AI verhoogt de ondergrens, niet de bovengrens! De laatste keer dat ik @dotey Baoyu's artikel zag, heb ik het meerdere keren gelezen. Op basis van mijn eigen praktijkervaring vind ik dat dit artikel zeer objectief en praktisch is, wat ook de "juiste waarde van AI" is die Baoyu eerder heeft voorgesteld. Ik heb een nauwkeurige vertaling gemaakt op basis van Baoyu's vertaling. Het origineel is te zien: 1⃣ Herstructurering van de leercurve Voor de komst van AI stonden lerenden vaak voor een probleem: het ontwerp van leermiddelen was vaak gericht op specifieke doelgroepen. Dit leidde ertoe dat veel middelen niet aansloten bij de achtergrond en behoeften van de daadwerkelijke gebruiker: Je bent een beginner in een bepaalde vaardigheid, maar hebt al enige basis in het relevante veld, en kunt moeilijk inhoud vinden die de doelvaardigheid vanuit een vertrouwd gebied uitlegt; Om de doelvaardigheid efficiënt te beheersen, moet je eigenlijk eerst een bepaalde voorkeursvaardigheid bezitten, maar beginners weten vaak niet waar ze moeten beginnen; Je hebt basiskennis, maar zit vast in een tussenfase en kunt geen middelen vinden die je helpen om door te breken. Over het algemeen ziet de leercurve voor het beheersen van een vaardigheid er ongeveer als volgt uit: (Figuur 1: Leercurve) De komst van AI heeft fundamentele veranderingen teweeggebracht: het kan gepersonaliseerde hulp bieden op jouw huidige niveau. AI kan vragen beantwoorden op basis van jouw huidige begrip en zelfs een deel van de repetitieve taken voor je uitvoeren, waardoor de structuur van de leercurve volledig verandert: (Figuur 2: Leren met AI-ondersteuning) 2⃣ Beheersing blijft een uitdaging Domeinexperts hebben vaak een voorzichtiger houding ten opzichte van AI. Zoals een gebruiker op Hacker News zei: AI is oppervlakkig. Hoe dieper mijn onderzoek, hoe nuttelozer het wordt, en dat gevoel van nutteloosheid komt heel snel. Vooral wanneer het onderwerp complex of controversieel is, en je hoopt dat AI je helpt betrouwbare of academische bronnen te vinden, is het vrijwel kansloos. Dit is eigenlijk goed te begrijpen: als de trainingsdata voor een onderwerp rijk en consistent zijn, is het model goed in het samenvatten van output; maar zodra het onderwerp te diepgaand is en de data schaars, kan het model niet goed presteren; als het onderwerp controversieel is, zijn de trainingsdata vaak tegenstrijdig. Met andere woorden, om echt te beheersen, blijft de moeilijkheidsgraad hoog. 3⃣ AI-leermodus en "antwoordafhankelijkheid" De leermodus van ChatGPT, ontwikkeld door OpenAI, suggereert een dieperliggend probleem: in plaats van AI je te laten begeleiden in het leren, kiezen veel mensen ervoor om direct om antwoorden te vragen. Het resultaat is: ...