Карапати предлагает трехуровневый подход к чтению LLM: максимальная ценность ИИ не в письме, а в том, чтобы помочь вам понять мир

Бывший главный директор по ИИ в Tesla и один из основателей OpenAI Андрей Карпати поделился в X своей ключевой методологией личного использования больших языковых моделей (LLM): максимальная ценность LLM — не в том, чтобы «помогать тебе сокращать написание», а в том, чтобы «помогать тебе повышать качество чтения». Он предложил трехуровневый процесс чтения, позиционируя LLM как «усилитель чтения»; этот взгляд бросает вызов преобладающему мнению большинства людей, которые воспринимают ИИ прежде всего как ускоритель письма.

Трехуровневый метод чтения: от исходного текста к LLM и метаанализу

Описанный Карпати процесс обработки информации состоит из трех уровней: первый — чтение исходного документа самого по себе; второй — просьба к LLM сгенерировать краткое содержание, чтобы быстро уловить ключевые тезисы; третий — и это самый важный уровень — попросить LLM выполнить «метаанализ» (meta-analysis), чтобы оценить, какие из идей в этом документе являются «новыми» или «неожиданными» для собственной уже сложившейся системы знаний.

Тонкость этого подхода в том, что он не заменяет человеческое суждение ИИ, а использует ИИ для оптимизации «распределения внимания» человека. Когда ежедневно нужно переваривать огромное количество информации, отбор новизны на третьем уровне может эффективно помочь читателю сосредоточиться на том, что действительно стоит глубоко изучать.

Почему «усиление чтения» важнее, чем «ускорение письма»

Основные сценарии, в которых большинство людей используют ChatGPT или Claude, связаны с генерацией текста — написание писем, отчетов, кода. Взгляд Карпати прямо противоположен: он считает, что ценность LLM на входе (помогать тебе лучше усваивать информацию) намного больше, чем на выходе (помогать тебе быстрее производить текст).

Логика такова: в интеллектуальной работе качество решений зависит от качества усвоения информации. Если ты читаешь то, что нужно, и понимаешь ключевое, то и результат естественным образом подтянется. И наоборот: если ты просто ускоряешь выпуск с помощью ИИ, но качество входа не меняется, то максимум — это «быстрее производить посредственный контент».

Риски и слепые зоны: нужна достаточная опора в виде знаний по домену

У этого подхода есть предположение: пользователь сам должен обладать достаточными знаниями в доменной области, чтобы судить, верны ли анализы LLM. Если человек полностью незнаком с блокчейном, то, попросив LLM оценить «новизну» DeFi-статьи, он вполне может быть введен в заблуждение уверенческим, но ошибочным кратким изложением от LLM.

Кроме того, есть и исследователи с альтернативной точкой зрения: они считают, что именно писательские способности LLM — это главное повышение производительности, а помощь при чтении относительно вторична. Расхождение между этими взглядами по сути отражает различие в том, как разные типы работы расставляют приоритеты между «входом» и «выходом»: исследовательской работе сильнее нужен усилитель чтения, а работам исполнительского типа — ускорение письма.

Выводы для людей, занятых интеллектуальным трудом

Карпати предлагает рамку, которая дает всем специалистам интеллектуального труда, которым нужно перерабатывать большие объемы информации, практичную идею по использованию ИИ: вместо того чтобы позволить ИИ писать за тебя, лучше сделать так, чтобы ИИ помог тебе выстроить «конвейер контроля качества входа». Конкретно это может выглядеть так: каждый день с помощью LLM просканировать более 20 отраслевых статей, попросить ИИ пометить, какие идеи являются новыми, а затем уже самому решить, какие материалы стоит глубоко освещать или дополнительно исследовать. Такой подход не лишает человека способности судить; наоборот, в эпоху информационной перегрузки он позволяет ограниченное внимание направлять туда, где это действительно важно.

Эта статья о трехуровневом чтении LLM от Карпати впервые появилась на Chain News ABMedia.