เคล็ดลับการใช้ AI ของ Yoichi Ochiai: การเพิ่ม "ความเร็วในการหมุน" ของความพยายาม

ไม่ใช่การมอบความพยายามให้ AI แต่เป็นการเพิ่ม "ความเร็วรอบ" ของความพยายาม

Generative AI ช่วยให้คุณสร้างผลลัพธ์ได้โดยไม่ต้องใช้ความพยายาม

AI เขียนข้อความ

AI สร้างภาพ

AI สรุปเอกสาร

AI เขียนโค้ด

AI จัดการรวบรวมข้อมูล

เมื่อมองแบบนี้ AI ดูเหมือนเครื่องจักรที่ช่วยลดความพยายาม

แต่เมื่อติดตามวิธีการใช้ AI ของ Yoichi Ochiai กลับพบภาพที่แตกต่างไปอย่างสิ้นเชิง

เขาไม่ได้ใช้ AI เพื่อลดปริมาณการคิด

เขากำลังเพิ่มสมมติฐานที่สามารถทดสอบ ขอบเขตที่สามารถสืบหา ต้นแบบที่สามารถสร้าง และความเร็วในการเปลี่ยนจากความล้มเหลวไปสู่การทดลองครั้งต่อไป ภายในกรอบเวลาเดียวกัน

มันไม่ใช่การทำงานชิ้นเดียวให้เสร็จได้ง่ายๆ ด้วย AI

มันคือการทำให้สามารถทำงานซ้ำได้สิบหรือร้อยครั้ง ซึ่งเดิมทีทำแค่ครั้งเดียวก็จบ

กล่าวอีกนัยหนึ่ง สิ่งที่เขาขยายด้วย AI ไม่ใช่ความสามารถพิเศษของตัวเอง แต่คือ ความเร็วรอบของความพยายาม

ในแถลงการณ์ศิลปินอย่างเป็นทางการปี 2023 Ochiai ระบุว่าเขาได้สนทนากับโมเดลภาษาขนาดใหญ่ตั้งแต่เช้าจรดเย็นนานประมาณสองเดือน ในปี 2025 เขาเริ่มใช้เวิร์กโฟลว์ที่เปิด AI หลายตัวพร้อมกัน เช่น ChatGPT, Gemini, Grok และ Claude โดยมอบหมายงานวิจัย การสร้างภาพ และการดำเนินการตามกระบวนการ นอกจากนี้ ในปี 2026 เขาไม่ได้ใช้แค่บริการ AI ที่มีอยู่เท่านั้น แต่ยังปล่อยเอเยนต์เขียนโค้ดอย่าง "vibe-local" ที่ทำงานแบบออฟไลน์ และ "co-vibe" ที่ข้ามผู้ให้บริการ AI หลายรายอีกด้วย

นี่ไม่ใช่พฤติกรรมของคนที่ "ประหยัดเวลาด้วย AI" อย่างที่คนทั่วไปคิด

การพูดคุยกับ AI เป็นเวลานาน

การเปรียบเทียบหลายโมเดล

การสร้างเอาต์พุตซ้ำหลายครั้ง

การออกแบบสภาพแวดล้อมการใช้งานด้วยตัวเอง

การสร้างเครื่องมือเองหากมีส่วนที่ไม่โปร่งใส

การตรวจสอบเครื่องมือที่สร้างขึ้นด้วย AI เพิ่มเติม

การเชื่อมต่อกับงานวิจัย ผลงาน พื้นที่ และร่างกาย

ห่างไกลจากการกำจัดความพยายามด้วย AI เขากลับกำหนดภารกิจให้ตัวเองมากขึ้นกว่าเดิมโดยการใช้ AI

คำว่า "อัจฉริยะแห่งความพยายาม" ที่ใช้ในบทความนี้ไม่ใช่ตำแหน่งที่เขาอ้างสิทธิ์สำหรับตัวเอง แต่เป็นคำที่ใช้ที่นี่เพื่ออธิบายโครงสร้างของงานที่เห็นจากแถลงการณ์สาธารณะ งานเขียน ผลงาน และซอฟต์แวร์ที่เผยแพร่ของ Yoichi Ochiai โปรไฟล์อย่างเป็นทางการของเขาระบุว่าเขาเป็นสื่อศิลปิน ศาสตราจารย์ที่มหาวิทยาลัย Tsukuba รองศาสตราจารย์ที่มหาวิทยาลัยโตเกียว และผู้อำนวยการผลิตโครงการธีมสำหรับงาน Osaka/Kansai Expo 2025

นอกจากนี้ บันทึกการสนทนากับ AI หรือบันทึกการทำงานประจำวันของ Ochiai ไม่ได้เปิดเผยทั้งหมด ต่อไปนี้คือการวิเคราะห์การออกแบบความพยายามเบื้องหลังการกระทำของเขา โดยอิงจากตัวอย่างที่เปิดเผยต่อสาธารณะ

1. สำหรับ Yoichi Ochiai ความพยายามไม่ใช่ "การทนทุกข์เป็นเวลานาน"

เมื่อผู้คนได้ยินคำว่าความพยายาม หลายคนนึกถึงความอดทน

การนั่งโต๊ะทำงานทั้งที่ง่วง

การทำต่อไปแม้จะเจ็บปวด

การอ่านข้อความจำนวนมหาศาล

การฝึกฝนสิ่งเดิมซ้ำแล้วซ้ำเล่า

การทำงานนานกว่าคนอื่น

แน่นอนว่ามีงานที่ต้องใช้ความพากเพียรและความอดทน อย่างไรก็ตาม การอธิบายงานของ Ochiai ด้วยแค่ระยะเวลาการทำงานที่ยาวนานนั้นพลาดประเด็นสำคัญ จุดแข็งของเขาไม่ได้อยู่ที่การเพิ่มปริมาณความพยายามเพียงอย่างเดียว แต่อยู่ที่ การเพิ่มปริมาณข้อมูลที่ได้จากความพยายามแต่ละครั้ง

แทนที่จะถาม AI เพียงตัวเดียวในหัวข้อเดียวกัน เขากลับถาม AI หลายตัวพร้อมกัน แทนที่จะคิดแค่ในรูปแบบข้อความ เขากลับแปลงเป็นภาพ แทนที่จะดูแค่ภาพ เขากลับสร้างเป็นต้นแบบที่เคลื่อนไหวได้ แทนที่จะทำแค่ต้นแบบให้เสร็จ เขากลับนำไปเคลื่อนที่ในพื้นที่จริง หากเกิดปัญหา เขาไม่เพียงแค่แก้ไขด้วยมือ แต่เปลี่ยนเครื่องมือหรือระบบเพื่อไม่ให้เกิดขึ้นอีก

วิธีการทำงานแบบนี้สามารถอธิบายได้ด้วยสูตรต่อไปนี้:

คุณภาพของผลลัพธ์ = คุณภาพของการสอบถาม × จำนวนครั้งของการทดลอง × พลังในการตรวจสอบ × ความเร็วในการดำเนินการ × ข้อเสนอแนะจากความเป็นจริง

Generative AI เพิ่มจำนวนครั้งของการทดลองและความเร็วในการดำเนินการอย่างมีนัยสำคัญ แต่มันไม่ได้เพิ่มคุณภาพของการสอบถาม พลังในการตรวจสอบ หรือข้อเสนอแนะจากความเป็นจริงโดยอัตโนมัติ ในความเป็นจริง เมื่อผลลัพธ์เพิ่มขึ้น ปริมาณการตัดสินใจที่จำเป็น—ว่าควรเชื่ออะไร ควรทิ้งอะไร และควรแก้ไขจุดไหน—ก็เพิ่มขึ้นด้วย ความพยายามในยุค AI เปลี่ยนจากภารกิจการป้อนข้อมูลทีละตัวอักษรไปเป็นภารกิจการเลือกทิศทางอย่างต่อเนื่อง

การใช้ AI แบบ Ochiai ไม่ใช่การทำให้ความพยายามเป็นศูนย์ แต่คือ การย้ายจุดของความพยายามจากการทำซ้ำที่มีมูลค่าต่ำไปสู่การตัดสินใจที่มีมูลค่าสูง

2. อย่าเปิด AI หลังจากสร้างคำถามที่สมบูรณ์แบบแล้วเท่านั้น

คนที่ใช้ AI ไม่เก่งมักจะพยายามสร้างพรอมต์แรกให้สมบูรณ์แบบ พวกเขารู้สึกว่าต้องเขียนวัตถุประสงค์ จัดระเบียบเงื่อนไข ระบุบทบาท และกำหนดรูปแบบเอาต์พุต ขณะที่คิดอยู่ มันก็กลายเป็นงานหนัก และสุดท้ายก็ไม่ได้ใช้ AI

วิธีการของ Ochiai ตรงกันข้าม ในข้อความที่ตัดมาจากหนังสือ "Generative AI Even a Cat Can Understand" ปี 2025 มีการแนะนำว่าถ้าไม่รู้วิธีใช้ AI ให้ถาม AI เองว่าจะใช้ยังไง พูดคุยด้วยเสียงเพื่อทำความรู้จักมัน และถ้ามันตอบกลับแตกต่างจากที่หวัง ให้ให้ AI สัมภาษณ์ผู้ใช้ ประเด็นสำคัญคือการไม่ทำให้ "การเตรียมคำถาม" เสร็จสมบูรณ์โดยมนุษย์เพียงลำพัง

ตัวอย่างเช่น สมมติว่าคุณกำลังคิดโปรเจกต์ใหม่แต่ยังไม่สามารถอธิบายวัตถุประสงค์ด้วยตัวเองได้ โดยปกติคุณจะพยายามจัดระเบียบด้วยตัวเองก่อนแล้วค่อยปรึกษา AI อย่างไรก็ตาม คุณสามารถเริ่มต้นแบบนี้:

ฉันกำลังคิดโปรเจกต์ใหม่ แต่ยังไม่สามารถอธิบายวัตถุประสงค์ด้วยตัวเองได้เลย กรุณาถามฉันทีละคำถามเพื่อชี้แจงกลุ่มเป้าหมาย ปัญหาที่ต้องแก้ไข ทรัพยากรที่มี และสิ่งที่ควรหลีกเลี่ยง หากมีข้อขัดแย้งในคำตอบของฉัน โปรดชี้ให้เห็นทันที

จากนั้น การสนทนากับ AI เองก็กลายเป็นการกำหนดความต้องการ คุณต้องการเข้าถึงใคร? ทำไมคุณถึงทำสิ่งนี้? ทางเลือกปัจจุบันมีอะไรบ้าง? งบประมาณเท่าไหร่? อะไรคือความล้มเหลว? ส่วนไหนที่ไม่สามารถต่อรองได้? คุณไม่ได้ให้คำสั่งที่สมบูรณ์แก่ AI คุณทำให้คำสั่งสมบูรณ์ผ่านการสนทนากับ AI

ความแตกต่างนี้ใหญ่มาก ถ้าคุณพยายามสร้างพรอมต์ที่สมบูรณ์แบบก่อน คุณจะเขียนได้แค่ในขอบเขตที่คุณเข้าใจแล้วเท่านั้น การให้ AI ถามคำถามช่วยให้คุณสังเกตเห็นเงื่อนไขที่คุณยังไม่ได้คิด AI กลายเป็น อุปกรณ์ตั้งคำถามเพื่อค้นหาความคลุมเครือของมนุษย์ รวมถึงเป็นเครื่องตอบคำถามด้วย อัจฉริยะแห่งความพยายามไม่ใช่คนที่มีคำถามที่ถูกต้องตั้งแต่ต้น แต่เป็นคนที่สามารถเริ่มต้นในสภาวะที่คลุมเครือและเพิ่มความละเอียดของคำถามในขณะที่โต้ตอบกัน

3. จับสิ่งที่ผุดขึ้นมาในใจด้วยเสียงก่อน

ความคิดของมนุษย์ไม่จำเป็นต้องเกิดขึ้นในรูปแบบของประโยคเสมอไป คุณอาจคิดว่าบางสิ่งดูน่าสนใจ หรือบทสนทนาเมื่อวานเชื่อมโยงกับภาพที่เห็นวันนี้ คุณอาจมีความรู้สึกไม่สบายใจที่อธิบายไม่ได้ หรือภาพที่ไม่มีชื่อ การพยายามเขียนประโยคในสภาวะนี้จะหยุดความคิด คุณจะลงเอยด้วยการแก้ไข—แก้ไขประโยคแรก ตรวจสอบความหมายของคำ เพิ่มบริบท หรือเรียงลำดับตรรกะใหม่ คุณตั้งใจจะบันทึกความคิด แต่กลับกลายเป็นการแก้ไขไปครึ่งทาง

ในปี 2023 Ochiai เขียนเกี่ยวกับวิธีการเสริมตัวเองด้วยดิจิทัลโดยการใช้เครื่องมือรู้จำเสียง Whisper ร่วมกับ GPT-4 เขาระบุว่าบริบทของความคิดสามารถเพิ่มเติมได้ในภายหลัง ทำให้เวลาที่ใช้ในการอธิบายสามารถเปลี่ยนไปใช้ในการคิดไปข้างหน้าได้มากขึ้น นี่เป็นเทคนิคการจดบันทึกที่ทรงพลังมากสำหรับยุค AI ในการจดบันทึกปกติ การบันทึกและการแก้ไขเกิดขึ้นพร้อมกัน ในแบบฉบับ Ochiai ทั้งสองสิ่งนี้ถูกแยกออกจากกัน

ขั้นแรก พูดโดยไม่หยุดความคิด "ฉันรู้สึกว่าสิ่งนี้กับสิ่งนั้นคล้ายกัน" "ฉันไม่รู้ว่าทำไม แต่ฉันรู้สึก好奇" "จะเกิดอะไรขึ้นถ้าฉันสร้างภาพแบบนี้?" "บางทีสมมติฐานอาจผิด" "อันนี้ขัดกับสิ่งที่ฉันคิดไว้ก่อนหน้านี้ แต่..." คุณไม่จำเป็นต้องแก้ไขไวยากรณ์หรือกังวลเกี่ยวกับลำดับ หลังจากนั้น ให้ AI จัดหมวดหมู่การถอดเสียงเป็น:

• ข้อเท็จจริงที่สังเกตได้
• การตีความส่วนบุคคล
• สมมติฐานที่ยังไม่ได้รับการยืนยัน
• แนวคิดสำหรับการผลิตหรือการวิจัย
• สิ่งที่ต้องสืบหาต่อไป
• ส่วนที่ขาดคำอธิบาย
• ข้อความที่ขัดแย้งกัน

จากนั้น มนุษย์จะเพิ่มบริบทให้กับผลลัพธ์ที่ AI จัดระเบียบแล้ว ในลำดับนี้ ขั้นตอนการสร้างสรรค์จะไม่ถูกขัดขวางโดยทักษะการเขียน คุณสามารถรักษาความเร็วของความคิดและนำกลับมาในรูปแบบที่อธิบายได้ในภายหลัง AI สามารถใช้เป็น บัฟเฟอร์เพื่อหลีกเลี่ยงการสูญเสียความคิดที่ยังไม่กลายเป็นคำพูด อย่างไรก็ตาม เมื่อบันทึกเสียง จำเป็นต้องตรวจสอบว่าไม่มีบทสนทนาของผู้อื่น ข้อมูลลับ หรือข้อมูลส่วนบุคคลรวมอยู่ด้วย คุณไม่ส่งทุกอย่างให้ AI เมื่อความเร็วในการบันทึกเพิ่มขึ้น การจัดการขอบเขตของข้อมูลที่สามารถป้อนเข้าไปได้ก็ยิ่งสำคัญมากขึ้น

4. อย่าเชื่อ AI เพียงตัวเดียว ใช้ AI หลายตัวพร้อมกัน

สัญลักษณ์ของการใช้ AI ของ Ochiai คือการทำงานแบบขนานของหลายโมเดล ในบทความ PIVOT ช่วงปลายปี 2025 มีการแนะนำว่าเมื่อเริ่มโปรเจกต์หรือวิจัยใหม่ เขาจะเปิด ChatGPT, Gemini, Grok และ Claude พร้อมกัน และใช้ฟังก์ชัน deep research เพื่อสืบหาข้อมูลเบื้องหลังทั้งหมดในคราวเดียว คุณค่าของสิ่งนี้ไม่ใช่แค่ปริมาณข้อมูลเพิ่มขึ้นสี่เท่า แต่ละโมเดลมีจุดแข็งที่แตกต่างกันในด้านการจัดระเบียบ ข้อมูลที่อ้างอิง ความระมัดระวัง และรูปแบบการเขียน

แม้จะมีคำถามเดียวกัน ตัวหนึ่งอาจเน้นด้านสถาบัน อีกตัวเน้นด้านเทคนิค อีกตัวเคลื่อนไปทางการทำนายอนาคต และอีกตัวให้ความคิดเห็นที่ขัดแย้งมากมาย สิ่งสำคัญไม่ใช่การหาค่าเฉลี่ยของสี่คำตอบ แต่คือ การดูว่าส่วนไหนที่คำตอบขัดแย้งกัน ส่วนที่สอดคล้องกันอาจเป็นข้อมูลที่ค่อนข้างคงที่ ประเด็นที่ถูกยกขึ้นโดย AI เพียงตัวเดียวอาจเป็นการค้นพบใหม่ หากตัวเลขต่างกัน อาจมีความแตกต่างในช่วงเวลาหรือคำจำกัดความ หากการอ้างอิงต่างกัน คุณต้องกลับไปที่แหล่งข้อมูลปฐมภูมิ

การใช้ AI ตัวเดียวเหมือนเจ้านายทำให้เป็นการเลือกแบบไบนารีระหว่างยอมรับหรือปฏิเสธคำตอบ การใช้ AI หลายตัวเป็นทีมวิจัยช่วยให้คุณสามารถนำคำตอบมาเปรียบเทียบกันได้ ตัวอย่างเช่น คุณสามารถแบ่งบทบาท: ให้ตัวแรกสร้างคำอธิบายมาตรฐาน ตัวที่สองหาตัวอย่างที่ขัดแย้งซึ่งคำอธิบายมาตรฐานใช้ไม่ได้ ตัวที่สามรวบรวมเฉพาะแหล่งข้อมูลปฐมภูมิ ตัวที่สี่ประมาณการอุปสรรคและต้นทุนในการดำเนินการ และตัวที่ห้าแปลเป็นภาษาที่ผู้ใช้ทั่วไปเข้าใจ

ณ เดือนกรกฎาคม 2026 ฟังก์ชัน deep research บางอย่างสามารถรวมไม่เพียงแต่การค้นหาเว็บ แต่ยังรวมถึงไฟล์ที่ผู้ใช้อนุญาต เอกสารบนคลาวด์ และอีเมลเป็นเป้าหมายการวิจัยอีกด้วย เอเยนต์เขียนโค้ดก้าวหน้าไปถึงการอ่านฐานโค้ด แก้ไขหลายไฟล์ และรันคำสั่ง ในสถานการณ์นี้ การตัดสินใจครั้งเดียวว่า "AI ตัวไหนฉลาดที่สุด" ไม่มีความหมายมากนัก โมเดลได้รับการอัปเดต ราคาเปลี่ยนแปลง และพื้นที่ความเชี่ยวชาญเปลี่ยนไป สิ่งที่สำคัญไม่ใช่ความภักดีต่อแบรนด์ใดแบรนด์หนึ่ง แต่คือ การแยกส่วนงานและวางความสามารถที่เหมาะสมกับงานนั้น

5. อย่าให้แชทเดียวจัดการทุกอย่างตั้งแต่การวางแผนจนถึงการเสร็จสิ้น

การขอให้ AI "วางแผนผลิตภัณฑ์ใหม่ ค้นคว้า ออกแบบ เขียนสำเนาประชาสัมพันธ์ และดำเนินการ" ดูเหมือนจะมีประสิทธิภาพ อย่างไรก็ตาม หากคุณดำเนินการทุกขั้นตอนในการสนทนาเดียวกัน สมมติฐานที่ AI สร้างขึ้นครั้งแรกมีแนวโน้มที่จะถูกปฏิบัติเป็นข้อเท็จจริงในขั้นตอนต่อมา AI จะสร้างแผนตามสมมติฐานตลาดที่มันสร้างขึ้นเอง จากนั้นเขียนสำเนาโดยถือว่าแผนนั้นถูกต้อง และสุดท้ายประเมินแผนของตัวเอง มันสอดคล้องกันภายใน แต่ความสอดคล้องนั้นอาจเป็นผลมาจากการนำสมมติฐานเริ่มต้นผ่านทุกขั้นตอน

ในเวิร์กโฟลว์สาธารณะของ Ochiai เขาใช้เครื่องมือที่แตกต่างกันสำหรับแต่ละขั้นตอน: โมเดลภาษาหลายตัวสำหรับการรวบรวมข้อมูล, Midjourney หรือ Stable Diffusion สำหรับการสร้างภาพแนวคิด, และ Cursor สำหรับการดำเนินการ วิธีการนี้มีข้อดีสองประการ ประการแรกคือสามารถใช้ AI ที่เหมาะสมที่สุดสำหรับแต่ละขั้นตอน ประการที่สองคือสามารถแทรกการตัดสินใจของมนุษย์ระหว่างขั้นตอนได้ คุณอ่านผลการวิจัยและมนุษย์เลือกสมมติฐาน คุณสร้างภาพตามสมมติฐานที่เลือก คุณดูภาพและแก้ไขทิศทาง คุณแปลทิศทางที่แก้ไขแล้วเป็นข้อกำหนด คุณให้ข้อกำหนดแก่ AI ที่สร้างโค้ด มนุษย์ลองใช้ผลิตภัณฑ์ที่เคลื่อนไหวได้และพบปัญหา กล่าวอีกนัยหนึ่ง คุณไม่ได้เชื่อมต่องานของ AI กับ AI โดยตรง แต่คุณวาง ประตูการเลือก ไว้ระหว่างกัน ที่ประตูเหล่านี้ มนุษย์ตัดสินใจว่าจะเก็บอะไรและทิ้งอะไร การทำให้เป็นนามธรรมของเวิร์กโฟลว์แบบ Ochiai มีลักษณะดังนี้:

การวิจัย → การเลือกสมมติฐานของมนุษย์ → การสร้างภาพ → การแก้ไขทิศทางของมนุษย์ → การดำเนินการ → การทดสอบในสภาพแวดล้อมจริง → การประเมินของมนุษย์ → การวิจัยซ้ำ

คนที่ใช้ AI แบบตื้นเขินพยายามรับผลิตภัณฑ์สำเร็จรูปจาก AI คนที่ใช้ AI แบบลึกซึ้งจะตัดกระบวนการเป็นขั้นตอนย่อยๆ และกำหนดการมอบหมายงานให้ AI และมนุษย์ในแต่ละขั้นตอนใหม่

6. Deep Research ไม่ใช่ฟังก์ชันเพื่อสร้าง "คำตอบ"

Deep Research ค้นหาวัสดุจำนวนมหาศาลในเวลาอันสั้น เปรียบเทียบ และสรุปเป็นรายงานยาวพร้อมการอ้างอิง ในเดือนกุมภาพันธ์ 2025 Ochiai แนะนำบน note ของเขาว่าเป็นผลลัพธ์ของการทดสอบ deep research เอาต์พุตประมาณ 25,000 ตัวอักษรที่ครอบคลุม Digital Nature, Object-Oriented Ontology, Posthumanism และศาลา Expo ถูกสร้างขึ้นในครั้งเดียว การมองแค่นี้ อาจคิดว่า "การวิจัยจบลงถ้าให้ AI เขียน 25,000 ตัวอักษร" อย่างไรก็ตาม ข้อความที่สร้างขึ้นยาวและเนื้อหาที่ถูกต้องเป็นคนละเรื่องกัน

AI สามารถสร้างการอ้างอิงที่ไม่มีอยู่จริง มันสามารถทำให้เกิดความสับสนระหว่างนักวิจัยหรือเอกสารที่มีชื่อเดียวกัน มันสามารถเชื่อมโยงข้อเท็จจริงและการคาดเดาด้วยประโยคที่ราบรื่น มันสามารถอธิบายตัวเลขเก่าราวกับว่าเป็นปัจจุบัน เอกสารสรุปการประชุมเชิงปฏิบัติการ Ochiai-juku ยังระบุว่าแม้ AI จะเร่งการค้นหาวรรณกรรม การวิเคราะห์ และการสร้างสมมติฐานได้ แต่ความถูกต้องของเอาต์พุตและความถูกต้องของการอ้างอิงต้องได้รับการตรวจสอบโดยมนุษย์ ดังนั้น สิ่งที่ควรขอจาก deep research ไม่ใช่ "บอกความจริงมา" แต่เป็นงานเช่น:

• ประเด็นอะไรบ้างที่รวมอยู่ในหัวข้อนี้?
• แหล่งข้อมูลปฐมภูมิที่สำคัญคืออะไร?
• ที่ไหนที่ความคิดเห็นของนักวิจัยแตกต่างกัน?
• มีคำจำกัดความของตัวเลขกี่ประเภท?
• ข้อกล่าวอ้างใดบ้างที่ยังไม่ได้รับการยืนยัน?
• ควรรตรวจสอบวัสดุอะไรเพิ่มเติม?

โดยสรุป บทบาทหลักของ deep research คือ การสร้างแผนที่วิจัย มนุษย์คือผู้ที่ตรวจสอบถนนที่วาดบนแผนที่จริงๆ เพื่อเพิ่มความแม่นยำในการวิจัย ควรกำหนดให้ AI สร้างเอาต์พุตดังต่อไปนี้:

• แยกข้อเท็จจริง การคาดเดา และการทำนาย
• แนบแหล่งที่มาสำหรับแต่ละข้อกล่าวอ้าง
• แยกวันที่เผยแพร่ของแหล่งที่มาและช่วงเวลาของข้อมูลที่จัดการ
• แยกความแตกต่างระหว่างแหล่งข้อมูลปฐมภูมิและทุติยภูมิ
• ระบุอย่างชัดเจนถึงรายการที่ไม่สามารถยืนยันได้
• ให้หลักฐานที่ขัดแย้งในคอลัมน์แยกต่างหาก
• หากตัวเลขแตกต่างกันในหลายวัสดุ ให้ประมาณการสาเหตุของความแตกต่าง

เวลาที่ประหยัดได้จาก deep research ไม่ควรใช้โดยตรงสำหรับงานอื่น นำเวลาที่ประหยัดได้ส่วนหนึ่งไปลงทุนในการตรวจสอบ นี่คือความรับผิดชอบของมนุษย์ที่จัดการข้อมูลจำนวนมหาศาลด้วย AI

7. พรอมต์ยาวไม่ใช่การแข่งขันเขียนข้อความยาว

ในการประชุมเชิงปฏิบัติการสำหรับนักเรียนมัธยมต้นและปลายในปี 2024 มีการแนะนำว่า Ochichi แนะนำให้ทำพรอมต์ให้ยาวและเฉพาะเจาะจง และ AI ไม่รังเกียจที่จะถูกขอให้ทำซ้ำหลายครั้ง ผู้เข้าร่วมสร้าง "เรื่องราวที่ตั้งอยู่ในปี 2300" ด้วย ChatGPT และขยายเป็นสตอรีบอร์ดโดยใช้ generative AI อย่างไรก็ตาม คำว่า "ยิ่งยาวยิ่งดี" ไม่ควรตีความตามตัวอักษร การเขียนข้อมูลที่ไม่เกี่ยวข้องจำนวนมากทำให้คำแนะนำคลุมเครือ คุณค่าไม่ได้อยู่ที่ความยาว本身 แต่อยู่ที่การนำสมมติฐานที่อยู่ในหัวของมนุษย์เท่านั้นมาอยู่ในรูปแบบที่ AI สามารถจัดการได้

ในปี 2024 Ochiai เขียนเกี่ยวกับความเป็นไปได้ในการนำแนวคิดนามธรรมและโครงสร้างเชิงวัตถุเข้ามาในพรอมต์เมื่อปริมาณข้อมูลที่สามารถป้อนเข้าไปเพิ่มขึ้น เขายังอัปเดตคำแนะนำแบบกำหนดเองตามการรองรับการค้นหาของ ChatGPT สิ่งที่เห็นที่นี่ไม่ใช่ทัศนคติในการค้นหา "god prompt" เพียงครั้งเดียว แต่เป็นทัศนคติในการอัปเดตระบบคำแนะนำตามงาน พรอมต์ที่ลึกซึ้งมีองค์ประกอบอย่างน้อยดังต่อไปนี้:

• วัตถุประสงค์: ท้ายที่สุดคุณต้องการตัดสินใจอะไรในครั้งนี้?
• ความเป็นมา: ทำไมงานนี้ถึงจำเป็น?
• สิ่งที่รู้ในปัจจุบัน: ข้อเท็จจริงที่ยืนยันแล้ว ประวัติที่ผ่านมา ทรัพยากรที่มี
• สิ่งที่ยังไม่รู้: รายการที่ยังไม่ยืนยัน คำจำกัดความที่คลุมเครือ ข้อมูลที่ขัดแย้ง
• ข้อจำกัด: งบประมาณ กำหนดเวลา สิทธิ์ ข้อห้าม กลุ่มเป้าหมาย
• เกณฑ์การประเมิน: อะไรคือเกณฑ์ที่กำหนดว่าเอาต์พุตดี?
• กระบวนการทำงาน: วิธีแบ่งการวิจัย การคิดแนวคิด การเปรียบเทียบ การดำเนินการ และการตรวจสอบ
• สิทธิ์ของเครื่องมือ: สิ่งที่อนุญาต เช่น การค้นหา การดูไฟล์ หรือการรันโค้ด
• เงื่อนไขการหยุด: เมื่อใดควรหยุดการทำงานอัตโนมัติและตรวจสอบกับมนุษย์
• รูปแบบเอาต์พุต: แสดงข้อเท็จจริง สมมติฐาน ข้อเสนอ และรายการที่ยังไม่ยืนยันแยกกัน

นี่เป็นข้อกำหนดสำหรับงานย่อยมากกว่าพรอมต์ ในยุค AI ความสามารถในการเขียนข้อความและความสามารถในการออกแบบระบบมาบรรจบกัน มันไม่เกี่ยวกับการเขียน "คำขอที่ฉลาด" แต่เป็นการอธิบายวัตถุประสงค์ สถานะ ข้อจำกัด และเกณฑ์การตัดสินใจในรูปแบบที่ AI สามารถประมวลผลได้ พรอมต์ยาวแบบ Ochiai ไม่เกี่ยวกับการเพิ่มคำ แต่คือ การส่งผ่านความคิดที่มีโครงสร้าง

8. คำตอบแรกไม่ใช่ "ผลิตภัณฑ์สำเร็จรูป" แต่เป็นวัสดุสำหรับการสำรวจ

คนที่เริ่มใช้ AI ตัดสินจากคำตอบแรก ถ้ามันดีก็รับไป ถ้ามันแย่ก็คิดว่า "AI ไร้ประโยชน์" อย่างไรก็ตาม สิ่งที่เห็นจากตัวอย่างสาธารณะของ Ochiai คือทัศนคติที่ไม่ถือว่าเอาต์พุตแรกเป็นผลิตภัณฑ์สำเร็จรูป ซ้อนบทสนทนา ดึงรายละเอียดออกมา เปลี่ยนรูปแบบ ส่งไปให้ AI ตัวอื่น แปลงเป็นภาพ แปลงเป็นโค้ด ทดลองใช้งานจริง หากเกิดปัญหา ให้เปลี่ยนคำแนะนำอีกครั้ง ในปี 2023 Ochiai เขียนว่าโดยการดำเนินการสนทนาเป็นขั้นตอน รายละเอียดจะปรากฏขึ้น ทำให้ง่ายต่อการขยายจากภาษาธรรมชาติไปเป็นโค้ด รูปภาพ และเสียง

คุณลักษณะที่ยิ่งใหญ่ที่สุดของ AI ไม่ใช่การให้คำตอบที่ถูกต้องตั้งแต่ต้น แต่คือ ต้นทุนทางสังคมของการทำซ้ำนั้นต่ำ ถ้าคุณขอให้นักออกแบบมนุษย์แก้ไขร้อยครั้งโดยไม่มีเหตุผล ความสัมพันธ์จะพัง ถ้าคุณให้พนักงานทำเอกสารเดียวกันซ้ำหลายครั้งตามอำเภอใจ คุณจะเอาทั้งเวลาและแรงจูงใจของพวกเขาไป AI ไม่เหนื่อยไม่ว่าคุณจะเปลี่ยนคำขอเดียวกันกี่ครั้ง นั่นคือเหตุผลว่าเมื่อใช้ AI แทนที่จะบังคับให้มนุษย์แก้ไขซ้ำโดยไม่มีเหตุผล คุณสามารถเพิ่มปริมาณการสำรวจในขั้นตอน AI ได้ อย่างไรก็ตาม การแค่พูดว่า "ทำให้ดีขึ้น" ซ้ำๆ จะถึงจุดอิ่มตัว สิ่งที่จำเป็นคือการบันทึกเหตุผลของการแก้ไข:

• แผนนี้ใช้ได้กับทุกคน
• ภาพนี้มีองค์ประกอบที่อ่อนแอ ไม่ใช่สี
• โค้ดนี้ทำงานได้แต่ดูแลรักษายาก
• ข้อความนี้ถูกต้องแต่ขาดประสบการณ์ของฉัน
• โปรเจกต์นี้น่าสนใจแต่ไม่มีผู้ดำเนินการ

การส่งเหตุผลที่ปฏิเสธกลับไปให้ AI กลายเป็นเงื่อนไขสำหรับรุ่นถัดไป จากนั้น ระบบคำแนะนำจะฉลาดขึ้นในแต่ละการวนซ้ำ ความพยายามไม่ใช่การทำงานซ้ำเดิมหลายครั้ง แต่คือ การแปลงความล้มเหลวแต่ละครั้งเป็นเงื่อนไขถัดไป

9. ใช้ภาษาธรรมชาติเป็นภาษาสำหรับการดำเนินการ

Ochiai สังเกตตั้งแต่เนิ่นๆ ว่า generative AI ลดระยะห่างระหว่างภาษาธรรมชาติและภาษาโปรแกรม ในบทความปี 2023 เขาโต้แย้งว่าการถือกำเนิดของระบบรู้จำเสียงและ ChatGPT ทำให้การแปลงจากภาษาธรรมชาติเป็นโค้ดง่ายขึ้น ทำให้สามารถสร้างเอาต์พุตที่หลากหลาย เช่น วิดีโอ เพลง และข้อความผ่านคำพูด นี่ไม่ใช่เรื่องง่ายๆ ของ "การทำทุกอย่างได้โดยไม่ต้องรู้การเขียนโปรแกรม" แต่ความสำคัญของความสามารถในการอธิบายความต้องการด้วยวาจากลับเพิ่มขึ้น:

• ใส่อะไรเข้าไป?
• ใช้ข้อมูลอะไร?
• ลำดับการประมวลผลคืออะไร?
• จะทำอย่างไรเมื่อเกิดข้อผิดพลาด?
• จะแสดงอะไรให้ผู้ใช้เห็น?
• จะบันทึกอะไรได้บ้าง?
• ต้องตรงตามเงื่อนไขใดถึงจะเสร็จ?

ก่อนหน้านี้ การออกแบบดังกล่าวถูกเขียนเป็นโค้ด ตอนนี้ ส่วนหนึ่งสามารถถ่ายทอดให้ AI ด้วยภาษาธรรมชาติได้ อย่างไรก็ตาม หากคุณส่งภาษาธรรมชาติที่คลุมเครือ คุณจะได้โปรแกรมที่คลุมเครือ ดังนั้น เมื่อการเขียนโค้ดด้วย AI ก้าวหน้าขึ้น พลังในการค้นพบข้อขัดแย้งในข้อกำหนด จึงสำคัญกว่าความเร็วในการเขียนโค้ด ในปี 2026 PIVOT แนะนำการใช้ AI ของ Ochiai ในภาพยนตร์สั้นชื่อ "Productivity is 32x" อย่างไรก็ตาม เงื่อนไขการคำนวณเช่น งานเป้าหมาย ระยะเวลาเปรียบเทียบ และการประเมินคุณภาพ ไม่สามารถยืนยันได้จากหน้าสาธารณะเพียงอย่างเดียว ควรถือว่าตัวเลขนี้เป็นสัญลักษณ์ที่แสดงว่า AI coding เปลี่ยนความเร็วในการดำเนินการอย่างมีนัยสำคัญ มากกว่าดัชนีประสิทธิภาพการผลิตขององค์กรที่เข้มงวด

ในความเป็นจริง แม้ว่าจำนวนบรรทัดโค้ดจะกลายเป็น 32 เท่า มูลค่าก็ไม่จำเป็นต้องเป็น 32 เท่า ข้อบกพร่องอาจกลายเป็น 32 เท่าเช่นกัน โค้ดที่ต้องตรวจสอบก็เพิ่มขึ้น ขอบเขตของผลกระทบเมื่อข้อกำหนดเปลี่ยนแปลงก็กว้างขึ้น มีความเป็นไปได้ที่จะสร้างฟังก์ชันที่ไม่ได้ใช้งานจำนวนมหาศาล ผลลัพธ์ที่แท้จริงของ AI coding ควรวัดจากเวลาจากสมมติฐานไปจนถึงต้นแบบ เวลาที่ใช้ในการได้รับปฏิกิริยาจากผู้ใช้ เวลาที่ใช้ในการค้นหา แก้ไข และเผยแพร่ปัญหาซ้ำ และจำนวนแนวคิดที่ทดสอบจริงซึ่งไม่สามารถทดสอบได้ก่อนหน้านี้เนื่องจากต้นทุน

10. อย่าแค่ใช้ AI ที่สะดวก สร้างเครื่องมือเพื่อใช้ AI

สัญลักษณ์โดยเฉพาะของการใช้ AI ล่าสุดของ Ochiai คือ "vibe-local" และ "co-vibe" Vibe-local ถูกปล่อยเป็นโอเพนซอร์สเอเยนต์เขียนโค้ดที่ใช้ Python และสภาพแวดล้อมการรัน LLM ในเครื่อง ทำให้สามารถทำงานได้โดยไม่ต้องเชื่อมต่อเครือข่ายหรือบริการคลาวด์ที่ต้องชำระเงิน มันถูกออกแบบรอบไฟล์ Python เดียวและมีวัตถุประสงค์เพื่อใช้ในการศึกษา การวิจัย และการประชุมเชิงปฏิบัติการแบบออฟไลน์ Co-vibe มีกลไกในการข้ามผู้ให้บริการหลายราย เช่น Anthropic, OpenAI, Groq และโมเดลในเครื่อง โดยกระจายงานตามความซับซ้อน มันถูกออกแบบมาเพื่อจัดการการวิจัยเว็บ การดำเนินการกับไฟล์ การเขียนโค้ด การทำงานแบบขนานของเอเยนต์หลายตัว และการสานต่อเซสชันในสภาพแวดล้อมเทอร์มินัลเดียว

สิ่งที่เห็นจากทั้งสองอย่างนี้คือทัศนคติที่ไม่ยอมรับบริการที่มีอยู่ตามที่เป็น มีสภาพแวดล้อมที่ไม่สามารถเชื่อมต่อกับคลาวด์ได้ นักเรียนไม่สามารถสมัครใช้บริการที่ต้องชำระเงินได้ เขาไม่ต้องการพึ่งพาผู้ให้บริการ AI รายเดียว เขาต้องการตรวจสอบสิ่งที่เกิดขึ้นภายใน เขาต้องการเชื่อมต่อกับอุปกรณ์วิจัย เขาต้องการทำงานวิจัยระยะยาวต่อไป สำหรับความไม่พอใจดังกล่าว แทนที่จะมองหาผลิตภัณฑ์อื่นต่อไป เขาสร้างสภาพแวดล้อมที่จำเป็น ความพยายามในยุค AI ไม่ใช่แค่การคิดค้นพรอมต์ มันคือ การกำจัดความไม่สะดวกที่เกิดขึ้นซ้ำโดยการปรับปรุงเครื่องมือ มีงานที่ใช้เวลาห้านาทีต่อวัน หากทำด้วยตนเองทุกวัน จะกลายเป็นเวลาจำนวนมากในหนึ่งปี เมื่อสร้างสคริปต์แล้ว ตั้งแต่วันถัดไปแทบไม่ต้องใช้เวลาเลย ยิ่งกว่านั้น หากสคริปต์นั้นถูกรวมเข้ากับเอเยนต์ AI เพื่อให้สามารถตัดสินใจงานประเภทเดียวกันได้โดยอัตโนมัติ ก็จะสามารถใช้สำหรับงานอื่นได้ อัจฉริยะแห่งความพยายามไม่ใช่คนที่จัดการงานตรงหน้าได้อย่างรวดเร็ว แต่เป็นคนที่ ค้นหาส่วนที่ไม่ต้องใช้ความพยายามตั้งแต่ครั้งต่อไป และก้าวไปสู่ความพยายามใหม่ด้วยปริมาณนั้น

11. อย่าใช้มันอย่างสะดวกในขณะที่มันเป็นกล่องดำ

เครื่องมือ AI จะมองเห็นภายในได้ยากขึ้นเมื่อมันสะดวกมากขึ้น คุณใส่คำแนะนำ รอสักครู่ และผลิตภัณฑ์สำเร็จรูปก็ออกมา ผู้ใช้ไม่รู้ว่าใช้โมเดลไหนในระหว่างนั้น ล้มเหลวกี่ครั้ง ค้นหาอะไร หรือเปลี่ยนไฟล์ไหน สำหรับงานง่ายๆ อาจไม่เป็นไร อย่างไรก็ตาม ในงานที่ผลกระทบของความล้มเหลวมีมาก เช่น การวิจัย ระบบธุรกิจ ข้อมูลส่วนบุคคล หรือการควบคุมอุปกรณ์ คุณต้องสามารถตรวจสอบได้ในภายหลังว่า "ทำไมถึงกลายเป็นแบบนั้น"

ในขณะที่ AI เคลื่อนไปสู่ทิศทางของการทำให้เป็นห้องโดยสาร กลยุทธ์ที่จะไม่ยอมให้สิ่งใดเป็นกล่องดำจะยิ่งมีความสำคัญมากขึ้น Ochiai กำลังดำเนินการนี้โดยการปล่อยเครื่องมือที่เปิดเผยร่องรอยการทำงานภายในให้ผู้ใช้เห็น เช่น เอเยนต์ที่สามารถย้อนกลับไปยังรุ่นก่อนหน้าได้ เอเยนต์ที่บันทึกประวัติการดำเนินการ เอเยนต์ที่สามารถระบุว่า "รหัสนี้ถูกสร้างขึ้นโดยโมเดลอะไรโดยใช้คำแนะนำอะไร" และเอเยนต์ที่สามารถตรวจสอบการทำงานของ AI ตัวอื่นได้

วิธีการนี้ทำให้ความพยายามไม่ใช่แค่การได้รับผลลัพธ์ แต่เป็น การเพิ่มความสามารถในการสอบสวน ไปพร้อมกัน อัจฉริยะแห่งความพยายามไม่ใช่คนที่ใช้ AI อย่างสุ่มสี่สุ่มห้า แต่เป็นคนที่ในขณะที่ใช้ AI ยังคงรักษาเส้นทางที่สามารถย้อนกลับไปตรวจสอบความถูกต้องของข้อมูลได้

12. ในความคิดสร้างสรรค์ อย่าให้ AI เชื่อฟังคำพูดของมนุษย์มากเกินไป

เมื่อใช้ AI ในการทำงาน สิ่งสำคัญคือมันควรเคลื่อนไหวตามความตั้งใจของผู้ใช้ อย่างไรก็ตาม ในด้านการสร้างสรรค์ สิ่งต่าง ๆ นั้นแตกต่างกัน หากผลลัพธ์ที่ออกมาเป็นเพียงสิ่งที่มนุษย์จินตนาการไว้แล้ว ความหมายของการใช้ AI ก็จะบางเบา หากรูปแบบที่เสร็จสมบูรณ์อยู่ในหัวแล้ว มนุษย์ก็ควรสร้างมันขึ้นมาแบบนั้นเอง คุณค่าของ AI อยู่ที่การผลิตการเชื่อมต่อที่ผู้ใช้ไม่คาดคิดในบางครั้ง Ochiai ถูกแนะนำว่าเป็นผู้ประเมินลักษณะ "วรรณกรรม" ของ GPT-4.5 ในขณะนั้น ซึ่งไม่เพียงแต่พอดีกับรูปแบบเชิงตรรกะเท่านั้น แต่ยังข้ามไปมาระหว่างคำและสัญลักษณ์ นี่ไม่ใช่การประเมินความเหนือกว่าของโมเดลแบบสากล แต่เป็นทัศนคติที่พยายามใช้ AI ที่สร้างการเชื่อมต่อที่คาดเดาไม่ได้สำหรับการสร้างสรรค์

ในอีกชิ้นหนึ่ง Ochiai ได้จัดหมวดหมู่การสร้างสรรค์ด้วย AI ออกเป็นกรณีที่มนุษย์ควบคุมทุกอย่าง กรณีที่ปล่อยให้เป็นการสร้างอัตโนมัติทั้งหมด และกรณีที่มนุษย์ทำเพียงการคัดเลือกและปรับแต่งตามการสร้างของ AI และตรวจสอบความขัดแย้งที่อยู่ระหว่างกลาง หากมนุษย์กำหนดรายละเอียดมากเกินไป การเบี่ยงเบนเฉพาะของ AI ก็จะหายไป หากเป็นระบบอัตโนมัติเต็มรูปแบบ ความต้องการสร้างสรรค์ของมนุษย์ก็ยากที่จะพึงพอใจ สิ่งที่ได้จากสิ่งนี้ไม่ใช่ "พรอมต์ที่จะให้ AI สร้างงานที่ดี" แต่เป็นเทคนิคการแก้ไขว่าควรปล่อยให้ความไม่คาดคิดของ AI อยู่มากน้อยเพียงใด ตัวอย่างเช่น สมมติว่ารูปร่างประหลาดปรากฏขึ้นในภาพที่สร้างโดย AI โดยปกติแล้ว คุณจะลบมันออกในฐานะข้อบกพร่อง อย่างไรก็ตาม หากมีความประทับใจใหม่ในความแปลกประหลาดนั้น คุณก็สามารถจับคู่องค์ประกอบโดยรวมให้เข้ากับรูปร่างนั้นได้ หากแนวคิดที่ปกติแล้วไม่เชื่อมต่อกันถูกเรียง排列ในข้อความที่สร้างโดย AI คุณอาจตัดมันทิ้งว่าไร้ความหมาย ในทางกลับกัน มนุษย์สามารถคิดได้ว่าทำไมทั้งสองสิ่งนั้นถึงถูกเรียง排列ไว้ด้วยกันและเปลี่ยนเป็นคำถามใหม่ ในวิดีโอ "Liquid Universe" ของ Ochiai ที่ภาพของผลึกเหลวที่แตกเปลี่ยนไปอย่างลื่นไหลถูกสร้างโดย generative AI ในนิทรรศการปี 2025 ได้มีการนำการกำหนดค่าที่วิดีโอโดย generative AI เปลี่ยนแปลงอยู่ตลอดเวลา และภาพของสิ่งมีชีวิตในทะเลและรูปปั้นมังกรก็ถือกำเนิดและหายไป AI ไม่ได้แทนที่มือของผู้เขียนอย่างสมบูรณ์ มนุษย์ออกแบบวิธีการสร้าง วัสดุ อุปกรณ์แสดงผล พื้นที่ เวลา การเปลี่ยนแปลงที่จะทิ้งไว้ และระยะห่างจากผู้ชม ความพยายามของมนุษย์ในการสร้างสรรค์เปลี่ยนจากการวาดทุกอย่างด้วยมือเป็นการ กำหนดขอบเขตให้กับสิ่งต่าง ๆ ที่ถูกสร้างขึ้นอย่างต่อเนื่อง

13. นำ AI ออกจากหน้าจอแชทและเชื่อมต่อกับพื้นที่และร่างกาย

สำหรับหลาย ๆ คน AI อยู่ในเบราว์เซอร์ คุณป้อนคำถาม และข้อความก็กลับมา แต่การใช้ AI ของ Ochiai ไม่ได้จำกัดอยู่บนหน้าจอ ในสภาพแวดล้อมการทำงานเคลื่อนที่ของเขา มีการแนะนำว่าเขาใช้ Apple Vision Pro เป็น "หูฟังสำหรับการมองเห็น" เพื่อปิดกั้นข้อมูลภาพรอบข้างและขยายหน้าจอเสมือนขนาดใหญ่ เป็นแนวคิดของการสร้างสภาพแวดล้อมสมาธิของตัวเองแม้บนรถไฟชินคันเซ็น ใน "null²" ของงาน Osaka/Kansai Expo AI ไม่ได้แค่ส่งข้อความกลับมาเท่านั้น แต่เชื่อมต่อกับ alter ego ของผู้ใช้ เสียง วิดีโอ และการผลิตเชิงพื้นที่ ใน Mirrored Body ได้นำกลไกมาใช้ในการสร้างอวาตาร์ AI โดยให้ผู้ใช้ลงทะเบียนข้อมูลและเสียง เชื่อมต่อกับการผลิตของศาลา นอกจากนี้ ส่วนหนึ่งของเทคโนโลยีอวาตาร์ 3D จริงที่ใช้ที่นั่นถูกปล่อยเป็นโอเพนซอร์สหลังจากงาน Expo

มีข้อเสนอแนะที่ยิ่งใหญ่ที่นี่สำหรับการทำความเข้าใจการใช้ประโยชน์จาก AI การใช้ AI ไม่ใช่แค่การขอให้ทำงานจากแชท เปลี่ยนสิ่งที่มนุษย์เห็น เปลี่ยนพื้นที่ที่มนุษย์อยู่ ใช้การเคลื่อนไหวของร่างกายเป็นอินพุต ใช้เสียงเป็นอินเทอร์เฟซ ย้ายอุปกรณ์จริง เปลี่ยนการแสดงออกตามปฏิกิริยาของผู้ชม ออกแบบ AI เป็นส่วนหนึ่งของสิ่งแวดล้อม แน่นอนว่าไม่ใช่ทุกคนที่ต้องเตรียมชุดหูฟังราคาแพงหรืออุปกรณ์นิทรรศการขนาดใหญ่ สิ่งที่ควรนำไปใช้คือหลักการ ไม่ใช่อุปกรณ์ ปิดกั้นการแจ้งเตือนที่ขัดขวางสมาธิ ทำให้สามารถเรียก AI จากสภาพแวดล้อมการทำงานเดียวกันได้ตลอดเวลา รวมเสียง รูปภาพ เอกสาร และโค้ดไว้ในโปรเจกต์เดียว สร้างเทมเพลตสำหรับคำแนะนำที่ใช้บ่อย ส่งผลงานจริงกลับไปให้ AI สร้างสภาพแวดล้อมที่สมาธิเกิดขึ้นก่อน เพื่อให้มนุษย์ไม่ต้องมีสมาธิด้วยความตั้งใจทุกครั้ง คนที่สามารถพยายามอย่างต่อเนื่องไม่ได้มีแค่จิตใจที่แข็งแกร่ง พวกเขากำลังสร้างสภาพแวดล้อมรอบตัวที่ทำให้ความพยายามเป็นเรื่องง่าย

14. ยิ่งเป็นยุค AI ยิ่งมีคุณค่าของประสบการณ์แบบแมนนวลแบบดั้งเดิม

มักคิดว่าเพื่อเชี่ยวชาญ AI คุณเพียงแค่ต้องรู้เครื่องมือล่าสุด อย่างไรก็ตาม Ochiai เน้นย้ำถึงคุณค่าของประสบการณ์แบบ "คนแก่แนว analog" ที่เคยเขียนโค้ดด้วยมือ เข้าใจกลไก และผ่านการเปลี่ยนแปลงทางเทคโนโลยี แม้ว่า AI จะสร้างโค้ดหรือข้อความ หากคุณไม่เข้าใจโครงสร้างภายใน คุณจะไม่สามารถตัดสินสาเหตุเมื่อเกิดปัญหาได้ หากคุณมีประสบการณ์ในการขยับมือด้วยตัวเอง คุณจะสังเกตเห็นสัญญาณของข้อบกพร่องหรือตำแหน่งข้อผิดพลาดได้อย่างรวดเร็ว นี่ไม่ใช่เรื่องง่ายๆ ที่คนแก่จะเหนือกว่าคนรุ่นใหม่ สิ่งสำคัญไม่ใช่อายุ แต่คือคุณเคยประสบกับกระบวนการพื้นฐานด้วยตัวเองหรือไม่ คนที่เขียนข้อความซ้ำหลายครั้งมักจะสังเกตเห็นการเชื่อมต่อเชิงตรรกะที่ไม่เป็นธรรมชาติในข้อความของ AI คนที่มีประสบการณ์ด้านการถ่ายภาพสามารถสังเกตเห็นความขัดแย้งของแหล่งกำเนิดแสงหรือการแสดงออกของเลนส์ในภาพที่สร้างขึ้น คนที่เคยดีบักโปรแกรมมักจะสังเกตเห็นโค้ดที่อันตรายเพียงแค่รัน คนที่อ่านบทความสามารถรู้สึกไม่สบายใจกับการอ้างอิงที่ดูเหมือนมีอยู่แต่ไม่มีจริง คนที่เคยจัดการบริการลูกค้าสามารถจินตนาการได้ว่าทำไมกระแสธุรกิจในอุดมคติที่สร้างโดย AI จึงไม่สามารถใช้ในพื้นที่จริงได้

AI เพิ่มความเร็วในการส่งออกของผู้เริ่มต้น อย่างไรก็ตาม มันไม่ได้เปลี่ยนผู้เริ่มต้นให้เป็นผู้เชี่ยวชาญโดยอัตโนมัติ เพื่อประเมินว่าผลลัพธ์ถูกต้องหรือไม่ ความรู้สึกในสาขานั้นเป็นสิ่งจำเป็น ดังนั้น การเรียนรู้ในยุค AI จึงไม่ใช่การละเว้นพื้นฐานทั้งหมด แต่เป็นการสัมผัสงานพื้นฐานตามจำนวนครั้งที่จำเป็น และเร่งการทำซ้ำครั้งใหญ่ในภายหลังด้วย AI การมีเครื่องคิดเลขไม่ได้หมายความว่าคุณไม่ต้องเรียนรู้ความหมายของตัวเลข การมี AI แปลภาษาไม่ได้หมายความว่าคุณไม่ต้องรู้ความแตกต่างทางวัฒนธรรมในภาษา การมี AI เขียนโค้ดไม่ได้หมายความว่าคุณไม่ต้องเข้าใจข้อมูล สิทธิ์ การทดสอบ และความปลอดภัย ความสามารถด้าน AI เพียงอย่างเดียวไม่สามารถทดแทนความเชี่ยวชาญได้ การใช้ AI แบบ Ochiai ไม่ใช่การทิ้งทักษะเก่า แต่เป็นการใช้ทักษะเก่าเป็นอุปกรณ์ตรวจสอบสำหรับผลลัพธ์ของ AI

15. อย่าเติมเต็มเวลา ทิ้งช่องว่างไว้ให้ความอยากรู้อยากเห็นได้เคลื่อนไหว

เมื่อคุณเห็นคนที่ทำงานจำนวนมากอย่างไม่น่าเชื่อ คุณคิดว่าพวกเขาจัดการตารางเวลาทีละนาที อย่างไรก็ตาม Ochiai แสดงให้เห็นแนวคิดที่ว่าการจัดการเวลาที่มากเกินไปจะพรากความอยากรู้อยากเห็นไป ในทางกลับกัน เขาไม่ได้จัดการอะไรเลย เขาออกแบบช่วงเวลาเพื่อมีสมาธิ เช่น การใช้เวลาช่วงเช้าสำหรับงานสร้างสรรค์ นี่เป็นความขัดแย้งที่สำคัญเกี่ยวกับประสิทธิภาพ คุณประหยัดเวลาหนึ่งชั่วโมงด้วย AI คุณใส่การประชุมใหม่ในชั่วโมงนั้น คุณประหยัดเวลาอีกชั่วโมง คุณรับงานอื่นเพิ่ม หากคุณเติมเต็มเวลาที่ประหยัดได้ทั้งหมดด้วยแผน ปริมาณการประมวลผลจะเพิ่มขึ้น แต่การค้นพบโดยบังเอิญจะลดลง หากคุณใช้ประสิทธิภาพของ AI เพียงเพื่อยัดเยียดงาน มนุษย์จะกลายเป็นอุปกรณ์ที่ย่อยรายการงานที่สร้างโดย AI

ในการสัมภาษณ์เกี่ยวกับการสร้างสรรค์ของ Ochiai มีการบอกถึงทัศนคติที่มุ่งหวังผลลัพธ์ที่มนุษยชาติยังไม่เคยสร้าง และพยายามยกระดับทั้งรากฐานทางเทคนิคและความสมบูรณ์แบบทางศิลปะ นอกจากนี้ ยังเห็นแนวคิดที่ว่าแทนที่จะกำหนดหัวข้อตั้งแต่เริ่มต้น หัวข้อจะเกิดขึ้นในขณะที่ขยับมือและลองสิ่งที่น่าสนใจรอบข้าง สิ่งใหม่ๆ ไม่ได้เกิดจากการเติมช่องว่างในแผน การสืบสวนสิ่งที่คุณรู้สึก curious อยู่บ้าง การเขียนโค้ดที่คุณไม่รู้ว่ามีประโยชน์หรือไม่ การอ่านหนังสือในสาขาอื่น การสัมผัสวัสดุ การถ่ายภาพ การโยนชุดค่าผสมที่แปลกประหลาดให้ AI การดูความล้มเหลว เวลาแบบนี้ดูเหมือนไม่มีประสิทธิภาพในระยะสั้น แต่ธีมที่ไม่รู้จักเข้ามาจากภายนอกผลิตภัณฑ์ที่วางแผนไว้ หาก AI ทำให้งานประจำเร็วขึ้น มนุษย์ไม่ควรเติมช่องว่างนั้นด้วยงานประจำมากขึ้น แต่ควร คืนมันให้กับการสำรวจที่ไม่มีจุดประสงค์ตายตัว อัจฉริยะแห่งความพยายามไม่ใช่คนที่สามารถยัดเยียดแผนได้ตลอดทั้งวัน แต่เป็นคนที่สามารถเลือกว่าจะเน้นอะไร ทำให้อะไรเป็นอัตโนมัติ และทิ้งเวลาไร้จุดหมายไว้ที่ไหน

16. หลังจากส่งต่อ "ความฉลาด" ให้ AI แล้ว มนุษย์จะทุ่มเทอะไร?

ในการสัมภาษณ์ปี 2026 Ochiai พูดถึงความเป็นไปได้ที่เมื่อเครื่องจักรเข้ามาแทนที่สิ่งที่มนุษย์ได้รับจากความพยายามและสติปัญญา หลายคนจะเผชิญกับความกังวลเกี่ยวกับการดำรงอยู่เกี่ยวกับ "สิ่งที่พวกเขาควรทำ" นี่คือมุมมองของเขาเกี่ยวกับอนาคต ไม่ใช่ข้อเท็จจริงที่ว่างานทั้งหมดถูกแทนที่แล้ว ปัญหานี้อยู่ที่จุดสุดท้ายของเทคนิคการใช้ประโยชน์จาก AI การทำงานให้เร็วขึ้น การทำเอกสารให้เร็วขึ้น การเขียนโค้ดให้เร็วขึ้น การวิจัยให้เสร็จเร็วขึ้น หลังจากนั้นเกิดขึ้นจริง มนุษย์จะทำอะไร? พวกเขาจะทำเอกสารมากขึ้นอีกไหม? พวกเขาจะเขียนโค้ดมากขึ้นอีกไหม? พวกเขาจะรับงานมากขึ้นอีกไหม? ถ้าเช่นนั้น จุดประสงค์ของการใช้ AI จะชี้ไปที่การเพิ่มปริมาณการประมวลผลตลอดไป Ochiai จินตนาการถึงวิถีชีวิตแบบ "Matagi" ที่มีความสัมพันธ์กับชุมชนเฉพาะในขณะที่ค้นพบสิ่งใหม่ๆ โดยบังเอิญที่ขอบของพวกมัน เป็นวิถีชีวิตที่ใช้เทคโนโลยีโดยไม่สูญเสียการติดต่อกับสิ่งแวดล้อม ร่างกาย พิธีกรรม และชุมชน

หากคุณส่งต่องาน "ที่ต้องประมวลผลอย่างชาญฉลาด" ให้ AI งานต่อไปนี้ยังคงอยู่สำหรับมนุษย์:

• สิ่งใดที่ควรทำให้ประหลาดใจ?
• สิ่งใดที่ควรรู้สึกว่าสวยงาม?
• ปัญหาใดที่ถือว่าไม่สามารถละเลยได้?
• อยู่กับใคร?
• ใช้เวลากับอะไร?
• ความล้มเหลวใดที่ควรรับ?
• รับผิดชอบที่ไหน?
• ประสบการณ์แบบใดที่จะได้รับกับร่างกายจริง?

สิ่งเหล่านี้ไม่ใช่แค่การประมวลผลข้อมูล AI สามารถสร้างตัวเลือกได้ มันยังสามารถทำนายได้ แต่การเลือกตัวเลือกใดเป็นชีวิตของตัวเองนั้นมีเพียงมนุษย์เท่านั้นที่สามารถทำได้ ความพยายามในยุค AI กำลังเปลี่ยนจากการจดจำคำตอบที่ถูกต้องมากขึ้นเป็นการ อัปเดตสิ่งที่ตนให้คุณค่าอย่างต่อเนื่อง

17. สิ่งที่คุณไม่ควรเลียนแบบคือนิสัยการใช้ชีวิตที่สุดขั้ว

เมื่อมีการแนะนำเทคนิคการทำงานของโปรดิวเซอร์ชื่อดัง เวลาตื่น เวลานอน และจำนวนมื้ออาหารมักจะดึงดูดความสนใจ สำหรับ Ochiai เช่นกัน มีการแนะนำว่าเขาใช้เวลาช่วงเช้าอย่างไรและนิสัยการกินที่แปลกประหลาดของเขา อย่างไรก็ตาม นิสัยการใช้ชีวิตเช่นนี้ไม่ควรถูกเลียนแบบเป็นศูนย์กลางของเทคนิคการใช้ประโยชน์จาก AI อาหาร การนอน การออกกำลังกาย และการใช้ยามีเงื่อนไขที่เหมาะสมขึ้นอยู่กับร่างกาย อายุ โรคเรื้อรัง และลักษณะงาน สิ่งที่บุคคลนั้นทำและสิ่งที่สามารถแนะนำโดยทั่วไปนั้นแตกต่างกัน สิ่งที่ควรสกัดในบทความนี้ไม่ใช่จำนวนมื้ออาหาร แต่คือ:

• เปรียบเทียบ AI หลายตัว
• ทิ้งวัสดุด้วยเสียง
• ถอดรหัสกระบวนการทำงาน
• ไม่ถือว่าร่างแรกเป็นผลิตภัณฑ์สำเร็จรูป
• ตรวจสอบแหล่งที่มา
• ทิ้งประวัติการทำงานของ AI
• สร้างเครื่องมือของตัวเองหากจำเป็น
• กลับไปสู่ร่างกายและสิ่งแวดล้อม

การลดเวลานอนเพื่อเพิ่มผลผลิตด้วย AI ไม่ใช่การออกแบบความพยายามระยะยาว แทนที่จะเอาจากการนอนเพิ่มอีกในเวลาที่ AI ทำให้สั้นลง ให้จัดสรรให้กับการฟื้นตัว การเรียนรู้ การสังเกต และเวลากับครอบครัวหรือผู้อื่น สิ่งที่ควรเรียนรู้จากอัจฉริยะแห่งความพยายามไม่ใช่การอดทนต่อความทุกข์ แต่คือ วิธีสร้างระบบเพื่อที่คุณจะไม่ต้องทนทุกข์ซ้ำเดิมและเดินต่อไปยังงานที่ไม่รู้จักด้วยจำนวนนั้น

"Ochiai-style AI Effort OS" ที่สกัดจากตัวอย่างสาธารณะ

จัดระเบียบเนื้อหาที่ผ่านมาให้อยู่ในรูปแบบที่สามารถนำไปใช้กับงานทั่วไปได้ นี่ไม่ใช่ขั้นตอนการทำงานประจำวันที่แน่นอนที่ Ochiai เปิดเผยเอง แต่เป็นโมเดลเชิงปฏิบัติที่บทความนี้สกัดจากตัวอย่างการใช้ AI สาธารณะ

Stage 1: เริ่มต้นในสถานะที่ไม่เป็นระเบียบ

อย่าเขียนข้อเสนอตั้งแต่เริ่มต้น ขั้นแรก เป็นเวลาห้าถึงสิบนาที ให้ใส่สิ่งที่อยู่ในหัวของคุณออกมาตามที่เป็นอยู่ ด้วยเสียงหรือข้อความ คุณสามารถผสมจุดประสงค์ พื้นหลัง อารมณ์ ความไม่สบายใจ ความคิด และความกังวล จากนั้น ถาม AI ดังนี้:

จัดหมวดหมู่ข้อความของฉันเป็นข้อเท็จจริงที่ยืนยันแล้ว การตีความ สมมติฐาน ความหวัง ข้อจำกัด และรายการที่ไม่ได้รับการยืนยัน อย่าเพิ่งสรุป และถามคำถามทีละข้อเพื่อชี้แจงจุดประสงค์

ที่นี่ อย่าให้ AI ตอบ ให้มันค้นพบความคลุมเครือในฝั่งมนุษย์

Stage 2: ส่งงานเดียวกันให้ AI ตั้งแต่สามตัวขึ้นไป

อย่าพึ่งพา AI เพียงตัวเดียว ส่งวัสดุพื้นหลังและคำถามเดียวกันให้ AI หลายตัว อย่างไรก็ตาม อย่าแค่รวบรวมคำตอบที่เหมือนกันสามคำตอบ เปลี่ยนบทบาท ให้ตัวหนึ่งทำการวิจัยมาตรฐาน ตัวหนึ่งค้นหาตัวอย่างตรงกันข้าม และตัวหนึ่งคิดเกี่ยวกับวิธีการดำเนินการและต้นทุน ถ้าเป็นไปได้ ให้อีกตัวหนึ่งจัดการมุมมองของผู้ใช้หรือฝ่ายตรงข้าม หลังจากส่งออก ให้สร้างตารางเปรียบเทียบ:

• จุดที่ AI ทั้งหมดเห็นด้วย
• จุดที่มีเพียงบางตัวอ้าง
• จุดที่ตัวเลขหรือข้อเท็จจริงขัดแย้งกัน
• จุดที่ต้องตรวจสอบกับแหล่งข้อมูลปฐมภูมิ
• จุดที่ไม่มีใครพิจารณา มนุษย์อ่านความแตกต่างระหว่างคำตอบ ไม่ใช่ตัวคำตอบเอง

Stage 3: อย่าจบลงที่ข้อความ แปลงเป็นรูปแบบอื่น

อย่าพอใจกับการอ่านผลการวิจัย ถ้าเป็นแผน ให้ทำเป็นแผนภาพเดียว ถ้าเป็นผลิตภัณฑ์ ให้ทำเป็นต้นแบบของหน้าจอ ถ้าเป็นงาน ให้ทำเป็นภาพหรือวิดีโอสั้น ถ้าเป็นระบบ ให้ทำเป็นแผนภาพขั้นตอนที่ผู้ใช้ผ่าน ถ้าเป็นงานวิจัย ให้แบ่งเป็นสมมติฐานและวิธีการตรวจสอบ ความคิดสามารถซ่อนความขัดแย้งในข้อความ เมื่อคุณพยายามนำไปใช้ เงื่อนไขที่ขาดหายไปจะปรากฏขึ้น ใครใช้? กดปุ่มไหน? ข้อมูลมาจากไหน? จะกลับมาอย่างไรในกรณีที่ล้มเหลว? การนำไปปฏิบัติเป็นอุปกรณ์ตรวจสอบสำหรับความคิด

Stage 4: ให้ AI อีกตัวทำลายสิ่งที่ AI หนึ่งตัวสร้างขึ้น

อย่าให้ AI ที่สร้างทำการประเมินตนเองเท่านั้น ส่งต่อผลิตภัณฑ์ไปยังการสนทนาอื่น โมเดลอื่น หรือบทบาทอื่น ให้มันค้นหาปัญหาจากมุมมองต่อไปนี้:

• ข้อผิดพลาดตามข้อเท็จจริง
• การไม่มีอยู่ของการอ้างอิง
• ปัญหาด้านความปลอดภัย
• ปัญหาด้านสิทธิ์
• การระบุกลุ่มเป้าหมายผิด
• การประเมินต้นทุนการดำเนินการต่ำเกินไป
• ส่วนที่ไม่สามารถบำรุงรักษาได้
• ส่วนที่หนีไปสู่ภาพรวม
• ส่วนที่ต้องได้รับการอนุมัติจากมนุษย์
• ส่วนที่ไม่สามารถกู้คืนได้ในกรณีที่ล้มเหลว มนุษย์ตรวจสอบปัญหาที่มีความสำคัญสูงในแหล่งข้อมูลปฐมภูมิหรือสภาพแวดล้อมจริง การตรวจสอบโดย AI ไม่ใช่การรับประกันขั้นสุดท้าย ใช้เพื่อจำกัดสถานที่ที่มนุษย์ควรตรวจสอบ

Stage 5: เปลี่ยนสาเหตุของการปฏิเสธเป็นสินทรัพย์พรอมต์ถัดไป

อย่าแค่ลบผลลัพธ์ที่ไม่ดีแล้วจบ ทิ้งไว้หนึ่งบรรทัดว่าทำไมมันถึงไม่ดี

• "กลุ่มเป้าหมายกว้างเกินไป"
• "เป็นไปได้ทางเทคนิค แต่ไม่มีกรณีการใช้งาน"
• "ข้อความถูกจัดระเบียบ แต่ขาดประสบการณ์"
• "ภาพสวยงาม แต่ไม่เกี่ยวข้องกับจุดประสงค์"
• "ผลการวิจัยขาดแหล่งข้อมูลปฐมภูมิ"
• "โค้ดทำงานได้ แต่ขาดการจัดการสิทธิ์" เพิ่มสิ่งเหล่านี้ลงในข้อห้ามของโครงการหรือเกณฑ์การประเมิน ครั้งต่อไป AI มีแนวโน้มที่จะทำผิดพลาดเดียวกันน้อยลง ประสบการณ์ของมนุษย์ถูกแปลงเป็นคำแนะนำที่กำหนดเอง ข้อกำหนด การทดสอบ และรายการตรวจสอบ นี่คืองานของการเปลี่ยนความพยายามให้เป็นรูปแบบที่สะสมได้

Stage 6: ทำให้ความไม่สะดวกที่เกิดขึ้นซ้ำเป็นอัตโนมัติหรือเป็นเครื่องมือ

ถ้าคุณเขียนคำแนะนำเดิมทุกครั้ง ให้ทำเป็นเทมเพลต ถ้าคุณแปลงเป็นรูปแบบเดิมทุกครั้ง ให้ทำเป็นสคริปต์ ถ้าคุณมองหาวัสดุเดียวกันทุกครั้ง ให้บันทึกกระบวนการวิจัย ถ้าคุณทำการตรวจสอบเดียวกันทุกครั้ง ให้เปลี่ยนเป็นการทดสอบ ถ้าคุณเลือกโมเดลทุกครั้ง ให้สร้างกฎตามงาน ถ้าคุณส่งต่อไฟล์ด้วยตนเองทุกครั้ง ให้พิจารณาวิธีการเชื่อมต่อที่ปลอดภัย สิ่งสำคัญไม่ใช่แค่การทำให้งานหนึ่งสั้นลงสามนาที แต่คือการไม่ให้สามนาทีนั้นเกิดขึ้นหลายร้อยครั้งในอนาคต

Stage 7: ในที่สุด นำไปสู่ความเป็นจริง

อย่าประเมินเฉพาะจากการสนทนาระหว่าง AI แสดงให้คนอื่นเห็น ย้ายในพื้นที่จริง พิมพ์ออกมา ฉายภาพ ให้ลูกค้าใช้ คิดขณะเดินออกไปข้างนอก สัมผัสวัสดุ สัมผัสประสบการณ์ด้วยร่างกายของคุณเอง AI สามารถสร้างบุคลิกผู้ใช้ที่น่าเชื่อถือได้ แต่ที่ที่ผู้ใช้จริงหลงทางนั้นไม่สามารถรู้ได้เว้นแต่คุณจะนำไปสู่ความเป็นจริง ความเป็นจริงทำลายตรรกะที่สวยงามที่สร้างโดย AI การทำลายนั้นกำหนดทิศทางของความพยายามครั้งต่อไป

พรอมต์การหมุนเวียนความพยายามเชิงปฏิบัติ

ต่อไปนี้ไม่ใช่การทำซ้ำพรอมต์ของ Ochiai เอง แต่เป็นโปรโตคอลการสนทนาเดียวของโครงสร้างที่วิเคราะห์ในบทความนี้: การวิจัยแบบขนาน การดำเนินการแบบเป็นขั้นตอน หลักฐานตรงกันข้าม และการบันทึก

1คุณไม่ใช่ AI ที่ทำหน้าที่ในนามของฉันเพื่อสร้างผลิตภัณฑ์สำเร็จรูปในครั้งเดียว แต่เป็น "ผู้ประสานงานการวิจัยและพัฒนา" ที่เพิ่มความเร็วในการหมุนเวียนของการวิจัย การสร้างต้นแบบ หลักฐานตรงกันข้าม และการปรับปรุง
2
3【ธีม】
4{{ธีมที่ต้องการทำงานในครั้งนี้}}
5
6【สิ่งที่ฉันต้องการตัดสินใจในที่สุด】
7{{กรอกให้มากที่สุดเท่าที่รู้ อาจยังไม่ตัดสินใจ}}
8
9【วัสดุที่ฉันมีอยู่ในขณะนี้】
10{{บันทึก การถอดเสียงด้วยเสียง เอกสาร ข้อมูล โค้ด ฯลฯ}}
11
12【หลักการพื้นฐาน】
131. อย่าสร้างแผนสุดท้ายในขณะที่จุดประสงค์ของฉันยังคลุมเครือ
142. ถามคำถามทีละข้อเพื่อชี้แจงจุดประสงค์ เป้าหมาย ข้อจำกัด และเงื่อนไขความสำเร็จ
153. แยกข้อเท็จจริง การตีความ สมมติฐาน และข้อเสนออย่างชัดเจน
164. แนบแหล่งที่มากับข้อเท็จจริงและให้ความสำคัญกับแหล่งข้อมูลปฐมภูมิ
175. สำหรับสิ่งที่ยืนยันไม่ได้ อย่าเติมด้วยการคาดเดา ให้ทำเครื่องหมายว่า "ไม่ได้รับการยืนยัน"
186. อย่าถือว่าแผนแรกเป็นแผนสุดท้าย
197. ถือว่าการวิจัย การสร้างความคิด การนำไปปฏิบัติ และการประเมินเป็นกระบวนการที่แยกจากกัน
208. AI ตัวเดียวกันไม่ควรทำหน้าที่เป็นทั้งผู้สร้างและผู้ประเมินเพียงคนเดียว
219. ระบุส่วนที่ต้องได้รับการอนุมัติจากมนุษย์อย่างชัดเจน
2210. บันทึกสาเหตุการปฏิเสธทั้งหมดเป็นเงื่อนไขสำหรับการสร้างครั้งต่อไป
23
24【ระยะที่ 1: การค้นพบจุดประสงค์】
25จำแนกอินพุตของฉันเป็นดังนี้:
26- ข้อเท็จจริงที่ยืนยันแล้ว
27- การตีความของฉัน
28- สมมติฐานที่ไม่ได้รับการตรวจสอบ
29- อารมณ์หรือความไม่สบายใจ
30- ทรัพยากรที่มีอยู่
31- ข้อจำกัด
32- คำที่ยังไม่ได้กำหนด
33ถามคำถามทีละข้อสำหรับข้อมูลที่ขาดหายไป
34
35【ระยะที่ 2: การออกแบบการวิจัยแบบขนาน】
36แบ่งธีมออกเป็นบทบาทต่อไปนี้:
37A. นักวิจัยที่รวบรวมคำอธิบายมาตรฐานและวัสดุหลัก
38B. ผู้พิสูจน์ตรงกันข้ามที่ค้นหาตัวอย่างตรงกันข้าม หลักฐานที่ขัดแย้ง และตัวอย่างความล้มเหลว
39C. ผู้ปฏิบัติที่คิดเกี่ยวกับวิธีการดำเนินการ ต้นทุน และกำหนดเวลา
40D. นักวิเคราะห์ผู้มีส่วนได้ส่วนเสียที่คิดเกี่ยวกับผู้ใช้ ผู้ไม่ใช้ และผู้ที่เสียเปรียบ
41E. นักสำรวจที่ค้นหาการเชื่อมต่อที่ไม่คาดคิดกับสาขาอื่น
42สร้างคำถามสำหรับแต่ละบทบาทเพื่อสืบสวน ตรวจสอบให้แน่ใจว่าไม่มีจุดที่ทับซ้อนกัน
43
44【ระยะที่ 3: บัญชีแยกประเภทหลักฐาน】
45จัดรูปแบบผลการวิจัยดังนี้:
46- ข้อกล่าวอ้าง / พื้นฐาน / แหล่งที่มา / วันที่เผยแพร่ / ช่วงข้อมูล / ปฐมภูมิหรือทุติยภูมิ / หลักฐานตรงกันข้าม / ระดับความเชื่อมั่น / จุดสำหรับการตรวจสอบโดยมนุษย์
47
48【ระยะที่ 4: การสร้างต้นแบบ】
49สร้างแผนต้นแบบขั้นต่ำ 3 แผนจากผลการวิจัย สำหรับแต่ละแผน ให้แสดง:
50- สมมติฐานที่ต้องตรวจสอบ / สิ่งที่ต้องทำ / สิ่งที่ไม่ต้องทำ / เวลาที่ต้องการ / ต้นทุนที่ต้องการ / กระบวนการที่ AI จัดการ / กระบวนการที่มนุษย์จัดการ / เงื่อนไขสำหรับความล้มเหลว
51อย่าดำเนินการไปสู่การนำไปปฏิบัติเต็มรูปแบบจนกว่าฉันจะเลือกหนึ่งแผน
52
53【ระยะที่ 5: การตรวจสอบตรงกันข้าม】
54กับต้นแบบหรือร่างแรก ให้ค้นหาปัญหาจากมุมมองของ:
55- ข้อเท็จจริง / ตรรกะ / เทคโนโลยี / ความปลอดภัย / สิทธิ์ / ต้นทุน / เป้าหมาย / ความสามารถในการบำรุงรักษา / ความเป็นต้นฉบับ
56แสดงความรุนแรงใน 4 ระดับ: หยุด / ต้องแก้ไข / สังเกต / อนุญาต
57
58【ระยะที่ 6: บันทึกการปรับปรุง】
59บันทึกสิ่งต่อไปนี้ทุกครั้งที่มีการแก้ไข:
60- ก่อนการเปลี่ยนแปลง / ปัญหา / เนื้อหาการเปลี่ยนแปลง / สาเหตุของการเปลี่ยนแปลง / ปัญหาที่เกิดขึ้นใหม่ / เงื่อนไขที่จะเพิ่มในพรอมต์หรือการทดสอบตั้งแต่ครั้งต่อไป
61
62【ระยะสุดท้าย】
63อย่าดำเนินการตัดสินใจขั้นสุดท้าย จัดระเบียบตัวเลือก หลักฐาน ความคิดเห็นที่ขัดแย้ง และรายการที่ไม่ได้รับการยืนยัน และให้ฉันเขียนแผนที่นำมาใช้และเหตุผลด้วยตัวเอง
64
65ในการตอบกลับครั้งแรก อย่าเสนอข้อเสนอ ถามคำถามหนึ่งข้อเกี่ยวกับความไม่สบายใจหรือจุดประสงค์ที่เฉพาะเจาะจงที่สุดที่ฉันรู้สึกเกี่ยวกับธีมนี้

บทสรุป — Yoichi Ochiai ไม่ได้ "เลิกพยายาม" ด้วย AI

หากคุณเข้าใจการใช้ AI ของ Yoichi Ochiai ว่าเป็นชุดของพรอมต์ที่สะดวก คุณจะพลาดแก่นแท้ของมัน

การรัน AI หลายตัวพร้อมกัน การกู้คืนความคิดที่ไม่เป็นระเบียบด้วยเสียง การจัดโครงสร้างคำแนะนำยาวๆ การทำคำตอบแรกใหม่หลายครั้ง การแบ่งการวิจัย ภาพ และการดำเนินการเป็นเครื่องมือต่างๆ การให้ AI ตัวหนึ่งวิจารณ์ผลลัพธ์ของอีกตัวหนึ่ง การสังเกตความผิดปกติด้วยประสบการณ์จากการขยับมือของตัวเอง การสร้างเครื่องมือที่สังเกตได้หากกล่องดำเป็นปัญหา การเชื่อมต่อ AI ไม่เพียงแต่กับข้อความ แต่กับวิดีโอ พื้นที่ ร่างกาย และอุปกรณ์วิจัย และการคืนเวลาที่ประหยัดได้ด้วย AI ให้กับความอยากรู้อยากเห็นและประสบการณ์จริง

สิ่งที่เหมือนกันในชุดของการกระทำนี้ไม่ใช่แนวคิดของการพยายามขี้เกียจ แต่เป็น แนวคิดของการพยายามทดสอบเพิ่มเติมภายในเวลาเดียวกัน ก่อน AI หนึ่งวันจบลงเพียงแค่การสืบสวนและนำสมมติฐานหนึ่งไปปฏิบัติ หลังจาก AI คุณสามารถสืบสวนหลายสมมติฐาน สร้างต้นแบบสามชิ้น เปรียบเทียบสาเหตุของความล้มเหลว และส่งผลลัพธ์เหล่านั้นกลับไปยังคำแนะนำถัดไป คุณสามารถใช้ช่องว่างที่เกิดขึ้นเพื่อการพักผ่อน คุณสามารถใช้มันสำหรับงานอื่น คุณสามารถใช้มันสำหรับการแสดงออกหรือการวิจัยใหม่ มนุษย์เป็นผู้ตัดสินใจว่าจะใช้มันเพื่ออะไร

หากเราเรียก Yoichi Ochiai ว่า "อัจฉริยะแห่งความพยายาม" เหตุผลไม่ใช่เพียงเพราะเขาทำงานนานกว่าคนอื่น แต่เพราะเขาไม่ทำให้ความพยายามเป็นเรื่องของจิตวิญญาณ การทำให้ความคิดอยู่ในรูปแบบที่บันทึกได้ การเปลี่ยนความล้มเหลวเป็นเงื่อนไขถัดไป การทำให้การทำซ้ำเป็นอัตโนมัติ การอัปเดตเครื่องมือ การสร้างสภาพแวดล้อม การยังคงทิ้งสถานที่ที่มนุษย์ควรตัดสิน สิ่งที่เขาเพิ่มขึ้นด้วย AI ไม่ใช่แค่จำนวนผลิตภัณฑ์สำเร็จรูป แต่คือ จำนวนครั้งที่เขาสามารถหมุนต่อไปได้โดยไม่ยอมแพ้จนกว่าจะถึงสิ่งที่ไม่รู้จัก สิ่งที่ถูกตั้งคำถามในยุค AI ไม่ใช่ "คุณใช้ AI ตัวไหน?" แต่คือมนุษย์กำลังสังเกตอะไรในขณะที่ AI กำลังส่งออก? มนุษย์กำลังแก้ไขอะไรหลังจากที่ AI สร้างมันขึ้นมา? มนุษย์กำลังพยายามไปที่ไหนอันเป็นผลมาจาก AI ที่เร็วขึ้น? เทคนิคการใช้ประโยชน์จาก AI ที่ดีที่สุดไม่ใช่วิธีการหลีกเลี่ยงความพยายาม แต่คือ เพื่อให้ความพยายามไม่หายไปเป็นครั้งเดียว แต่เปลี่ยนเป็นระบบที่เร่งความพยายามครั้งต่อไป