ฉันค่อนข้างเฉยเมยต่อการแข่งขันสู่ปัญญาประดิษฐ์ทั่วไป (AGI) เราแทบไม่เข้าใจจิตสำนึกของมนุษย์เลย แล้วเราจะรู้จักมันในเครื่องจักรได้อย่างไร?
ความทะเยอทะยานของฉันถ่อมตัวกว่านั้น: ฉันต้องการปัญญาประดิษฐ์เฉพาะทาง (ASI) ก่อน ระบบที่สามารถจัดการส่วนที่ซ้ำซากและปฏิบัติการของงานฉันได้ในระดับคุณภาพเดียวกัน ขณะเดียวกันก็คืนเวลาให้ฉันได้ฝึกฝนทักษะที่สำคัญจริงๆ
ทักษะที่กำหนดยุค AI คือการรักษาอธิปไตยทางปัญญาในโลกที่สร้างขึ้นจากระบบสุ่มมากขึ้น
สมองของคุณคือทรัพย์สินที่ยิ่งใหญ่ที่สุดเสมอ AI แค่ทำให้เห็นชัดขึ้น
คุณไม่เคยถูกจ้างเพราะทักษะทางเทคนิคเพียงอย่างเดียว คุณถูกจ้างเพราะการตัดสินใจที่อยู่เบื้องหลังการนำไปใช้ - การใช้เหตุผล การจัดลำดับความสำคัญ บริบท และสัญชาตญาณที่อยู่ภายใต้การปฏิบัติ
เมื่องานมากขึ้นถูกมอบหมายให้เอเจนต์ AI ก็เกิดคำถามที่ลึกซึ้งขึ้น
ฉันจะสอน AI ในสิ่งที่ฉันรู้ได้อย่างไร?
และการเน้นที่ "ฉัน" นั้นสำคัญ
ความหลากหลายทางความคิดของมนุษย์คือสิ่งที่ทำให้โลกน่าสนใจ บริษัทเติบโตผ่านการมาตรฐาน แต่พวกเขาพัฒนาผ่านคนที่มองโลกแตกต่าง AI สามารถเลียนแบบรูปแบบได้ แต่นวัตกรรมมักมาจากคนที่เบี่ยงเบนไปจากรูปแบบเหล่านั้น
โอกาสที่แท้จริงไม่ใช่การแทนที่ปัญญาของมนุษย์ แต่เป็นการทำให้มันอยู่ภายนอก - สร้างระบบที่สามารถจับบริบท ฮิวริสติก รสนิยม และวิธีแก้ปัญหาของคุณ
วิธีหนึ่งคือเริ่มสร้างสมองที่สองเฉพาะบุคคลของคุณตั้งแต่วันนี้
ไม่ใช่แค่คลังบันทึก แต่เป็นแบบจำลองภายนอกของวิธีที่คุณคิด ตัดสินใจ และสร้างสรรค์ เพราะคนที่ประสบความสำเร็จในยุค AI จะไม่ใช่คนที่แข่งขันกับเครื่องจักร - แต่เป็นคนที่เรียนรู้ที่จะทบทุนปัญญาของตนผ่านพวกมัน
การสร้างแบบจำลองสมองเชิงตรรกะล้วนๆ
ทำไมไม่ใช้ RAG? เพราะมันเป็นกล่องดำที่ทึบแสง ฉันจะไม่สบายใจถ้าฉันสามารถอธิบายความคิดและการกระทำของตัวเองได้ ฉันก็ไม่อยากให้มันแตกต่างไปกับสมองเทียมของฉัน
จริยธรรมและความสะเทือนอารมณ์เป็นปัญหาที่ยากลึกซึ้ง ตรรกะนั้นจัดการได้
ปัญญาของมนุษย์อาศัยทั้งสามอย่าง — อารมณ์ อัตลักษณ์ สัญชาตญาณ การใช้เหตุผลทางสังคม แต่ในโดเมนเฉพาะของงาน ตรรกะและการใช้เหตุผลที่มีโครงสร้างสร้างพลังมหาศาลอยู่แล้ว
เป้าหมายของฉันคือสร้างสมองที่สองที่สามารถใช้เหตุผลอย่างมีตรรกะ บีบอัดความรู้เป็นนามธรรม เรียนรู้รูปแบบผ่านการใช้งาน และทำให้วิธีคิดของฉันอยู่ภายนอก
แค่ปัญญาที่มีกลไกตรวจสอบได้
ทำไม RDF, OWL และ Ontologies ถึงเหมาะสมที่สุด
ความสง่างามของ RDF เกือบจะทำให้ไม่สบายใจ มันให้ภาษากลางในการแทนแนวคิด
แค่นั้น
จากไวยากรณ์เล็กๆ นั้น คุณสามารถสร้างแบบจำลองระบบความคิดทั้งหมดได้
ตัวอย่าง:
OWL เพิ่มโครงสร้างตรรกะด้านบน โดยแสดงในภาษาเดียวกันกับ RDF
คุณไม่ได้จัดเก็บเอกสารอีกต่อไป
คุณกำลังเข้ารหัสความสัมพันธ์ ค่าคงที่ และการใช้เหตุผลเอง
ความเรียบง่ายคือสิ่งที่ทำให้มันทรงพลัง
แตกต่างจาก embeddings หรือระบบประสาทแบบกล่องดำ ทุกข้อเท็จจริงตรวจสอบได้ ทุกการอนุมานมีร่องรอย ทุกข้อสรุปมีที่มา
สมองเชิงตรรกะต้องการพื้นผิวเชิงตรรกะ
RDF รู้สึกเหมือนฐานข้อมูลน้อยกว่า และเหมือนไวยากรณ์สำหรับความคิดมากกว่า
อะไรทำให้เป็นไปได้ในวันนี้?
แนวคิดเบื้องหลัง RDF ค่อนข้างเก่า มีมาตั้งแต่ปลายยุค 90 และถูกเรียกว่า Web3 อย่างสับสน (อย่าสับสนกับฝันร้ายที่เป็น Web3.0) ซึ่งมาก่อน Web2.0 ด้วยซ้ำ จนถึงตอนนี้มันถูกใช้เฉพาะในโดเมนที่เฉพาะเจาะจงมาก (Wikipedia, การแพทย์, Knowledge Graphs) เพราะกระบวนการที่ลำบากซึ่งเกี่ยวข้องกับการดูแลข้อมูลอย่างระมัดระวัง
AI พลิกบท เหตุผลที่ LLM เก่งในงานความรู้เพราะพวกมันถูกสร้างแบบจำลองในแนวทางเดียวกัน แค่เก็บเป็นเวกเตอร์แทนที่จะเป็น triples กระบวนการที่ลำบากในอดีตสามารถมอบหมายให้ LLM ในวันนี้ได้ด้วยความแม่นยำสูง
งานส่วนใหญ่ทนต่อความไม่แม่นยำได้บ้าง เว้นแต่คุณจะเขียนโค้ดให้ NASA LLM เป็นคนทำงานหนักที่สามารถทำงานให้คุณอย่างไม่รู้จักเหน็ดเหนื่อยจนกว่าจะถึงคุณภาพที่กำหนด นี่คือสิ่งที่ทำได้ในวันนี้ด้วยเครื่องมืออย่าง Claude Code และ OpenClaw
บางทีผู้เขียน RDF อาจมีญาณทิพย์ในการตั้งชื่อมันว่า Web3 - มันเป็นความคิดที่มาก่อนกาล
มีเฟรมเวิร์กโอเพนซอร์สมากมายที่สามารถนำเข้าและสอบถามข้อมูล RDF ให้คุณ - เช่น Apache Jena และ RDFLib การเสียบ LLM ที่ชั้นอินพุตช่วยให้คุณแปลข้อความดิบเป็นไวยากรณ์ที่เข้มงวดซึ่งเข้ารหัสความหมายเชิงความหมาย ในทำนองเดียวกัน LLM ยังสามารถแปลเอาต์พุตเป็นรูปแบบที่มนุษย์อ่านง่ายขึ้น
ใช้สถาปัตยกรรม LLM สำหรับงานยาก - I/O, การแสดงภาพ ใช้สถาปัตยกรรมคลาสสิกสำหรับงานสนุก - ตรรกะ การอนุมาน
คุณต้องการให้สมองที่สองเติบโตไปกับคุณ คุณไม่ต้องการให้มันหยุดนิ่งหรือล้าสมัย ถ้าคุณทำงานจากเทอร์มินัล Claude Code สำหรับงานส่วนใหญ่ คุณสามารถกำหนดค่า hooks เพื่อนำเข้าและสอบถามจากสมองที่สองในเอเจนต์พื้นหลัง
คุณยังสามารถกำหนดทักษะเพื่อนำเข้าข้อมูลจากแหล่งต่างๆ โดยระบุ ontology ที่กำหนดเอง - หรือมุมมองเฉพาะของคุณเกี่ยวกับวิธีสร้างการเชื่อมต่อในสมองที่สองของคุณ คุณยังสามารถพึ่งพาคลัง ontology ที่มีให้ใช้ฟรีทางออนไลน์
คุณไม่จำเป็นต้องมีปริญญาทางจิตวิทยาหรือประสาทวิทยาศาสตร์เพื่อเข้าใจสมองของคุณ คุณคือห้องปฏิบัติการเดินได้พูดได้ของคุณเองเพื่อแยกกลไกของความคิดของคุณ
นี่คือข้อค้นพบที่ฉันคัดสรรมาบางส่วนซึ่งใช้ได้ดีกับระบบนี้
การประเมินแบบขี้เกียจผ่านการอนุมาน
สมองไม่ใช่แคช
มันคำนวณความเข้าใจตามความต้องการ - สังเคราะห์ triples ตามความต้องการ
มนุษย์แทบไม่เก็บการใช้งานที่สมบูรณ์ เราเก็บนามธรรมที่สามารถสร้างการใช้งานขึ้นใหม่ได้แบบไดนามิก
มันบีบอัดประสบการณ์นับพันเป็นนามธรรมที่ใช้ซ้ำได้จำนวนหนึ่ง
วิศวกรอาวุโสไม่จำทุกคลาสที่เคยอ่านในชีวิต พวกเขาจำแนวคิดพื้นฐานของ OOP ซึ่งเพียงพอที่จะเข้าใจคลาสใหม่ใดๆ ที่พบ
ให้สัจพจน์แก่ฉัน แล้วฉันจะอนุมานส่วนที่เหลือได้
การจับคู่รูปแบบ
ถ้าระบบสองระบบมีโครงสร้างคล้ายกัน ความเข้าใจจะถ่ายโอนทันที
นี่คือเหตุผลที่คนมีประสบการณ์เรียนรู้ได้เร็ว
พวกเขาจำรูปทรงที่เคยเห็นมาก่อน
ปัญญามักเป็นการอุปมาอุปไมยในระดับใหญ่
นี่คือจุดที่ระบบที่มนุษย์ช่วยเหลือทำงานได้ดีที่สุดสำหรับสมองที่สอง LLM สามารถหารูปแบบได้เอง แต่มักพลาดการเชื่อมต่อที่ชัดเจนสำหรับมนุษย์
การเรียนรู้แบบเฮบบ์
เซลล์ประสาทที่ยิงพร้อมกันจะเชื่อมต่อกัน
ความรู้ที่เข้าถึงพร้อมกันจะแข็งแกร่งขึ้นพร้อมกัน
สมองปรับน้ำหนักความสำคัญอย่างต่อเนื่องตาม:
- ความถี่
- ความใหม่
- การเกิดร่วมตามบริบท
ความเข้าใจเป็นพลวัต ไม่คงที่
การเรียนรู้ผ่านความล้มเหลว
ความผิดพลาดไม่ใช่สัญญาณรบกวน พวกมันคือข้อมูลฝึก
สมองเก็บการทดลองที่ล้มเหลวไว้ เพราะการรู้ว่าสิ่งไหนไม่ควรทำเป็นส่วนหนึ่งของปัญญา
ฮิวริสติกที่ดีมักเป็นความเจ็บปวดที่ถูกบีบอัด
การเสริมแรงตามบริบท
แนวคิดแข็งแกร่งขึ้นเมื่อพบในหลายโดเมน
พีทาโกรัสในเรขาคณิต ฟิสิกส์ กราฟิก การประมวลผลสัญญาณ
ความเข้าใจที่แท้จริงเกิดขึ้นเมื่อนามธรรมอยู่รอดจากการสลับบริบท
ที่มาและความไว้วางใจ
มนุษย์ไว้วางใจความรู้แตกต่างกันขึ้นอยู่กับแหล่งที่มา ความมั่นใจ และประสบการณ์ก่อนหน้า
สมองที่สองเชิงตรรกะต้องการสิ่งเดียวกัน:
- สิ่งนี้มาจากไหน?
- ทำไมถึงเชื่อ?
- ได้รับการตรวจสอบบ่อยแค่ไหน?
- อะไรขัดแย้งกับมัน?
ความโปร่งใสเป็นสิ่งจำเป็นสำหรับการมอบหมาย
การจัดแนวทางปัญญา
ฉันไม่ต้องการให้ AI เหนือมนุษย์
ฉันต้องการให้มันใช้เหตุผลในวิธีที่ฉันสามารถคาดเดาได้
เป้าหมายไม่ใช่ปัญญาในเชิงนามธรรม
เป้าหมายคือการจัดแนวกับนามธรรม ฮิวริสติก และแบบจำลองทางจิตของฉัน
ไม่ใช่ AI ที่คิดแทนฉัน
AI ที่คิดเหมือนฉัน
สวัสดีผู้อ่านที่รัก ถ้าคุณอ่านมาถึงตอนจบได้ ฉันมีข่าวจะบอก ฉันจะปล่อยระบบรุ่นอัลฟ่าเร็วๆ นี้ ส่ง DM มาหาฉันถ้าสนใจเรียนรู้เพิ่มเติม
