Tôi khá thờ ơ với cuộc đua đến Trí tuệ Nhân tạo Tổng quát. Chúng ta hầu như chưa hiểu rõ về ý thức con người - làm sao chúng ta có thể nhận ra nó trong một cỗ máy?
Tham vọng của tôi khiêm tốn hơn: tôi muốn có Trí tuệ Nhân tạo Chuyên biệt trước. Những hệ thống đủ khả năng xử lý các phần lặp đi lặp lại và vận hành trong công việc của tôi với chất lượng tương đương, đồng thời trả lại cho tôi thời gian để trau dồi những kỹ năng thực sự quan trọng.
Kỹ năng định hình của kỷ nguyên AI sẽ là bảo toàn chủ quyền nhận thức trong một thế giới ngày càng được xây dựng trên các hệ thống ngẫu nhiên.
Bộ não của bạn luôn là tài sản lớn nhất. AI chỉ đơn giản là làm cho điều đó trở nên rõ ràng.
Bạn chưa bao giờ được thuê chỉ vì kỹ năng kỹ thuật. Bạn được thuê vì khả năng phán đoán khi áp dụng chúng - lý luận, ưu tiên, bối cảnh và trực giác nằm bên dưới quá trình thực thi.
Khi ngày càng nhiều công việc được ủy thác cho các tác nhân AI, nó đặt ra một câu hỏi sâu sắc hơn
Làm thế nào tôi có thể dạy AI những gì tôi biết?
Và sự nhấn mạnh vào "tôi" mới là quan trọng.
Sự đa dạng trong tư duy con người là điều làm nên sự thú vị của thế giới. Các công ty mở rộng quy mô thông qua tiêu chuẩn hóa, nhưng họ phát triển nhờ những người nhìn thế giới khác biệt. AI có thể sao chép các khuôn mẫu, nhưng sự đổi mới thường đến từ những người đi chệch hướng khỏi chúng.
Cơ hội thực sự không phải là thay thế nhận thức con người, mà là ngoại hóa nó - xây dựng các hệ thống có thể nắm bắt bối cảnh, phương pháp phỏng đoán, gu thẩm mỹ và cách giải quyết vấn đề của bạn.
Một cách để làm điều đó là bắt đầu xây dựng bộ não thứ hai tùy chỉnh của riêng bạn ngay hôm nay.
Không chỉ là một kho ghi chú, mà là một mô hình ngoại hóa về cách bạn suy nghĩ, quyết định và sáng tạo. Bởi vì những người phát triển mạnh trong kỷ nguyên AI sẽ không phải là những người cạnh tranh với máy móc - họ sẽ là những người học cách khuếch đại nhận thức của mình thông qua chúng.
Mô hình hóa một bộ não thuần túy logic
Tại sao không phải là RAG? Bởi vì nó là một hộp đen mờ đục. Tôi sẽ không thoải mái nếu tôi có thể giải thích suy nghĩ và hành động của mình. Tôi sẽ không muốn nó khác đi với bộ não nhân tạo của mình.
Đạo đức và cảm xúc là những vấn đề vô cùng khó khăn. Logic là có thể giải quyết được.
Trí thông minh của con người dựa trên cả ba yếu tố — cảm xúc, bản sắc, trực giác, lý luận xã hội. Nhưng trong lĩnh vực công việc cụ thể, logic và lý luận có cấu trúc đã tạo ra đòn bẩy to lớn.
Mục tiêu của tôi là xây dựng một bộ não thứ hai có thể lý luận logic, nén kiến thức thành các khái niệm trừu tượng, học các khuôn mẫu thông qua sử dụng và ngoại hóa cách tôi suy nghĩ.
Chỉ là nhận thức với các cơ chế có thể kiểm tra được.
Tại sao RDF, OWL và Ontology là Sự Lựa Chọn Hoàn Hảo
Sự thanh lịch của RDF gần như là đáng lo ngại. Nó cung cấp ngôn ngữ chung để biểu diễn một khái niệm
Chỉ có vậy.
Từ ngữ pháp nhỏ bé đó, bạn có thể mô hình hóa toàn bộ hệ thống tư duy.
Ví dụ:
OWL thêm cấu trúc logic lên trên, cũng được thể hiện bằng cùng một ngôn ngữ của RDF.
Bạn không còn lưu trữ tài liệu nữa.
Bạn đang mã hóa các mối quan hệ, bất biến và chính lý luận.
Sự đơn giản là điều làm nên sức mạnh của nó.
Không giống như các hệ thống thần kinh nhúng hoặc hộp đen, mọi sự kiện đều có thể kiểm tra. Mọi suy luận đều có thể truy vết. Mọi kết luận đều có nguồn gốc.
Một bộ não logic cần một nền tảng logic.
RDF có cảm giác không giống một cơ sở dữ liệu mà giống một ngữ pháp cho tư duy.
Điều gì làm cho nó khả thi ngày hôm nay?
Khái niệm đằng sau RDF khá cũ. Nó đã tồn tại từ cuối những năm 90 và được gọi một cách khó hiểu là Web3 (không nhầm lẫn với giấc mơ viển vông Web3.0) thậm chí còn có trước cả Web2.0. Nó chỉ được sử dụng trong các lĩnh vực rất cụ thể (Wikipedia, Y học, Đồ thị Tri thức) cho đến nay vì quy trình tốn nhiều công sức liên quan đến việc quản lý dữ liệu cẩn thận.
AI đã thay đổi cuộc chơi. Lý do LLM giỏi trong công việc tri thức là vì chúng được mô hình hóa theo các đường nét tương tự, chỉ được lưu trữ dưới dạng vector thay vì bộ ba. Quy trình tốn nhiều công sức của quá khứ có thể được ủy thác cho một LLM ngày nay với độ chính xác cao.
Hầu hết công việc đều chấp nhận một số sai sót, trừ khi bạn tình cờ viết mã cho NASA. LLM là những người lao động chăm chỉ có thể làm việc không mệt mỏi cho bạn cho đến khi đạt được chất lượng nhất định. Đây là những gì có thể làm được ngày nay với các công cụ như Claude Code và OpenClaw.
Có lẽ các tác giả của RDF đã có tầm nhìn xa khi đặt tên nó là Web3 - đó là một ý tưởng đi trước thời đại.
Có rất nhiều framework mã nguồn mở có thể nhập và truy vấn dữ liệu RDF cho bạn - như Apache Jena và RDFLib. Việc cắm một LLM ở lớp đầu vào cho phép bạn dịch văn bản thô thành một cú pháp chặt chẽ mã hóa ý nghĩa ngữ nghĩa. Tương tự, một LLM cũng có thể dịch đầu ra thành một dạng dễ đọc hơn đối với con người.
Sử dụng kiến trúc LLM cho những việc khó - I/O, trực quan hóa Sử dụng kiến trúc cổ điển cho những việc thú vị - logic, suy luận
Bạn muốn bộ não thứ hai của mình phát triển cùng bạn. Bạn không muốn nó trì trệ hoặc trở nên lỗi thời. Nếu bạn đang làm việc từ terminal Claude Code cho phần lớn công việc của mình, bạn có thể cấu hình các hook để nhập và truy vấn từ bộ não thứ hai của mình trong một tác nhân nền.
Bạn cũng có thể định nghĩa các kỹ năng để nhập dữ liệu từ nhiều nguồn khác nhau bằng cách chỉ định ontology tùy chỉnh của bạn - hay còn gọi là góc nhìn độc đáo của bạn về cách hình thành các kết nối trong bộ não thứ hai. Bạn cũng có thể dựa vào các kho lưu trữ ontology có sẵn miễn phí trên mạng
Bạn không cần bằng cấp về tâm lý học hay khoa học thần kinh để hiểu bộ não của mình. Bạn là phòng thí nghiệm biết đi biết nói của chính mình để mổ xẻ cơ chế suy nghĩ của bạn
Dưới đây là một số phát hiện tôi đã chọn lọc cũng áp dụng tốt cho hệ thống này
Đánh giá Lười biếng thông qua Suy luận
Bộ não không phải là một bộ nhớ đệm.
Nó tính toán sự hiểu biết theo yêu cầu - tổng hợp các bộ ba theo yêu cầu.
Con người hiếm khi lưu trữ các triển khai hoàn chỉnh. Chúng ta lưu trữ các khái niệm trừu tượng có khả năng tái tạo các triển khai một cách linh hoạt.
Nó nén hàng nghìn trải nghiệm thành một số ít các khái niệm trừu tượng có thể tái sử dụng.
Một kỹ sư cấp cao không nhớ mọi lớp họ đã đọc trong đời. Họ nhớ khái niệm cơ bản về OOP, đủ để hiểu bất kỳ lớp mới nào họ gặp.
Hãy cho tôi các tiên đề, và tôi có thể suy ra phần còn lại.
Khớp Mẫu
Nếu hai hệ thống có cấu trúc tương tự, sự hiểu biết được chuyển giao ngay lập tức.
Đây là lý do tại sao những người có kinh nghiệm học nhanh hơn.
Họ nhận ra các hình dạng họ đã thấy trước đây.
Trí thông minh thường là phép loại suy ở quy mô lớn.
Đây là nơi một hệ thống có sự hỗ trợ của con người hoạt động tốt nhất cho bộ não thứ hai. LLM có thể tự tìm ra các mẫu, nhưng nó thường bỏ lỡ các kết nối hiển nhiên đối với con người.
Học Hebbian
Các nơ-ron cùng kích hoạt sẽ kết nối với nhau.
Kiến thức được truy cập cùng nhau sẽ củng cố lẫn nhau.
Bộ não liên tục điều chỉnh lại tầm quan trọng dựa trên:
- tần suất
- tính gần đây
- sự đồng xuất hiện theo ngữ cảnh
Sự hiểu biết là động, không tĩnh.
Học thông qua Thất bại
Sai lầm không phải là nhiễu. Chúng là dữ liệu huấn luyện.
Bộ não giữ lại các thí nghiệm thất bại vì biết điều gì không nên làm là một phần của trí thông minh.
Các phương pháp phỏng đoán tốt thường là nỗi đau được nén lại.
Củng cố theo Ngữ cảnh
Các khái niệm được củng cố khi gặp phải trong nhiều lĩnh vực.
Pythagoras trong hình học. Vật lý. Đồ họa. Xử lý tín hiệu.
Sự hiểu biết thực sự xuất hiện khi các khái niệm trừu tượng tồn tại qua sự chuyển đổi ngữ cảnh.
Nguồn gốc và Niềm tin
Con người tin tưởng kiến thức khác nhau tùy thuộc vào nguồn, độ tin cậy và kinh nghiệm trước đó.
Một bộ não thứ hai logic cần điều tương tự:
- điều này đến từ đâu?
- tại sao nó được tin tưởng?
- nó đã được xác thực bao nhiêu lần?
- điều gì mâu thuẫn với nó?
Sự minh bạch là bắt buộc để ủy thác.
Căn chỉnh Nhận thức
Tôi không cần AI phải siêu phàm.
Tôi cần nó lý luận theo những cách tôi có thể dự đoán.
Mục tiêu không phải là trí thông minh trừu tượng.
Mục tiêu là sự căn chỉnh với các khái niệm trừu tượng, phương pháp phỏng đoán và mô hình tinh thần của tôi.
Không phải AI nghĩ cho tôi.
Mà là AI nghĩ giống tôi.
Xin chào bạn đọc thân mến. Nếu bạn đã đọc được đến đây, tôi có một số tin dành cho bạn. Tôi sẽ sớm phát hành một phiên bản alpha của hệ thống này. Hãy nhắn tin cho tôi nếu bạn quan tâm đến việc tìm hiểu thêm về nó.
