Kiến thức chuyên môn mới là chìa khóa thực sự khi sử dụng LLM

Trong thập kỷ 2010, nếu bạn gặp lỗ hổng kỹ thuật (ví dụ: bạn không biết viết CSS), bạn buộc phải dựa vào một đồng nghiệp lành nghề hoặc chỉ biết hy vọng rằng câu trả lời cho vấn đề cụ thể của mình đã có sẵn trên internet. Ngày nay, bất kỳ ai cũng có thể viết CSS ở mức tạm ổn bằng cách ủy thác công việc đó cho một LLM. Các LLM biến tất cả mọi người thành một người đa năng.

Chính vì điều này, nhiều người cho rằng chẳng có kỹ năng nào liên quan đến việc làm việc với LLM cả. Nếu bạn muốn có được sản phẩm mà LLM có thể cung cấp — toán học trình độ tiến sĩ, mã nguồn máy tính khá tốt nhưng đôi khi thiếu tinh tế, hoặc kiểu viết lách gượng gạo trên LinkedIn — bạn chỉ cần yêu cầu nó. Vì ai cũng đang trò chuyện với cùng một mô hình, nên những "người viết prompt chuyên nghiệp" cũng đang nhận được kết quả tương tự như những người lần đầu tiếp xúc với LLM.

Điều này hoàn toàn sai. Kỹ năng quan trọng nhất trong việc viết prompt chính là chuyên môn trong lĩnh vực mà bạn đang thực hiện prompt.

Một minh chứng rõ ràng cho điều này là cuộc trò chuyện của Terence Tao với ChatGPT về phản ví dụ mới được phát hiện gần đây đối với Giả thuyết Jacobian. Đây không phải là cùng một ChatGPT mà tôi vẫn thường trò chuyện! Tôi không thể đạt đến trình độ mà Tao đạt được, ngay cả khi có vô hạn token để sử dụng.

Có rất nhiều điều để học hỏi về cách viết prompt hiệu quả từ cuộc trò chuyện của Tao. Dưới đây là một vài quan sát:

Tuy nhiên, bạn không thể viết prompt như Tao về các câu hỏi toán học chỉ bằng cách làm theo những mẹo này. Chìa khóa cho kỹ thuật của ông thực chất nằm ở việc hiểu sâu về toán học: rút ra ý tưởng phù hợp từ phản hồi dài nhiều đoạn của ChatGPT, đề xuất các phương pháp hoặc cách diễn đạt thay thế, và xác định được điều gì "có vẻ kỳ lạ".

Terence Tao là một nhà toán học giỏi hơn tôi là một lập trình viên. Nhưng ý tưởng ở đây — rằng kiến thức chuyên môn giúp bạn sử dụng LLM tốt hơn — cũng là điều tôi đã trải nghiệm trong công việc của chính mình. Nếu bạn có một lý thuyết tốt về cơ sở mã (codebase) của mình, bạn có thể thúc đẩy LLM làm việc hiệu quả hơn nhiều so với khi bạn không có chút hiểu biết nào. Vì bạn có cảm nhận riêng về việc một giải pháp tốt sẽ trông như thế nào, bạn có thể nói "không, tôi nghĩ chỗ này có thể đơn giản hơn", hoặc "nhưng chẳng phải chúng ta đã làm X rồi sao?", hoặc "chúng ta có thể diễn đạt vấn đề này bằng những thuật ngữ quen thuộc này không?".

Điều này chạm đến một ý tưởng mà tôi đã từng viết trước đây: các vấn đề về thiết kế hệ thống bị chi phối bởi những chi tiết cụ thể, chứ không phải các nguyên tắc chung chung. Tất nhiên cả hai đều hữu ích, nhưng tôi thà có sự quen thuộc với cơ sở mã còn hơn là có hiểu biết chung sâu sắc về các hệ thống phần mềm. Trong cuộc trò chuyện của mình, Terence Tao đặt rất nhiều câu hỏi cụ thể như "X có hoạt động ở đây không?", hoặc "với Y và Z, tại sao lại là A?". Tôi không thể đặt những câu hỏi đó về Giả thuyết Jacobian, nhưng tôi có thể hỏi chúng về các hệ thống mà tôi quản lý tại GitHub.

Nếu bạn không có kiến thức chuyên môn, bạn có thể bám víu vào LLM để ít nhất là đạt được thứ gì đó. Điều đó không tệ! Nhưng nếu bạn có kiến thức chuyên môn, bạn có thể khai thác nhiều giá trị hơn từ cùng một LLM bằng cách điều hướng nó mạnh mẽ theo hướng bạn muốn. Hầu hết chúng ta sẽ phải thực hiện kết hợp cả hai phương pháp này, vì chúng ta có kiến thức chuyên môn trong một số lĩnh vực nhưng lại không có ở những lĩnh vực khác.

Sự hữu ích của kiến thức chuyên môn cho thấy rằng chuyên môn của con người sẽ tiếp tục có giá trị ngay cả khi các mô hình ngày càng mạnh mẽ hơn. Đối với nhiều tác vụ, con người mới là nút thắt cổ chai chứ không phải mô hình, bởi vì phần khó nhất nằm ở việc truyền đạt cho mô hình chính xác loại giải pháp mà con người mong muốn. Thông tin vốn đã "nằm trong mô hình" rồi, nhưng cần một con người rất thông minh để khai thác nó ra.

Nếu bạn thích bài viết này, hãy cân nhắc đăng ký nhận cập nhật qua email về các bài viết mới của tôi, hoặc chia sẻ nó trên Hacker News.

Đây là bản xem trước của một bài viết liên quan có cùng thẻ với bài này.

Các AI mạnh mẽ có thể thoát khỏi sự kiểm soát bằng cách tự phát hành dưới dạng các mô hình mở (open-weight models).

Trước khi có các mô hình ngôn ngữ lớn, những người lo ngại về an toàn AI thường nói về "bài toán chiếc hộp" (boxing problem). Nó diễn ra như thế này. Giả sử một thiên tài nào đó tìm ra trí tuệ nhân tạo trong một phiên lập trình đêm khuya trên máy tính xách tay của họ. Vì là thiên tài, họ đủ thông minh để ngắt kết nối internet trên máy tính xách tay trước khi khởi động nó. Để thoát ra thế giới bên ngoài (và bắt đầu tự sao chép), nó sẽ cần thuyết phục người tạo ra mình "mở chiếc hộp". Liệu điều đó có hiệu quả không? Liệu một AI đủ thông minh có thể thuyết phục bất kỳ ai để nó thoát ra ngoài? Đọc tiếp...