前 شركة Tesla، المدير العام السابق للذكاء الاصطناعي، وعضو مؤسس لدى OpenAI، أندريه كاراباثي Andrej Karpathy، شارك على X منهجيته الأساسية الشخصية لاستخدام نماذج اللغة الكبيرة (LLM): إن أكبر قيمة للـ LLM ليست مساعدتك على «تخفيف الكتابة»، بل مساعدتك على «ترقية القراءة». وقد طرح مجموعة من مراحل القراءة الثلاث، حيث يضع LLM كـ«مُعزّز للقراءة»، وهو ما يتحدى الفهم السائد لدى معظم الناس بأن الذكاء الاصطناعي مجرد مُسرّع للكتابة.
منهج القراءة الثلاثي: من النص الأصلي إلى تحليل ما وراء البيانات باستخدام LLM
تصف عملية معالجة المعلومات التي ذكرها كاراباثي ثلاث طبقات: الطبقة الأولى هي قراءة الوثيقة الأصلية نفسها؛ والطبقة الثانية هي أن يُنشئ LLM ملخصًا لالتقاط الفكرة الأساسية بسرعة؛ أما الطبقة الثالثة——وهي الأهم——فهي أن تطلب من LLM إجراء «تحليل ما وراء البيانات» (meta-analysis)، لتقييم أي الآراء في هذه الوثيقة تعتبر «جديدة» أو «مفاجئة» بالنسبة إلى منظومة معارفك الحالية.
تكمن روعة هذه الطريقة في أنها لا تستخدم الذكاء الاصطناعي لاستبدال حكم البشر، بل لاستخدام الذكاء الاصطناعي لتحسين «توزيع الانتباه» لدى البشر. عندما تحتاج يوميًا إلى استيعاب كمّ هائل من المعلومات، فإن فرز «الجِدّة» في الطبقة الثالثة يمكن أن يساعد القرّاء بفعالية على التركيز على المحتوى الذي يستحق القراءة المتعمقة فعلًا.
لماذا «تعزيز القراءة» أهم من «تسريع الكتابة»
تتمثل السيناريوهات الرئيسية التي يستخدم فيها معظم الناس ChatGPT أو Claude في توليد النصوص——كتابة الرسائل، كتابة التقارير، كتابة الأكواد. وجهة نظر كاراباثي على العكس تمامًا: إذ يرى أن قيمة LLM في جهة الإدخال (مساعدتك على استيعاب المعلومات بشكل أفضل) تفوق بكثير قيمته في جهة الإخراج (مساعدتك على إنتاج النص بشكل أسرع).
المنطق وراء ذلك هو: في الأعمال المعرفية، تتوقف جودة القرار على جودة استيعاب المعلومات. إذا قرأت الشيء الصحيح وفهمت النقاط الأساسية، فستأتي عملية الإنتاج بشكل طبيعي. أما إذا قمت فقط بتسريع الإنتاج باستخدام الذكاء الاصطناعي دون تغيير جودة الإدخال، فستكون في أفضل الأحوال مجرد «إنتاج محتوى عادي بشكل أسرع».
المخاطر والثغرات: يتطلب الأمر معرفة مجال كافية كدعم
تستند هذه الطريقة إلى فرضية مسبقة: أن المستخدم نفسه يحتاج إلى امتلاك معرفة مجال كافية للحكم على ما إذا كان تحليل LLM صحيحًا. فإذا كان شخص لا يعرف شيئًا عن البلوكشين إطلاقًا، وطلب من LLM تقييم «الجِدّة» في ورقة DeFi، فمن المحتمل أن يُضلَّه ملخص واثق لكن خاطئ صادر عن LLM.
بالإضافة إلى ذلك، هناك أيضًا باحثون لديهم وجهات نظر مختلفة، يرون أن قدرات LLM في الكتابة هي أكبر مصدر لزيادة الإنتاجية، وأن المساعدة في القراءة تأتي في المرتبة الثانية نسبيًا. يعكس اختلاف الرأيين جوهريًا اختلاف الأوزان بين «الإدخال vs. الإخراج» في أنماط العمل المختلفة—فالعمل الموجّه نحو البحث يحتاج أكثر إلى تعزيز القراءة، بينما العمل الموجّه نحو التنفيذ يحتاج أكثر إلى تسريع الكتابة.
دروس للمشتغلين بالعمل المعرفي
توفر إطار كاراباثي فكرة عملية لاستخدام الذكاء الاصطناعي لجميع العاملين الذين يستوعبون كميات كبيرة من المعلومات: بدلًا من أن يجعل AI يكتب نيابةً عنك، اجعله يساعدك في بناء خط أنابيب لـ«التحكم في جودة الإدخال». ويمكن أن تكون الخطوات على نحو محدد كالتالي: كل يوم تستخدم LLM لمسح أكثر من 20 مقالًا صناعيًا، بحيث يميز الذكاء الاصطناعي أي الآراء جديدة، ثم تتولى أنت تحديد أيها يستحق التغطية المتعمقة أو البحث. هذه الطريقة لا تُفقدك القدرة على الحكم، بل تجعل انتباهك المحدود يُوجَّه إلى الأماكن التي تكون فيها الأمور مهمة فعلًا في عصر ازدحام المعلومات.
هذه المقالة التي اقترح فيها كاراباثي طريقة القراءة الثلاثية لـ LLM: أكبر قيمة لـ AI ليست في الكتابة، بل في مساعدتك على فهم العالم—ظهرت لأول مرة على أخبار لين ABMedia.
إخلاء المسؤولية: قد تكون المعلومات الواردة في هذه الصفحة من مصادر خارجية ولا تمثل آراء أو مواقف Gate. المحتوى المعروض في هذه الصفحة هو لأغراض مرجعية فقط ولا يشكّل أي نصيحة مالية أو استثمارية أو قانونية. لا تضمن Gate دقة أو اكتمال المعلومات، ولا تتحمّل أي مسؤولية عن أي خسائر ناتجة عن استخدام هذه المعلومات. تنطوي الاستثمارات في الأصول الافتراضية على مخاطر عالية وتخضع لتقلبات سعرية كبيرة. قد تخسر كامل رأس المال المستثمر. يرجى فهم المخاطر ذات الصلة فهمًا كاملًا واتخاذ قرارات مدروسة بناءً على وضعك المالي وقدرتك على تحمّل المخاطر. للتفاصيل، يرجى الرجوع إلى
إخلاء المسؤولية.
