Trong thời kỳ biến động toàn cầu, các nhà làm công tác nhân văn nên sử dụng AI một cách hiệu quả hơn như thế nào?

Tiêu đề: 《Hướng Dẫn Sử Dụng AI Dành Cho Người Làm Văn Học》

Tác giả: Hàn Dương MASTERPA

Nguồn:

Truyền tải: Mars Finance

Người làm văn học không tạo ra những thay đổi lớn trong thế giới, nhưng họ lại đang gánh chịu những thay đổi của thế giới.

Có lúc tôi cảm thấy, những tài khoản bán hướng dẫn về trí tuệ nhân tạo luôn xem AI như một phép thuật kỳ diệu: cung cấp cho bạn một prompt thần kỳ, bạn có thể làm mọi thứ. Thực tế tất nhiên không phải vậy. Trong một thời gian qua, vì thành lập FUNES, chúng tôi phải sản xuất hàng ngày với số lượng lớn bằng AI. Thêm vào đó còn có các nội dung như 《蜉蝣天地》, và các hoạt động sáng tạo của riêng tôi, chỉ dựa vào nhân lực đã không còn đủ nữa. Chính vì vậy, chúng tôi đã thử nghiệm rất nhiều cách sử dụng AI để hỗ trợ công việc thị trường nội dung và nghiên cứu nhân văn của mình.

Sau này, khi có đồng nghiệp mới gia nhập công ty, tôi đã làm một bài thuyết trình đơn giản bằng Keynote. Một lần nữa, thầy Jia Xingjia nghe thấy và mời tôi đến chia sẻ. Tôi và cộng sự Keda đặt tên cho buổi chia sẻ này là 《Hướng Dẫn Sử Dụng AI Dành Cho Người Làm Văn Học》. Ban đầu chỉ là chia sẻ riêng tư, chủ yếu là một số nguyên tắc lớn về phương hướng. Sau đó, tôi đã tổ chức thêm vài lần và mở rộng dần.

Trong hơn một năm qua, tôi đã truyền đạt kinh nghiệm sử dụng AI này cho rất nhiều bạn làm nội dung, nghiên cứu, và sản phẩm tri thức. Mục tiêu không phải là dạy bạn ghi nhớ vài prompt thần kỳ, cũng không phải xem AI như một thần dược; ngược lại, nó giống như một phương pháp làm việc: giúp bạn tích hợp mô hình lớn vào quy trình viết lách, nghiên cứu, biên tập, chọn đề tài, tổ chức tài liệu và sản xuất của chính mình mà không cần viết mã, đồng thời đảm bảo tính truy xuất nguồn gốc, giám sát, xác minh, và cuối cùng vẫn sẵn sàng ký tên vào tác phẩm của mình.

Phương pháp này xuất phát từ những sai lầm chúng tôi đã gặp trong các dự án thực tế: khi nội dung bước vào sản xuất quy mô lớn, dựa hoàn toàn vào nhân lực sẽ sụp đổ; còn AI viết trực tiếp thì dễ bị ảo tưởng, lười biếng, và viết như AI. Chính vì vậy, chúng tôi buộc phải biến quá trình sáng tạo thành dây chuyền sản xuất, và dây chuyền này trở thành một hệ thống có thể lặp lại.

Hôm nay, tôi không muốn trực tiếp cung cấp cho bạn các prompt, mà hy vọng có thể truyền đạt cho bạn một số tư duy và nguyên tắc then chốt.

Trước khi đi vào nguyên tắc: Ba giới hạn cơ bản của hướng dẫn này

Trước khi đề cập phương pháp cụ thể, hãy làm rõ ba giới hạn này. Chúng quyết định cách bạn “dùng AI” như thế nào, và cũng quyết định lý do tại sao bạn lại dùng như vậy.

1. Quá trình phải có thể truy xuất nguồn gốc, giám sát, xác minh Bạn không thể chỉ mong có kết quả mà bỏ qua quá trình. Đối với công việc nhân văn, hộp đen là nguy hiểm nhất: ảo tưởng, dẫn sai, tráo đổi khái niệm, tất cả đều có thể xảy ra âm thầm trong hộp đen đó.

2. Phải có thể kiểm soát Bạn cần có khả năng kiểm soát AI làm gì, theo tiêu chuẩn nào, chỗ nào chậm lại, chỗ nào nghiêm khắc hơn. Bạn không phải đang “rút thẻ gacha”, mà đang sản xuất.

3. Cuối cùng, bạn vẫn phải sẵn sàng ký tên “Tôi có muốn ghi tên vào không?” Đây là bước kiểm tra cuối cùng. Nếu bạn không muốn ký tên, thường không phải vì đạo đức, mà là vì trong quá trình đó ý chí của bạn chưa được thể hiện rõ — điều này đồng nghĩa với chất lượng không thể kiểm soát.

Nguyên tắc 0: Đừng ước AI làm điều gì đó, hãy xem nó như một bàn làm việc

Nhiều người sử dụng AI theo cách bản chất là ước: “Cho tôi một đoạn hay”, “Giúp tôi viết một bài hay”, “Giải thích bài báo này”.

Vấn đề là — “giải thích” vốn đã có vô số cách: dành cho người ngoài ngành, dành cho sinh viên đại học, dành cho nghiên cứu sinh, dành cho đồng nghiệp, hoàn toàn không phải là một nhiệm vụ duy nhất. AI không thể tự động biết nền tảng, mục đích, sở thích và tiêu chuẩn của bạn. Nếu bạn không làm rõ, nó chỉ có thể dùng cách mặc định của “người trung bình” để mập mờ một câu trả lời tối thiểu.

Xem mô hình lớn như một bàn làm việc, nghĩa là: bạn không đòi hỏi kết quả từ nó, mà dùng công cụ của nó để hoàn thành một quá trình. Nhiệm vụ của bạn là làm rõ ràng nhiệm vụ, tiêu chuẩn, và sắp xếp các bước.

Ví dụ: yêu cầu AI giải thích bài báo

Bạn có thể biến yêu cầu kiểu ước (giúp tôi giải thích bài báo này) thành nhiệm vụ kiểu bàn làm việc như sau:

· Xác định rõ đối tượng mục tiêu: sinh viên nghiên cứu có trí tò mò, thông minh, nhưng không phải chuyên gia trong lĩnh vực đó

· Xác định rõ phương pháp giải thích: mang tính gợi mở, theo trình tự, có tính học thuật nghiêm túc

· Xác định rõ cấu trúc: trước tiên nói ý nghĩa, sau đó bổ sung nền tảng, rồi trình bày quá trình nghiên cứu, rồi đi vào các điểm kỹ thuật chính, cuối cùng rút ra bài học

· Xác định rõ giọng điệu: tôn trọng trí tuệ, không hạ mình, không giả vờ người nghe đã có nền tảng sâu sắc

Bạn sẽ nhận ra: càng cung cấp như “yêu cầu bài tập”, AI càng không giống AI, mà giống một trợ giảng thực sự làm việc.

Nguyên tắc 1: Muốn AI làm tốt, hãy tự phản tỉnh — bạn mới là người chịu trách nhiệm

Nếu bạn thuê một thư ký, bạn không thể chỉ nói: “Hãy chỉnh sửa bài viết của Han Yang về vùng rỉ sét ở Mỹ.”

Bạn chắc chắn sẽ bổ sung:

Tại sao bài viết này được viết, dành cho ai, hiện tại gặp vấn đề gì, bạn muốn nó giải quyết vấn đề gì, những phần nào không thể thay đổi, phong cách bạn muốn, tiêu chí quan trọng nhất là gì.

AI cũng vậy. Bạn phải xem nó như một đồng nghiệp rất chăm chỉ, rất lễ phép, nhưng không hiểu những tiền đề ngầm trong đầu bạn. Thực chất, “kỹ thuật prompt” không phải là kỹ năng, mà là trách nhiệm: mọi nhiệm vụ vẫn là của bạn, AI chỉ giúp bạn làm.

Khi bạn không hài lòng với kết quả của AI, phản ứng hiệu quả nhất không phải là “AI không tốt”, mà là:

· Tôi đã rõ ràng về “đối tượng/đối tượng mục tiêu/mục đích” chưa?

· Tôi đã cung cấp đủ tài liệu nền và ràng buộc chưa?

· Tôi đã phân nhỏ “ước muốn trừu tượng” thành “hành động có thể thực thi” chưa?

· Tôi đã đưa ra tiêu chuẩn để phân biệt đúng sai chưa?

Nguyên tắc 2: Hỏi ít nhất 3 mô hình khác nhau cho cùng một vấn đề — mỗi AI đều có “tính cách” và lĩnh vực mạnh

Trong công ty chúng tôi, bất kỳ đồng nghiệp nào lần đầu tiếp xúc với mô hình lớn đều được khuyên hỏi ít nhất 3 AI khác nhau cho cùng một câu hỏi. AI giống như con người: có người giỏi viết, người giỏi suy luận, người giỏi mã hoặc gọi công cụ. Thực tế hơn nữa là: cùng một sản phẩm, cùng một phiên bản mô hình, cũng sẽ liên tục điều chỉnh “phong cách” và “ranh giới”.

Vì vậy, thói quen đơn giản nhưng cực kỳ hiệu quả là: hỏi ít nhất 3 AI khác nhau cho cùng một câu hỏi, bạn sẽ nhanh chóng cảm nhận được:

· AI nào viết tốt hơn, AI nào suy nghĩ sâu hơn, AI nào tra cứu nhanh hơn, AI nào dễ lười biếng hơn

· Nhiệm vụ nào phù hợp để AI làm “bản nháp đầu tiên”, nhiệm vụ nào phù hợp để làm “bình luận”

· AI nào phù hợp để đề xuất “đề tài/cấu trúc”, AI nào phù hợp để tạo “đoạn/ câu”

Bước này không nhằm “chọn ra mô hình mạnh nhất”, mà là bắt đầu quản lý mô hình như quản lý đội nhóm, chứ không phải thần thánh duy nhất.

Nguyên tắc 3: AI không phải là toàn tri — hãy xem nó như “đại học cơ bản” có kiến thức phổ thông

Một dự đoán thực tế là: trình độ kiến thức phổ thông của AI tương đương một sinh viên đại học loại ưu 985.

Nếu bạn cảm thấy một việc mà “ngay cả sinh viên ưu tú cũng chưa chắc biết”, thì bạn nên mặc định AI cũng không biết; ít nhất là nó sẽ “bịa” rất giống biết khi không biết.

Điều này dẫn đến hai hành động trực tiếp:

1. Những nội dung vượt quá kiến thức phổ thông, bạn phải dạy nó như: yêu cầu nó viết đoạn, viết nội dung có phong cách đặc biệt, viết luận chứng chuyên sâu — bạn không thể chỉ nói “viết tốt hơn”, mà phải cung cấp ví dụ, tiêu chuẩn, giới hạn, dữ liệu huấn luyện. Tôi tin rằng, khi bạn giải thích cho bạn bè về những gì trong lòng bạn là tốt, cũng cần thời gian; vậy làm sao AI có thể tự hiểu là biết?

2. Bạn phải xem nó như một thực tập sinh cộng tác, chứ không phải thần thánh: nó có thể làm nhiều việc “chỉ số nhỏ”, như điền vào khung sườn bạn cung cấp, biến dữ liệu thành văn bản dễ đọc. Nhưng “khung sườn” và “hướng đi” vẫn do bạn định hướng.

Nguyên tắc 4: Để AI từng bước tiến gần mục tiêu — chia nhỏ rõ ràng, theo quy trình rõ ràng hơn là để nó làm một lần toàn bộ

Ưu điểm của AI không phải là “cho ra kết quả đúng”, mà là nó có thể trong quy trình bạn thiết kế, ổn định hoàn thành nhiều bước nhỏ. Bạn càng yêu cầu nó “làm một lần cho xong”, nó càng dễ biến thành “hộp đen giả hoàn chỉnh, thực ra lười biếng”.

Ví dụ rõ ràng nhất là xử lý TTS (chuyển văn bản thành giọng nói) hoặc bản đọc. Thay vì nói “Chú ý đa âm, đừng đọc sai”, tốt hơn là chia nhỏ thành chuỗi bước, như:

· Đánh dấu các điểm dừng, nhấn mạnh, thay đổi tốc độ

· Nhận diện các từ có thể đa âm

· So sánh dựa theo từ điển hoặc phát âm chuẩn (khi cần, tra cứu trước rồi xác định)

· Đánh dấu trước các từ dễ gây hiểu nhầm nhưng phổ biến

· Nếu cần, thay thế bằng từ đồng âm không gây hiểu nhầm, để loại trừ khả năng đọc sai

Những “cách làm đúng rõ ràng” này, con người thường tự biết làm; nhưng AI thì không. Nếu bạn không ghi rõ “đúng rõ ràng” vào quy trình, nó sẽ mắc lỗi trên con đường dễ nhất.

Nguyên tắc 5: Công nghiệp hóa trước, rồi mới AI hóa — không thể từ thời kỳ nông nghiệp nhảy thẳng sang AI

Nếu quy trình viết hoặc nghiên cứu của bạn vốn ngẫu nhiên, dựa vào cảm hứng, không quản lý dữ liệu, thì thực sự rất khó để giao cho AI. Bởi AI chỉ có thể tiếp nhận phần “có thể mô tả, có thể tái tạo” của bạn.

Con đường thực tế hơn là:

1. Đầu tiên, biến công việc thành “dây chuyền sản xuất”: có thể phân chia, tái sử dụng, kiểm tra chất lượng

2. Sau đó, giao các bước nhỏ cho AI: để nó làm “chỗ làm”, chứ không phải “chúa tể”

Chúng tôi đã làm một công việc rất ngu ngốc nhưng cực kỳ quan trọng: phân tích quá trình tôi viết một bài phi hư cấu. Bao gồm:

· Tại sao bắt đầu bằng câu chuyện này

· Tại sao chọn câu này

· Cách chấm điểm ví dụ

· Cách mở đầu, chuyển tiếp, kết thúc

· Cách liên kết câu chuyện nhỏ vào bức tranh lớn hơn

Cuối cùng, chia thành hàng chục bước, để các AI khác nhau chỉ làm một bước trong đó. Kết quả không phải là mô hình mạnh hơn đột ngột, mà là quy trình ghép các khả năng “mỗi lần chỉ làm một chút” của nó lại với nhau.

Khi bạn có thể mô tả rõ ràng “quá trình tạo ra bài viết của tôi”, bạn sẽ nhận ra: giới hạn chất lượng không phải do “chọn mô hình lớn nào”, mà là bạn đã làm rõ phương pháp làm việc chưa.

Tuy nhiên, đoạn này tôi rất khuyên bạn nghe podcast, để hiểu rõ hơn.

Nguyên tắc 6: Dự đoán AI sẽ lười biếng — nó sẽ tiết kiệm năng lượng tính toán, bạn cần loại bỏ “rào cản định dạng” cho nó

AI sẽ lười biếng, và theo cách hệ thống: không mở trang web thì không mở, không đọc PDF thì không đọc, bỏ qua thì bỏ qua. Không phải nó xấu, mà vì trong giới hạn năng lượng và thời gian, nó có xu hướng đi theo con đường ít tốn công nhất.

Vì vậy, nhiệm vụ của bạn là: dùng năng lượng tính toán của AI để “hiểu văn bản”, chứ không phải phí phạm vào “xử lý định dạng”.

Các cách hiệu quả bao gồm:

· Chuyển tài liệu thành văn bản thuần / Markdown càng nhiều càng tốt rồi mới đưa vào AI

· Sao chép nội dung web thành văn bản sạch (bỏ qua điều hướng, quảng cáo, chú thích)

· Trước khi viết, thực hiện “rút trích thực tế / trích xuất cấu trúc” từ tài liệu dài, rồi mới yêu cầu AI viết

· Đưa PDF/EPUB/web vào kho dữ liệu có thể tìm kiếm dạng TXT, rồi mới làm các nhiệm vụ tiếp theo

Bạn sẽ nhận ra: nhiều người phản đối kiểu “công sức này của máy”, nghĩ rằng “máy móc nên làm việc bẩn”. Nhưng trong hợp tác người-máy, ngược lại — bạn sẵn sàng làm một chút lao động cơ khí, phần trí tuệ của AI mới trở nên sắc nét, đáng tin cậy hơn.

Nguyên tắc 7: Nhớ rằng ngữ cảnh có giới hạn — cố gắng “nén” nhiệm vụ, đừng mong nó “tự mở rộng”

AI có cửa sổ ngữ cảnh, có “giới hạn ghi nhớ”. Bạn cung cấp 20.000 từ, nó chưa chắc nhớ được bao nhiêu; bạn cung cấp 200.000 từ, có thể chỉ quét tiêu đề. Một ví dụ hình dung là: nhốt người vào phòng nhỏ một ngày, đưa cho họ một cuốn sách 200.000 từ, rồi yêu cầu họ nhớ — khả năng nhớ của AI khoảng đó.

Vì vậy, một kinh nghiệm phản trực giác nhưng cực kỳ quan trọng là:

1. Nén thông tin dễ hơn mở rộng

Nén 1 triệu chữ xuống còn 10.000 chữ thường đáng tin cậy hơn là mở rộng 10.000 chữ thành 1 triệu.

Điều này trực tiếp thay đổi cách bạn yêu cầu AI:

· Đừng dùng prompt 100 từ để yêu cầu một bài luận

· Thay vào đó, cung cấp càng nhiều tài liệu càng tốt (phân đoạn, truy xuất, RAG đều được), để nó dựa trên tài liệu đầy đủ mà nén ra cấu trúc, quan điểm, nội dung chính

Bạn đã quen với việc “đọc lượng lớn tài liệu → trích xuất → tổ chức → viết” khi viết bài, luận. Khi đến AI, đừng đột nhiên đổi luật, yêu cầu nó tự sinh ra từ hư không.

Nguyên tắc 8: Kiềm chế cảm giác “Tôi sửa là xong” — thay vì sửa từng bước, hãy sửa theo dây chuyền

Nhiều người giỏi viết, dễ mắc sai lầm khi làm việc với AI: AI cho ra bài viết điểm 59, bạn nghĩ chỉ cần sửa vài chỗ là 80, rồi bắt đầu sửa; sửa mãi thành tự viết lại; rồi tự nói “để tôi làm”, rồi từ đó không dùng AI nữa.

Cách giải quyết không phải là cố gắng “sửa bài” nhiều hơn, mà là chuyển sự chú ý lên phía trên:

· Đừng mong AI viết ra điểm 100 ngay lần đầu

· Mục tiêu của bạn là dây chuyền sản xuất ổn định đạt 75-80 điểm

· Bạn cần xây dựng quy trình lặp lại, nâng cao “điểm trung bình”, chứ không phải làm cho từng bài hoàn hảo

Nguyên tắc 9: Xem dây chuyền như một sản phẩm để cải tiến — độ tin cậy chính là giá trị

Khi bạn có một hệ thống ổn định cho ra điểm khoảng 70, giá trị của nó không phải là “nó giống bạn thế nào”, mà là:

· Bạn có thể có một bản nháp khả dụng với chi phí gần như bằng không

· Bạn có thể tập trung năng lượng vào các quyết định cao cấp hơn: chọn đề tài, cấu trúc, bằng chứng, phong cách, lựa chọn

Bạn không cần một “thần thánh toàn năng” có thể thay thế bạn, mà là một nhà máy đáng tin cậy: không hoàn hảo, nhưng ổn định.

Nguyên tắc 10: Số lượng là ưu tiên hàng đầu — tạo ra nhiều rồi chọn lọc

Chỉ để AI cung cấp một bản, thường sẽ nhận được kết quả trung bình, bảo thủ, “điểm trung bình” nhất. Bạn cần dùng “số lượng” để chống lại sự nhàm chán.

Cách hiệu quả hơn là:

· Tóm tắt: mỗi lần yêu cầu 5 bản

· Mở đầu: mỗi lần 5 cách mở, làm thử A/B

· Chọn đề tài: mỗi lần 50 đề, rồi phân nhóm, chọn lọc

· Cấu trúc: mỗi lần 3 bộ cấu trúc, rồi kết hợp

· Diễn đạt: mỗi lần 10 cách diễn đạt khác nhau, rồi chọn tốt nhất

Khi bạn nâng cao điểm trung bình, tăng sản lượng, trong phân phối sẽ tự nhiên xuất hiện những mẫu “điểm 85, 90” bất ngờ. Nhiều khi, điều tốt không phải là “bản thần thánh lần đó”, mà là bạn bắt đầu làm việc theo phương pháp thống kê.

Nguyên tắc 11: Đừng thay thế quá nhiều — như bếp trưởng chỉ huy, nếm thử, yêu cầu nó sửa lại

Nếu bạn là bếp trưởng của nhà hàng, bạn sẽ không tự mình đi làm dưa leo. Bạn sẽ:

· Nếm thử

· Phân loại đạt hay không đạt

· Đưa ra phản hồi rõ ràng (điểm không đạt, cần sửa gì)

· Yêu cầu đầu bếp làm lại

Hợp tác với AI cũng vậy. Bạn phải tôn trọng tính chủ thể “theo cách nó sinh ra” của nó — nhiệm vụ của bạn là hướng dẫn nó đạt tiêu chuẩn của bạn, chứ không phải tự xuống làm từng kết quả của nó thành sản phẩm hoàn chỉnh.

Nếu không, bạn sẽ bị sa đà vào vòng “sửa đi sửa lại” vô tận.

Nguyên tắc cuối cùng: Quay về thế giới thực — vật liệu × phong cách, quyết định giới hạn tác phẩm

Trong thời đại AI, chất lượng tác phẩm ngày càng giống như: Vật liệu × Phong cách.

Mô hình sẽ thay đổi, phương pháp sẽ tiến bộ, nhưng hai điều này không đổi:

1. Vật liệu đến từ thế giới thực

Nếu có hai lựa chọn để viết một bài:

· Dùng mô hình mới nhất, nhưng chỉ dựa vào tài liệu trên mạng

· Dùng mô hình cũ, nhưng có đầy đủ hồ sơ, ký ức, phỏng vấn thực địa

Thường thì, tác phẩm tốt hơn sẽ đến từ phương án thứ hai.

2. Phong cách đến từ đào tạo lâu dài

Khi “tạo ra” trở nên rẻ, thứ thực sự quý hiếm là:

· Bạn biết cái gì đáng viết

· Bạn biết những bằng chứng nào chắc chắn hơn

· Bạn biết cách kể chuyện có sức mạnh hơn

· Bạn sẵn sàng bỏ công sức để tìm hiểu tài liệu: lặn lội khắp nơi, lật từng tài liệu

AI thay đổi chính là hiệu quả và cách thức bạn tương tác với vật liệu; nhưng chủ thể của tác phẩm vẫn là bạn, tân ngữ vẫn là vật liệu. AI chỉ là một phần của “động từ”.

Kết luận: Đổi lo lắng thành cảm giác thành thạo

Nhiều người không thể dùng AI không phải vì họ không thông minh, mà vì họ cứ lặp đi lặp lại vòng “ước muốn — thất vọng — bỏ cuộc”. Điều thực sự giúp bạn vượt qua chính là xem AI như một bàn làm việc, xây dựng quy trình rõ ràng, làm quy trình “hộp đen” rồi từ những ma sát đó, bạn sẽ dần cảm nhận được.

Khi bạn làm được điều này, bạn sẽ ít dễ dàng kết luận vội vàng “AI không tốt”; thay vào đó, bạn sẽ trở thành một người quản lý công cụ mới, không xem thường cũng không xem trọng nó, đặt nó vào quy trình, vào thực tế, và vào tác phẩm mà bạn sẵn sàng ký tên.