Não podemos contornar o trabalho necessário para treinar nossa mente
(zettelkasten.de)- A afirmação de que “não precisamos lembrar de nada” é uma antiga ilusão
- Ferramentas digitais como internet, apps de notas e IA dizem eliminar a necessidade de memória, mas isso traz um custo oculto para a capacidade de pensar
- Sem capacidade de pensamento crítico e analítico, não é possível aproveitar efetivamente os resultados de busca na internet, e a aquisição de conhecimento fica em um nível superficial
- Consumir informações apenas superficialmente, sem conhecimento profundo, enfraquece a capacidade de processamento cognitivo do cérebro
- Métodos como o Zettelkasten Method e treinamento contínuo são essenciais para um trabalho de conhecimento significativo
A ilusão sobre ferramentas digitais e memória
- A ideia de que “não precisamos lembrar de nada” já surgiu há décadas e é uma visão antiga
- Motores de busca, apps antigos de notas e IA repetem a afirmação de que a importância da memória desapareceu
- Porém, na prática, para encontrar a informação desejada, são indispensáveis uma formação básica e conhecimento prévio na área em questão
Pensamento crítico e capacidade de usar a internet
- Na sociedade atual, cresce a tendência de pular o processo de pensamento necessário e buscar diretamente apenas a conclusão na internet
- Essa tendência leva à redução das oportunidades de aprendizado autodirigido e do conhecimento prévio, além de diminuir a capacidade de avaliar a qualidade da informação e transformá-la em conhecimento real
- Segundo pesquisas, os chamados nativos digitais têm dificuldade para avaliar de forma crítica e analítica as informações encontradas na internet
- Para extrair o verdadeiro valor de uma busca online, é necessário um mapa mental do domínio em questão
A abordagem dos nativos digitais e seus problemas
- Os nativos digitais julgam informações apenas por uma correspondência superficial, e sua motivação para uma avaliação crítica enfraquece
- Essa abordagem produz os seguintes resultados
- O enfraquecimento da conexão emocional com o material, reduzindo a profundidade do pensamento e o nível de envolvimento
- A formação de uma relação superficial com a informação, sem provocar mudanças na estrutura do cérebro
- Como resultado, quanto mais se acumula o hábito de consumir informação superficialmente, mais frágil se torna a base do conhecimento
Premissas centrais sobre conhecimento, notas e pensamento crítico
- A verdadeira formação de conhecimento não pode ser feita por IA ou ferramentas de PKM (Personal Knowledge Management); ela precisa ser realizada diretamente pela própria pessoa
- Por exemplo, você pode pedir ao ChatGPT para montar uma rotina semanal de exercícios, mas, em um estado sem conhecimento de base, não consegue julgar se o resultado está certo ou errado
- Sem uma compreensão profunda de conceitos importantes, e conhecendo apenas termos superficiais, é difícil avaliar o valor real da informação
Conhecimento prévio e a capacidade interna de processamento do cérebro
- Há uma grande diferença entre apenas lembrar associações superficiais e ser capaz de evocar, sobre um termo específico, um conjunto de conhecimentos fundamentais e em múltiplas camadas
- O gargalo do trabalho de conhecimento não é a quantidade de informação externa, mas a capacidade interna do cérebro de processar informação e o nível de treinamento da pessoa
A necessidade das ferramentas certas e de treino contínuo
- Ao contrário da ideia de que “não precisamos lembrar de nada”, na prática a direção desejável é “precisamos lembrar de tudo”
- Só assim se tornam possíveis um trabalho cognitivo significativo e um pensamento baseado em conhecimento
- Ferramentas simples (ex.: repetição espaçada) ajudam em tarefas simples, enquanto ferramentas avançadas (ex.: Zettelkasten Method) ajudam no pensamento complexo
- O processamento profundo está, no fim das contas, diretamente ligado a treinar o cérebro
- O futuro do trabalho de conhecimento depende de uma postura que não desista de treinar a mente
Vida longa e próspera
Sascha
1 comentários
Comentários do Hacker News
O primeiro, perguntar as respostas para a IA: ela constrói algo, a IA faz por mim a reflexão que eu deveria fazer, e o trabalho parece mais fácil
O segundo, usar a IA como ferramenta de automação para tarefas repetitivas e simples (como escrever a suíte de testes ou configurar a infraestrutura): de fato ela é mais rápida que um humano, mas como eu preciso me concentrar no trabalho difícil, acaba sendo ainda mais cansativo Essas duas abordagens geram sensações totalmente diferentes Na primeira, o trabalho fica mais fácil; na segunda, as partes fáceis são resolvidas automaticamente, então talvez eu fique num estado em que preciso de mais pensamento e esforço continuamente Se houver qualquer grau de competição no trabalho, acredito que quem trabalha no segundo padrão terá produtividade e qualidade muito superiores Mas essa forma de trabalhar parece mentalmente muito desgastante Artigo relacionado
Já tentei a segunda abordagem na prática dentro da empresa Para quase certamente dar certo, é preciso montar de antemão a maior parte do plano de implementação e monitorar se o LLM não está produzindo resultados estranhos Enquanto isso, mal consigo encostar em outras tarefas Na prática, sinto algo como uma melhora de produtividade de 10% a 20%
Essa sensação de "comprimir continuamente o trabalho de pensar e ficar só com a parte pesada" era exatamente o ponto que eu queria descrever No design de sistemas, o verdadeiro gargalo não está nas tarefas fáceis ou repetitivas, mas nas partes imprevisíveis, nas áreas desconhecidas, nas consequências não intencionais etc. A IA não ajuda muito nessas partes Na verdade, ajuda deixar alguma parte do trabalho repetitivo sem automatizar por completo Essas tarefas me mantêm dentro do domínio e com frequência me dão insights sobre os problemas difíceis
Eu deixo a arquitetura, a organização do código e o design no nível de algoritmo para a IA Faço o planejamento nesse nível, e depois deixo a implementação real inteiramente para os agentes Também faço testes por conta própria e peço auditoria a vários agentes de IA O pipeline é 100% automatizado e os resultados são muito bons De todo modo, ainda mantém a sensação de engenharia no sentido de que estou orquestrando um DAG de workflows estocásticos conforme os meus comandos
O problema dos LLMs é que eles não conseguem nem mesmo fazer sozinhos tarefas simples de ponta a ponta E quando a pessoa precisa intervir, o LLM pode induzir vieses tão bobos que até a intuição humana fica prejudicada Mas acho que essa ideia também se conecta à história do desenvolvimento, com compiladores, verificadores de tipos, testes automatizados, controle de versão etc.
No primeiro exemplo (o modo de só fazer perguntas e obter respostas), às vezes é preciso pensar ainda mais Quando o resultado gerado não faz exatamente o que eu quero, ou tem bugs, ou fica complexo, preciso analisar e entender uma grande quantidade de código que eu não escrevi para poder avançar Ler esse código pode acabar desperdiçando tempo No fim, se o prompt de entrada ou a especificação estiverem perfeitamente claros a ponto de eu entender aquilo no mesmo nível de um código escrito por mim, tudo bem; caso contrário, acho melhor apagar tudo e voltar a planejar do zero
Sobre a afirmação de que "é preciso lembrar de tudo para fazer trabalho intelectual significativo" Na prática, não é necessário lembrar de tudo Passar por processos como experiência, raciocínio e escrita, e lembrar dos pontos de entrada e do formato do que vem a seguir, já é suficiente para trabalho significativo
Citação de Tomás de Aquino: "é preciso organizar bem, em alguma ordem, aquilo que a pessoa quer lembrar; a ordem é a corrente da memória" Encontrei essa passagem no meu Zettelkasten
Acho que depende do tipo de trabalho Por exemplo, em casos que exigem performance em tempo real, como conversar em língua estrangeira, você precisa realmente ter memorizado bem as palavras; o mesmo vale para tocar um instrumento Ao escrever, dá para ir devagar, mas se o conhecimento de base for insuficiente, no fim ainda será necessária muita preparação nos bastidores
Na verdade, os LLMs também funcionam mais ou menos assim Assim como o cérebro humano, eles recebem o máximo possível de informação no pré-treinamento, e depois de passar de certo limiar aparecem resultados mais próximos de um raciocínio humano, como inferência e uso de ferramentas Por isso concordo com a hipótese de que, se faltar dado de pré-treinamento, o cérebro também vira um modelo-base fraco
Eu não memorizo todas as respostas; costumo memorizar apenas onde encontrar as respostas
Pergunta sobre se isso seria "lembrar só do estado inicial e deixar a mente seguir o resto por associação" ou "lembrar apenas do ponto de partida da solução (por exemplo, algumas premissas ou ideias principais)" Se você usa Zettelkasten, acho que concordará bastante com a primeira forma
Sobre a afirmação de que "é preciso lembrar de tudo para fazer trabalho intelectual significativo" Se os seres humanos não tivessem capacidade de abstração, eu acharia esse argumento plausível Mas como a abstração existe, na prática basta lembrar apenas de alguns fatos concretos O essencial é ter modelos conceituais fortes e conhecimento tácito O conhecimento tácito surge com experiência e feedback, enquanto o modelo conceitual vai sendo construído e recebendo novos fatos No começo, a memorização ajuda, mas depois de certo nível ela pode até atrapalhar Não é necessário manter o todo processado de uma vez na memória o tempo inteiro; com experiência, basta encaixar o que for necessário dentro de um "framework" Acho que a polêmica existe porque muita gente que odeia memorização passou com sofrimento pela fase de iniciante
Vi vários posts sobre essa ideia de que "é preciso lembrar de tudo", mas sinto que eles deixam escapar muito do ponto e do contexto Como de fato é impossível lembrar de tudo, concordo que devemos tentar lembrar o máximo possível No fim, acho perigosa a atitude de "não preciso lembrar de tudo mesmo, então tanto faz" Também achei que a tese do texto foi colocada de forma forte no sentido de que delegar isso a calculadoras ou LLMs não ajuda nem depois
Concordo profundamente com a tese de que "modelos conceituais e conhecimento tácito são mais importantes" Quanto mais tempo você passa em ciência da computação e engenharia de software, mais percebe que os conceitos realmente fundamentais não são tantos quanto parece Para um engenheiro realmente habilidoso, é indispensável ter a experiência de sentir cada conceito "vivo" Quando esses conceitos são bem internalizados, qualquer problema relacionado a computação pode ser rapidamente entendido nas suas "coordenadas conceituais", e então é possível aplicá-los e compreendê-los repetidamente
Tenho conversado bastante sobre esse tema com pessoas próximas e acabei definindo engenharia como "um trabalho que começa com uma pergunta e parte sem uma solução clara" Nessa situação, o importante é ter compreensão suficiente da base sobre a qual a sua camada está construída (as camadas inferiores de abstração) Se pensarmos numa pirâmide do conhecimento, há papéis e especialidades diferentes em cada nível, mas, onde quer que você esteja, quanto melhor entender as camadas de baixo, melhor será sua intuição Se você terceiriza os fundamentos, enfraquece não só o pensamento crítico, mas também a intuição sobre a estrutura do mundo em que trabalha
Eu simpatizo com ferramentas de reforço de memória como Anki e Zettelkasten, mas acho que este texto simplifica demais Vejo dois modelos de trabalho baseado em conhecimento
Esse fenômeno recente de a IA ser muito útil quando não existe absolutamente nenhum conhecimento de base é justamente o problema, na minha opinião A IA ajuda no ponto de partida fácil, mas nesse processo faz o usuário perder a chance de aprender por conta própria Aprender é um loop repetido de "receber-entender-memorizar-aplicar", mas se você só obtém respostas por meio de prompts infinitos para a IA, quase não acontece aprendizado próprio
A vantagem da IA é que ela consegue dar vários bons exemplos de um "tipo" Se a IA me mostra várias empresas que fazem X, isso vira uma referência de como investigar mais a fundo quando eu for pesquisar por conta própria num mecanismo de busca Mesmo que eu não chegue ao resultado final exatamente igual ao que a IA mostrou, depois de ouvir essas possibilidades ainda preciso fazer meu próprio julgamento A IA é especialmente boa em captar padrões entre palavras e características, e nas formas de enunciar cada categoria
Pilotos também usam ferramentas consultáveis sem memorização, como checklists, e há coisas que em emergência precisam ser executadas quase por reflexo, apenas com memória codificada
Improviso ou performance ao vivo (conversa, música etc.) exigem boa memorização para funcionar bem O quanto você quer processamento em tempo real parece ser um bom critério para decidir o nível adequado de memorização
Sobre a afirmação de que "se você não consegue ler uma pergunta e imediatamente dar uma resposta sintética, então não tem conhecimento de base suficiente" Essa visão é extrema demais Por exemplo, ao montar um plano de treino, não faz mal não considerar cada detalhe minucioso Mesmo que a resposta não seja a mais otimizada possível ("minmaxed"), se você for consistente ainda pode obter resultados bons o bastante Isso é algo comum a todas as áreas Mesmo sem ser um especialista profundo, dá para alcançar certo nível de resultado
Na matemática é a mesma coisa Você pode usar calculadora, mas ter senso numérico e intuição aritmética permite lidar com o mundo muito mais rápido e com mais precisão Você pode até contar com ajuda de IA ou de mecanismos de busca, mas precisa ter pelo menos um mínimo de capacidade de julgamento por conta própria
Sempre achei estranho quando as pessoas começam montando a fórmula no Excel sem antes verificar os dados de forma direta e intuitiva Por exemplo, se A8 é 120 e A7 é 100, é um bom hábito conseguir ver de imediato com os próprios olhos qual foi o aumento percentual Com IA é parecido: em vez de confiar de cara numa resposta sobre uma área da qual você não sabe nada, primeiro vale checar com valores ou conceitos que você consiga verificar por conta própria
O problema não é usar calculadora ou não, e sim ter aversão ao próprio ato de calcular É impressionante o quanto memorizar fórmulas simples (área, volume, densidade, energia etc.) ajuda a filtrar absurdos com contas rápidas Há até exemplos famosos, como o problema do diâmetro da pizza
O verdadeiro ponto central é que o cérebro evolui sendo "domesticado" pela experiência Se você não memoriza nada e depende sempre da busca, seu cérebro acaba aprendendo apenas a funcionar como um mecanismo de busca Em situações em que buscar não é possível, essa falta de experiência vira uma limitação crítica Claro que esse jeito de operar pode funcionar na era atual, mas o princípio básico de que o cérebro melhora não muda
Na minha opinião, não é preciso lembrar de tudo, mas é indispensável ao menos ter sido "exposto" às coisas Se você nem sabe "o que não sabe", fazer trabalho de conhecimento fica perigoso Concordo com a máxima: “aprenda um pouco sobre tudo e profundamente sobre uma área”
Antes da internet, perguntávamos às pessoas ao nosso redor e, se elas respondessem algo mais ou menos, simplesmente acreditávamos e seguíamos em frente Depois veio a internet, e os resultados de busca passaram a ter mais precisão do que conhecidos aleatórios Agora surgiu a IA e, embora também não seja perfeita, suas respostas acabam sendo um pouco mais confiáveis do que as de qualquer pessoa ao redor ou de um blog aleatório A ideia de que algo precise estar 100% certo me parece estranha No passado, todo mundo aceitava qualquer coisa que ouvia das pessoas próximas
Fico curioso sobre a base para afirmar que um LLM, ao agregar blogs aleatórios para compor uma resposta, é mais preciso do que pesquisar diretamente em blogs especializados com credenciais verificadas
Fazer uma pergunta a qualquer pessoa aleatoriamente já é um erro Você sempre deveria perguntar a um especialista no domínio Por exemplo, eu não perguntaria à minha esposa sobre videogames, nem ao meu pai sobre programação Se você já fizer isso, a necessidade de IA diminui bastante