đề khó. Nhưng có thể, đó là trí tuệ của AI chứ ko phải của người lập trình viên. Chỉ khi tham gia phỏng vấn, phải giải quyết các vấn đề một mình, anh ta mới bộc lộ ra khả năng thực của mình.

Rối loạn khả năng tập trung

Một tác dụng phụ ít người để ý khi dùng ChatGPT thường xuyên, đó là: bị giảm khả năng tập trung dài hạn.

AI khiến mọi thứ trở nên “nhàn đầu” – không cần đọc, không cần lọc, không cần đối chiếu. Nó tự tìm, tự tóm tắt, tự gợi ý. Tất cả đều vừa nhanh, vừa trúng ý, vừa tiết kiệm sức lực.

Nhưng chính vì tiết kiệm sức quá nhiều, não của chúng ta không còn quen với việc tự mình bơi trong một tài liệu dài, khó hiểu và không có tóm tắt sẵn.

Hệ quả là:

• Mất kiên nhẫn khi phải đọc tài liệu kỹ thuật dài
• Dễ bị xao nhãng khi không có phần gợi ý
• Về lâu dài, không còn đủ độ bền nhận thức để đọc hiểu sâu

Đây là một dạng “sa sút trí tuệ hiện đại” — nhìn bên ngoài thì vẫn làm việc bình thường, nhưng độ dẻo dai tư duy đang xuống dốc mà không hay.

Cách khắc phục

Do giới hạn của Facebook, mình sẽ viết bài số 2 về chủ đề này vào ngày mai. Trong đó, mình sẽ đưa ra các thói quen làm việc giúp cho chúng ta đạt được tầng 4 Bloom nhưng vẫn đảm bảo được tiến độ công việc hàng ngày.

PhuThoDien đã nói:

Hiện tượng sa sút trí tuệ sau một thời gian sử dụng ChatGPT (độ khó 2)



Dạo gần đây, có một hiện tượng đang dần trở nên phổ biến trong giới lập trình và sinh viên, đó là: càng dùng ChatGPT nhiều, tư duy càng chậm lại.

Câu chuyện không phải là AI làm hộ – mà là làm thay luôn cả quá trình tư duy. Ví dụ như:

• Sinh viên lạm dụng ChatGPT để học và hoàn thành bài tập. Sau khi tốt nghiệp không thể trả lời những câu hỏi cơ bản trong buổi phỏng vấn.
• Người lập trình viên được hỏi về cách giải quyết một tình huống mà anh ta đã từng gặp. Tuy nhiên anh ta không biết hướng giải quyết, chỉ có thể trả lời là tôi sử dụng ChatGPT.

Hai ví dụ kể trên là biểu hiện của việc sa sút trí tuệ do sử dụng ChatGPT không đúng cách.

Hiểu nguyên nhân qua thang Bloom

Để trả lời câu hỏi chúng ta hãy tìm hiểu về thang đo Bloom. Đây là một công cụ rất mạnh để đánh giá chiều sâu tư duy (Hình 1). Mỗi tầng của thang thể hiện một mức độ trí tuệ khi chúng ta tìm hiểu kiến thức mới.
Xem tệp đính kèm 3105825

Sau đó, chúng ta đi đến Hình số 2, thể hiện tầng Bloom tương ứng với từng loại thói quen lập trình. Mức độ tiến trí tuệ ứng với từng tầng như sau:

• Tầng 0 hoặc 1: Trí tuệ bị sa sút. Gần như không có tiến triển tư duy trong quá trình làm việc.
• Tầng 2: Nhận thức mới ở lớp bề mặt, có thể dễ dàng bị thay thế bởi công nghệ AI hiện tại.
• Tầng 3: Nếu bị hỏi về kiến thức này ở trong buổi phỏng vấn, có thể tự trả lời được.
• Tầng 4: Hiểu sâu. Làm tốt, phỏng vấn tốt.
• Tầng 5 + 6: Xuất sắc, rất khó bị thay thế bởi AI.

Xem tệp đính kèm 3105826
Nhìn vào đây các bạn có thể thấy, để có thể trả lời được các câu hỏi trong buổi phỏng vấn, ít nhất chúng ta phải đạt được tầng 3 trong thang đo Bloom. Tương đương với việc phải hiểu cơ bản về solution của AI, có đọc hiểu, tùy chỉnh lại source code trước khi áp dụng. Tuy nhiên để trả lời tốt trong buổi phỏng vấn thì cần phải đạt được tầng 4.

Ảo tưởng tiến bộ – Cạm bẫy lớn nhất của AI

Với sự thông minh của AI, rất dễ tạo ra ảo tưởng cho người dùng. Họ có thể nghĩ rằng mình giỏi vì đã hoàn thành công việc nhanh, tìm ra lời giải cho những vấn đề khó. Nhưng có thể, đó là trí tuệ của AI chứ ko phải của người lập trình viên. Chỉ khi tham gia phỏng vấn, phải giải quyết các vấn đề một mình, anh ta mới bộc lộ ra khả năng thực của mình.

Rối loạn khả năng tập trung

Một tác dụng phụ ít người để ý khi dùng ChatGPT thường xuyên, đó là: bị giảm khả năng tập trung dài hạn.

AI khiến mọi thứ trở nên “nhàn đầu” – không cần đọc, không cần lọc, không cần đối chiếu. Nó tự tìm, tự tóm tắt, tự gợi ý. Tất cả đều vừa nhanh, vừa trúng ý, vừa tiết kiệm sức lực.

Nhưng chính vì tiết kiệm sức quá nhiều, não của chúng ta không còn quen với việc tự mình bơi trong một tài liệu dài, khó hiểu và không có tóm tắt sẵn.

Hệ quả là:

• Mất kiên nhẫn khi phải đọc tài liệu kỹ thuật dài
• Dễ bị xao nhãng khi không có phần gợi ý
• Về lâu dài, không còn đủ độ bền nhận thức để đọc hiểu sâu

Đây là một dạng “sa sút trí tuệ hiện đại” — nhìn bên ngoài thì vẫn làm việc bình thường, nhưng độ dẻo dai tư duy đang xuống dốc mà không hay.

Cách khắc phục

Do giới hạn của Facebook, mình sẽ viết bài số 2 về chủ đề này vào ngày mai. Trong đó, mình sẽ đưa ra các thói quen làm việc giúp cho chúng ta đạt được tầng 4 Bloom nhưng vẫn đảm bảo được tiến độ công việc hàng ngày.

Nhấp để mở rộng...

Như này mình nghĩ bây giờ học cách hỏi AI cũng là một dạng tư duy á bác và AI là một công cụ hỗ trợ mạnh cho việc tư duy, kiểm thử sao khi người dùng tự mình tư duy.

Ví dụ như khi học một kiến thức mới có thể nhờ AI giải thích lại khái niệm, theo nhiều góc nình khác nhau, cùng với các kiến thức liên quan để nghiên cứu sâu hơn chẳng hạn.

Một con dao hai lưỡi

Có một video khá hay của Alexandr Wang nói sơ qua về việc AI được ví như một supercharge cho bộ não của con người.