Một câu hỏi mà tôi đã nghe đi nghe lại trong các cuộc trò chuyện ngoài hành lang tại ASU+GSV là “Bạn có nghĩ rằng sẽ có một bài thuyết trình duy nhất không đề cập đến ChatGPT, Mô hình ngôn ngữ lớn (LLM) và AI tổng quát không?”
Không ai tôi gặp nói "có." AI dường như là điều duy nhất mà mọi người nói đến.
Tuy nhiên, bài diễn văn nghe hơi giống GPT-2 đang cố gắng giải thích cách sử dụng, điểm mạnh và hạn chế của GPT-5. Nó chứa đầy những từ trống rỗng, rải rác ở những phần bằng nhau với những hiểu biết sâu sắc đáng kinh ngạc và ảo giác khủng khiếp.
Sự thiếu rõ ràng đó không phải là phản ánh của hội nghị hoặc những người tham dự. Thay vào đó, nó nhấn mạnh tầm quan trọng của sự thay đổi chỉ mới bắt đầu. AI sáng tạo ít nhất cũng mang tính cách mạng như giao diện người dùng đồ họa, máy tính cá nhân, màn hình cảm ứng hoặc thậm chí là internet. Của khóa học mơ ước chúng tôi chưa hiểu sự phân nhánh.
Tuy nhiên, các bài học rút ra từ GPT-2 đã giúp tạo ra GPT-3, v.v. Vì vậy, hôm nay, tôi suy ngẫm về một số bài học mà tôi đang học cho đến nay về AI tổng quát, đặc biệt là trong EdTech.
AI sáng tạo sẽ phá hủy để chúng ta có thể tạo ra
Hầu hết các cuộc hội thoại về chủ đề AI tổng quát đều có từ “ChatGPT” và “lỗi thời” trong cùng một câu. “ChatGPT sẽ khiến việc viết lách trở nên lỗi thời.” “ChatGPT sẽ khiến các lập trình viên trở nên lỗi thời.” “ChatGPT sẽ làm cho giáo dục trở nên lỗi thời.” “ChatGPT sẽ khiến suy nghĩ và con người trở nên lỗi thời.” Mặc dù một số dự đoán này sẽ sai, nhưng chủ đề chung đằng sau chúng là đúng. AI sáng tạo là một lực lượng hàng hóa. Đó là một cơn sóng thần hủy diệt sáng tạo.
Hãy xem xét ngành công nghiệp sách giáo khoa. như thời gian dài biết chữ điện tử độc giả biết đấy, tôi đã suy nghĩ rất nhiều về việc câu chuyện của nó sẽ kết thúc như thế nào. Vì những con hào kinh tế bất thường của nó, nó là một trong những loại sản phẩm truyền thông cuối cùng bị internet tàn phá hoặc phá vỡ. Nhưng những con hào đó đã bị rút cạn từng cái một. Đội quân đại diện bán hàng của nó gõ cửa khuôn viên trường? Đi mất. Giá trị của những khả năng sản xuất và phân phối bản in đắt tiền đó? Đi mất. Uy tín thương hiệu? Đã lâu rồi.
Chỉ vài ngày trước, Cengage công bố một khoản tiền mặt trị giá 500 triệu đô la từ chủ sở hữu vốn cổ phần tư nhân của nó:
Michael E. Hansen, Giám đốc điều hành của Cengage Group cho biết: “Khoản đầu tư này là sự khẳng định mạnh mẽ về hiệu suất và chiến lược của chúng tôi bởi một nhà đầu tư có kiến thức sâu rộng về ngành của chúng tôi và có thành tích tạo ra giá trị. “Bằng cách thay thế nợ bằng vốn cổ phần từ Quỹ Apollo, chúng tôi đang giảm nợ tồn đọng một cách có ý nghĩa, mang lại cho chúng tôi tùy chọn đầu tư vào danh mục các doanh nghiệp đang phát triển của mình.”Tập đoàn Cengage công bố khoản đầu tư 500 triệu USD từ quỹ Apollo (prnewswire.com)
Đó là cách nói PR cho “các chủ sở hữu cổ phần tư nhân của chúng tôi đã quyết định sẽ tốt hơn nếu cung cấp cho chúng tôi một khoản tiền mặt khác hơn là để chúng tôi trải qua một lần phá sản nữa.”
Điều gì sẽ xảy ra với ngành công nghiệp đang lung lay này khi các giáo sư, có lẽ với sự giúp đỡ của các nhà thiết kế học tập trong trường, có thể sử dụng LLM để tạo ra sách giáo khoa của riêng họ được điều chỉnh theo cách họ dạy? Điều gì sẽ xảy ra khi các trường đại học trực tuyến lớn quyết định họ muốn sản xuất nội dung của riêng họ phù hợp với năng lực của họ và gắn với các bài đánh giá mà họ có thể tự theo dõi và điều chỉnh?
Đừng để bị lừa bởi nỗi sợ ảo giác LLM. Công nghệ này không cần (và không nên) tạo ra một bản nháp hoàn hảo, hoàn thiện mà không cần sự giám sát của con người. Nó chỉ cần giảm bớt công việc cần thiết từ những người có chuyên môn là đủ để tạo ra một sản phẩm ngoại khóa hoàn chỉnh, an toàn cho học sinh sẽ xứng đáng với nỗ lực.
Sẽ khó khăn như thế nào đối với các tác giả cá nhân được hỗ trợ bởi LLM để thay thế ngành công nghiệp sách giáo khoa? MỘT cuộc thi gần đây đã thách thức các nhà nghiên cứu AI phát triển các hệ thống phù hợp với phán đoán của con người trong việc cho điểm các câu hỏi trả lời ngắn bằng văn bản miễn phí. “Những người chiến thắng được xác định dựa trên độ chính xác của điểm số tự động so với thỏa thuận của con người và sự thiếu thiên vị được quan sát thấy trong các dự đoán của họ.” Sáu người tham gia đã vượt qua thử thách. Tất cả sáu đều được xây dựng trên LLM.
Đây là một bài kiểm tra khó hơn so với việc tạo ra bất kỳ thứ gì trong một sản phẩm sách giáo khoa hoặc phần mềm giáo trình điển hình ngày nay.
Ngành công nghiệp sách giáo khoa đã nhận được đầu tư liên tục từ vốn cổ phần tư nhân vì tốc độ phân rã chậm của nó. Các nhà xuất bản đã ném đủ tiền mặt để các lãnh chúa khu ổ chuột sở hữu chúng có thể vắt sữa nền tảng ba mươi năm tuổi của họ, nhượng quyền sách giáo khoa hai mươi năm tuổi và các tệp PDF trị giá 75 đô la để đổi lấy tiền mặt. Như thông báo của Cengage cho thấy, mô hình đó đã bắt đầu bị hỏng.
Sẽ mất bao lâu trước khi trí tuệ nhân tạo AI khiến những gì còn lại của ngành công nghiệp này tan rã một cách rõ ràng và nhanh chóng? Tôi dự đoán nhiều nhất là 24 tháng.
EdTech, giống như nhiều ngành công nghiệp, chứa đầy các danh mục sản phẩm và mô hình kinh doanh cũ giống như những tòa nhà bị lên án của những tòa nhà bị lên án. Chúng cần phải bị phá bỏ trước khi một cái gì đó tốt hơn có thể được xây dựng vào vị trí của chúng. Chúng ta sẽ hiểu rõ hơn về các mô hình mới sẽ tăng lên khi chúng ta thấy các mô hình cũ sụp đổ. AI sáng tạo là một quả bóng phá hoại.
“Trò chuyện” là cuộc trò chuyện
Tôi trả $20/tháng để đăng ký ChatGPT Plus. Tôi không chỉ chơi với nó. Tôi sử dụng nó như một công cụ hàng ngày. Và tôi không coi nó như một cỗ máy trả lời thông tin ma thuật. Nếu bạn muốn một phiên bản tốt hơn của công cụ tìm kiếm, hãy sử dụng Microsoft Bing Chat. Để nhận được giá trị thực từ ChatGPT, bạn phải đối xử với nó ít giống như một Oracle biết tất cả và giống như một đồng nghiệp hơn. Nó biết một số điều mà bạn không biết và ngược lại. Nó thông minh nhưng có thể sai. Nếu bạn không đồng ý với nó hoặc không hiểu lý do của nó, bạn có thể thách thức nó hoặc đặt câu hỏi tiếp theo. Trong giới hạn, nó có khả năng “suy nghĩ lại” câu trả lời của nó. Và nó có thể tham gia vào một cuộc trò chuyện bền vững dẫn đến một nơi nào đó.
Ví dụ: tôi muốn học cách điều chỉnh một LLM để nó có thể tạo ra các tiêu chí đánh giá chất lượng cao bằng cách huấn luyện nó trên một tập hợp các tiêu chí đánh giá do con người tạo ra. Phần đầu tiên tôi cần tìm hiểu là cách LLM được điều chỉnh. Tôi cần loại câu thần chú lập trình máy tính kỳ diệu nào để nhờ ai đó viết cho tôi?
Hóa ra, câu trả lời là không, ít nhất là nói chung. LLM được điều chỉnh bằng tiếng Anh đơn giản. Bạn cung cấp cho nó nhiều cặp đầu vào mà người dùng có thể nhập vào hộp văn bản và đầu ra mong muốn từ máy. Ví dụ: giả sử bạn muốn điều chỉnh LLM để cung cấp công thức nấu ăn. “Chương trình” điều chỉnh của bạn có thể trông giống như thế này:
- Đầu vào: Làm cách nào để làm món trứng bác?
- Đầu ra: [Công thức]
Rõ ràng, ví dụ đầu ra công thức mà bạn đưa ra sẽ có một số thành phần có cấu trúc, như danh sách thành phần và các bước nấu ăn. Đưa ra đủ ví dụ, LLM bắt đầu xác định các mẫu. Bạn dạy nó cách trả lời một loại câu hỏi hoặc yêu cầu bằng cách cho nó xem các ví dụ về câu trả lời hay.
Tôi biết điều này vì ChatGPT đã giải thích cho tôi. Nó cũng giải thích rằng mô hình GPT-4 chưa thể được điều chỉnh theo cách này nhưng các LLM khác, bao gồm cả các phiên bản GPT trước đó, có thể. Với một cuộc trò chuyện nhiều hơn một chút, tôi đã có thể tìm hiểu cách điều chỉnh LLM, cái nào có thể điều chỉnh được và thậm chí tôi có thể có các kỹ năng “lập trình” cần thiết để tự điều chỉnh một trong những con thú này.
Đó là một khám phá ly kỳ đối với tôi. Đối với mỗi phiếu tự đánh giá, tôi có thể viết đầu vào. Tôi có thể mô tả loại đánh giá mà tôi muốn, bao gồm cả những chi tiết quan trọng mà tôi muốn đánh giá đó giải quyết. Tôi, Michael Feldstein, có khả năng viết một nửa “chương trình” cần thiết để điều chỉnh thuật toán cho một trong những chương trình AI tiên tiến nhất trên hành tinh.
Nhưng kết quả tôi muốn, một phiếu tự đánh giá, thường được thể hiện dưới dạng bảng. LLM nói tiếng Anh. Các em có thể tạo bảng nhưng phải diễn đạt nghĩa bằng tiếng Anh rồi dịch nghĩa đó sang dạng bảng. Giống như tôi làm. Đây là một loại câu hỏi hóc búa hài hước. Thông thường, tôi có thể diễn đạt những gì tôi muốn bằng tiếng Anh nhưng không biết làm thế nào để chuyển nó sang định dạng khác. Lần này tôi phải tìm cách diễn đạt ý nghĩa của cái bàn trong câu tiếng Anh.
Tôi đã trò chuyện với ChatGPT về cách thực hiện việc này. Đầu tiên tôi hỏi nó về thành phẩm sẽ trông như thế nào. Nó giải thích cách diễn đạt một bảng bằng tiếng Anh đơn giản, sử dụng phiếu tự đánh giá làm ví dụ.
ĐƯỢC RỒI! Điều đó có ý nghĩa. Một khi nó đưa cho tôi ví dụ, tôi hiểu rồi. Vì tôi là con người và hiểu mục tiêu của mình trong khi ChatGPT chỉ là một mô hình ngôn ngữ—vì nó muốn nhắc nhở tôi—tôi có thể tìm ra các cách để tinh chỉnh những gì nó mang lại cho tôi. Nhưng nó đã dạy tôi khái niệm cơ bản.
Bây giờ làm cách nào để chuyển đổi nhiều bảng đánh giá? Tôi không muốn viết tất cả các câu đó theo cách thủ công để mô tả các cột, hàng và ô của bảng. Tôi tình cờ biết rằng, nếu tôi có thể lấy bảng trong bảng tính (trái ngược với tài liệu soạn thảo văn bản), tôi có thể xuất bảng đó dưới dạng CSV. Có lẽ điều đó sẽ giúp ích. Tôi hỏi ChatGPT, "Chương trình máy tính có thể tạo những câu đó từ bản xuất CSV không?"
"Tại sao có! Miễn là bảng có tiêu đề cho mỗi cột, một chương trình có thể tạo các câu này từ CSV.”
“Bạn có thể viết cho tôi một chương trình thực hiện việc này không?”
"Tại sao có! Nếu bạn đưa cho tôi các tiêu đề, tôi có thể viết một chương trình Python cho bạn.”
Nó cảnh báo tôi rằng một lập trình viên máy tính nên kiểm tra công việc của nó. Nó luôn luôn nói rằng.
Trong trường hợp cụ thể này, chương trình đơn giản đến mức tôi không chắc mình có cần sự trợ giúp đó không. Khi tôi hỏi, nó cũng cho tôi biết rằng nó có thể viết một chương trình nhập hàng loạt ví dụ của tôi vào mô hình GPT-3. Và nó một lần nữa cảnh báo tôi rằng một lập trình viên con người nên kiểm tra công việc của nó.
ChatGPT đã dạy tôi cách điều chỉnh LLM để tạo phiếu đánh giá. Một mình. Sau đó, chúng tôi đã thảo luận về cách kiểm tra và cải thiện mô hình hơn nữa, tùy thuộc vào số lượng tiêu chí đánh giá mà tôi có làm ví dụ. Kết quả của nó sẽ tốt như thế nào? Tôi chưa biết. Nhưng tôi muốn tìm hiểu.
Không bạn?
LLM sẽ không thay thế nhu cầu về tất cả kiến thức và kỹ năng
Lưu ý rằng tôi cần cả kiến thức và kỹ năng để có được những gì tôi cần từ ChatGPT. Tôi cần hiểu các tiêu chí đánh giá, một tiêu chí tốt trông như thế nào và cách mô tả mục đích của tiêu chí đánh giá đó. Tôi cần suy nghĩ thấu đáo về vấn đề định dạng bảng đủ để có thể đặt ra những câu hỏi phù hợp. Và tôi đã phải làm rõ một số khía cạnh của mục tiêu và nhu cầu trong suốt cuộc trò chuyện để có được câu trả lời mà tôi muốn. Tính hữu dụng của ChatGPT được định hình và giới hạn bởi các khả năng và giới hạn của tôi với tư cách là người điều hành nó.
Động lực này trở nên rõ ràng hơn khi tôi khám phá bằng ChatGPT cách tạo mô-đun phần mềm khóa học. Mặc dù nhiệm vụ này nghe có vẻ đơn giản, nhưng nó có nhiều loại phức tạp. Đầu tiên, các mô-đun chương trình học được thiết kế tốt có nhiều phần liên quan đến nhau từ góc độ thiết kế học tập. Mục tiêu học tập có liên quan đến đánh giá và nội dung cụ thể. Ngay cả trong một đánh giá đơn giản như một câu hỏi trắc nghiệm (MCQ), có nhiều phần liên quan đến nhau. Có "thân cây" hoặc câu hỏi. Có "sự phân tâm", đó là những câu trả lời sai. Mỗi câu trả lời có thể có phản hồi được viết theo một cách nhất định để hỗ trợ mục đích sư phạm. Mỗi câu hỏi cũng có thể có một số gợi ý liên tiếp, mỗi gợi ý được viết theo một cách cụ thể để hỗ trợ một mục đích sư phạm cụ thể. Có được những mối quan hệ này—những ngữ nghĩa các mối quan hệ—đúng sẽ dẫn đến nội dung giảng dạy hiệu quả hơn. Nó cũng sẽ chứa cấu trúc hỗ trợ phân tích học tập tốt hơn.
Điều quan trọng là nhiều khái niệm sư phạm này sẽ hữu ích để tạo ra nhiều trải nghiệm học tập khác nhau. Các mối quan hệ mà tôi đang cố gắng dạy LLM tình cờ đến từ phần mềm khóa học. Nhưng nhiều yếu tố thiết kế học tập này cũng cần thiết để thiết kế mô phỏng và các loại trải nghiệm học tập khác. Tôi không chỉ dạy LLM về giáo trình. Tôi đang dạy nó về việc giảng dạy.
Dù sao đi nữa, việc cung cấp toàn bộ mô-đun vào một LLM làm ví dụ đầu ra sẽ không đảm bảo rằng phần mềm sẽ nắm bắt được tất cả những điểm tinh tế và mối quan hệ này. ChatGPT không biết về một số phức tạp liên quan đến nhiệm vụ mà tôi muốn hoàn thành. Tôi phải giải thích cho họ hiểu. Sau khi nó “hiểu”, chúng tôi có thể trò chuyện về vấn đề này. Cùng nhau, chúng tôi đã nghĩ ra ba cách khác nhau để cắt và sắp xếp các ví dụ nội dung thành các cặp đầu vào-đầu ra. Để đào tạo hệ thống nắm bắt càng nhiều mối quan hệ và sự tinh tế càng tốt, tốt nhất là cung cấp cùng một nội dung cho LLM theo cả ba cách.
Hầu hết các mô-đun phần mềm khóa học có sẵn công khai không được thiết kế nhất quán và rõ ràng theo những cách giúp cho việc cắt và thái hạt lựu này trở nên dễ dàng (hoặc thậm chí có thể thực hiện được). May mắn thay, tôi tình cờ biết được nơi có thể mua một số mô-đun chất lượng cao được đánh dấu bằng XML. Vì tôi chỉ biết một chút về XML và cách các mô-đun này sử dụng nó, nên tôi đã có thể trò chuyện với ChatGPT về việc nên loại bỏ XML nào, những ưu và nhược điểm của việc chuyển đổi phần còn lại sang tiếng Anh so với việc để chúng dưới dạng XML, làm thế nào để sử dụng Định nghĩa kiểu tài liệu XML (DTD) để hướng dẫn phần mềm về một số mối quan hệ rõ ràng và tiềm ẩn giữa các phần của mô-đun và cách viết phần mềm sẽ thực hiện công việc chuyển đổi các mô-đun thành các cặp đầu vào-đầu ra.
Vào cuối cuộc trò chuyện khám phá, rõ ràng là công việc tôi muốn hoàn thành đòi hỏi nhiều kỹ năng lập trình phần mềm hơn những gì tôi có, ngay cả khi có sự trợ giúp của ChatGPT. Nhưng bây giờ tôi có thể ước tính mình cần bao nhiêu thời gian từ một lập trình viên. Tôi cũng biết mức độ kỹ năng mà lập trình viên cần. Vì vậy, tôi có thể ước tính chi phí để hoàn thành công việc.
Để có được kết quả này, tôi đã phải rút ra một lượng kiến thức đáng kể từ trước. Quan trọng hơn, tôi đã phải sử dụng các kỹ năng tư duy phản biện và ngôn ngữ quan trọng.
Bất cứ ai từng nói rằng bằng cấp triết học như của tôi không thực tế đều có thể ăn bụi của tôi. Socrates là một kỹ sư nhanh chóng. Hầu hết các triết gia phương Tây tham gia vào một số hình thức nhắc nhở chuỗi suy nghĩ như một cách để cấu trúc lập luận của họ.
Kỹ năng và kiến thức không chết. Kỹ năng viết và suy nghĩ chắc chắn là không. Cách xa nó. Nếu bạn nghi ngờ tôi, hãy hỏi ChatGPT, “Làm thế nào để dạy sinh viên về triết lý và phương pháp của Socrates giúp họ học cách trở thành kỹ sư nhanh chóng tốt hơn?” Xem những gì nó đã nói.
(Đối với câu hỏi này, tôi đã sử dụng cài đặt GPT-4 có sẵn trên ChatGPT Plus.)
Đánh giá cũng không chết
Hãy suy nghĩ về cách một trong những dự án mà tôi đã mô tả ở trên có thể được dàn dựng như một bài tập học tập dựa trên dự án. Sinh viên có thể có quyền truy cập vào các công cụ giống như tôi có: LLM như ChatGPT và công cụ tìm kiếm nâng cao LLM như Bing Chat. Vấn đề là họ phải sử dụng những cái do trường cung cấp cho họ. Nói cách khác, họ phải trưng bày tác phẩm của mình. Nếu bạn thêm một diễn đàn thảo luận và một số hướng dẫn có liên quan xung quanh nó, bạn sẽ có một trải nghiệm học tập thực sự thú vị.
Điều này cũng có thể làm việc để viết. Dự án cá nhân tiếp theo của tôi với ChatGPT là biến một bài phân tích mà tôi đã viết cho một khách hàng thành một tờ giấy trắng (tất nhiên là với sự đồng ý của họ). Tôi đã hoàn thành công việc khó khăn. Việc phân tích là của tôi. Cấu trúc lập luận và phong cách ngôn ngữ là của tôi. Nhưng tôi đã phải vật lộn với khối nhà văn. Tôi sẽ thử sử dụng ChatGPT để giúp tôi cơ cấu lại nó thành định dạng tôi muốn và thêm một số ngữ cảnh cho đối tượng bên ngoài.
Bạn có nhớ quan điểm trước đây của tôi về AI tổng quát là một lực lượng hàng hóa không? Nó sẽ hoàn toàn hàng hóa hóa văn bản chung chung. Tôi đồng ý với điều đó, cũng như tôi đồng ý với việc học sinh sử dụng máy tính trong môn toán và vật lý một khi họ hiểu toán học mà máy tính đang thực hiện cho họ.
Học sinh cần học cách viết văn xuôi chung vì một lý do đơn giản. Nếu họ muốn thể hiện bản thân theo những cách phi thường, cho dù thông qua kỹ thuật nhanh chóng thông minh hay nghệ thuật đẹp mắt, thì họ cần phải hiểu về cơ học. Những điều cơ bản của văn bản chung là các khối xây dựng. Các cơ chế tinh vi hơn là một phần giá trị mà các nhà văn con người có thể thêm vào để tránh bị hàng hóa hóa bởi AI chung chung. Sự khác biệt giữa dấu phẩy, dấu chấm phẩy và dấu gạch ngang trong cách diễn đạt là những loại lựa chọn chi tiết mà người viết biểu cảm đưa ra. Cũng như câu dài so với câu ngắn, quyết định về thời điểm và tần suất sử dụng tính từ, lựa chọn giữa các từ tương tự nhưng không giống nhau, ngắt đoạn văn đúng chỗ để rõ ràng và nhấn mạnh, v.v.
Ví dụ: mặc dù tôi sẽ sử dụng LLM để giúp tôi chuyển một phần tôi đã viết thành sách trắng, nhưng tôi không thể thấy mình sử dụng nó để viết một bài đăng blog mới. Giá trị trong biết chữ điện tử nằm ở khả năng truyền đạt những ý tưởng mới lạ của tôi một cách chính xác và rõ ràng. Mặc dù tôi không nghi ngờ gì về việc một LLM có thể bắt chước cấu trúc câu của tôi, nhưng tôi không thể thấy cách nào mà nó có thể cung cấp cho tôi một lối tắt cho loại công việc tư duy biểu đạt cốt lõi trong nghề nghiệp của tôi.
Nếu chúng ta có thể khai thác LLM để giúp học sinh học cách viết…ừm…văn xuôi, thì họ có thể bắt đầu sử dụng “máy tính” LLM của mình trong các lớp “vật lý” giao tiếp của mình. Họ có thể tập trung vào sự rõ ràng trong suy nghĩ và khả năng giao tiếp thực sự xuất sắc. Chúng tôi hiếm khi được dạy mức độ biểu cảm xuất sắc này. Bây giờ có lẽ chúng ta có thể làm điều đó trên cơ sở rộng hơn.
Trong tình trạng phát triển hiện tại, LLM giống như máy in 3D dành cho công việc tri thức. Họ chuyển lao động của con người từ thực hiện sang thiết kế. Từ làm đến sáng tạo. Từ biết nhiều câu trả lời hơn để đặt câu hỏi tốt hơn.
Chúng tôi đọc vô số câu chuyện về mối đe dọa hủy diệt đối với lực lượng lao động một phần vì nền kinh tế của chúng tôi cần những công nhân cổ cồn trắng tương đương với những công nhân dây chuyền lắp ráp đầu Thế kỷ 20. Những người làm công việc toàn thời gian viết tweet. Hoặc cập nhật của cùng một báo cáo. Hoặc sổ tay nhân sự. Do đó, hệ thống giáo dục của chúng tôi được thiết kế để đào tạo mọi người cho công việc đó.
Chúng tôi cho rằng nhiều người sẽ trở nên vô dụng, cũng như giáo dục, bởi vì chúng tôi gặp khó khăn khi tưởng tượng một hệ thống giáo dục dạy mọi người—tất cả các mọi người thuộc mọi tầng lớp kinh tế xã hội—để trở thành những người suy nghĩ tốt hơn thay vì chỉ đơn giản là những người biết và làm tốt hơn.
Nhưng tôi tin rằng chúng ta có thể làm được. Phần khó là tưởng tượng. Chúng tôi đã không được đào tạo về nó. Có thể những đứa trẻ của chúng ta sẽ học để trở nên giỏi hơn chúng ta. Nếu chúng ta dạy chúng khác với cách chúng ta được dạy.
Khả năng phát triển ngắn hạn của công nghệ
Những người trong chúng ta, những người không đắm chìm trong AI, bao gồm cả tôi, đã rất ngạc nhiên với tốc độ thay đổi nhanh chóng. Tôi sẽ không giả vờ rằng tôi có thể nhìn thấy xung quanh các góc. Nhưng một số xu hướng ngắn hạn nhất định đã có thể nhận thấy đối với những người không phải là chuyên gia như tôi, những người đang chú ý hơn so với hai tháng trước.
Đầu tiên, các mô hình AI tổng quát đã sinh sôi nảy nở và cho thấy các dấu hiệu về việc hàng hóa hóa sắp tới xung quanh các cạnh. Chúng tôi đã có ấn tượng rằng các chương trình này sẽ luôn lớn và tốn kém để chạy đến mức chỉ các công ty đám mây khổng lồ mới đưa ra các mô hình mới. Rằng trận chiến sẽ là OpenAI/Microsoft đấu với Google. GPT-4 được đồn đại là có hơn một nghìn tỷ nút. Mô hình lớn đó cần rất nhiều mã lực để chế tạo, đào tạo và vận hành.
Nhưng các nhà nghiên cứu đã nghĩ ra những kỹ thuật thông minh để có được hiệu suất ấn tượng từ những mô hình nhỏ hơn nhiều. Ví dụ, Vicuna, một mô hình do các nhà nghiên cứu tại một vài trường đại học phát triển, tốt bằng khoảng 90% so với GPT-4 qua ít nhất một thử nghiệm và chỉ có 12 tỷ tham số. Nói cách khác, Vicuña có thể chạy trên một chiếc máy tính xách tay tốt. Toàn bộ sự việc. Tt tốn 300 đô la để đào tạo (trái ngược với hàng tỷ đô la đã đổ vào ChatGPT và Google Bard). Vicuña là một ví dụ ban đầu (mặc dù không hoàn hảo) về làn sóng sắp tới. Một LLM khác dường như xuất hiện trên thực tế mỗi tuần với những tuyên bố mới về việc nhanh hơn, nhỏ hơn, thông minh hơn, rẻ hơn và chính xác hơn.
Một hiện tượng tương tự đang xảy ra với việc tạo ảnh. Apple đã nhanh chóng chuyển sang cung cấp hỗ trợ phần mềm để tối ưu hóa mô hình Khuếch tán ổn định nguồn mở trên phần cứng của mình. Giờ đây, bạn có thể chạy chương trình tạo hình ảnh trên Macbook của mình với hiệu suất khá. Tôi đã đọc được suy đoán rằng công ty sẽ tiếp tục tăng tốc phần cứng trên thế hệ vi mạch Apple Silicon tiếp theo của mình.
Những mô hình này sẽ không tốt như nhau ở tất cả mọi thứ. Các công ty khổng lồ sẽ tiếp tục đổi mới và có thể khiến chúng ta ngạc nhiên với những khả năng mới. Trong khi đó, các lựa chọn thay thế nhỏ hơn, rẻ hơn và nguồn mở sẽ là quá đủ cho nhiều nhiệm vụ. Google đã đặt ra một cụm từ đáng yêu: “khu vườn kiểu mẫu”. Trong thời gian tới, sẽ không có một mô hình nào thống trị tất cả hoặc thậm chí là sự độc quyền của các mô hình. Thay vào đó, chúng tôi sẽ có nhiều mô hình, mỗi mô hình phù hợp nhất cho các mục đích khác nhau.
Các loại trường hợp sử dụng giáo dục mà tôi đã mô tả trước đó trong bài đăng này tương đối đơn giản. Có thể chúng ta sẽ thấy những cải thiện về khả năng tạo các loại nội dung học tập đó trong vòng 12 đến 24 tháng tới, sau đó chúng ta có thể đạt đến điểm lợi nhuận giảm dần. Chúng tôi có thể đang chạy cục bộ các LLM giáo dục của mình trên máy tính xách tay (hoặc thậm chí là điện thoại của chúng tôi) mà không cần phải phụ thuộc vào một nhà cung cấp đám mây lớn đang chạy một mô hình đắt tiền (và thải nhiều carbon).
Một trong những trở ngại lớn nhất đối với sự đa dạng ngày càng tăng này không phải là công nghệ. Đó là dữ liệu đào tạo. Các câu hỏi liên quan đến việc sử dụng nội dung có bản quyền để đào tạo các mô hình này vẫn chưa được giải quyết. Các vụ kiện vi phạm là nảy lên. Hóa ra thách thức lớn trong ngắn hạn để có được các LLM tốt hơn trong giáo dục có thể là khả năng tiếp cận nội dung đào tạo có cấu trúc tốt, đáng tin cậy mà không bị cản trở bởi các vấn đề bản quyền.
Quá nhiều điều để suy nghĩ về…
Tôi thấy mình lảm nhảm một chút trong bài viết này. Xu hướng này có rất nhiều góc độ để suy nghĩ. Ví dụ. Tôi đã bỏ qua vấn đề đạo văn vì đã có rất nhiều bài báo viết về nó rồi. Tôi chỉ chạm nhẹ vào vấn đề ảo giác. Đối với tôi, đây là những ám ảnh tạm thời nảy sinh từ cuộc đấu tranh của chúng ta để hiểu công nghệ này tốt cho việc gì và chúng ta sẽ làm việc, vui chơi, suy nghĩ và sáng tạo như thế nào trong tương lai.
Một trong những phần thú vị về thời điểm này là quan sát rất nhiều bộ óc đang nghiên cứu các khả năng, bao gồm cả những ý tưởng nảy ra từ các nhà giáo dục trong lớp và không nhận được nhiều sự chú ý. Để có một ví dụ thú vị về sự sáng tạo đó, hãy xem ABC của ChatGPT cho học tập của Devan Walton.
Làm cho mình một ưu tiên. Khám phá. Đắm chìm trong đó. Chúng tôi đã hạ cánh trên một hành tinh mới. Vâng, chúng tôi phải đối mặt với những mối nguy hiểm, một số trong số đó không được biết đến. Vẫn. Một hành tinh mới. Và chúng tôi đang ở trên đó.
Hãy đội mũ bảo hiểm và go.
- Phân phối nội dung và PR được hỗ trợ bởi SEO. Được khuếch đại ngay hôm nay.
- Platoblockchain. Web3 Metaverse Intelligence. Khuếch đại kiến thức. Truy cập Tại đây.
- Đúc kết tương lai với Adryenn Ashley. Truy cập Tại đây.
- nguồn: https://eliterate.us/chatgpt-post-asugsv-reflections-on-generative-ai/
