Cách người bình thường hiểu sâu một lĩnh vực chuyên biệt trong 4 tiếng

Tác giả: danny

Bạn bè hỏi tôi tại sao dường như tôi biết tất cả mọi thứ hoặc mọi lĩnh vực? Ngoài những trải nghiệm trước đây hoặc những việc đang làm, thực ra nhiều khi tôi đều học hỏi ngay tại chỗ. Hôm nay, tôi sẽ chia sẻ với các bạn cách tôi sử dụng công cụ AI và Notebooklm để hoàn thành con đường tự học của người bình thường.

Trước tiên, tôi muốn nói rằng bài viết này hướng đến việc: hệ thống hóa và cấu trúc hóa việc học và hiểu một lĩnh vực/đối tượng/khái niệm nhỏ, đồng thời xây dựng hệ thống kiến thức và sơ đồ tri thức của riêng mình. Nếu bạn chỉ cần hiểu sơ qua một số khái niệm trong đó, biết được xx là gì, thì việc hỏi các AI phổ biến trên thị trường cũng gần như tương tự.

Việc sử dụng AI để học hỏi, hiểu một điều mới hiện nay gặp phải một số hạn chế và giới hạn:

Thứ nhất là ảo tưởng (hallucination), AI (đa phần) sẽ cung cấp cho bạn những dữ liệu và thông tin bịa đặt, đặc biệt trong các lĩnh vực nhỏ, vì dữ liệu huấn luyện và tài liệu học tập không đủ đầy;

Thứ hai là thiếu chi tiết, do vấn đề bản quyền và các lý do khác, AI sẽ không tự đọc toàn bộ bài báo hoặc sách, mà phần lớn dữ liệu huấn luyện là review, bình luận của người khác, đặc biệt trong các lĩnh vực nhỏ, thông tin rất ít;

Thứ ba là không thể mô tả chính xác vấn đề, giả sử bạn chưa từng tiếp xúc với chủ đề này, bạn sẽ khó có thể mô tả rõ ràng vấn đề mình muốn tìm hiểu, cũng không rõ nguyên nhân và hậu quả của các vấn đề đó, hơn nữa còn không thể hệ thống hóa và cấu trúc hóa việc thu thập tài liệu, hình thành khung kiến thức học tập có hệ thống.

Phần lý thuyết

Cách của tôi cũng rất đơn giản: tận dụng “mạng lưới trích dẫn (quote/reference/impact factor)” của giới học thuật để tinh lọc thông tin, rồi dùng AI để chứng minh và phát triển ý tưởng, tạo ra một cuộc “đấu tranh giữa hai bán cầu não” để cấu trúc hóa việc hiểu một điều mới.

Workflow rút gọn:

Tìm các bài báo có giá trị - đưa vào Notebooklm - dùng công cụ AI tạo ra các gợi ý - hỏi đáp học tập trong Notebooklm - bổ sung các bài báo có giá trị vào Notebooklm - học trong Notebooklm - lặp lại như vậy.

Workflow phức tạp hơn:

Bước 1: Theo dõi từng bước (thời gian: 0.25 giờ)

Đừng tìm kiếm “x là gì, nguyên lý của nó là gì”, mà hãy trực tiếp tìm “điểm tựa vững chắc” của lĩnh vực đó.

Gọi AI (Gemini / Perplexity): hỏi trực tiếp: “Trong [lĩnh vực nhỏ] này, ai là 3 nhân vật được công nhận là hàng đầu? Những bài báo tiêu biểu, có ảnh hưởng lớn nhất của họ là gì?” (ví dụ trong lĩnh vực LLM, tập trung vào các bài như Attention Is All You Need). Đây tượng trưng cho “hiện tại”.

Tải về các bài báo chính: trích xuất Reference của 1-3 bài báo cốt lõi này, tải toàn bộ các bài báo quan trọng mà chúng đã trích dẫn. Đây tượng trưng cho “quá khứ”.

Tinh lọc các bài báo thứ cấp phổ biến: so sánh chéo các tài liệu tham khảo trong các bài báo chính, chọn ra 5 bài có số lần trích dẫn cao nhất, xuất hiện nhiều nhất. Đây tượng trưng cho “tương lai”.

Logic cốt lõi: theo ánh nhìn của các bậc thầy, nhìn thế giới theo cách của họ là con đường tiết kiệm nhất. Đừng xem nhẹ bước này, vì bạn đang tải về bản đồ tiến trình tư duy cốt lõi của lĩnh vực này qua hàng chục năm.

Bước 2: Xây dựng kho kiến thức có cấu trúc (thời gian: 0.25 giờ)

Tải toàn bộ các bài báo kinh điển đã chọn ở bước 1 lên Google NotebookLM.

Thông thường, chỉ cần hai loại này là đủ cho các bài báo kinh điển:

Tại sao chọn NotebookLM? Vì nó hoàn toàn không gây ảo tưởng (hallucination). Nó chỉ dựa trên dữ liệu bạn cung cấp để trả lời câu hỏi.

Thông qua việc lọc tài liệu nghiêm ngặt, bạn đã tự cắt đứt các thông tin rác trên internet, xây dựng một kho kiến thức thuần túy, tập trung cao vào lĩnh vực này.

Bước 3: Đấu tranh giữa các AI khác nhau (thời gian: 1-3.5 giờ)

Đây là phần cốt lõi của toàn bộ workflow. Bạn để các AI có đặc điểm khác nhau chất vấn lẫn nhau trong kho kiến thức của bạn, hình thành các đường dẫn kiến thức có cấu trúc, suy luận logic, cuối cùng là hình thành quan điểm của riêng bạn.

Chủ động hỏi thay vì chỉ học thụ động. Chủ động đặt câu hỏi (quan tâm) giúp não bộ suy nghĩ.

Tìm điểm neo: hỏi Claude, Deepseek, Gemini hoặc Perplexity: “Về lĩnh vực xx, các tranh cãi chính trong giới học thuật/ngành nghề hiện nay là gì? Các lý thuyết nền tảng ra sao?”

Vòng lặp phản hồi: dựa trên các tranh cãi này, quay lại NotebookLM hỏi: “Dựa trên các tài liệu tôi đã tải lên, các bậc thầy đã giải quyết các tranh cãi này như thế nào? Vui lòng cung cấp nguồn tài liệu cụ thể và quá trình suy luận.”

Giảm chiều: sao chép câu trả lời chính xác của NotebookLM, đưa lại cho Gemini hoặc Claude có khả năng phân tích logic mạnh, ra lệnh: “Hãy xem xét các quan điểm này bằng tư duy phản biện, chỉ ra các lỗ hổng logic, hạn chế thời đại hoặc điểm mù trong đó. Dựa trên đó, tôi nên tiếp tục hỏi sâu hơn 3 câu hỏi nào?”

Cộng hưởng nhận thức: lấy các điểm yếu và câu hỏi mới do AI phát hiện, quay lại NotebookLM để tìm câu trả lời.

Thực hành

Ví dụ tôi dùng câu hỏi “LLM (large language models) là cái gì” 😂

Bước 1: Theo dõi từng bước (thời gian: 0.25 giờ)

Tôi hỏi Gemini và Claude cùng lúc — này, các ông trả lời thế nào?

gemini

claude

Sau đó, tôi chợt nhớ lời thầy giáo cấp 2 đã nói, lý thuyết khoa học luôn có quá trình kế thừa, có quá khứ, hiện tại và tương lai. Vì vậy, tôi yêu cầu AI giúp tôi khảo sát các bài báo cốt lõi này đã tham khảo những bài nào (thường nằm trong phần “tổng quan tài liệu”), và các bài sau này đã trích dẫn các bài này như thế nào, rồi để AI giúp tôi lọc ra.

Bước 2: Xây dựng kho kiến thức có cấu trúc

Vì một số đặc điểm của các LLM ban đầu và quyền hạn của AI, chúng ta cần tự tay tải xuống (hoặc nhờ “cá mập” của bạn làm giúp).

Thông thường,

Bạn tải xuống rồi đưa vào Notebooklm (hiện tại mỗi thư viện hỗ trợ khoảng 300 bài).

Bước 3: Đấu tranh giữa các AI khác nhau

Bạn có thể bắt đầu hỏi trong Notebooklm những câu hỏi đơn giản, trực quan, rồi thảo luận, tranh luận với các AI khác, sau đó gửi kết quả về Notebooklm để nó phản biện, chứng minh, bổ sung, chỉnh sửa.

Phản hồi và chú thích của Notebooklm:

Lặp lại như vậy vài lần, đến khi bạn tự hình thành được sơ đồ tư duy của riêng mình.

Nếu muốn nghiêm túc hơn, bạn có thể yêu cầu Notebooklm đưa ra đề thi để kiểm tra.

Đến lúc đó, bạn đã có một hiểu biết nhất định về lĩnh vực này (ít nhất là biết về quá khứ, hiện tại và tương lai, khi người khác hỏi, bạn có thể nói thêm 5 phút~).

Ghi chú cuối

Hãy lưu giữ “kho kiến thức” của bạn (và cập nhật liên tục, có thể nhờ “cá mập” giúp), mở một thư mục riêng — ví dụ, tôi để các bài viết lý thuyết liên quan đến “giao dịch hợp đồng” riêng một bộ sưu tập, khi cần phân tích vấn đề, chỉ cần mở thư mục này ra, mô tả dữ liệu, ví dụ, case study, là có thể phân tích gần như “không gây ảo tưởng”.

Không phải là các mô hình AI hiện tại không thể thực hiện suy nghĩ và phân tích sâu, mà là bạn chưa dùng đúng công cụ. (Trong LLM, một tham số quan trọng là điều kiện ràng buộc và đầu vào).

Việc vận dụng AI là một kỹ năng, nhưng làm thế nào để AI giúp con người trở nên mạnh mẽ hơn lại là một kỹ năng khác. Việc vận dụng AI là một kỹ năng, nhưng làm thế nào để AI giúp con người trở nên mạnh mẽ hơn lại là một kỹ năng khác.