AI की असली सुपरपावर: सृजन नहीं, उपभोग

• ज़्यादातर लोग AI को content generation tool की तरह इस्तेमाल करते हैं, लेकिन इसकी असली ताकत विशाल मात्रा की जानकारी को पढ़ने और जोड़ने की क्षमता में है
• किसी व्यक्ति के notes, meeting records, ideas जैसे संचित data को AI द्वारा उपभोग कर patterns ढूँढ़ने की प्रक्रिया ही मूल है
• Obsidian notes और AI को जोड़कर पुराने रिकॉर्ड से insights निकाले जा सकते हैं, और भूले हुए सोच के बदलाव या बार-बार दोहराए गए design decisions खोजे जा सकते हैं
• AI keyword नहीं बल्कि concept-based search, समय से परे pattern exploration, और ideas के बीच connection संभव बनाता है
• इंसानों की प्रतिस्पर्धात्मक बढ़त अनुभव में होती है, और AI इसे searchable knowledge asset में बदलकर continuous learning और बेहतर decision-making को सहारा देता है

---

सृजन का जाल

• ज़्यादातर उपयोगकर्ता AI को email लिखने, report बनाने, code लिखने जैसे productivity tool की तरह इस्तेमाल करते हैं
  • इसे supercomputer को typewriter की तरह इस्तेमाल करने जैसी बर्बादी कहा गया है
• लेखक ने 3 साल के engineering notes, 500 से अधिक meeting records, और हज़ारों observations को Obsidian में संग्रहीत किया
  • यह इतनी बड़ी मात्रा है कि इंसान इसे जीवन भर में भी नहीं पढ़ पाएगा, लेकिन AI इसे कुछ ही सेकंड में उपभोग कर लेता है

उपभोग का turning point

• AI को Obsidian से जोड़ने के बाद सवाल पूछने का तरीका “कुछ नया लिखो” से “मैंने पहले से क्या खोजा है?” में बदल गया
• वास्तविक उदाहरण
  • हाल की 50 one-on-one meetings के pattern analysis में पाया गया कि performance issues, tool complaints से 2~3 हफ्ते पहले दिखने लगे थे
  • technical debt पर सोच में बदलाव को ट्रैक करके यह पहचाना गया कि मार्च 2023 के आसपास नज़रिया “ठीक किए जाने वाली चीज़” से “system evolution की जानकारी” में बदल गया
  • Buffer API और carpeta.app architecture की तुलना में 12 दोहराए गए design decisions मिले

ज्ञान का संचय और accessibility

• हर meeting, हर विचार, और हर debugging अनुभव सीख देता है, लेकिन अगर वह searchable न हो तो वह अर्थहीन ज्ञान बनकर रह जाता है
• पारंपरिक search में सटीक शब्द याद होना ज़रूरी होता है, और इंसानी memory की अपनी सीमाएँ हैं
• AI इसे पार कर
  • concept-based queries,
  • कई वर्षों के patterns की खोज,
  • समय और context से परे ideas को जोड़ना संभव बनाता है
• इंसानी सीमा सृजन में नहीं, बल्कि उपभोग, याद रखने, और जोड़ने की क्षमता की कमी में थी

उपभोग का system बनाना

• एक सरल setup
  • सभी रिकॉर्ड Obsidian में सहेजें
  • AI को पूरे data तक access दें
  • अपने अतीत के स्वयं से research assistant की तरह सवाल पूछें
• असली बात tool नहीं, बल्कि सोचने के तरीके में बदलाव है
  • AI को creator नहीं बल्कि अनुभव के पाठक के रूप में देखना चाहिए
  • हर note भविष्य की insight में, और हर reflection searchable wisdom में बदल सकता है

चक्रवृद्धि प्रभाव

• दो महीने के प्रयोग के नतीजे
  • पुराने समान मामलों को खोजकर problem-solving की गति में सुधार
  • भूले हुए context को फिर से पाकर decision-making की गुणवत्ता बेहतर हुई
  • समय में बिखरे पहले अदृश्य patterns को पहचानना संभव हुआ
• ज़्यादातर लोगों के पास notes, files और यादों में दबी insights की सोने की खान होती है
  • AI इसे queryable personal expertise database में बदल देता है

असली क्रांति

• अब भी बहुत से लोग AI को सिर्फ writing और code generation tool मानते हैं
• असली क्रांति इस बात में है कि AI इंसान के सभी विचारों को पढ़ने वाला पाठक बन सकता है
• इसलिए आज का knowledge recording, भविष्य के स्वयं और AI के लिए documentation होना चाहिए
  • “जो भुला दिया गया है उसे याद दिलाने वाले AI” के लिए लगातार रिकॉर्ड रखने की आदत ज़रूरी है

[choijaekyu]

आख़िरकार, यह टेक्स्ट के साथ किया गया regression analysis है

[crawler]

मॉडल अपने दम पर सिर्फ़ एक सामान्य पाठक के स्तर का होता है और महत्वपूर्ण हिस्से आसानी से छूट सकते हैं, लेकिन जब इसे test, compiler, linter जैसे tools के साथ जोड़ा जाता है, तो यह तेज़ feedback loop वाला एक creation tool बन जाता है

यह बात काफ़ी जंची। मैंने इसे इस तरह कभी नहीं आज़माया, लेकिन अब करके देखना चाहिए।

[GN⁺]

Hacker News की राय

• मुझे लगता है कि AI की जानकारी खपत करने की क्षमता इसके सबसे डरावने पहलुओं में से एक है
  NSA और बड़ी कंपनियाँ पहले से ही वर्षों से हमारे browsing patterns इकट्ठा करती रही हैं, और चिंता इस बात की है कि AI उस डेटा का इंसानों से कहीं तेज़ विश्लेषण करके behavior prediction, manipulation, psychological profiling, और vulnerabilities की पहचान जैसी चीज़ों में इस्तेमाल कर सकता है
  फिर भी कुछ लोग AI को बेकार तकनीक कहकर खारिज करते हैं, यह विडंबनापूर्ण लगता है

  • मान लो AI बेकार भी हो, तब भी ऐसे कामों के लिए इसका इस्तेमाल होता रहेगा
    क्योंकि यह ऐसे काम करने वालों को झूठा आत्मविश्वास देता है
  • “Worthless” शब्द अस्पष्ट है
    AI मूल्यहीन(valueless) हो सकता है, लेकिन निरुपयोगी(useless) नहीं
    जैसे landmine उपयोगी तो हो सकती है लेकिन मूल्यवान नहीं, वैसे ही generative AI पर भी externalities के संदर्भ में मिलती-जुलती बहस है
  • सच तो यह है कि ऐसा data analysis 10 साल पुरानी ML तकनीक से भी संभव था
    generative AI अनिवार्य नहीं है
  • superintelligence या creativity की चर्चा से भी ज़्यादा चिंता की बात निगरानी-समाज का सामान्यीकरण है
    शहर पहले ही असंख्य कैमरों से ढके हुए हैं, और अभी यह तथ्य कि इंसान हर वीडियो को मॉनिटर नहीं कर सकते, एक तरह का safety guard है, लेकिन AI इस बाधा को तोड़ सकता है
    निकट भविष्य में “लाल Nissan गुज़रे तो मुझे बताना” जैसे natural language आधारित surveillance systems आते दिखते हैं
  • इंसान इतने जटिल हैं कि NSA या corporate data के बावजूद behavior prediction की accuracy अब भी कम रह सकती है

• model अपने आप में सिर्फ एक साधारण पाठक के स्तर का है
  यह महत्वपूर्ण हिस्से आसानी से चूक सकता है, लेकिन test, compiler, और linter जैसे tools के साथ जुड़कर तेज़ feedback loop वाला creation tool बन जाता है
  सचमुच कठिन काम अब भी यह तय करना है कि “क्या दावा करना है”
  यह सामग्री HackerNewsAI न्यूज़लेटर में भी जाएगी

  • AI पर ऐसे guardrails लागू हैं जिनके बारे में हमें पता भी नहीं होता
    उदाहरण के लिए, एक बार solar energy की बात करते हुए उसे political topic समझ लिया गया और बातचीत रुक गई
  • Google बहुत पहले से patents और SEC documents पढ़कर index करता आया है
    कुछ क्षेत्रों में ऐसे systems मौजूद हैं जो वकीलों से भी तेज़ दस्तावेज़ पढ़ते हैं

• अगर AI मेरा data कुछ ही सेकंड में पढ़ भी ले, तब भी accuracy verification संभव नहीं है
  कुछ शोध कहते हैं कि यह summary नहीं बल्कि सिर्फ abbreviation है
  उदाहरण के तौर पर, “50 one-on-one meetings में pattern मिला” जैसा नतीजा वास्तव में सिर्फ कुछ डेटा पर ही लागू हो सकता है

  • मैं इससे जुड़ी research methodology जानना चाहता हूँ
    असल में यह तभी ख़तरनाक है जब समस्या की fact-checking कठिन हो
    LLM को exploration tool की तरह इस्तेमाल करना चाहिए, और insight इंसान को निकालनी चाहिए
  • इंसान भी परफेक्ट नहीं हैं
    अगर AI इंसानों से ज़रा भी बेहतर है, तो वह काफ़ी मूल्यवान है
  • verification अक्सर समाधान निकालने से तेज़ होती है
    AI द्वारा बताए गए बिंदुओं को text search से जाँचा जा सकता है
  • AI एक bulk processing tool है
    context management इसकी कुंजी है, और पूरी तरह deterministic न होने पर भी यह उपयोगी है
  • अगर model sources स्पष्ट रूप से बताए, तो उस पर अंधविश्वास किए बिना भी उसका उपयोग किया जा सकता है

• मैं निजी दस्तावेज़ों को cloud पर अपलोड करने से हिचकता हूँ
  privacy risk बहुत बड़ा है, इसलिए मैं local LLMs के बेहतर होने का इंतज़ार कर रहा हूँ

  • मैं भी इसी वजह से local models इस्तेमाल करता हूँ
    लगभग 30B model से MacBook पर भी summary बनाई जा सकती है, लेकिन usability अभी कमज़ोर है
  • मैं सिर्फ वही दस्तावेज़ अपलोड करता हूँ जिनके leak होने से कोई फ़र्क नहीं पड़ेगा
    अगर business में NDA है, तो local model के अलावा कुछ और सुझाना मुश्किल है
    hardware महँगा है, लेकिन मुझे लगता है कि किसी दिन हम फिर PC-केंद्रित model execution environment की ओर लौटेंगे
  • मैं Apple के mlx_lm से Obsidian notes का analysis कर रहा हूँ
    मैंने Qwen 3 model आज़माया, लेकिन उसमें hallucination बहुत ज़्यादा है और वह व्यावहारिक नहीं लगा
    SOTA models में भी summary quality शायद ऐसी ही होगी
  • मैं LLM को hobby के तौर पर इस्तेमाल करता हूँ
    local models चलाने के लिए मैंने 3 GPUs खरीदे हैं, लेकिन ROI बिल्कुल नहीं बनता
    मैं यह सिर्फ़ मज़े के लिए कर रहा हूँ
    अगर कोई sensitive key नहीं है, तो छोटे पैमाने पर cloud GPU rental भी एक ठीक विकल्प है

• इस लेख का सार मुझे सोच को मशीन को सौंपने जैसा लगता है
  मैं notes को memory और associations के आधार पर लिखता हूँ, इसलिए AI को यह काम देना मुझे सोच छोड़ देने जैसा महसूस होता है

  • इसके उलट, AI हमारी सोच, notes, और अनुभवों को तुरंत फिर से जीवित कर देने वाली memory device भी हो सकता है
    email या पुरानी reports में दबी जानकारी को फिर से निकाल लाने की इसकी क्षमता उपयोगी है

• AI की “superpower” का आधा हिस्सा तो पहले से ही Obsidian में सारा data व्यवस्थित करके रखा होने से आता है
  वह बुनियाद मौजूद हो, तो कोई भी tool शक्तिशाली बन जाता है

  • ज़्यादातर लोग इतने लगातार ढंग से रिकॉर्ड नहीं रखते
    उसने अपनी मेहनत का फल पाया, यह वाकई काबिले-तारीफ़ है

• AI की असली क्षमता है वही कहना जो आप सुनना चाहते हैं
  खासकर RLHF के बाद यह रुझान और मज़बूत हुआ है
  summary की क्षमता अब भी कमज़ोर है, और ज़्यादातर चीज़ें summary नहीं बल्कि संक्षेपण भर हैं
  LLM text को आगे बढ़ाने में तो उत्कृष्ट है, लेकिन बड़ी तस्वीर समझने में कमज़ोर है
  अगर 2023 में कही गई “घातीय प्रगति” वाली बात सच होती, तो शायद यह बहस ही नहीं होती

• गणित के एक lecture के दौरान मैंने एक अनजान term खोजी, और AI summary काफ़ी अच्छी निकली
  वह मूल सामग्री का पुनर्निर्माण भर थी, लेकिन मुझे ठीक वही चाहिए था

  • लेकिन summary की verifiability महत्वपूर्ण है
    ज़्यादातर लोग तेज़ consumption को पसंद करते हैं और गहराई से समझ नहीं पाते
  • मेरा मानना है कि low-quality summary भी काफ़ी है, अगर उससे मैं जल्दी एक overview समझ सकूँ
  • जब मैंने एक medical term खोजी, तो Gemini ने गलत और सही जानकारी मिलाकर दी
    यह देखकर डर लगा कि expert लोग भी उसे वैसे ही मान रहे थे
    साथ ही यह सोचकर भी असहज लगा कि कहीं Google ने उस बीमारी को मेरी profile से जोड़ तो नहीं दिया

• AI ने कहा था कि “JS Set, Array से तेज़ है”, और मैं उस पर यक़ीन कर बैठा, बाद में समझ आया कि context छूट जाने से बात ग़लत थी
  फिर भी AI अनजाने विषय पर विशाल सामग्री को synthesize करने में शानदार है
  उदाहरण के लिए, Lorca और Cavafy की कविताओं का अनुवाद करते समय AI ने मूल पाठ और अनुवाद की कठिनाइयों को अच्छी तरह समझाया
  सीधे उससे अनुवाद करवाने की बजाय, सहायक tool की तरह इस्तेमाल करने पर मुझे कहीं बेहतर नतीजे मिले
  विस्तृत अनुभव मैंने अपने ब्लॉग पोस्ट में लिखा है