- Klaim “kita tidak perlu mengingat apa pun” adalah sebuah ilusi lama
- Alat digital seperti internet, aplikasi catatan, dan AI diklaim menghilangkan kebutuhan akan ingatan, tetapi menimbulkan biaya tersembunyi pada kemampuan berpikir
- Tanpa kemampuan berpikir kritis dan analitis, hasil pencarian internet tidak bisa dimanfaatkan secara efektif, dan perolehan pengetahuan hanya berhenti di tingkat dangkal
- Jika informasi hanya dikonsumsi secara permukaan tanpa pengetahuan yang mendalam, maka kemampuan pemrosesan kognitif otak akan melemah
- Metode seperti Zettelkasten Method dan latihan yang konsisten sangat penting untuk kerja pengetahuan yang bermakna
Ilusi tentang alat digital dan daya ingat
- Gagasan bahwa “kita tidak perlu mengingat apa pun” adalah pandangan lama yang sudah muncul sejak puluhan tahun lalu
- Mesin pencari, aplikasi catatan lama, AI, dan lainnya terus mengulang klaim bahwa pentingnya ingatan telah hilang
- Namun kenyataannya, untuk menemukan informasi yang diinginkan, pendidikan dasar dan pengetahuan awal tentang bidang terkait tetaplah penting
Berpikir kritis dan kemampuan memanfaatkan internet
- Di masyarakat modern, kecenderungan untuk melewati proses berpikir yang diperlukan dan langsung mencari kesimpulan di internet semakin kuat
- Kecenderungan ini berujung pada berkurangnya kesempatan belajar mandiri dan pengetahuan awal, sekaligus menurunkan kemampuan untuk menilai kualitas informasi dan mengubahnya menjadi pengetahuan nyata
- Menurut penelitian, apa yang disebut digital native kekurangan kemampuan untuk menilai informasi yang ditemukan di internet secara kritis dan analitis
- Untuk memperoleh nilai sejati dari pencarian internet, dibutuhkan peta mental yang spesifik per bidang
Pendekatan digital native dan masalahnya
- Digital native cenderung menilai informasi hanya berdasarkan kecocokan di permukaan, dan motivasi untuk melakukan evaluasi kritis melemah
- Pendekatan seperti ini menghasilkan hal-hal berikut
- Keterhubungan emosional dengan materi melemah, sehingga kedalaman berpikir dan keterlibatan ikut menurun
- Terbentuk hubungan yang dangkal dengan informasi, sehingga tidak terjadi perubahan pada struktur otak
- Akibatnya, makin terbiasa mengonsumsi informasi secara dangkal, makin rapuh fondasi pengetahuan yang dimiliki
Premis inti tentang pengetahuan, catatan, dan berpikir kritis
- Pembentukan pengetahuan dalam arti yang sesungguhnya bukanlah sesuatu yang bisa dilakukan AI atau alat PKM(Personal Knowledge Management), melainkan harus dijalankan langsung oleh orang itu sendiri
- Sebagai contoh, kita bisa meminta ChatGPT merancang rutinitas olahraga mingguan, tetapi dalam keadaan tanpa pengetahuan latar, kita tidak dapat menilai apakah hasilnya benar atau tidak
- Tanpa pemahaman mendalam atas konsep-konsep penting, dan hanya mengenal istilahnya secara permukaan, sulit untuk menilai nilai nyata sebuah informasi
Pengetahuan latar dan kemampuan pemrosesan internal otak
- Tingkat yang hanya memunculkan asosiasi permukaan sangat berbeda dari keadaan ketika seseorang benar-benar bisa memanggil kembali pengetahuan yang mendasar dan berlapis-lapis tentang istilah tertentu
- Bottleneck dalam kerja pengetahuan bukanlah jumlah informasi eksternal, melainkan kapasitas internal otak untuk memproses informasi dan tingkat latihannya
Perlunya alat yang tepat dan latihan berkelanjutan
- Berlawanan dengan gagasan bahwa “kita tidak perlu mengingat apa pun”, arah yang lebih baik justru adalah “kita harus mengingat semuanya”
- Hanya dengan begitu kerja kognitif yang bermakna dan pemikiran berbasis pengetahuan menjadi mungkin
- Alat sederhana (misalnya spaced repetition) membantu pekerjaan sederhana, sedangkan alat tingkat lanjut (misalnya Zettelkasten Method) membantu pemikiran yang kompleks
- Pemrosesan yang mendalam pada akhirnya terhubung langsung dengan pelatihan otak
- Masa depan kerja pengetahuan bergantung pada sikap untuk tidak menyerah melatih pikiran
Live long and prosper
Sascha
1 komentar
Komentar Hacker News
Pertama, bertanya ke AI untuk mendapatkan jawaban: AI membuat sesuatu, AI menggantikan pemikiran yang seharusnya saya lakukan sehingga pekerjaan terasa lebih mudah
Kedua, menggunakan AI sebagai alat otomasi untuk pekerjaan yang berulang dan sederhana (seperti menulis test suite atau menyiapkan infrastruktur): memang lebih cepat daripada manusia, tetapi justru terasa lebih berat karena saya harus fokus pada pekerjaan yang sulit Kedua pendekatan ini memberi perasaan yang sangat berbeda Pendekatan pertama membuat pekerjaan terasa lebih mudah, sedangkan pendekatan kedua mengotomatiskan bagian yang mudah sehingga mungkin berubah menjadi keadaan yang menuntut lebih banyak pemikiran dan kesusahan secara terus-menerus Kalau ada sedikit saja dinamika persaingan di tempat kerja, saya percaya orang yang bekerja dengan pola kedua akan jauh lebih unggul dalam produktivitas maupun kualitas Tetapi cara seperti ini terasa sangat menguras mental Tulisan terkait
Saya benar-benar pernah mencoba pendekatan kedua di perusahaan Agar hampir pasti berhasil, kita harus menyusun sebagian besar rencana implementasi terlebih dahulu, lalu memantau agar LLM tidak menghasilkan hal yang aneh Selama itu, hampir tidak bisa menyentuh pekerjaan lain Secara terasa, produktivitas membaik sekitar 10%~20%
Perasaan seperti "memadatkan pekerjaan berpikir secara terus-menerus dan hanya melakukan bagian yang berat", itulah tepatnya poin yang ingin saya jelaskan Dalam desain sistem, bottleneck yang sesungguhnya bukanlah pekerjaan mudah atau pengulangan, melainkan bagian yang sulit diprediksi, wilayah yang belum diketahui, konsekuensi yang tidak disengaja, dan semacamnya. AI tidak terlalu membantu untuk bagian-bagian itu Justru ada manfaat bila pekerjaan berulang tidak diotomatisasi sepenuhnya dan sebagian tetap dibiarkan ada Pekerjaan seperti itu membuat kita tetap berada di dalam domain tersebut, dan juga sering memberi wawasan terhadap masalah-masalah sulit
Saya menyerahkan arsitektur, susunan kode, dan desain tingkat algoritma kepada AI Saya menyusun rencana pada level itu, lalu implementasi aktual sepenuhnya saya serahkan kepada agen Pengujian juga saya audit sendiri, dan saya minta beberapa agen AI untuk ikut mengauditnya Pipeline-nya 100% otomatis, dan hasilnya juga sangat baik Bagaimanapun, rasanya sebagai engineering tetap terjaga karena pada akhirnya saya mengorkestrasi DAG workflow stokastik sesuai perintah saya
Masalah LLM adalah bahwa bahkan pekerjaan sederhana pun tidak bisa diselesaikan sepenuhnya sendirian Dan ketika manusia harus turun tangan, LLM bisa memicu bias bodoh sampai intuisi manusia pun ikut kabur Tetapi saya rasa ide ini juga terhubung dengan sejarah pengembangan seperti compiler, type checker, automated test, version control, dan sebagainya
Pada contoh pertama (sekadar mendapatkan tanya-jawab), justru ada kalanya saya harus berpikir lebih banyak Kalau hasil generasinya tidak melakukan persis yang saya inginkan, atau ada bug, atau menjadi rumit, saya harus menganalisis dan memahami banyak kode yang bukan saya tulis agar bisa lanjut ke tahap berikutnya Membaca kode seperti ini bisa berujung membuang waktu Pada akhirnya, kalau prompt atau spesifikasi masukan benar-benar jelas sehingga tingkat pemahamannya setara dengan kode yang saya tulis sendiri, tidak masalah, tetapi kalau tidak, menurut saya lebih baik dihapus saja semuanya lalu kembali merencanakan dari awal
Tentang klaim bahwa "kita harus mengingat semuanya agar bisa melakukan kerja intelektual yang bermakna" Pada praktiknya, kita tidak perlu mengingat semuanya Melalui pengalaman, pemikiran, dan proses seperti menulis, cukup mengingat titik masuk dan bentuk umum dari hal-hal yang akan mengikuti sesudahnya untuk bisa melakukan pekerjaan yang bermakna
Mengutip Thomas Aquinas: "hal-hal yang ingin diingat seseorang harus disusun dengan baik dalam suatu urutan; urutan adalah rantai ingatan" Saya menemukan kutipan ini di Zettelkasten saya
Saya rasa ini tergantung pekerjaannya Misalnya, untuk hal yang menuntut performa real-time seperti percakapan bahasa asing, kata-katanya memang harus benar-benar dihafal, dan hal yang sama berlaku pada bermain musik Saat menulis kita bisa melakukannya pelan-pelan, tetapi jika pengetahuan latarnya terlalu kurang, pada akhirnya tetap perlu banyak persiapan di belakang
Sebenarnya LLM (model bahasa) juga bekerja seperti itu Seperti otak manusia, setelah sebanyak mungkin informasi dimasukkan lewat pre-training, jika melewati ambang tertentu maka akan muncul hasil yang mendekati pemikiran manusia seperti penalaran/penggunaan alat Karena itu saya setuju dengan hipotesis bahwa otak pun akan menjadi base model yang lemah jika data pre-training-nya kurang
Saya tidak mengingat semua jawabannya, saya cenderung hanya mengingat di mana jawaban itu bisa ditemukan
Pertanyaan tentang apakah ini berarti "hanya mengingat keadaan awal lalu kepala mengikuti sisanya (metode asosiasi)" atau "hanya mengingat titik awal solusi (misalnya beberapa asumsi atau ide utama)"
Tentang klaim bahwa "kita harus mengingat semuanya agar bisa melakukan kerja intelektual yang bermakna" Kalau manusia tidak punya kemampuan abstraksi (Abstraction), saya rasa klaim itu masuk akal Namun karena abstraksi itu ada, pada praktiknya cukup mengingat sebagian fakta konkret saja Yang penting adalah memiliki model konseptual yang kuat dan tacit knowledge Tacit knowledge terbentuk lewat pengalaman dan umpan balik, lalu kita membangun model konseptual dan menambahkan fakta ke atasnya Pada tahap awal, kemampuan menghafal memang membantu, tetapi setelah mencapai tingkat tertentu justru bisa menjadi penghambat Kita tidak perlu selalu mengingat keseluruhan hasil olahan sekaligus; setelah punya pengalaman, cukup memasukkan yang diperlukan ke dalam "framework" sesuai kebutuhan Saya rasa orang-orang yang tidak suka hafalan itu kontroversial karena banyak dari mereka adalah kasus orang yang susah payah melewati masa pemula
Saya melihat beberapa tulisan tentang klaim "harus mengingat semuanya", tetapi rasanya banyak yang meleset dari pokok bahasan dan konteksnya Karena secara nyata mustahil mengingat semuanya, saya setuju dengan gagasan bahwa kita sebaiknya berusaha mengingat sebanyak mungkin Pada akhirnya, menurut saya cara pikir seperti "tidak perlu mengingat semuanya jadi tidak usah dipikirkan" itu berbahaya Saya merasa argumen tulisan tersebut disampaikan cukup keras dalam arti bahwa menyerahkannya pada kalkulator atau LLM juga tidak akan membantu di kemudian hari
Saya sangat setuju dengan argumen bahwa "model konseptual dan tacit knowledge lebih penting" Semakin lama saya bergelut di ilmu komputer dan software engineering, semakin saya sadar bahwa konsep yang benar-benar inti ternyata tidak sebanyak yang dibayangkan Untuk menjadi engineer yang benar-benar terampil, pengalaman langsung yang membuat tiap konsep itu terasa "hidup" adalah hal yang esensial Jika konsep-konsep ini benar-benar terinternalisasi, hampir masalah apa pun terkait komputer bisa cepat dipetakan ke "koordinat konsep", lalu dapat diterapkan dan dipahami berulang kali
Belakangan saya sering membicarakan topik ini dengan kenalan, dan saya mendefinisikan engineering pada akhirnya sebagai "pekerjaan yang dimulai dari pertanyaan dan berangkat tanpa solusi yang jelas" Yang penting dalam situasi seperti ini adalah pemahaman yang cukup atas fondasi tempat layer saya dibangun (layer abstraksi di bawahnya) Jika dilihat sebagai piramida pengetahuan, tiap lapisan memang terpecah ke dalam berbagai peran dan spesialisasi, tetapi di posisi mana pun kita berada, makin baik kita memahami layer di bawah, makin tajam intuisi kita Jika fondasi itu kita outsourcing, bukan hanya kemampuan berpikir kritis yang melemah, tetapi juga intuisi tentang struktur dunia tempat kita berkecimpung
Saya bisa memahami alat penguat ingatan seperti Anki, Zettelkasten, dan sebagainya, tetapi menurut saya tulisan ini terlalu menyederhanakan keadaan Saya melihat ada 2 model kerja berbasis pengetahuan
Kelebihan AI adalah ia pandai memberi banyak contoh tentang "jenis (kind)" Jika AI menemukan banyak "perusahaan yang melakukan X", itu menjadi referensi bagi saya saat nanti menelusuri lebih dalam sendiri lewat mesin pencari Meski pada akhirnya saya mungkin tidak sampai pada hasil yang persis sama dengan yang diberikan AI, setelah mendengar pendapatnya saya tetap harus membuat penilaian sendiri AI memang unggul dalam menangkap pola antara kata dan karakteristik, serta cara tiap kategori membuat pernyataan
Pilot juga kadang menggunakan alat referensi yang bisa dirujuk tanpa hafalan, seperti checklist, dan dalam keadaan darurat ada pula hal-hal yang harus dijalankan nyaris secara refleks hanya dari ingatan yang sudah terenkode
Improvisasi atau live performance (percakapan, bermain musik, dan sebagainya) memang perlu ditopang hafalan agar bisa dilakukan dengan baik Seberapa besar kita menginginkan pemrosesan langsung tampaknya merupakan tolok ukur yang bagus untuk menentukan batas hafalan yang tepat
Tentang klaim bahwa "kalau tidak bisa langsung memberi jawaban sintesis hanya dengan membaca pertanyaannya, berarti pengetahuan latarnya belum cukup" Pandangan ini terlalu ekstrem Misalnya saat menyusun rencana olahraga, tidak masalah jika kita tidak mempertimbangkan semua elemen detail Meskipun jawabannya bukan yang paling optimal (‘minmaxed’), selama dilakukan konsisten hasilnya tetap bisa cukup baik Ini adalah kesamaan yang berlaku di semua bidang Bahkan tanpa menjadi pakar mendalam, kita tetap bisa menghasilkan tingkat hasil tertentu
Dalam matematika pun sama saja Kita memang bisa memakai kalkulator, tetapi jika punya sense terhadap angka atau intuisi aritmetika, kita bisa memproses dunia jauh lebih cepat dan akurat Kita tentu akan dibantu AI atau mesin pencari, tetapi setidaknya kemampuan menilai minimum harus dimiliki sendiri
Saya selalu merasa aneh melihat banyak orang langsung membuat rumus Excel tanpa terlebih dahulu memeriksa data secara intuitif dengan mata mereka sendiri Misalnya, jika A8 adalah 120 dan A7 adalah 100, adalah kebiasaan yang baik untuk langsung melihat sendiri berapa persen kenaikannya Demikian pula dengan AI, alih-alih langsung mempercayai jawaban di bidang yang sama sekali tidak kita pahami, kita sebaiknya lebih dulu memeriksanya dengan nilai atau konsep yang bisa kita cek sendiri
Terlepas dari memakai kalkulator atau tidak, masalahnya adalah ketika orang memang punya penolakan terhadap perhitungan itu sendiri Menakjubkan betapa banyak omong kosong yang bisa disaring hanya dengan menghafal rumus sederhana (luas, volume, kepadatan, energi, dan sebagainya) lalu melakukan hitungan cepat seketika Ada juga contoh terkenal seperti masalah diameter pizza
Inti yang sebenarnya adalah bahwa otak berevolusi dengan menjadi "terlatih" melalui pengalaman Jika kita tidak menghafal apa pun dan selalu hanya bergantung pada pencarian, pada akhirnya otak hanya akan belajar cara bekerja seperti mesin pencari Dalam situasi saat pencarian tidak mungkin dilakukan, kurangnya pengalaman selama ini menjadi batasan yang fatal Tentu saja pendekatan seperti itu mungkin tetap berhasil di zaman sekarang, tetapi prinsip dasar bahwa otak berkembang tidak berubah
Menurut saya, kita memang tidak perlu mengingat semuanya, tetapi pengalaman pernah "bersentuhan" dengannya jelas sangat penting Kalau kita bahkan tidak tahu "apa yang tidak kita ketahui", maka itu berbahaya untuk melakukan kerja pengetahuan Saya setuju dengan pepatah, "pelajarilah sedikit tentang segala hal, dan mendalam tentang satu bidang"
Sebelum internet, kita bertanya pada orang-orang di sekitar, dan jika mereka memberi jawaban kira-kira, kita biasanya percaya saja dan lanjut hidup Lalu internet muncul, dan hasil pencarian menjadi lebih akurat daripada kenalan acak Sekarang AI hadir, dan meski AI juga tidak sempurna, jawabannya tetap terasa lebih dapat dipercaya dibanding orang sembarangan di sekitar atau blog acak Gagasan bahwa semuanya harus 100% benar terasa aneh bagi saya Dulu semua orang juga menerima begitu saja omongan siapa pun yang ada di dekat mereka
Saya penasaran apa dasar untuk mengatakan bahwa LLM yang menyusun jawaban dari agregasi blog acak lebih akurat daripada mencari langsung di blog yang keahliannya sudah terverifikasi
Salah kalau kita bertanya secara acak ke sembarang orang Kita seharusnya selalu bertanya pada pakar domain Misalnya, saya tidak akan bertanya pada istri saya tentang video game, atau pada ayah saya tentang pemrograman Kalau setidaknya begitu saja dilakukan, kebutuhan akan AI akan jauh berkurang