हम अपने मन को प्रशिक्षित करने के लिए ज़रूरी काम को दरकिनार नहीं कर सकते

• “आपको कुछ भी याद रखने की ज़रूरत नहीं है” वाला दावा एक पुराना भ्रम है
• इंटरनेट, नोट ऐप्स, AI जैसे डिजिटल टूल्स स्मृति की आवश्यकता को खत्म कर देने का दावा करते हैं, लेकिन इसकी एक छिपी हुई कीमत सोचने की क्षमता पर पड़ती है
• अगर आलोचनात्मक और विश्लेषणात्मक सोच की क्षमता कम हो, तो इंटरनेट सर्च के नतीजों का प्रभावी उपयोग नहीं हो पाता और ज्ञान अर्जन सतही स्तर पर ही रह जाता है
• गहन ज्ञान के बिना अगर केवल जानकारी को ऊपर-ऊपर से उपभोग किया जाए, तो मस्तिष्क की संज्ञानात्मक प्रसंस्करण क्षमता कमजोर होती है
• Zettelkasten Method जैसी विधियाँ और लगातार अभ्यास अर्थपूर्ण ज्ञान-कार्य के लिए अनिवार्य हैं

---

डिजिटल टूल्स और स्मृति को लेकर भ्रम

• “आपको कुछ भी याद रखने की ज़रूरत नहीं है” वाली सोच कई दशक पहले ही सामने आ चुकी एक पुरानी धारणा है
• सर्च इंजन, पुराने नोट ऐप्स, AI आदि बार-बार यह दावा करते हैं कि स्मृति का महत्व अब खत्म हो गया है
• लेकिन वास्तव में, मनचाही जानकारी खोजने के लिए बुनियादी शिक्षा और उस क्षेत्र का पूर्वज्ञान अनिवार्य है

आलोचनात्मक सोच और इंटरनेट उपयोग की क्षमता

• आधुनिक समाज में ज़रूरी सोच प्रक्रिया को छोड़कर सीधे इंटरनेट से निष्कर्ष खोज लेने की प्रवृत्ति मजबूत हो गई है
• यह प्रवृत्ति स्व-प्रेरित सीखने के अवसरों और पूर्वज्ञान में कमी लाती है, और जानकारी की गुणवत्ता का मूल्यांकन कर उसे वास्तविक ज्ञान में बदलने की क्षमता को घटाती है
• शोध के अनुसार, तथाकथित digital natives में इंटरनेट से मिली जानकारी का आलोचनात्मक और विश्लेषणात्मक मूल्यांकन करने की क्षमता की कमी होती है
• इंटरनेट सर्च का वास्तविक मूल्य पाने के लिए हर क्षेत्र की एक मानसिक रूपरेखा जरूरी होती है

digital natives का दृष्टिकोण और उसकी समस्याएँ

• digital natives जानकारी को केवल सतही मेल के आधार पर परखते हैं, और आलोचनात्मक मूल्यांकन की प्रेरणा कमजोर पड़ जाती है
• इस तरह के दृष्टिकोण के परिणाम इस प्रकार हैं
  • सामग्री के साथ भावनात्मक जुड़ाव कमज़ोर हो जाता है, जिससे सोच की गहराई और एकाग्रता घटती है
  • जानकारी के साथ उथला संबंध बनता है, और मस्तिष्क की संरचना में बदलाव नहीं आता
• नतीजतन, जितनी अधिक सतही जानकारी-उपभोग की आदत जमा होती है, ज्ञान की नींव उतनी ही कमजोर होती जाती है

ज्ञान, नोट्स और आलोचनात्मक सोच की मुख्य पूर्वधारणा

• वास्तविक अर्थ में ज्ञान का निर्माण AI या PKM(Personal Knowledge Management) टूल्स नहीं, बल्कि व्यक्ति को स्वयं सीधे करना होता है
• उदाहरण के लिए ChatGPT से साप्ताहिक व्यायाम दिनचर्या बनवाई जा सकती है, लेकिन पृष्ठभूमि ज्ञान के बिना उसके परिणाम की सही-गलत का आकलन नहीं किया जा सकता
• महत्वपूर्ण अवधारणाओं की गहरी समझ के बिना, केवल सतही शब्दावली जानने की अवस्था में जानकारी के वास्तविक मूल्य का मूल्यांकन करना कठिन होता है

पृष्ठभूमि ज्ञान और मस्तिष्क की आंतरिक प्रसंस्करण क्षमता

• केवल सतही संबंध याद कर लेने का स्तर और किसी विशेष शब्द के बारे में वास्तव में मूलभूत, बहुस्तरीय ज्ञान को व्यापक रूप से याद कर सकने की अवस्था में बहुत बड़ा अंतर है
• ज्ञान-कार्य की bottleneck बाहरी जानकारी की मात्रा नहीं, बल्कि व्यक्ति के मस्तिष्क की आंतरिक सूचना-प्रसंस्करण क्षमता और प्रशिक्षण की अवस्था है

सही टूल्स और निरंतर प्रशिक्षण की आवश्यकता

• “आपको कुछ भी याद रखने की ज़रूरत नहीं है” वाली सोच के विपरीत, वास्तव में “सब कुछ याद रखना चाहिए” एक अधिक उचित दिशा है
• तभी अर्थपूर्ण संज्ञानात्मक कार्य और ज्ञान-आधारित सोच संभव होती है
• सरल टूल्स (जैसे spaced repetition) सरल कार्यों में मदद करते हैं, जबकि उन्नत टूल्स (जैसे Zettelkasten Method) जटिल सोच में सहायक होते हैं
• गहन प्रसंस्करण अंततः मस्तिष्क को प्रशिक्षित करने से सीधे जुड़ा हुआ है
• ज्ञान-कार्य का भविष्य मन के प्रशिक्षण को न छोड़ने वाली प्रवृत्ति पर निर्भर करता है

---

Live long and prosper
Sascha

[GN⁺]

Hacker News राय

• हाल ही में मैं किसी व्यक्ति से उनके migration अनुभव के बारे में बात कर रहा था और सोच रहा था कि AI किस तरह मददगार हो सकता था इसके दो तरीके थे

• पहला, AI से जवाब पूछने वाला तरीका: वह कुछ बना देता है, और जो सोचना मुझे करना चाहिए था वह AI मेरी जगह कर देता है, इसलिए काम आसान लगता है
• दूसरा, AI को दोहराए जाने वाले और साधारण कामों (जैसे test suite लिखना या infrastructure setup) के लिए automation tool की तरह इस्तेमाल करना: यह वास्तव में इंसानों से तेज़ है, लेकिन चूंकि ध्यान मुश्किल कामों पर लगाना पड़ता है, इसलिए यह उल्टा और ज़्यादा थकाने वाला हो जाता है ये दोनों तरीक़े भावनात्मक रूप से बिल्कुल अलग हैं पहले तरीके में काम आसान हो जाता है, और दूसरे तरीके में आसान हिस्सा अपने-आप निपट जाता है, इसलिए शायद स्थिति ऐसी बन जाती है जहां लगातार और अधिक सोच तथा मेहनत की ज़रूरत पड़ती है अगर कार्यस्थल पर थोड़ी भी प्रतिस्पर्धा हो, तो मुझे विश्वास है कि दूसरे पैटर्न से काम करने वाला व्यक्ति productivity और quality दोनों में कहीं बेहतर होगा लेकिन यह तरीका मानसिक रूप से बहुत थका देने वाला लगता है

संबंधित लेख

• मैंने वास्तव में कंपनी में दूसरा तरीका आज़माया है

लगभग निश्चित सफलता के लिए पहले से ज़्यादातर implementation plan तैयार करना पड़ता है, और यह भी monitor करना पड़ता है कि LLM कोई अजीब नतीजे तो नहीं दे रहा उस दौरान लगभग किसी और काम को हाथ ही नहीं लगा पाते महसूस हुआ कि productivity में लगभग 10%~20% का सुधार होता है

• "सोचने वाले काम को लगातार compress करके सिर्फ hard part करना" — यही बिल्कुल वह बात थी जिसे मैं समझाना चाहता था

system design में असली bottleneck आसान काम या repetition नहीं है, बल्कि वे हिस्से हैं जो अनुमान लगाना कठिन हो, अज्ञात क्षेत्र हों, या unintended consequences हों. AI ऐसे हिस्सों में बहुत बड़ी मदद नहीं करता बल्कि repetitive काम को पूरी तरह automate न करके उसका कुछ हिस्सा बचाकर रखना मददगार हो सकता है ऐसे काम आपको उस domain में टिकाए रखते हैं और मुश्किल समस्याओं पर insight भी अक्सर देते हैं

• मैं architecture, code organization, और algorithm level design AI को सौंप देता हूँ

मैं उस स्तर पर plan बनाता हूँ, फिर actual implementation पूरी तरह agent को सौंप देता हूँ testing मैं खुद भी करता हूँ, और कई AI agents से audit भी करवाता हूँ pipeline 100% automated है, और परिणाम भी बहुत अच्छे हैं खैर, इस मायने में engineering का अहसास बना रहता है कि मैं अपने निर्देशों के अनुसार stochastic workflow DAGs को orchestrate कर रहा हूँ

• LLM की समस्या यह है कि वह साधारण काम भी पूरी तरह अकेले नहीं कर पाता

और जब इंसान को बीच में आना पड़ता है, तब LLM इतनी बेवकूफ़ी भरी bias पैदा कर सकता है कि मानवीय intuition भी धुंधली पड़ जाए लेकिन मुझे लगता है कि यह विचार compiler, type checker, automated tests, version control आदि के development history से भी जुड़ता है

• कभी-कभी पहले उदाहरण में भी (सिर्फ सवाल पूछकर जवाब लेने वाला तरीका) ज़्यादा सोचना पड़ता है

अगर generated output ठीक वही नहीं करता जो आप चाहते हैं, या उसमें bug है, या वह बहुत complex हो जाता है, तो अगले कदम पर जाने से पहले आपको बहुत-सा ऐसा code analyze और समझना पड़ता है जो आपने खुद नहीं लिखा इस तरह code पढ़ते-पढ़ते समय बर्बाद हो सकता है आख़िरकार अगर input prompt या specification इतनी स्पष्ट हो कि समझ उसी स्तर की हो जैसी खुद लिखे हुए code की होती, तो ठीक है; नहीं तो मेरा मानना है कि सब मिटाकर फिर से planning करना बेहतर है

• "अर्थपूर्ण बौद्धिक काम करने के लिए सब कुछ याद होना चाहिए" इस दावे पर

असल में सब कुछ याद रखने की ज़रूरत नहीं होती अनुभव, सोच और लेखन जैसी प्रक्रियाओं के ज़रिए बस इतना याद रहे कि entry point क्या है और उसके बाद किस तरह की चीज़ें आने वाली हैं, तो अर्थपूर्ण काम के लिए इतना काफ़ी है

• Thomas Aquinas का यह कथन उद्धृत किया गया: "मनुष्य जो याद रखना चाहता है उसे किसी क्रम में ठीक से व्यवस्थित करना चाहिए; क्रम ही स्मृति की शृंखला है"

यह अंश मुझे अपने Zettelkasten में मिला

• मुझे लगता है यह काम के प्रकार पर निर्भर करता है

उदाहरण के लिए, foreign language conversation जैसी real-time performance की स्थिति में शब्द सचमुच याद होने चाहिए, और performance या वादन में भी यही बात लागू होती है लिखते समय आप धीरे कर सकते हैं, लेकिन अगर background knowledge बहुत कम है तो अंततः पीछे काफी तैयारी करनी पड़ती है

• वास्तव में LLM (language model) भी कुछ ऐसा ही काम करता है

मानव मस्तिष्क की तरह pre-training में जितनी संभव हो उतनी जानकारी डाली जाती है, और एक सीमा के बाद inference/tool use जैसी अधिक मानवीय सोच के करीब परिणाम निकलते हैं इसलिए मैं इस परिकल्पना से सहमत हूँ कि अगर मस्तिष्क में pre-training data कम हो, तो वह एक कमजोर base model बन जाएगा

• मैं सारे जवाब याद नहीं रखता, बल्कि सिर्फ यह याद रखता हूँ कि जवाब कहाँ मिलेंगे

• सवाल पूछा गया कि क्या यह "सिर्फ शुरुआती अवस्था याद रखो और दिमाग़ बाकी चीज़ों को association से आगे बढ़ाए" वाला तरीका है, या "सिर्फ solution के starting point याद रखो" (जैसे कुछ assumptions या मुख्य ideas)

Zettelkasten उपयोगकर्ता हों तो शायद पहले तरीके से काफ़ी सहमत होंगे

• "अर्थपूर्ण बौद्धिक काम करने के लिए सब कुछ याद होना चाहिए" इस दावे पर

अगर मनुष्यों में abstraction की क्षमता न होती, तो यह बात कुछ हद तक सही लगती लेकिन abstraction मौजूद है, इसलिए व्यवहार में केवल कुछ ठोस तथ्य याद होना ही काफ़ी होता है मुख्य बात यह है कि मज़बूत conceptual models और tacit knowledge की ज़रूरत होती है tacit knowledge अनुभव और feedback से बनती है, और conceptual model बनाते हुए आप तथ्यों को उस पर जोड़ते जाते हैं शुरुआत में रटने की क्षमता मददगार होती है, लेकिन एक स्तर के बाद वही चीज़ बाधा भी बन सकती है हर बार पूरे प्रसंस्कृत ढाँचे को एक साथ याद रखने की ज़रूरत नहीं होती; अनुभव बढ़ने पर ज़रूरत भर की चीज़ें एक 'framework' में फिट कर दी जाती हैं जो लोग memorization से नफ़रत करते हैं, अक्सर वे शुरुआती दौर को बड़ी मुश्किल से पार करके आए होते हैं, इसलिए यह विवाद पैदा होता है

• "सब कुछ याद होना चाहिए" वाले दावे पर कई पोस्ट आए हैं, लेकिन उनमें अक्सर मुद्दा और संदर्भ काफ़ी छूट जाता है

वास्तव में सब कुछ याद रखना असंभव है, इसलिए जितना ज़्यादा हो सके उतना याद रखने की कोशिश करनी चाहिए — इस बात से मैं सहमत हूँ आख़िरकार "सब याद नहीं रखना तो चिंता ही मत करो" जैसी सोच मुझे ख़तरनाक लगती है मुझे लगता है कि लेख का तर्क काफ़ी ज़ोर से यह कहता था कि calculator या LLM पर छोड़ देना बाद में भी मददगार नहीं होता

• "conceptual model और tacit knowledge ज़्यादा महत्वपूर्ण हैं" — इस बात से मैं गहराई से सहमत हूँ

computer science और software engineering में लंबे समय तक काम करने पर समझ आता है कि असली मूलभूत concepts उतने ज़्यादा नहीं हैं जितना लोग सोचते हैं लेकिन सचमुच कुशल engineer बनने के लिए हर concept को 'जीवित अनुभव' की तरह महसूस करना ज़रूरी है अगर ये concepts अच्छी तरह आत्मसात हो जाएँ, तो लगभग किसी भी computing समस्या को जल्दी उसके 'conceptual coordinates' में रखकर समझा जा सकता है, और फिर उसे बार-बार लागू व समझा जा सकता है

• हाल में मैं दोस्तों के साथ इस विषय पर अक्सर बात करता हूँ, और engineering को अंततः इस तरह परिभाषित करता हूँ: "एक सवाल से शुरू होने वाला काम, जहां शुरुआत में कोई साफ़ समाधान नहीं होता"

ऐसी स्थिति में ज़रूरी चीज़ है उस foundation की पर्याप्त समझ, जिस पर आपकी layer टिकी है (यानी नीचे की abstraction layers) अगर इसे knowledge pyramid की तरह देखें, तो हर स्तर पर भूमिकाएँ और विशेषज्ञताएँ अलग-अलग होती हैं, लेकिन आप कहीं भी हों, नीचे की layers को जितना बेहतर समझेंगे, intuition उतनी बेहतर होगी अगर आप fundamentals को outsource कर देंगे, तो न सिर्फ critical thinking कमज़ोर होगी बल्कि उस दुनिया की बनावट के बारे में आपकी intuitive understanding भी घट जाएगी जिसमें आप काम करते हैं

• Anki, Zettelkasten जैसे memory-enhancement tools से मुझे सहानुभूति है, लेकिन मुझे लगता है कि यह लेख कुछ ज़्यादा ही सरल बना देता है

मेरे हिसाब से knowledge work के 2 मॉडल हैं

1. वे स्थितियाँ जहाँ तुरंत और व्यापक reference चाहिए: live debate या अत्यधिक high-speed काम को छोड़ दें, तो ज़्यादातर मामलों में यह लागू नहीं होता
2. वे स्थितियाँ जहाँ पूरा ढाँचा याद न हो, सिर्फ़ छोटे हिस्से जानना काफ़ी हो (जैसे पूरे नक्शे के बजाय कुछ बिंदुओं की समझ): ज़्यादातर काम इसी श्रेणी में आते हैं यानी अगर किसी के सटीक शब्द चाहिए, तो बाद में खोजे जा सकते हैं; हर चीज़ तुरंत याद होना ज़रूरी नहीं हाल का बड़ा बदलाव यह है कि जब आपके पास background knowledge बिल्कुल न हो, तब भी AI धुंधले सवालों में बहुत मददगार है Google जैसे पारंपरिक search इस स्थिति में बेकार साबित होते हैं, लेकिन ChatGPT जैसी चीज़ों से अगर आप पूछें "मैं ऐसे व्यक्ति को ढूँढना चाहता हूँ जिसने XYZ जैसी बात कही हो", तो अच्छा जवाब मिल सकता है — जो पहले लगभग असंभव था

• हाल का बड़ा रुझान यही है कि background knowledge बिल्कुल न होने पर AI बहुत मदद करता है

लेकिन मेरे हिसाब से यही समस्या भी है AI आसान starting point तो दे देता है, लेकिन इस प्रक्रिया में उपयोगकर्ता अपने-आप सीखने का अवसर खो देता है सीखना "ग्रहण-समझ-याद-प्रयोग" के loop की पुनरावृत्ति है, लेकिन अगर आप AI को अनंत prompts देकर सिर्फ जवाब लेते रहें, तो self-learning लगभग नहीं होती

• AI की ताकत यह है कि वह "किस्म (kind)" के कई अच्छे examples दे सकता है

अगर AI आपको कई "X करने वाली companies" ढूँढकर दे, तो जब आप खुद search engine से आगे शोध करें, तब वह एक reference point बनता है कि और गहराई में कैसे जाना है भले ही आप अंत में AI के सुझाए नतीजों तक न पहुँचें, राय सुनने के बाद अंतिम judgment आपको खुद ही करनी होती है AI शब्दों और विशेषताओं के बीच, और अलग-अलग categories किस तरह statements बनाती हैं, इन patterns को पकड़ने में विशेष रूप से अच्छा है

• pilots भी checklist जैसे ऐसे tools इस्तेमाल करते हैं जिन्हें बिना याद किए refer किया जा सकता है, और emergency में कुछ चीज़ें लगभग reflex की तरह encoded memory के आधार पर करनी पड़ती हैं

• improvisation या live performance (conversation, performance, आदि) के लिए अच्छी memorization ज़रूरी होती है

आप कितना live processing चाहते हैं, यह तय करना शायद इस बात का अच्छा पैमाना है कि कितनी memory पर्याप्त है

• "अगर कोई सिर्फ सवाल पढ़कर तुरंत एक समेकित जवाब नहीं दे सकता, तो उसके पास पर्याप्त background knowledge नहीं है" — इस दावे पर

यह दृष्टिकोण बहुत अतिवादी है उदाहरण के लिए, workout plan बनाते समय हर सूक्ष्म तत्व को ध्यान में रखना ज़रूरी नहीं भले ही जवाब पूरी तरह optimized ('minmaxed') न हो, अगर आप निरंतरता रखें तो काफ़ी अच्छे परिणाम मिल सकते हैं यह लगभग हर क्षेत्र में लागू होने वाली साझा बात है गहरे expert न होते हुए भी एक ठीक-ठाक स्तर का परिणाम निकाला जा सकता है

• हालांकि कुछ समाजों में तर्कशीलता की कमी के परिणाम लोगों को सीधे झेलने पड़ते हैं

आख़िरकार फ़र्क इस बात का है कि कौन 'facts' को जोड़कर तार्किक ढाँचा बना पाता है और कौन नहीं; हर व्यक्ति का सोचने का तरीका अलग होता है कुछ समूह जीवन को हमेशा 'कारण खोजने' वाले मॉडल से देखते हैं

• गणित में भी यही बात लागू होती है

आप calculator का इस्तेमाल कर सकते हैं, लेकिन अगर number sense और arithmetic intuition हो तो दुनिया को बहुत तेज़ और ज़्यादा सटीक तरीके से समझा जा सकता है AI या search engine की मदद भी ली जाएगी, लेकिन कम-से-कम बुनियादी judgment तो खुद होनी चाहिए

• मुझे हमेशा अजीब लगा कि बहुत से लोग data को सीधे सहज रूप से जाँचे बिना पहले Excel formula बनाना शुरू कर देते हैं

उदाहरण के लिए, अगर A8 120 है और A7 100, तो कितने % की वृद्धि हुई — इसे अपनी आँखों से तुरंत समझना एक अच्छी आदत है AI के साथ भी ऐसा ही है: किसी ऐसे क्षेत्र का जवाब, जिसके बारे में आप कुछ नहीं जानते, तुरंत मान लेने के बजाय पहले उसे उन values या concepts से जाँचें जिन्हें आप खुद verify कर सकते हैं

• calculator इस्तेमाल करने या न करने से अलग, असली समस्या तब है जब व्यक्ति को calculation से ही परहेज़ हो

सिर्फ कुछ सरल formulas (area, volume, density, energy आदि) याद हों, तो आप हैरान होंगे कि कितनी बेकार बातों को तुरंत गणना करके खारिज किया जा सकता है pizza diameter वाला मशहूर उदाहरण भी है

• असली मूल बात यह है कि मस्तिष्क अनुभव के ज़रिए 'ढलता' और विकसित होता है

अगर आप कुछ भी याद किए बिना हमेशा search पर निर्भर रहेंगे, तो दिमाग़ आख़िरकार सिर्फ़ search engine की तरह काम करना ही सीखेगा जहाँ search संभव नहीं होगी, वहाँ अनुभव की कमी एक घातक सीमा बन जाएगी बेशक आज के दौर में वह तरीका चल सकता है, लेकिन यह बुनियादी सिद्धांत नहीं बदलता कि मस्तिष्क अभ्यास से सुधरता है

• मेरी नज़र में सब कुछ याद रखना ज़रूरी नहीं, लेकिन यह ज़रूर ज़रूरी है कि आपने चीज़ों का 'सामना' किया हो

अगर आपको यह भी नहीं पता कि आप क्या नहीं जानते, तो knowledge work करना ख़तरनाक है "हर चीज़ के बारे में थोड़ा-थोड़ा, और एक क्षेत्र के बारे में गहराई से सीखो" — इस कथन से मैं सहमत हूँ

• इंटरनेट से पहले लोग अपने आसपास के लोगों से पूछते थे, और अगर वे कुछ अंदाज़न जवाब दे देते तो उसी पर भरोसा कर लेते थे

फिर इंटरनेट आया, और search results की सटीकता किसी random परिचित की तुलना में बेहतर हो गई अब AI आया है; यह भी परफ़ेक्ट नहीं है, लेकिन आसपास के किसी भी व्यक्ति या random blog की तुलना में इसके जवाब कुछ अधिक भरोसेमंद लगते हैं यह अपेक्षा कि सब कुछ 100% सही होना चाहिए, मुझे अजीब लगती है पहले तो हर कोई अपने आसपास के लोगों की कोई भी बात मान लेता था

• मैं यह जानना चाहूँगा कि इस बात का आधार क्या है कि LLM, random blogs को aggregate करके जवाब बनाने में, verified expertise वाले blog को सीधे खोजने से अधिक सटीक है

• सवाल random किसी से पूछना ही गलत तरीका है

हमेशा domain experts से पूछना चाहिए उदाहरण के लिए, video game के बारे में मैं अपनी पत्नी से नहीं पूछता, और programming के बारे में अपने पिता से नहीं पूछता अगर इतना ही किया जाए, तो AI की ज़रूरत काफ़ी कम हो जाती है