如何在與AI協作的過程中,透過AI塑造增強我們人類的創造力?我想透過萃取跟發散兩種方式來說明
我其實很不喜歡AI的摘要,濃縮的東西不是”乾貨”,而是難以內化的資訊。因為AI摘要的內容,並不是我在乎的重點,不是結合我自己的經驗我思考記錄下來的內容,我就很難在把這個內容轉化或遷移到新的情境。 但不可否認摘要早就在我們的生活中,就像是新聞標題或是論文摘要等,但過往我們只是把摘要做為篩選的參考而非學習的主體。但隨著生成式AI的興起,似乎我們過度的把看完摘要就當作看完這份資料,但過程中我們如何吸收跟轉化書本內容的過程就消失了,這樣還算有看完嗎?就算有看完,我們真的吸收了多少?
所以萃取不單單是摘要,而是根據使用者的需求,重新組織文本,使其更符合特定目的。例如:
1.我可以請 AI 以林穎俊風格寫一篇文章,但加入更多幽默搞笑的元素
2.撰寫一封學校老師給家長的信,帶有一些情緒勒索的語句。
這些要求並非單純的「摘要」,而是從AI龐大的語料庫中,提取並整理出符合我們需求的內容。但如果我們能在萃取的過程中,加入對文本的理解與創意,將其轉化為更貼近我們需求的內容,就像你要泡一壺茶或一杯單品咖啡,每個人都有自己喜好的風味,雖然原料都差不多,但透過你獨特或喜歡的方式就可以產出你特有的作品。
-發散:
發散不只是生成文字,而是能夠根據我們的提問與追雯,不斷深挖與AI協作一起拓展想法。
例如:
1.跟家長溝通:不只是寫一封信給家長,而是根據你對家長的了解,請AI扮演家長說明他看完這封信的感受跟想法,幫你完善這封信。
2.寫教案:不只是生成一份符合格式的教案,而是根據學生的先備知識、教學情境、教學脈絡等,不斷跟AI討論找出最適合學生的課程設計。
3.概念解釋:當我想學習某個概念的時候,我可以要求它用更具體更貼近我的方式來說明。
就像我想理解”computational irreducibility”這個概念
第一次我會提問:請從LLM大型語言模型的原理跟我說明computational irreducibility我看完後發現他的回答雖然都是中文,但是我卻看的霧煞煞,我就先挑一個我想先懂得概念繼續向下追問。我繼續追問:請你舉例跟我說明"無法壓縮計算過程",讓我更容易理解。我是一個小學老師、喜歡寫程式是個AI狂熱者,然後ChatGPT就舉出很多有趣的範例來說明這個概念
在這個過程中,ChatGPT 的記憶功能變得非常有用,因為它能根據我們過去的對話,提供更符合個人需求的答案。這與 Google 搜尋不同,Google 擅長提供現有的資料,但 ChatGPT 則能根據過往的紀錄,找出我們可能感興趣的內容,但是不過不管怎樣還是要透過Google驗證ChatGPT的生成答案。
就像我們寫作時,有時常常卡住一段生不出來。可以請AI以10種不同方式,補足你卡很久寫不出來的地方或是請 AI 產生 20 種不同的比喻,然後從中挑選最適合的表達。
或是丟給NotebookLM一堆資料整理這些資料,問AI說對我最有幫助、我最感興趣、我沒想到的聯繫等。而這就是 AI 的發散所帶來的價值,不是單純回答問題,而是幫助我們探索更多可能性,一隻鳥接著一隻鳥,一個問題帶來更多的問題。核心概念的從0到1還是要我們自己發想,而 AI 的發散正是幫助我們從1-100,以擴展那「99」的空間。
萃取就像Espresso濃縮咖啡,將咖啡的味道濃縮萃取,讓味道變得更濃厚。而發散則像是咖啡加入各種元素做成愛爾蘭咖啡或加入台灣的冬瓜茶或黑糖,它更加不可預測,帶來更多意想不到的可能性。
我自己更喜歡運用AI拓展想法,發散的價值不僅在於提供知識,而在於探索。LLM的回答雖然有時不太可靠,就像種下一顆種子,不知道會開出什麼樣的花朵,就像將紙飛機往天空一丟,看看會飛往何處?