Huwag kang pumunta sa escalator sa real time. Kung ginawa mo, ikaw ay mababago — ang bawat pagkakataon ay nangangailangan ng conscious processing ng elevation, texture, muscle tension, at balance. Sa halip, ang iyong brain ay gumaganap ng isang high-resolution na prediction ng susunod na trap bago ang iyong foot landes. 1 Ikaw lamang makikita ito kapag ang simulation ay nangangahulugan. "Kapag medyo nakarating ka na sa age na alam mo na ang dami mo nangpinagdaanan... a good soldier must knowwhen to surrender. 2 Kapag ang error ng prediction ay mababang, ikaw ay sa autopilot. Kapag ang error ng prediction ay mataas, ikaw ay bumalik sa awareness at ang mga update ng modelo. Ang mekanismo na ito ay nagpapahiwatig ng maraming tungkol sa kung paano mo na-learning sa katotohanan. at ang karamihan ng mga tao ay may napaka-malaki na modelo ng pag-aaral. Ang karamihan ng mga tip sa "learning faster" ay makikita na mabuti kapag i-read ito, pagkatapos ay i-evaporate. Spaced repetition, active recall, deliberate practice—you nod along, try it for a week, then forget why it mattered. Huwag mag-alala tungkol sa machine na gumagawa ito. Ano ang Ang makinarya na gumagawa ng mga teknolohiya ay o i-compilate sa real ability o dissolve. What You Think Learning Is Ano ang ibig sabihin ng learning Karamihan ng mga tao ay naniniwala na ang pag-aaral ay Iyon ay tulad ng pag-uugali ng isang hard drive. I-save ang impormasyon, i-recover ang mga ito pagkatapos. higit pang storage = higit pang impormasyon = higit pang kapasidad. accumulation Kapag nalaman mo na pumunta sa escalator, ang iyong brainstormed ng isang modelo: "Dahil ang sensory input (stair edge), predict: pagbabago ng elevation, kinakailangan ng muscle tension, na-expect sensory feedback." isang compiled pattern ng kaalaman na gumagana automatically. This is a scheme Expert performance ay hindi tungkol sa malaman ng higit pa. Ito ay tungkol sa may mga scheme na may mas mababang prediction error. Ang mga eksperto sa chess ay gumagamit ng mas mababa na enerhiya ng neural, hindi mas. Ang kanilang mga brains ay gumagamit ng mas mababang pag-aaral dahil alam nila kung ano ang ibig sabihin. 3 Kapag nakikita ang mga eksperto sa isang posisyon ng chess, alam nila na kung saan upang mag-focus ang atensyon habang nangangailangan ng irrelevant pieces. Ang pagkakaiba sa pagitan ng expert at novice ay ang scheme. Hindi mo na kailangang gawin ito.Ito ay ang shortcut. ay Maaari mong i-compilate ang mga scheme sa pamamagitan ng iterations, o hindi mo sila. The Only Two Ways To Learn Dalawang mga paraan upang malaman Ang mga tao na nais mong malaman "rapid" ay nag-aalok ng mga katotohanan na tanong. Kapag malaman mo kung paano mag-compilate ng mga scheme, speed ay maging irrelevant. Hindi mo maaaring literally i-fire neurons sa iyong brains mas mabilis. Mayroong dalawang napaka-legitimate na paraan upang i-compilate ang mga skema - ikaw ay o mag-solve ang mga tunay na mga problema (na kung saan ang speed ay natutunan mula sa mas mahusay na mga sistema) o ikaw ay gawin ito para sa intrinsic na reward (na kung saan hindi mo interesado tungkol sa speed sa lahat). 1. You’re Solving A Real Problem Hindi "learning React." Paghahatid ng isang tampok sa mga tunay na gumagamit. Kung ikaw ay nagtatrabaho sa iyong kaibigan ng isang sakit sa mga panahon ng Medieval, hindi mo nabasa upang "kumpleto ang aklat" - makikita mo ang kailangan mo para sa isang kuryente at pumunta sa kuryente ang iyong kaibigan. Ang deliberate practice ay hindi repetition - ito ay iterative adjustment sa pamamagitan ng mga target na may imediate feedback. Ang developer na nagpadala ng 20 mga produkto ay sumusunod ng mga scheme. Ang tutorial completionist na nagpadala ng zero ay Ang mga ito ay maaaring i-explain ang katangian ng isang mahabang listahan ng acronyms, ngunit hindi ang mga forward models na lumikha ng working code. Memes tungkol sa mga schemes Ang compiled schemes ay lumapit dahil ito ay binuo laban sa feedback ng katotohanan, hindi synthetic mga halimbawa. Kung ikaw ay natagpuan sa isang tahanan kung saan lamang ang French ay nagsasalita, maaari mong malaman ang French mas mabilis kaysa sa pagbabasa ito sa iyong bahay kung saan walang sinasabi ng French. (Ito ay hindi nangangahulugan na ikaw ay naglalakbay sa ibang bansa upang malaman ang isang wika. I'm just illustrating the learning process.) 2. Genuine Curiosity, The knowledge itself is the reward. When you learned your first language: Ang iyong ina ay nagsasabi "cup," ay nagpapakita sa object. Ang salita maps direkta sa iyong scheme ng cylindrical na bagay. When you learn a second language through apps: Ipinanganak mo ang “Bonjour.” Ito ay inilathala sa “Good Morning.” na nagpapakita sa iyong scheme ng araw-araw na sunlight, ang gustong sa iyong ulo kapag ikaw ay bumubuo at ang lahat ng mga dimensyon ng scheme ng “morning”. Ikaw ay nag-iisip sa Ingles at pag-translate. Ang forward model ay gumagana sa Ingles, hindi sa French. Ito ay proxy-chain: gamitin ang isang wika bilang isang intermediate upang makakuha ng access sa mga schemes, hindi upang mapupunta ang mga salita direkta. Ang mga neural pathways ay malamang na iba't ibang: Direct mapping: Languages activates schemes directly (Meme => Scheme) Proxy-chaining: Languages activates translation networks first, pagkatapos ng mga scheme (Meme => Meme => Scheme)4 Gayunpaman, maaari mong i-switch mula sa isang proxy sa actual scheme kung patuloy mo ang pag-aaral. I-play ang piano dahil ang musika ay enjoyable. Code dahil pagbuo ay fun — hindi dahil ikaw ay pag-check off “learned Python” o “I code cpp.” Kapag ang aktibidad mismo ay nagbabago, i-run mo ang mga katapusan ng high-variance schemes na inilunsad ng curiosity. Gaya nga ng sabi niya na "Walang Imposible", para makamtan ito ay kailangan din nating gawin ang tama at obligasyon. How Schemes Become Memes (And Vice Versa) Paano Gumawa ng mga Scheme ang Memes (at vice versa) Ang isang meme ay isang compressed description ng isang scheme. Kapag i-convert ang isang scheme sa isang meme, ikaw ay humihingi ng halos lahat: Scheme => Meme (Compression with loss): Ikaw ay may isang naka-compiled scheme para sa pag-play ng gitara. Ang iyong mga kamay ay alam kung saan upang pumunta para sa isang minor seventh acorde - ikaw ay predict ang mga posisyon ng mga finger, presyon, at ang resulting sound automatically. Ang isang tao ay nagsabi: "Ano ang ginagawa mo sa isang minor seventh?" I-produce mo ang isang meme: "Ito ang root, minor third, fifth, and minor seventh." Hindi lamang ang katotohanan, ngunit ito ay, bilang isang gulay, ay lamang ang pinaka-cool na bagay na manufactured sa pamamagitan ng Ina Earth. Meme => Scheme (Decompression requires work): I-read: “Use spaced repetition para sa memory retention.” Ito ay isang meme. Ito ay pinagsasama ang scheme ng ibang tao (ang kanilang sistema na alam Para sa review, Pumunta sa konsolidasyon, Iba't ibang mga bagay ang dapat gawin (in a short sentence). kapag Paano Ano ang Upang i-convert ang meme na ito sa isang scheme, kailangan mong i-execute iterations, i-explain kung bakit ito ay gumagana o hindi gumagana, i-improve sa isang variation at i-repeat. Ang karamihan ng mga tao ay nagtatapos sa meme. Siya ay nagkolekta ng mga paglalarawan: “spaced repetition works,” “deliberate practice matters,” “sleep consolidates memory.” Why experts struggle to teach: Bakit ang mga eksperto ay nagkakahalaga sa pagsasanay: Ang mga eksperto ay may mga scheme. Ang mga estudyante ay kailangan ng scheme. Ngunit ang transmission ay nangyayari sa pamamagitan ng memes. Ang advance model ng eksperto ay napaka-compressed at automatic na hindi maaaring ganap na articulate ito. Kapag nag-iisip nila, lumikha sila ng mga memes na humihingi ng karamihan ng impormasyon. "Hindi kailangang makinig ang ritmo." "Make it pop." "Keep your wrist loose." Ang mga memo ay But they are uselessly compressed for someone without the scheme.Ang estudyante ay kailangan ng libu-libong iterations upang decompress ang mga memes sa working forward models. ang correct Ito ang dahilan kung bakit hindi mo maaaring malaman upang i-play jazz sa pamamagitan ng pag-aralan tungkol sa jazz (hindi ito ay tumutulong). Ikaw ay nagkolekta ng mga meme tungkol sa mga scheme, hindi mag-compilate ng mga scheme. Sa bawat domain, ang scheme ay isang sistema na calibrated sa pamamagitan ng libu-libong iterations. Ang pagkolekta ng memes ay nagbibigay sa iyo ng vocabulary ng kompetisyon. Ang pagkolekta ng mga skema ay nagbibigay sa iyo ng tunay na kompetisyon. Bakit ang karamihan ng "learning" ay lamang ang meme collection. Most “Learning” Doesn’t Compile Anything Ang karamihan ng "learning" ay hindi sumusunod ng anumang bagay Ang karamihan ng pag-aaral ay nangangailangan dahil ito ay hindi problema-driven o immersion-driven. Walang tunay na mga benta, walang tunay na pag-immersyon (mo ay sumusunod sa mga instruksiyon, hindi exploring). Tutorial hell: Optimising para sa isang synthetic metric na hindi mapapagsasama sa real-world iterations. Ipinapakita mo ang “how to pass this exam,” hindi ang “how to think in this domain.” Studying for exams: Walang intrinsic reward (it's obligation, hindi curiosity), walang tunay na mga problema upang solve. Ang iyong scheme ay hindi maiiwanag. Courses you “should” take: The Proxy-Chain Trap: Ang Proxy Chain Trap ay: Ang ilang mga domain ay hindi maaaring malaman nang walang proxy-chain mula sa. Hindi mo maaaring direktang mapapunta ang iyong paraan sa quantum mechanics - kailangan mo upang malaman ang intermediary mula sa. Ngunit mastering ay kapag ang proxy dissolve. Kapag malaman mo ang quantum mechanics, hindi mo na mag-translate. Ikaw ay nag-iisip sa domain mismo. Kung hindi mo maiwasan ang pagbabago mula sa proxy-chain sa direct mapping, ikaw ay magkakaroon ng intermediate forever. Maaari mong code sa pamamagitan ng pag-translate sa pamamagitan ng Stack Overflow patterns, ngunit hindi mo nag-iisip sa code. Maaari mong nagsasalita ng French sa pamamagitan ng paglalarawan mula sa Ingles, ngunit hindi mo nag-iisip sa French. Maaari mong i-solve ang mga problema sa pamamagitan ng pag-translate sa pamamagitan ng framework documentation, ngunit hindi mo alam ang domain. Kapag bumalik mo ang stall, ang iyong performance ay bumaba? Kung ano, ikaw ay proxy-chain. Ang dahilan kung bakit ang karamihan ng mga tao ay nakatira sa "Meme" territory ay na Ang jolt sa escalator ay nagpapakita ng isang physiological stress response. compiling is painful Upang malaman, kailangan mong malaman ang feeling ng nangangailangan ng isang step. Ang mga tutorials ay dinisenyo upang makakuha ka ng feeling na ikaw ay naglalakbay sa flat ground. They eliminate the jolt, na kung saan ay magiging magandang ngunit nagtatagumpay na walang mga update ng modelo ever. Physiological Constraint Physiological limitasyon Hindi mo maaaring i-compilate ang mga scheme kapag ang iyong brains ay hindi maaaring i-execute ang calculation. Ang mga tao ay maaaring actively magtatag ng halos 4±1 item sa working memory sa isang oras Kapag ang iyong biology ay nagbabago sa pamamagitan ng stress, sleep deprivation, o mababang pagkain, ang kapasidad na ito ay mababago nangangahulugan - karaniwang hanggang sa 1-2 bits. 5 Sa kapasidad na ito ay hindi mo: Maghanap ng Complex Problem Structures Paglalarawan ng Multiple Hypotheses Mga counterfactuals I-generate ang new predictions Ang chronic stress ay nagbabago sa working memory at cognitive flexibility, paglipat ng cognition mula sa high-level thinking sa survival mode (reacting sa immediate inputs na may cached responses). Ipinanganak ang pag-aaral ng mga mag-aaral sa pag-aaral ng mga mag-aaral sa pag-aaral ng mga mag-aaral. AI Is a Cognitive Prosthetic AI ay isang Cognitive Prosthetic Ito ay isang extension ng iyong pag-iisip na maaaring i-execute ang mga libu-libong mga scenarios sa data na itinuturing sa koleksyon ng intelligence ng internet. Ang iyong working memory ay maaaring magkaroon ng ~4 chunks. Ang mga kompleksong mga problema ay may mas maraming mga variable, at kami ay karaniwang i-compress ang mga ito. Ngunit ang ilang mga problema ay may mga variable na hindi dapat i-compress. Ngayon maaari naming i-compress ang mga ito dahil ang AI ay maaaring magkaroon ng higit pa ng mga variable. Ang AI ay maaaring magkaroon ng maraming mga intermediate na estado habang nagtatrabaho ang mga ito. Ito ay tunay na leverage - kung alam mo kung paano i-integrate ito. Ang isang writer ay gumagamit ng Claude upang magkaroon ng 20 plot threads at character arches habang nag-focus sa scene-level dialogue. Ang isang mananaliksik ay nagtatagdag ng 15 paper citations at competing arguments habang sinteze ng isang bagong framework. Ang isang developer offloads boilerplate kaya ang buong system architecture ay matatagpuan sa working memory. Ang mga skema ay patuloy na i-compilate sa iyong brains. AI-extends ang iyong working memory para sa iyo upang makuha ang higit pa ng kompleksidad. Ang mga tao ay anthropomorphize ang pag-calculation.Idiniwala sila ng isang dialogue kung saan may lamang isang monologue. Ang AI ay hindi isang conscious intelligence. Ito ay isang computing prothetic. Ito ay ang iyong sarili na brain na gumagana sa mas mabilis na hardware. Maaari mong lumikha ng maraming random genius at idiotic na mga ideya bawat minuto at piliin ang pinakamahusay na mga ito. AI nagtatampok na kaya maaari mong malaman ang higit pa - sa isang eksponensial na rate dahil ang koleksyon ng intelligence sa internet ay gumagana para sa iyong target. Pero kapag nalaman niyang nakilala mo siya dahil binasa mo ang diary... get ready for the consequences. Kung ang output ay sycophantic, ang iyong intention ay sycophantic. Ang koleksyon ng kasaysayan ng pag-iisip ng tao na ito ay hindi kailangang maging kaalaman hanggang sa iyong pananampalataya ay piliin ito. Ang isang prothetic limb ay hindi alam kung paano pumunta - ito ay gumagawa ng balanse ng gumagamit. Kung ikaw ay proxy-chain sa pamamagitan ng AI, walang mga scheme compile. Kapag ang AI ay hindi katulad o hindi magagamit, ikaw ay walang bagay. Ito ay identical sa pag-aaral ng French sa pamamagitan ng Google Translate. Hindi mo binuo ng direct mappings. Ikaw ay binuo ng dependency sa isang intermediary. This matters now because the leverage is huge. Ang mga bagay na hindi dapat gawin ngayon ay napaka (na may tulong ng AI). But only if you understand your own knowledge fundamentally and have real stakes that force verification. Kung hindi mo, ikaw lamang ay may infinite leverage sa iyong unang pag-iisip. Ikaw ay sigurado na pumunta off cliffs sa 10x speed. Ang karamihan ng mga tao ay hindi maaaring sabihin ang pagkakaiba dahil mayroon nila ang mga katotohanan ng mental na modelo ng pag-aaral. sila ay naniniwala na ito ay akumulasyon (storage ng higit pa ng mga katotohanan) kapag ito ay bumuo ng mas mahusay na mga skema. Kaya ginagamit nila ang AI bilang isang "work companion" sa halip ng work memory extension. Ang mga ito ay optimize para sa tutorial completion sa halip ng paghahatid ng real na mga bagay. Nag-confuse ang mga meme tungkol sa domain knowledge sa mga real schemes na gumagawa ng mga resulta. Ang pagkakaiba ay nagbabago: Ang mga tao na malaman ang mga skema ng kanilang mga kaalaman lamang ay may 10x leverage. Ang mga tao na nag-iisip na pag-aaral ay akumulasyon lamang ay 10x mas mabilis sa paglipat sa isang cliff. Hindi mo kailangang mag-fake ang mga scheme. Reality ay constantly testing ang mga ito. Ang taong nag-aaral ay ang tao na hindi makakakuha ng error. Kung gusto mo ang essay na ito at gusto mo ng higit pa, mag-subscribe sa aking newsletter: https://crive.substack.com References Basics ng predictive processing at mga halimbawa tulad ng mga trapiko: Karl Friston sa predictive coding (overview): Mga pahinang tumuturo sa Andy Clark: 1 https://en.wikipedia.org/wiki/Predictive_coding https://www.mind-foundation.org/blog/predictive-coding Prediction error & awareness: Friston's foundation paper on predictive coding/free energy: https://pmc.ncbi.nlm.nih.gov/articles/PMC2666703/ 2 Chess expertise & neural efficiency: Systematic review on brain imaging sa mga eksperto vs. novices: (Ang mga eksperto ay nagpapakita ng efficient, focused patterns) 3 https://www.sciencedirect.com/science/article/pii/S3050642525000326 Immersion vs. explicit/classroom: Morgan-Short et al. (2012) – implisit/immersion ay nagpapakita ng mga pattern ng ERP tulad ng native: 4 https://pubmed.ncbi.nlm.nih.gov/21861686/ Working Memory ~4 chunks: Cowan (2001) - Ang magical na bilang 4 5 https://pubmed.ncbi.nlm.nih.gov/11515286/
