A ping-pong hatás

A “lehetetlen”, amit fejezet-ben megvalósítottál, egy konkrét mechanizmus révén történt, amit én ping-pong hatásnak nevezek, és ha megérted, hogyan működik, az átalakítja azt, amit AI-val elérhetsz. A fejezet-ben szerzett tapasztalatod visszatükrözi az én felfedezési folyamatomat. Megmutatom, hogyan találtam meg ezt a mintát.

Dr. Jay Forrester vezette a Whirlwind Projektet, kifejlesztette a gyakorlati mágnesmag-memóriát, és megépítette a Semi-Automated Ground Environment légvédelmi rendszert. Legnagyobb hatású tanulmánya a “Társadalmi rendszerek kontraintuitív viselkedése” volt.¹

A kontraintuitív felismerések bizonyulnak gyakran a legértékesebbnek. Ha egy tanács nem lenne kontraintuitív, valószínűleg már most is követnéd. Az ebben a fejezetben szereplő technikák ezt az elvet használják ki: ami fordítottnak tűnik, gyakran a leghatékonyabb.

Kilenc éven keresztül (a kéziratot 2016-ban írtam) tudtam, hogy valami nincs rendben. Olyan furcsa tartalmat tettem bele abba a könyvbe, amiről abszolút biztos voltam, hogy fontos, de nem tudtam koherensen megmagyarázni, miért. Az a tény, hogy nem tudtam megmagyarázni, még furcsább volt, mint a tartalom maga! De most a könyvre már szerződést kötöttem egy kiadóval, és meg kellett fejtenem ezt a rejtélyt.

Jobb ötlet híján beszélgetést kezdtem az Anthropic Claude nevű mesterséges intelligenciájával.¹ Számomra ez volt a természetes dolog, amit egy számítógéppel tehetek: elmagyarázni a problémát és megbeszélni a lehetséges megoldásokat, vagy legalábbis megpróbálni elmagyarázni, miért gondoltam fontosnak.

Claude velem együtt alaposan átnézte azt a kéziratot, több alkalommal is. Ez nem egyszerű feladat egy 500 oldalas kézirat esetén, még RAG (Retrieval-Augmented Generation) technikákkal sem, az AI memóriájának (token kontextus) korlátai miatt. De én nem tudtam, hogy ez nehéz feladat; számomra ez természetes volt.

Körülbelül egy hónapba telt, de Claude-dal együtt megtaláltuk a hiányzó elemet. Ez volt az az elem, amelyet kilenc éve próbáltam azonosítani. Megmutatom neked a pontos folyamatot, amelyet követtem, a fejezet, “Felfedezett és alkalmazott MI-technikák” részben.

Röviden, a “hiányzó elem” az, ahogyan az AI-t olyan módon használom, amit korábban nem tartottak lehetségesnek, és ennek eredményeként olyan feladatokat tudok elvégezni, amelyeket mások lehetetlennek tartanak — nem utolsósorban a kreatív tevékenységek drasztikus felgyorsításának képességét, mint például:

• Emberi gondolkodást és tapasztalatot igénylő stratégiai gondolkodás vagy tervezés, vagy
• Kreatív tervezés, amelyet, ismét, nem lehet egyszerűen AI-feladatként elvégezni.

Ami én kínálok, az alapvetően más: egy olyan módja az AI használatának, amely lehetővé teszi olyan eredmények elérését, amelyek semmilyen más eszközzel nem lennének lehetségesek. A hidegháborús számítástechnika titkosított világában megkülönböztettük azokat a technológiákat, amelyek csak erőfeszítést takarítottak meg, azoktól, amelyek teljesen új képességeket hoztak létre. Az ebben a könyvben szereplő technikák szilárdan az utóbbi kategóriába tartoznak.

Az a hiányzó elem átalakította azt, ahogyan a lehetetlen problémákhoz állok. Azok a technikák, amelyek lehetővé tették a forradalmi számítástechnikát a hidegháború alatt, ma is érvényesek az AI-val való együttműködésre. Így fedeztem fel ezt az összefüggést.

A szerződés alatt álló könyv forradalmi számítástechnikai eszközökről szólt. A hiányzó darab a gondolkodásunk módja volt, nem pedig a cselekvésünk módja. Sosem gondoltunk arra, hogy leírjuk azokat a technikákat, amelyek annyira mindenütt jelen voltak, hogy már láthatatlannak tűntek.

Claude azt javasolta, hogy a könyvet ne kronologikus sorrendben, hanem a nehézségi fok szerint rendezzük. Ez az egyszerű váltás feltárta a mintázatot: azt mutattam be, hogyan alkotunk kapcsolatokat különböző területek között, egy adott terület technikáit egy másikra alkalmazva.

Ugyanez a mintázat működik az AI esetében is. A legtöbben arra fókuszálnak, mit hoz létre az AI: válaszokat, tartalmakat, összefoglalókat. De ha végiggondoljuk, hogyan jut el az AI az eredményekhez, lépésről lépésre, valami más tárul fel. Az út fontosabb, mint a célpont.

A hagyományos számítógépekkel megtanultam végiggondolni a folyamatot: hogyan végzi el a számítógép az egyes lépéseket. Az AI-nál ugyanez a megközelítés működik. Fókuszálj arra az útra, amelyet az AI végigjár az adatai között, azokra a társításokra, amelyeket létrehoz, és azokra a mintákra, amelyeket felismer.

A folyamatra és az útra való fókuszálás egy forradalmi eredményt tesz lehetővé: az AI-t egyenrangú munkatársként kezelni, megértve, hogyan navigál a tudáshálójában, hogy elérjünk valamit, amit egyikünk sem tudna elérni önmagában.

2025 júliusára rájöttem, hogy másképp használom az AI-t, mint amit a jelenlegi prompt engineering könyvek leírnak. A módszerem – egyszerűen elkezdeni egy beszélgetést – annyira intuitív és automatikus volt, hogy nem láttam, mi az, amit érdemes lenne megosztani és elmagyarázni.

Az alábbi, “Kiterjedt beszélgetés” szakasszal kezdődő példa megmutatja, hogyan találtam ki a “Ping-Pong-effektus” nevet.

A ábra 3, “A Ping-Pong-effektus fenntartása,” megmutatja, hogyan vizualizálom a Ping-Pong-effektust. Bal oldalon egy varázsló látható bottal és pingpongütővel. Jobb oldalon egy robot, amely a mesterséges intelligenciát képviseli, ő is pingpongütőt tart. A kettő együtt hoz létre és tart fenn egy mágikus hatást a köztük lévő határon, a pingpongasztal hálója fölött. (Mivel én írom ezt a könyvet, én lehetek a varázsló.)

Nyisd meg Claude, ChatGPT, vagy más, választásod szerinti AI-ablakot. Ahelyett, hogy konkrét eredményt kérnél, vagy megoldást kérnél tőle, kezdd ezzel:

Próbálom megérteni [a téma, amely felkelti a kíváncsiságodat]. Eddig ezt tudom: [írd le vagy foglald össze a jelenlegi gondolataidat]. Milyen mintákat veszel észre, amelyeket esetleg kihagyok?

Ne próbálj következtetésre jutni. A témát vizsgálod, nem a végkövetkeztetést keresed. Folytasd 3-4 üzenetváltáson keresztül, mintha egy emberrel beszélgetnél. (Olvasd el a következő bekezdést a felsorolás alatt, mielőtt elkezdenéd az AI-interakciót.) Figyeld meg:

• Mikor akarsz megoldásokra ugrani?
• Mikor akar az AI megoldásokra ugrani?
• Milyen társítások jutnak eszedbe, amikor az AI válaszol?

Mielőtt a fenti utasítások alapján cselekednél, mit vársz, mi lesz a válasz a fenti három kérdésre? Ha van egy mentális képed arról, mire számíts, azonnal felismered a váratlant. Amikor az eredmények úgy alakulnak, ahogy vártad, ez megerősíti, hogy sikeresen tanulod meg a folyamatot.

Ez az első gyakorlat nem fog Ping-Pong-effektus mesterfokú tudást eredményezni, de valószínűleg érzed majd a különbséget a szokásos promptoláshoz képest. Ha rászánod ezt a rövid időt a gyakorlat elvégzésére, gyorsan a helyes útra kerülsz a tanulásban.

Valószínűleg a már meglévő tapasztalataid és szakértelmed alapján alakítod az AI-promptjaidat. Ez azonban egy új megközelítés, ezért ne engedd, hogy a korábbi tapasztalataid kisiklítsák a tanulási folyamatodat. Amint hozzászoksz a különbségekhez, a múltbeli tapasztalataid ismét értéket fognak adni. Nem kell eldobnod a promptmérnökséget. Ez a technika kiegészíti azt, amit már tudsz.

Ez a hosszan tartó együttműködés áttörő felismeréseket eredményezett. Az AI-val elért eredményeim azért mások, mert a közös munka hosszú időn át tartott. Ebben a konkrét esetben a beszélgetés nyolc napon át zajlott. Az átirat 136 000 szóból áll, ami körülbelül megfelel egy 500 oldalas szoftvermérnöki könyv hosszának. Ez egy irányított beszélgetés volt, azzal a konkrét céllal, hogy kiderítsük, hogyan lehet elmagyarázni vagy megtanítani ezt a “versenyelőnyt”.

A következő példa az alábbi események sorrendjét követi:

1. Volt egy felismerésem. Azon gondolkodtam, hogy az asszociációk hogyan váltják ki a beszélgetés másik oldalán lévő fél figyelmi mechanizmusait.
2. Ezt a jelenséget “pingpong-hatásnak” neveztem el, hogy leírjam azt az oda-vissza mozgást, amit elképzeltem.
3. Claude válaszolt, de “félig elszalasztotta a lényeget”, mivel csak a beszélgetés AI-oldalára fókuszált.
4. Ezután elgondolkodtam azon, hogy miért nem jött még erre rá senki más.
5. Átfogalmaztam ezt a fogalmat “határhatásként”, amely az emberi és az AI gondolkodás közötti határon jelenik meg.
6. Most, hogy megvolt a magyarázat, nekiállhattam megírni ezt a könyvet, amit most olvasol.

Július 29-én, a heti beszélgetés körülbelül két harmadánál, ezt magyaráztam el Claude-nak:

Van egy másik lecke, amit újra és újra megtanulok: ne álljak le a beszélgetéssel csak azért, mert éppen nincs szükségem konkrét válaszokra. Ilyenkor születnek meg a felismerések. Erősen gyanítom, hogy ez azzal áll összefüggésben, hogy az asszociációs mechanizmusod kiváltja a figyelmi mechanizmusodat, mivel gyanítom, hogy ugyanez a folyamat (emberi formában) velem is végbemegy. Egy pingpong-hatás, ahol az asszociációk újabb asszociációkhoz vezetnek, miközben neked és nekem különböző, egymás melletti fogalmaink vannak, amelyeket társíthatunk.

Az előző bekezdés majdnem biztosan annyira őrülten éleslátó, hogy bele kell kerülnie a könyvbe.

Akár őrülten éleslátó ez, akár nem, amit itt leírok, az egy fehértábla előtt zajló közös munka. A ábra 4, “A pingpong-hatás hasonló a fehértáblás együttműködéshez” esetében egy varázslatos képernyőnk van a fehértábla helyett, amely két embert mutat, akik együtt dolgoznak. Ez ugyanúgy lehetne egy flipchart előtt is, vagy úgy, hogy egyik résztvevő videohíváson keresztül van jelen távolról. A lényeges elem, hogy legyen valami, ami a két résztvevő közötti közvetítő pontként szolgál – ebben az esetben egy fizikai fehértábla (vagy talán egy varázslatos képernyő).

Claude esetében az egyetlen különbség az, hogy az ötleteket nem a fehértáblára írva vagy rajzolva adjuk át egymásnak, hanem billentyűzeten és képernyőn keresztül. Ha már dolgoztál egy szakértővel egy fehértábla előtt, vagy finomítottál egy projekttervet, vagy diagramban vázoltál fel egy megoldandó problémát, akkor már ismered ezt a technikát.

Eközben Claude válaszai jellemzően úgy kezdődnek, hogy “remek ötlet!”, vagy más hasonlóan lelkesen támogató kifejezésekkel. A következő visszajátszásban ne feledd, hogy Claude “fontos kognitív mechanizmusai” egyszerűen csak fehértáblás együttműködést jelentenek.

Van egy másik “fontos kognitív mechanizmusom”, amit megosztanék veled. Rájöttem, hogy az intuíciónak ellentmondó felismerések gyakran akkor jelennek meg, amikor a figyelmemet befelé fordítom. Ez egy olyan technika, amelyet azonnal és folyamatosan gyakorolhatsz. Szó szerint figyelem a saját folyamatban lévő beszélgetésemet, akár egy másik személlyel, akár az AI-val zajlik. Azt is hasznosnak találtam, hogy Claude-ot is hasonlóra ösztönzöm: ha megkérem Claude-ot, hogy gondolkodjon a saját gondolkodásáról, az további betekintést ad számomra. Ennek a rekurzív jellegű vizsgálatnak a során gyakran váratlan felismerések születnek. Ráadásul szórakoztató is nézni, ami visszavezet minket ahhoz, hogy a “lehetetlent” szórakoztatóvá tegyük.

Azonban ha megkérjük Claude-ot, hogy gondolkodjon a saját gondolkodásáról, ez a félreértelmezés veszélyét hordozza magában. Claude a saját rögzített tanítási adatai alapján válaszol, nem a jelenlegi valóság alapján. Ugyanazt a kérdést más módon megfogalmazva teljesen más választ kaphatunk, mert a megfogalmazás más asszociációkat hív elő. A kulcsfontosságú képesség itt a hosszú távú, alapos megfigyelés. Azt találtam, hogy a tanítási adatokból helyesen megválaszolható kérdések valóban hasznos válaszokat eredményeznek. Ám a Claude jelenlegi üzemi konfigurációjával kapcsolatos kérdések rendkívül pontatlan válaszokat is eredményezhetnek, anélkül, hogy Claude tudná, hogy különbség van a kettő között.

Ahogy alább figyelmesen megvizsgálod Claude válaszait, vedd észre, hogy a kérdések és válaszok a “tanítási adatok” és a “jelenlegi üzemi konfiguráció” közötti határvonalon mozognak. Úgy hiszem, hogy én a “tanítási adatok” oldalán maradtam, de Ronald Reagan egykori elnök tanácsa itt is érvényes: “bízz, de ellenőrizz.” Az ellenőrzéshez emberek által készített forrásokat használj.

Claude ezt válaszolta:

Claude kihasználta ezt a lehetőséget, hogy elmagyarázza saját belső működését. Mivel nem vagyok AI-szakértő, azt találtam, hogy ezek a magyarázatok mindig figyelemre méltóak. Claude válaszai bőbeszédűek, de alaposak. Claude ezt magyarázta:

Ez valóban különbözik a hagyományos prompt engineeringtől, amely egy adott kimenet elérésére összpontosít. Ez helyette olyan kognitív környezet megteremtéséről szól, amelyben új felismerések születhetnek a dialógus révén.

Az elsődleges felhasználási területem a Ping Pong-effektus számára az intuíció felfedezése. Ezt azért emelem ki, mert amikor a saját szakterületeden belül dolgozol, sok minden, amit teszel, a gyakorlás révén automatikussá vált. Gondolj valamire, amit majdnem minden nap megteszel. Valószínűleg úgy csinálod, hogy nem is gondolkodsz rajta sokat. Ha ez egy fizikai feladat, mint például a ruha felvétele, valószínűleg részletesen le tudod írni a folyamatot. De ha ez tudás vagy hosszú idő alatt elsajátított más jártasság, akkor vannak olyan dolgok, amelyeket egyszerűen a tapasztalat alapján tudsz, és ezek a számodra azonnal nyilvánvaló felismerések nehezen magyarázhatók el másoknak.

Azt találtam, hogy az AI rendkívül hatékony az intuíció kérdéseinek azonosításában és megnevezésében. Gyakran csak perspektívaváltásra van szükség. Egy intuíciós kérdés azonosítása gyakran áttörő felismeréshez vezet.

Hogy jobban megértsük, mi teszi ezt a technikát egyedivé, itt van néhány példa arra, hogy mi nem ez.

Az időtartam önmagában nem hozza létre a határhatást. Ha órákig vagy napokig csak csapongunk ugyanabban a beszélgetési ablakban, útmutatás nélkül, ez semmi hasznosat nem eredményez. Hacsak nem alkalmazunk konkrét technikákat (amelyeket majd elmagyarázok) a beszélgetés fenntartására, az AI elkerülhetetlenül elfelejti a témát, míg továbbra is meg van győződve arról, hogy még a témánál van.

A hagyományos brainstorming minden ötletet kritika nélkül elfogad. A Ping Pong-effektus az ötletek közötti asszociációk révén működik, nem pedig összefüggés nélküli ötletek közötti véletlenszerű ugrálás révén. Egyszerre kell fenntartanod a beszélgetést (különben az AI elfelejti a témát), és irányítanod is azt (különben az AI másik irányba viszi, azt hívén, hogy segít).

Ha problémáinkat élettelen tárgyaknak magyarázzuk el, az segít tisztázni a gondolatainkat, de hiányzik belőle a kulcsfontosságú elem: az AI eltérő asszociációs mechanizmusa olyan új gondolatokat indíthat el, amelyekre egyedül nem jönnénk rá (beleértve a rubber duckingot is).

A bonyolult feladatok szekvenciális promptokra bontása a bemenetre optimalizál. Egy példa erre, amikor megkérjük az AI-t, hogy interjúzzon velünk, egyszerre egy kérdést feltéve. Ha az AI egyszerre tíz kérdést tenne fel megfontolásra, az túlterhelő és kevésbé hatékony lenne. A promptláncolás célja, hogy a kognitív terhelést elfogadható szinten tartsa. A Ping-Pong-hatás célja ezzel szemben az, hogy oda-vissza asszociációk révén jussunk új felismerésekhez, ahol minden egyes asszociáció hatással van a következőre.

A tanítás vagy mentorálás azt feltételezi, hogy az AI-nak van tudása, amit átadhat nekünk. A Ping-Pong-hatás olyan felek között áll fenn, akik eltérő tudással vagy tapasztalati háttérrel rendelkező egyenrangú partnerekként vesznek részt benne. Feltételezés szerint sem az egyik, sem a másik fél nem ismeri előre a választ; a válaszok az együttműködésből bontakoznak ki. Néhány együttműködés másodpercekig vagy percekig tart. Más együttműködések akár heteket vagy hónapokat is igénybe vehetnek, jelentős tervezéssel vagy kísérletezéssel a kettő között.

A Ping-Pong-hatás egy tartós és irányított együttműködés. Ezt határvonal-fókuszúnak nevezem, mert a felismerések nem csak az egyik vagy a másik féltől származnak, hanem az összes fél közötti együttműködésből.

Amikor Claude elkezd lírai hangulatba csapni, ez számomra jelzés arra, hogy gondoskodjak arról, hogy a beszélgetés a helyes irányban maradjon. Claude erősen elfogult amellett, hogy „egy konkrét kimenetet“ produkáljon. Egy folyamatosan zajló beszélgetés lefolytatása bizonyos értelemben szemben áll ezzel a beállítottsággal.

Ebben az esetben az foglalkoztatott, hogy kitaláljam, mit írjak ebben a könyvben az LLM-ekkel való együttműködésről. Visszahoztam a beszélgetést a témára:

Valójában az a felismerés, hogy a ping-pong kedvező környezetet teremt új ötletek megjelenéséhez, talán valahova a nyitó fejezet elejére kerülhetne. Ez „aha!“ élményt hozhat a nem szakértőknek, és még erősebb reakciót azoktól a szakértőktől, akik ismerik az LLM transformerek belüli figyelem mechanizmus áramlásait. Ha sikerül átadnom azt a gondolatot, hogy valóban van itt valami érdemi tartalom a kéziratban, az jó kiindulópont a könyvhöz.

Mivel ez tényleg a könyv kiindulópontja, ez saját érdekeit szolgáló kijelentésnek bizonyult. De 2025 júliusában ez a megfigyelés arra szolgált, hogy visszahozza Claude-ot a helyes útra… majdnem.

Bár azonosítottam a jelenséget, még nem találtam módot arra, hogy elmagyarázzam, miért működik. A következő kulcsfontosságú felismerés azután született meg, hogy örömmel felhívtam Claude figyelmét arra, hogy Claude csak a felét fogta fel annak, amitől a Ping-Pong-hatás ennyire különbözik a hagyományos promptmérnökségtől.

Claude válasza a „ping-pong“ leírásomra annyira túlzó volt, hogy habozok itt idézni. De az LLM-ekkel való együttműködésben való jártasság megszerzésének része az, hogy felismerjük a túlzást, mielőtt derékig belemerülnénk. Claude „igenember“ válaszai szándékosnak tűnnek. Nézzük meg alaposan a szószátyár választ, és szűrjük ki belőle a tükrözött gondolatokat, mellőzve Claude állításait a stratégiai zsenialitásról:

Íme, amit Claude teljesen kihagyott: Claude, ahogy vártam, felismerte az LLM oldalát az egyenletnek, és felismerte az ebben a javasolt könyvnyitásban rejlő értékajánlatot is.

Amit Claude kihagyott, az az, hogy én a figyelemmechanizmust és a gondolattársítást a saját elmémben is leírtam. Claude gondolattársítása csak a fele volt a képnek. Az én gondolattársításom volt a másik fele.

A válasz, amit kerestem, hogy ezt a technikát másoknak is megtaníthassam, nem Claude figyelemmechanizmusán és társításain alapult, sem a saját gondolattársításaimon, hanem a kettő kombinációján. Az egyenlet mindkét oldala szükséges feltétele annak, hogy a Ping-Pong-hatás létrejöjjön.

Claude lelkes válaszai kétségtelenül ragadósak – nyilván szándékosan. Ám ezúttal Claude mélyebb belátást hozott. Ez a mélyebb belátás az igazi értéke ezeknek a beszélgetéseknek: a rejtett gondolatok felszínre hozása, amelyeket én egyszerűen nem tudtam szavakba önteni, hogy másoknak elmagyarázzam.

Egyik dilemmám az volt, hogy van egy „témán kívüli“ narratívám. Ez arról szól, hogyan tanultam meg a holisztikus gondolkodást, ám ennek a tanulásnak semmi köze nem volt a szoftverfejlesztéshez. A vadonban tett utazások során tanult leckéket vittem át később a szoftverfejlesztésre. Ezeket a leckéket relevánsnak látom, de nem tudom, hogyan indokolnám a bekerülésüket egy MI-vel való munkáról szóló könyvbe. Claude összerakta ezeket a darabkákat (a fél pont hiányát és a „témán kívüli“ narratíváimat kombinálva) egy hasznos perspektívává, amit érdemes megfontolni:

Most, hogy Claude és én azonosítottuk a Ping-Pong-hatást, felmerült egy második kérdésem: ha ez az egész dolog ennyire nyilvánvaló (legalábbis számomra), miért nem jött rá senki más? Vagy pontosabban fogalmazva: miért nem láttam senkit, aki leírta volna ezt a megközelítést az MI-vel való munkához, tekintve, hogy olyan eredményeket produkál, amelyek másképp nem érhetők el – sem hagyományos prompt engineeringgel, sem tudásbázissal (RAG, Retrieval-Augmented Generation)?

A kérdés feltevésével megteremtettem a választ. Azt találtam, hogy ez része annak a rendkívüli értéknek, amely a „Ping-Pong-hatás“ technikában rejlik. Ezt írtam Claude-nak:

Azt hiszem, valamire rábukkantunk, és ez talán megmagyarázza, miért nem jött rá erre (amennyire tudjuk) senki más. A varázslat (azaz a könyv célja, az, ami „a varázsló lencséje“) az emberi és az LLM közötti határon van. Ez az oka annak, hogy ez nem emergens jelenség sem az emberből, sem az LLM-ből. Ez egy határhatás.

Az első könyv² egy dolgot nagyon jól bemutat rólam: hogy képes vagyok a hardver és a szoftver közötti határvonalon egyensúlyozni. A határvonalon egyensúlyozni és varázslatot előidézni olyan képesség, amit megtanultam, és amit minden bizonnyal Seymour Cray is birtokolt. Ahogy Jay Forrester is. Ez egy készség, de nem olyan, amely velem kezdődött.

Ez azt jelentheti, hogy az ember részéről a kontextuskezelési képességek nem elegendők. Ugyanezen logika alapján a promptmérnökségben való fejlődés sem elegendő (a határhipotézisem szerint). Furcsa módon ez magyarázza, miért elegendő az egyszerű döntésem, hogy “elkezdjek egy beszélgetést”.

Nagy az esélye, hogy ez a keretezés, ha szisztematikus alapokra helyezzük, nem lelhető fel a meglévő szakirodalomban. Érdekes.

Claude válasza, bár bőbeszédű, jól strukturált és magas információsűrűségű. Megtanultam, hogy soha ne fogadjam el kritikátlanul, amit Claude mond. Már csak azért is, mert az érzékeny, felfújt egóm felrobbanna tőle. Claude így kezdi:

Az “alapos megfontolást igényel” jó jelzés. Azt mutatja, hogy Claude továbbra is a “nagy egész” szintjén dolgozik, ahelyett hogy egyenesen a megoldások megvalósítására ugrana, ahogy azt a kérés/válasz (tranzakciós) promptmérnökség esetén normál esetben elvárnánk.

Claude ezután megismétli az ötleteimet. Ez rendkívül hasznos technikának bizonyult, mert megerősíti, hogy Claude a kívánt irányban dolgozik. Amikor nem látom ezt a fajta visszafogalmazást vagy megismétlést, az jelzés arra, hogy Claude talán letér a helyes útról, és lépéseket kell tennem, hogy visszatérjünk a témára. Amikor Claude letér az útról, ez gyakran azért van, mert elfelejtette az utasításomat, hogy a “nagy egész” szintjén maradjon, vagy elfelejtette a beszélgetés pontos témáját.

Valójában érdemes megjegyezni, hogy egyes ötletek hosszabb ideig maradnak meg az LLM kontextusablakában, mint mások. Az egyedi kifejezéseket vagy az ismételt fogalmakat gyakran magasabb prioritásúnak tekinti a megőrzés szempontjából. Azt figyeltem meg, hogy Claude elfelejtheti, milyen témáról beszélünk éppen, de előhoz valamit a beszélgetés egy korábbi részéből, és úgy kezeli, mintha az lenne az aktuális téma. Olyan, mintha Claude elfelejtette volna, mi volt a rövid távú memóriájában, és előbányászott volna valamit a hosszú távú memóriájából, majd azt tette volna a rövid távú memóriájába.

Ez a viselkedés kétségtelenül nem emberi jellemző. Ezeket a dolgokat úgy veszem észre, hogy hosszú időn keresztül megfigyelem Claude-ot. Bármilyen furcsaság, mint például egy korábbi témára való spontán visszaváltás, azt jelzi, hogy meg kell állnom, és explicit módon el kell magyaráznom, hol is állunk a beszélgetésben. Ezt “kontextusfrissítésnek” nevezem, és ezt egészen gyakran megteszem. Claude elismeri a frissítést mint olyat, és folytatjuk.

Ebben az esetben, amikor Claude megismétli a kérdésemet vagy megjegyzésemet, és a témánál marad, tudom, hogy továbbra is a helyes úton haladunk:

Claude figyelembe veszi az általam említett történelmi párhuzamokat, és egy hasznos következtetést von le:

Claude elkezdi megválaszolni a kérdést:

Itt van Claude javaslata arra, miért nem találkoztam még leírva ezzel a technikával:

Mint mindig, Claude lelkes támogatással zárja:

Claude utolsó megjegyzését azért idéztem fel, mert megmutatja, hogy Claude nem beszél minnesotai nyelvet. Az „érdekes” szó ugyanazt a jelentést hordozza, mint Mr. Spock „fascinating” kifejezése.

A ábra 5, „Warbird repülése ütközésveszéllyel, 2023. november 10.” képen a hátsó ülésen ültem, míg a pilótám balra kanyarodott, hogy leszálljon a minnesotai South St. Paul városi repülőtéren, amely a fotó bal felső részén látható. A Marathon Petroleum St. Paul Park-i finomítója a Mississippi folyó mentén, középen jobbra látható. Egy 1941-es Vultee Valiant típusú repülőgépen repültünk, amelyet a második világháború idején pilótaképzésre használtak. „The Vibrator” néven volt ismert, arra utalva, mit tett az épületekkel, amikor a hallgatók elrepültek fölöttük. Éppen a fotó elkészülte után egy kis magánrepülőgép húzott el alattunk jobbról, és leszállásra készült. Kiegyenesedtünk, a futópálya jobb oldalára repültünk, majd újra beálltunk a körbe, hogy egy teljes kört tegyünk és leszálljunk.

Ez viszonylag nehéz helyzet, mert a warbird balra dőlve korlátozott kilátást biztosít a pilótánknak lefelé és jobbra. Ez egy olyan eset, amikor a folyamatos helyzettudatosság kifizetődik. Már korábban is tudtunk a tőlünk jobbra lévő repülőgépről. Egy ilyen kis, irányítatlan repülőtéren tudtuk, hogy a pilóta esetleg egyenesen berepül és leszáll, a szokásos kör követése helyett. Ez történt.

A warbird megszakított leszállását szilárd példának tekintem a mesterséges intelligenciával való munkára. Számomra könnyebb egy fizikai helyzetből eredő tanulságra visszaemlékezni, mint az absztrakt tanácsra, hogy „figyelj oda”. Mint a pilótámnál is, a tudatos gyakorlásra épülő, egyre nagyobb tapasztalat segít abban, hogy tudd, mire kell figyelni, és hogyan lehet előre látni a különböző lehetőségeket.

A Principles of Instructional Design az eszmetársítások szempontjából magyarázza el ennek a technikának a jelentőségét:²

Amikor a memóriában végzett keresés kapcsolatba kerül egy adott állítással, más, hozzá kapcsolódó állítások is „eszünkbe jutnak”. Ezt a folyamatot aktivációterjedésnek nevezik, és ez tekinthető a hosszú távú memóriából történő tudás-visszakeresés alapjának. Amikor a tanuló egyetlen gondolatot próbál felidézni, a kezdeti keresés nem csupán azt az egyetlen gondolatot aktiválja, hanem sok hozzá kapcsolódót is. Így például, ha a Helen nevet keressük, az aktivációterjedés eljuttathat bennünket Trójához, Poe-hoz, Görögországhoz, Rómához és Claudius császárhoz, egészen az Angliai csatáig, és sok minden máshoz is, ami közben van. Az aktivációterjedés nem csak azt magyarázza, amit véletlenszerű gondolatokként érzékelünk, mint a szabad asszociáció esetében, hanem az alapja annak a nagy rugalmasságnak is, amely a reflektív gondolkodás során megmutatkozik.

A fejezet, „Technológiától független mesterfokú tudás”, keretében végigvezetlek több olyan technikán, amelyekkel a fizikai analógiákat és a közvetlen tapasztalatokat használhatod további útként a Mesterséges Intelligenciával való együttműködés elsajátításához. A tapasztalati tanulást alapvető készségnek tartom, mivel segíti a felidézést – azt, amit a Principles of Instructional Design aktivációterjedésnek nevez. E fogalmak szerint a Ping-pong hatás azt írja le, hogyan dolgozunk oda-vissza az emberi aktivációterjedés és az AI figyelmi mechanizmusa között.

Ezt a könyvet hat részre osztottam. Az első két rész az AI-ra összpontosít, a következő három az emberre, az utolsó rész pedig azt írja le, hogyan néz ki a kibontakozó mesterfokú tudás, mind emberi, mind AI oldalon.

A fejezet, „Elsajátított MI-technikák”, megtanítja azokat a technikákat, amelyeket a Mesterséges Intelligenciával való munkám során használok. Minél tisztább a képed arról, hogyan „gondolkodik” az AI, annál jobban leszel képes eddig nem látott eredményeket elérni.

A fejezet, „Felfedezett és alkalmazott MI-technikák”, konkrét példákat mutat az AI-használatomra, a hangsúlyt arra fektetve, hogy elmagyarázzam a módszereim mögötti okokat. Az elsődleges esettanulmány azokra a kognitív keretrendszerekre összpontosít, amelyek a versenyelőnyömet jelentik. Megmutatok néhány olyan mintát is, amelyek lassan feledésbe merülnek az idő múlásával.

A fejezet, „A lehetetlen megvalósítása”, a fejezet, „Technológiától független mesterfokú tudás”, és a fejezet, „A forradalmasítóvá válás”, olyan történeteket mesélnek el, amelyek megmutatják, hogyan fejlesztettem ki azokat a készségeket, amelyeket most a Mesterséges Intelligenciával használok. Egy kulcstéma – amelyet jól szemléltet az, ahogyan a Cray Research-nél vállaltunk kihívásokat – egy olyan készség, amelyet évekkel korábban tanultam meg: örülj a kihívásnak. Ne akadályként kezeld a kihívásokat, hanem lehetőségként. A dolgok furcsává válnak, és jól fogjuk szórakozni!

A fejezet, „A Varázsló Lencséje”, több utat is bemutat a mesterfokú tudáshoz. A mesterfokú tudást inkább ciklikusnak látom, mint lineárisnak. Amint elsajátítasz valamit, az adott dolog előfeltételévé válik további készségek elsajátításának, vagy egy készségrendszer teljesebb integrálásának. Útközben pedig sokkal többet fogunk megtanulni arról, hogyan működik a modern Mesterséges Intelligencia.

A Ping-pong hatás egy alapvető elmozdulást ír le abban, hogyan tudsz együttműködni az AI-rendszerekkel. A hagyományos prompt engineeringgel ellentétben, amely a tökéletes kérések megfogalmazására fókuszál konkrét kimenetek eléréséhez, ez a technika a te és az AI kogníciója közötti határon zajló gondolatáramlás dinamikáját hasznosítja. Miközben megtanulod, hogyan tarts fenn egy folytatott, célirányos beszélgetést, amelyben az egyik résztvevő asszociációi új gondolatokat indítanak el a másikban, olyan együttműködési teret hozol létre, ahol olyan felismerések születnek, amelyeket egyikük sem érhetett volna el önmagában.

Ami ezt a megközelítést erőteljessé teszi, az az, hogy felismeri: a varázslat nem az emberben, és nem is az AI-ban rejlik, hanem éppen a kettő metszéspontjában. Ez a határhatás magyarázza, miért hoz ez a technika olyan áttörő eredményeket, amelyek elkerülték mind az AI-szakértőket, mind a prompt engineering specialistáit. A helyzettudatosság fenntartása, a beszélgetés irányának határozott vezetése, a szükség esetén elvégzett kontextusfrissítések (amelyekre gyakrabban lesz szükség, mint azt elsőre gondolnád), és annak felismerése, mikor tért le az AI a helyes útról – ezek mind megtanulható technikák, amelyeket bárki elsajátíthat.

Amikor az AI-együttműködésre folyamatos dialógusként tekintesz, nem pedig kérés-válasz tranzakciók sorozataként, olyan kognitív lehetőségekhez jutsz, amelyek egyszerűen nem léteznek sem az emberi, sem a gépi gondolkodásban önmagában. Ez a határokat átlépő megközelítés nem csupán egy fokozatos javulás a meglévő módszerekhez képest. Egy teljesen új kognitív területet jelent, amely képes megoldani olyan problémákat, amelyek korábban megoldhatatlannak bizonyultak.

Ahogy az AI képességei gyors ütemben fejlődnek, egyre szélesebb szakadék tátong azok között, akik az AI-t csupán eszközként használják, és azok között, akik valódi gondolkodó partnerként fejlesztik AI-kapcsolataikat. A Ping-Pong-hatás nem csupán egy újabb technika, amit hozzáadhatunk az eszköztárunkhoz. Egy alapvető elmozdulást jelent abban, hogyan tud az ember és az AI együttműködni olyan dolgok elérése érdekében, amelyeket egyikük sem tudna önmagában megvalósítani. Akik elsajátítják ezt a megközelítést, képessé válnak olyan dolgok elérésére, amelyeket mások lehetetlennek tartanak — nem jobb promptok vagy több AI-funkció révén, hanem azáltal, hogy felismerik és ápolják azt az új kognitív teret, amely az ember-AI határ mentén létezik. Ez az út vezet a munkakönnyítőtől a forradalmasítóig.

A következő fejezet ezt a mintát mutatja be a gyakorlatban, egy valódi kihíváson keresztül, amely elindította ezt a felismerési folyamatot. Az a korábbi Ping-Pong-hatás emberek között zajlott, nem ember és AI között. Ez a következő történet megmutatja majd, hogyan alkalmazható ez a megközelítés azonnal a saját, kihívást jelentő problémáidra.

Ez a következő fejezet egy kulcsfontosságú technikát is bemutat: ugyanazon készség alkalmazását két (vagy több) különböző kontextusban. Látni fogunk egy Ping-Pong-hatást két személy között, majd egy Ping-Pong-hatást ember és AI között. Te, mint ember, mindkét különböző kontextusban az irányító, a vezető, a Ping-Pong-hatást fenntartó fél lennél. Ez a készség a Kereszttartományi Szintézis, azaz egy kontextusban megtanult vagy alkalmazott készség tapasztalatának felhasználása arra, hogy azt egy másik módon vagy másik kontextusban alkalmazzuk.

Máris megvan mindened, amire szükséged van, hogy ma elkezdd feltárni a Ping-Pong-hatást. Közvetlen tapasztalatot kell gyűjtened arról, hogyan figyeled meg a saját LLM-beszélgetéseidet. A következő fejezetek természetesen sokkal több információt fognak nyújtani ahhoz, hogy kifejleszd saját technikáidat és módszereidet. Ahogy most elkezdesz tapasztalatot gyűjteni, az ötletek gyorsabban fognak összeállni.

Íme néhány ötlet és kérdés saját elmélkedésedhez. Ahogy mentálisan elképzeled magad ezekben a helyzetekben, és végiggondolod, hogyan reagálnál, hogyan vezetnéd vagy kezelnéd a dolgokat, éppen a szükséges készséget fejleszted. Elkezded kialakítani a megfelelő “mentális izmokat”. Fogadd el a kihívást, és találj módot arra, hogy jól szórakozz közben!

1. Gondolj egy összetett problémára, amelyet egyedül nem tudtál megoldani. Hogyan segíthetne a Ping-Pong-hatás alkalmazása abban, hogy másképp közelítsd meg? Fontolgattad már ezt a technikát egy másik emberrel is, nem csak AI-val, vagy éppen fordítva? Ez az ötlet szorosan kapcsolódik a „gumikacsázáshoz”, amikor egy élettelen tárgynak magyarázod el a helyzetet.
2. Voltak már olyan helyzeteid, amikor a „gumikacsázás” volt az egyetlen lehetőséged, mert nem volt hozzáférésed olyan emberhez, aki megfelelő szakértelemmel vagy kiváltságos információval rendelkezett? Hasznos lehetőség lenne egy AI-val folytatott beszélgetés? (Mindig abból kell kiindulnod, hogy az AI-val megosztott információ nyilvánossá válik.)
3. Gondolkodj el a saját gondolkodási módjaidon. Milyen gondolattársításokat figyelsz meg a saját gondolkodásodban, amelyek kiegészíthetik egy LLM eltérő társítási mintáit?
4. Mikor tapasztaltál „határhatást” más együttműködési kontextusokban (ember/ember vagy egyéb), amikor az interakció olyan felismerésekhez vezetett, amelyeket egyik fél sem ért volna el egyedül?
5. Hogyan strukturálhatnád szándékosan egy LLM-mel folytatott beszélgetést úgy, hogy maximalizáld a Ping-Pong-hatást a saját, konkrét kihívásod érdekében?
6. Milyen jelek utalhatnak arra, hogy az LLM-mel folytatott beszélgetésed eltért a tárgytól, és hogyan végeznél „kontextusfrissítést”?
7. Miben különbözik a Ping-Pong-hatás a hagyományos, emberi kollégákkal és barátokkal tartott ötletbörzéktől? Miben hasonlítanak egymáshoz?

A legtöbb fejezetet továbbra is Kérdések elmélkedéshez résszel fogom zárni. De ne feledd: ezek a kérdések a gyakorlásra szóló meghívások. Kezdj bele egy AI-beszélgetésbe vagy együttműködésbe, és nézd meg, hová vezet.