WSAG Meetup #3

Odpowiedzialność to wychodzenie poza optimum lokalne. AI świetnie optymalizuje lokalnie, więc jeśli nie chcesz dać się zastąpić, łap proste rozwiązanie: AI nie zastąpi tych, którzy patrzą szerzej i myślą o tym, co dzieje się za horyzontem.

Istnieją badania wykazujące, że stosowanie LLMów powoduje zaciąganie "długu poznawczego" - człowiek intelektualnie idzie na skróty. LLM generuje ścianę tekstu, operator może nawet tego nie czyta - i powstaje złudne wrażenie że "robota jest zrobiona". Dotyczy to zarówno researchu (nie weryfikowanie źródeł - np. LLM powołujący się na nieistniejące badania - ała, politycy!), kodowania ("I don't read what I push to production") - ale także - i na tym się skupimy - nauki.

A co jeśli LLMy to narzędzie, które jednocześnie wynosi na wyżyny - jak i przerażająco ogłupia (i wszystko pomiędzy)? LLMy "to tylko narzędzie" - fajnie, fajnie. Ale jak go używać w praktyce aby zmaksymalizować te "wyżyny" i zminimalizować ogłupianie?

Kiedy generowanie tekstu/kodu tanieje, rozumienie i decydowanie relatywnie drożeje.

Sięgniemy do fundamentów kognitywistyki i odkurzymy fundamenty "krytycznego myślenia", aby następnie zastosować w praktyce "naukę z LLMami" - stosując różnorodne techniki/metody/narzędzia do budowania własnego rozumienia (i modeli mentalnych) dot. określonego zagadnienia, metod weryfikacji, metod "pogłębiania" (nie tylko "zawsze jest wiele pięter wgłąb" - ale także - gdzie się zatrzymać) - i wiele innych praktycznych wskazówek.