Tác giả: danny
Một người bạn hỏi tôi tại sao tôi dường như biết mọi thứ về mọi thứ hoặc mọi lĩnh vực. Bên cạnh kinh nghiệm trong quá khứ hoặc các dự án hiện tại, tôi thường học hỏi trong quá trình làm việc. Hôm nay, tôi sẽ chia sẻ cách tôi sử dụng các công cụ AI và Notebooklm để hỗ trợ việc tự học cho người bình thường.
Trước hết, tôi muốn nói rằng bài viết này nhằm mục đích giúp bạn học tập và hiểu biết một lĩnh vực/sự vật/khái niệm cụ thể một cách có hệ thống và bài bản, cũng như xây dựng hệ thống và sơ đồ kiến thức của riêng mình. Nếu bạn chỉ cần hiểu một trong đó khái niệm và biết xx là gì, thì việc hỏi các phần mềm AI phổ biến trên thị trường có lẽ sẽ cho kết quả tương tự.
Việc sử dụng trí tuệ nhân tạo để tìm hiểu về những điều mới hiện đang gặp phải một số trở ngại và hạn chế:
Thứ nhất, đó là một ảo tưởng. Trí tuệ nhân tạo (rất có thể) sẽ cung cấp cho bạn một số dữ liệu và câu chuyện bịa đặt, đặc biệt là trong các lĩnh vực chuyên biệt, do thiếu dữ liệu và tài liệu học tập.
Thứ hai, không có nhiều chi tiết. Do các vấn đề như bản quyền, AI sẽ không tự đọc toàn bộ bài báo hoặc cuốn sách. Tài liệu huấn luyện thường là các bài đánh giá và nhận xét của người khác, đặc biệt là thông tin trong các lĩnh vực phụ cụ thể.
Thứ ba, rất khó để mô tả chính xác vấn đề. Nếu bạn chưa từng tiếp xúc với chủ đề này trước đây, có lẽ bạn sẽ không thể mô tả rõ vấn đề mà bạn muốn tìm hiểu, cũng như không biết nguyên nhân và hậu quả của những điều đó, chứ đừng nói đến việc thu thập thông tin một cách có hệ thống và cấu trúc, rồi hình thành một khuôn khổ học tập bài bản.
Phần lý thuyết
Cách tiếp cận của tôi thực ra khá đơn giản: sử dụng "mạng lưới trích dẫn/tham khảo/hệ số ảnh hưởng" trong giới học thuật để tinh chỉnh thông tin, sau đó sử dụng bằng chứng từ trí tuệ nhân tạo và tư duy phản biện để tham gia vào "cuộc chiến giữa bán cầu não trái và phải" nhằm hiểu cấu trúc của một vấn đề mới.
Quy trình lưu trữ dữ liệu:
Tìm kiếm các tài liệu có giá trị - thêm chúng vào Notebooklm - tạo câu hỏi gợi ý bằng công cụ AI - học hỏi thông qua hỏi đáp trong Notebooklm - thêm nhiều tài liệu có giá trị hơn vào Notebooklm - học hỏi thông qua Notebooklm - lặp lại quy trình này.
Quy trình làm việc phức tạp:
Bước 1: Lần theo các manh mối (Thời gian: 0,25 giờ)
Thay vì tìm kiếm "XX là gì và nguyên tắc đằng sau nó là gì", hãy tìm kiếm trực tiếp "trụ cột ổn định" trong lĩnh vực đó.
Sử dụng AI (Gemini /Perplexity): Hãy hỏi trực tiếp: "Trong [một lĩnh vực phụ cụ thể], ai là ba nhân vật hàng đầu được công nhận rộng rãi? Đâu là 1-3 bài báo kinh điển được trích dẫn nhiều nhất đã đặt nền móng cho lĩnh vực này?" (Ví dụ, trong lĩnh vực LLM, hãy tập trung vào các bài báo như "Attention Is All You Need "). Điều này thể hiện [kinh nghiệm/sự thể hiện] "hiện tại".
Tải xuống các tài liệu tham khảo cấp một: Rút các tài liệu tham khảo từ 1-3 bài báo tham khảo này và tải xuống tất cả các tài liệu tham khảo cốt lõi mà chúng đã trích dẫn. Điều này thể hiện "quá khứ".
Trích xuất các tài liệu tham khảo bậc hai có tần suất cao: Đối chiếu các tài liệu tham khảo của tham khảo bậc nhất để chọn ra 10 bài báo được trích dẫn nhiều nhất và 5 bài báo xuất hiện thường xuyên nhất. Điều này thể hiện giai đoạn "sau" [giai đoạn/thời kỳ].
Nguyên tắc cốt lõi: Nhìn thế giới qua con mắt của các bậc thầy là con đường tắt rẻ nhất. Đừng đánh giá thấp bước này; bạn đang tải xuống một biểu đồ về sự tiến hóa trí tuệ cơ bản nhất trong lĩnh vực này qua nhiều thập kỷ.
Bước 2: Xây dựng cơ sở kiến thức có cấu trúc (Thời gian thực hiện: 0,25 giờ)
Tất cả các tài liệu kinh điển được chọn ở bước đầu tiên đã được tải lên Google NotebookLM cùng một lúc.
Nhìn chung, đối với các bài báo kinh điển, hai trang web này là đủ: https://scholar.google.com/ hoặc https://arxiv.org/
Tại sao nên chọn NotebookLM? Bởi vì nó không bao giờ tạo ra ảo giác. Nó trả lời các câu hỏi chỉ dựa trên thông tin bạn cung cấp.
Thông qua quá trình sàng lọc tài liệu nghiêm ngặt, bạn đã loại bỏ một cách có hệ thống những thông tin rác trên internet, tạo ra một nền tảng kiến thức thuần túy và tập trung cao độ cho lĩnh vực này.
Bước 3: Các trận chiến giữa các AI (Thời gian: 1-3,5 giờ)
Đây là cốt lõi của toàn bộ quy trình làm việc. Bạn cho phép các AI với các đặc điểm khác nhau đối chiếu thông tin trong cơ sở tri thức của mình, hình thành các đường dẫn tri thức có cấu trúc và suy diễn logic, cuối cùng dẫn đến nhận xét riêng của chúng.
Hãy thay thế việc học thụ động bằng việc đặt câu hỏi chủ động. Việc chủ động đặt câu hỏi (xuất phát từ sự tò mò) sẽ kích thích tư duy não bộ.
Tìm điểm neo: Hãy hỏi Claude, Deepseek, Gemini hoặc Perplexity, "Liên quan đến lĩnh vực xx, đâu là những vấn đề gây tranh cãi cốt lõi và các khuôn khổ lý thuyết cơ bản trong giới học thuật/công nghiệp?"
Đặt câu hỏi theo vòng khép kín: Với những vấn đề gây tranh cãi cốt lõi này trong tâm trí, hãy quay lại NotebookLM và hỏi: "Dựa trên tài liệu tôi đã tải lên, các chuyên gia đã trả lời những vấn đề gây tranh cãi cốt lõi này như thế nào? Vui lòng cung cấp các nguồn tài liệu cụ thể và logic suy diễn."
Một cách tiếp cận tinh tế hơn: Sao chép những câu trả lời chặt chẽ do NotebookLM đưa ra và gửi lại cho Gemini hoặc Claude, những người sở hữu kỹ năng phân tích logic mạnh mẽ. Hướng dẫn họ: "Hãy xem xét kỹ lưỡng quan điểm này, chỉ ra những lỗi logic, những hạn chế trong đó thời đại đặt ra, hoặc những điểm mù. Dựa trên điều này, tôi nên đặt ra ba câu hỏi sâu sắc hơn nào tiếp theo?"
Tăng xoắn ốc nhận thức: Nắm bắt những điểm yếu và câu hỏi mới do AI chỉ ra, hãy quay lại NotebookLM để tìm câu trả lời.
Đào tạo thực hành
Tôi xin lấy câu hỏi "LLM (mô hình ngôn ngữ quy mô lớn) chính xác là gì?" làm ví dụ .
Bước 1: Lần theo các manh mối (Thời gian: 0,25 giờ)
Tôi đã hỏi cả Gemini và Claude – này, bạn thực sự đã trả lời như vậy đấy!
Gemini 
ClaudeRồi bạn chợt nhớ lại lời thầy giáo hồi trung học từng nói rằng các lý thuyết khoa học phải liên quan đến quá khứ, hiện tại và tương lai. Thế là bạn nhờ AI giúp nghiên cứu xem những bài báo cốt lõi đó tham khảo những bài báo nào (thường là trong phần "tổng quan tài liệu"), và những bài báo nào sau đó đã trích dẫn những bài báo cốt lõi này, rồi để AI giúp bạn lọc chúng ra.
Bước 2: Xây dựng cơ sở kiến thức có cấu trúc
Do một số tính năng gốc của LLM và yêu cầu về quyền truy cập AI, chúng ta cần tải xuống thủ công (hoặc bạn có thể nhờ tôm hùm làm điều đó giúp).
Nhìn chung, https://scholar.google.com/ và https://arxiv.org/ là hoàn toàn đủ dùng.
Sau khi tải xuống, hãy đưa nó vào notebooklm (hiện tại mỗi thư viện hỗ trợ khoảng 300 mục).
Bước 3: Giao chiến giữa các AI
Bạn có thể bắt đầu bằng cách đặt một số câu hỏi đơn giản, trực quan trên Notebooklm, sau đó thảo luận và khám phá sự hiểu biết của mình với các AI khác, và cuối cùng gửi kết luận của bạn trở lại Notebooklm để nó phản bác, chứng minh, bổ sung và sửa chữa.
Câu trả lời và bình luận của Notebooklm:
Lặp lại quá trình này lần cho đến khi bạn có thể tạo ra sơ đồ tư duy của riêng mình.
Nếu bạn muốn thử thách bản thân hơn nữa, bạn có thể yêu cầu Notebooklm làm bài kiểm tra để đánh giá kiến thức của mình.
Đến giờ, bạn đã có một sự hiểu biết nhất định về lĩnh vực này (ít nhất bạn cũng biết về kiếp trước, kiếp hiện tại và kiếp tương lai, nên bạn có thể nói thêm 5 phút nữa khi ai đó hỏi).
phần bổ sung
Hãy lưu trữ "cơ sở kiến thức" của bạn (và cập nhật nó theo thời gian thực, bạn có thể để Lobster làm việc đó), và tạo một thư mục riêng biệt - ví dụ, tôi đã biên soạn các bài viết lý thuyết liên quan đến "giao dịch hợp đồng" thành một cuốn sách riêng. Khi cần phân tích điều gì đó, bạn chỉ cần mở thư mục này, mô tả dữ liệu và các trường hợp, và bạn có thể phân tích nó mà hầu như "không gặp trở ngại".
Không phải các mô hình AI hiện tại không có khả năng tư duy sâu sắc và phân tích; vấn đề là bạn chưa sử dụng đúng công cụ. (Một tham số rất quan trọng trong LLM là điều kiện ràng buộc và điều kiện đầu vào.)
Sử dụng trí tuệ nhân tạo là một khả năng, nhưng biến trí tuệ nhân tạo thành công cụ hỗ trợ cho nhân loại lại là một khả năng khác.
