ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ

ਜੋ “ਅਸੰਭਵ” ਕੰਮ ਤੁਸੀਂ ਪਾਠ ਵਿੱਚ ਪੂਰਾ ਕੀਤਾ, ਉਹ ਇੱਕ ਖਾਸ ਵਿਧੀ ਰਾਹੀਂ ਹੋਇਆ ਜਿਸਨੂੰ ਮੈਂ ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਕਹਿੰਦਾ ਹਾਂ, ਅਤੇ ਇਹ ਸਮਝਣਾ ਕਿ ਇਹ ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ, AI ਨਾਲ ਤੁਸੀਂ ਕੀ ਹਾਸਲ ਕਰ ਸਕਦੇ ਹੋ, ਇਸਨੂੰ ਬਦਲ ਦਿੰਦਾ ਹੈ। ਪਾਠ ਵਿੱਚ ਤੁਹਾਡਾ ਤਜਰਬਾ ਮੇਰੀ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਨਾਲ ਮਿਲਦਾ ਹੈ। ਆਓ ਮੈਂ ਤੁਹਾਨੂੰ ਦਿਖਾਵਾਂ ਕਿ ਮੈਂ ਇਹ ਪੈਟਰਨ ਕਿਵੇਂ ਲੱਭਿਆ।

ਡਾ. ਜੇ ਫੌਰੈਸਟਰ ਨੇ ਪ੍ਰੋਜੈਕਟ ਵ੍ਹਰਲਵਿੰਡ ਦੀ ਅਗਵਾਈ ਕੀਤੀ, ਵਿਹਾਰਕ ਮੈਗਨੈਟਿਕ ਕੋਰ ਮੈਮੋਰੀ ਵਿਕਸਿਤ ਕੀਤੀ, ਅਤੇ ਸੈਮੀ-ਆਟੋਮੇਟਿਡ ਗ੍ਰਾਊਂਡ ਇਨਵਾਇਰਨਮੈਂਟ ਏਅਰ ਡਿਫੈਂਸ ਸਿਸਟਮ ਬਣਾਇਆ। ਉਸਦਾ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਪੇਪਰ “ਕਾਊਂਟਰਇੰਟੂਇਟਿਵ ਬਿਹੇਵੀਅਰ ਆਫ਼ ਸੋਸ਼ਲ ਸਿਸਟਮਸ” ਸੀ।¹

ਸਹਜ-ਵਿਰੁੱਧ ਸੂਝਾਂ ਅਕਸਰ ਸਭ ਤੋਂ ਕੀਮਤੀ ਸਾਬਤ ਹੁੰਦੀਆਂ ਹਨ। ਜੇ ਸਲਾਹ ਸਹਜ-ਵਿਰੁੱਧ ਨਾ ਹੁੰਦੀ, ਤਾਂ ਤੁਸੀਂ ਸ਼ਾਇਦ ਪਹਿਲਾਂ ਹੀ ਉਸਨੂੰ ਮੰਨ ਰਹੇ ਹੁੰਦੇ। ਇਸ ਅਧਿਆਇ ਦੀਆਂ ਤਕਨੀਕਾਂ ਇਸੇ ਸਿਧਾਂਤ ਦਾ ਲਾਭ ਲੈਂਦੀਆਂ ਹਨ: ਜੋ ਪਿੱਛੇ ਵੱਲ ਲੱਗਦਾ ਹੈ, ਉਹ ਅਕਸਰ ਸਭ ਤੋਂ ਪ੍ਰਭਾਵਸ਼ਾਲੀ ਸਾਬਤ ਹੁੰਦਾ ਹੈ।

ਨੌਂ ਸਾਲਾਂ ਲਈ (ਮੈਂ ਇਹ ਖਰੜਾ 2016 ਵਿੱਚ ਲਿਖਿਆ ਸੀ) ਮੈਨੂੰ ਪਤਾ ਸੀ ਕਿ ਕੁਝ ਗਲਤ ਸੀ। ਮੈਂ ਉਸ ਕਿਤਾਬ ਵਿੱਚ ਅਜਿਹੀ ਅਜੀਬ ਸਮੱਗਰੀ ਸ਼ਾਮਲ ਕੀਤੀ ਸੀ ਜਿਸਨੂੰ ਮੈਂ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜਾਣਦਾ ਸੀ ਕਿ ਮਹੱਤਵਪੂਰਨ ਹੈ ਪਰ ਸਮਝਦਾਰੀ ਨਾਲ ਇਹ ਨਹੀਂ ਸਮਝਾ ਸਕਦਾ ਸੀ ਕਿ ਕਿਉਂ। ਇਸ ਗੱਲ ਦਾ ਸਮਝਾ ਨਾ ਸਕਣਾ ਖੁਦ ਸਮੱਗਰੀ ਨਾਲੋਂ ਵੀ ਜ਼ਿਆਦਾ ਅਜੀਬ ਸੀ! ਪਰ ਹੁਣ ਕਿਤਾਬ ਇੱਕ ਪ੍ਰਕਾਸ਼ਕ ਨਾਲ ਇਕਰਾਰਨਾਮੇ ਹੇਠ ਸੀ, ਅਤੇ ਮੈਨੂੰ ਇਸਦਾ ਹੱਲ ਲੱਭਣਾ ਸੀ।

ਹੋਰ ਕੋਈ ਬਿਹਤਰ ਵਿਚਾਰ ਨਾ ਹੋਣ ਕਾਰਨ, ਮੈਂ Anthropic ਦੇ Claude ਨਾਲ ਗੱਲਬਾਤ ਸ਼ੁਰੂ ਕੀਤੀ।¹ ਮੇਰੇ ਲਈ ਇੱਕ ਕੰਪਿਊਟਰ ਨਾਲ ਇਹ ਕੁਦਰਤੀ ਗੱਲ ਸੀ: ਸਮੱਸਿਆ ਸਮਝਾਉਣਾ ਅਤੇ ਸੰਭਵ ਹੱਲਾਂ ਬਾਰੇ ਚਰਚਾ ਕਰਨੀ, ਜਾਂ ਘੱਟੋ-ਘੱਟ ਇਹ ਸਮਝਾਉਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਨੀ ਕਿ ਮੈਨੂੰ ਇਹ ਮਹੱਤਵਪੂਰਨ ਕਿਉਂ ਲੱਗਦਾ ਸੀ।

Claude ਨੇ ਮੇਰੇ ਨਾਲ ਉਸ ਖਰੜੇ ਨੂੰ ਕਈ ਵਾਰ ਧਿਆਨ ਨਾਲ ਦੇਖਿਆ। ਇਹ ਇੱਕ ਅਜਿਹਾ ਕਾਰਨਾਮਾ ਹੈ ਜੋ 500-ਸਫ਼ੇ ਦੇ ਖਰੜੇ ਨਾਲ ਆਸਾਨੀ ਨਾਲ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ, ਭਾਵੇਂ RAG (ਰੀਟ੍ਰੀਵਲ-ਔਗਮੈਂਟਿਡ ਜਨਰੇਸ਼ਨ) ਤਕਨੀਕਾਂ ਨਾਲ ਵੀ ਨਹੀਂ, ਕਿਉਂਕਿ AI ਦੀ ਮੈਮੋਰੀ (ਟੋਕਨ ਕੰਟੈਕਸਟ) ਦੀਆਂ ਸੀਮਾਵਾਂ ਹੁੰਦੀਆਂ ਹਨ। ਪਰ ਮੈਨੂੰ ਪਤਾ ਨਹੀਂ ਸੀ ਕਿ ਇਹ ਔਖਾ ਹੈ; ਮੇਰੇ ਲਈ ਇਹ ਕੁਦਰਤੀ ਸੀ।

ਇਸ ਵਿੱਚ ਲਗਭਗ ਇੱਕ ਮਹੀਨਾ ਲੱਗਾ, ਪਰ Claude ਅਤੇ ਮੈਂ ਗਾਇਬ ਕੜੀ ਲੱਭ ਲਈ। ਇਹ ਉਹ ਕੜੀ ਸੀ ਜਿਸਦੀ ਪਛਾਣ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਮੈਂ ਨੌਂ ਸਾਲਾਂ ਤੋਂ ਕਰ ਰਿਹਾ ਸੀ। ਮੈਂ ਤੁਹਾਨੂੰ ਪਾਠ, “ਖੋਜੀਆਂ ਅਤੇ ਲਾਗੂ ਕੀਤੀਆਂ ਏਆਈ ਤਕਨੀਕਾਂ” ਵਿੱਚ ਉਹ ਸਹੀ ਪ੍ਰਕਿਰਿਆ ਦਿਖਾਵਾਂਗਾ ਜਿਸਦਾ ਮੈਂ ਪਾਲਣ ਕੀਤਾ।

ਸੰਖੇਪ ਵਿੱਚ, “ਗਾਇਬ ਕੜੀ” ਇਹ ਹੈ ਕਿ ਮੈਂ AI ਨੂੰ ਪਹਿਲਾਂ ਅਸੰਭਵ ਸਮਝੇ ਜਾਂਦੇ ਤਰੀਕਿਆਂ ਨਾਲ ਵਰਤਦਾ ਹਾਂ, ਜਿਸਦੇ ਨਤੀਜੇ ਵਜੋਂ ਮੈਂ ਉਹ ਕੰਮ ਪੂਰੇ ਕਰ ਸਕਦਾ ਹਾਂ ਜਿਨ੍ਹਾਂ ਨੂੰ ਹੋਰ ਲੋਕ ਅਸੰਭਵ ਸਮਝਦੇ ਹਨ, ਜਿਸ ਵਿੱਚ ਸਭ ਤੋਂ ਖਾਸ ਹੈ ਹੇਠ ਲਿਖੀਆਂ ਸਿਰਜਣਾਤਮਕ ਗਤੀਵਿਧੀਆਂ ਨੂੰ ਬਹੁਤ ਤੇਜ਼ ਕਰਨ ਦੀ ਸਮਰੱਥਾ:

• ਰਣਨੀਤਿਕ ਸੋਚ ਜਾਂ ਯੋਜਨਾਬੰਦੀ ਜਿਸਨੂੰ ਮਨੁੱਖੀ ਵਿਚਾਰ ਅਤੇ ਤਜਰਬੇ ਦੀ ਲੋੜ ਹੁੰਦੀ ਹੈ, ਜਾਂ
• ਸਿਰਜਣਾਤਮਕ ਡਿਜ਼ਾਈਨ ਜੋ, ਦੁਬਾਰਾ, ਸਿਰਫ਼ AI ਕੰਮਾਂ ਵਜੋਂ ਨਹੀਂ ਕੀਤਾ ਜਾ ਸਕਦਾ।

ਜੋ ਮੈਂ ਪੇਸ਼ ਕਰ ਰਿਹਾ ਹਾਂ ਉਹ ਬੁਨਿਆਦੀ ਤੌਰ ’ਤੇ ਵੱਖਰਾ ਹੈ: AI ਵਰਤਣ ਦਾ ਇੱਕ ਤਰੀਕਾ ਜੋ ਹੋਰ ਕਿਸੇ ਵੀ ਸਾਧਨ ਰਾਹੀਂ ਅਸੰਭਵ ਪ੍ਰਾਪਤੀਆਂ ਨੂੰ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ। ਕੋਲਡ ਵਾਰ ਕੰਪਿਊਟਿੰਗ ਦੀ ਗੁਪਤ ਦੁਨੀਆ ਵਿੱਚ, ਅਸੀਂ ਉਨ੍ਹਾਂ ਤਕਨੀਕਾਂ ਵਿੱਚ ਫਰਕ ਕਰਦੇ ਸੀ ਜੋ ਸਿਰਫ਼ ਮਿਹਨਤ ਬਚਾਉਂਦੀਆਂ ਸਨ ਅਤੇ ਉਨ੍ਹਾਂ ਵਿੱਚ ਜੋ ਪੂਰੀ ਤਰ੍ਹਾਂ ਨਵੀਆਂ ਸਮਰੱਥਾਵਾਂ ਬਣਾਉਂਦੀਆਂ ਸਨ। ਇਸ ਕਿਤਾਬ ਦੀਆਂ ਤਕਨੀਕਾਂ ਪੱਕੇ ਤੌਰ ’ਤੇ ਦੂਜੀ ਸ਼੍ਰੇਣੀ ਨਾਲ ਸਬੰਧਤ ਹਨ।

ਉਸ ਗਾਇਬ ਕੜੀ ਨੇ ਬਦਲ ਦਿੱਤਾ ਕਿ ਮੈਂ ਅਸੰਭਵ ਸਮੱਸਿਆਵਾਂ ਨਾਲ ਕਿਵੇਂ ਪੇਸ਼ ਆਉਂਦਾ ਹਾਂ। ਉਹ ਤਕਨੀਕਾਂ ਜਿਨ੍ਹਾਂ ਨੇ ਕੋਲਡ ਵਾਰ ਦੌਰਾਨ ਇਨਕਲਾਬੀ ਕੰਪਿਊਟਿੰਗ ਨੂੰ ਸੰਭਵ ਬਣਾਇਆ, ਉਹ ਅੱਜ ਵੀ AI ਸਹਿਯੋਗ ’ਤੇ ਲਾਗੂ ਹੁੰਦੀਆਂ ਹਨ। ਇੱਥੇ ਦੱਸਿਆ ਗਿਆ ਹੈ ਕਿ ਮੈਂ ਉਹ ਸਬੰਧ ਕਿਵੇਂ ਲੱਭਿਆ।

ਜਿਸ ਕਿਤਾਬ ਦਾ ਇਕਰਾਰਨਾਮਾ ਹੋਇਆ ਸੀ, ਉਹ ਇਨਕਲਾਬੀ ਕੰਪਿਊਟਿੰਗ ਯੰਤਰਾਂ ਬਾਰੇ ਸੀ। ਜੋ ਗੱਲ ਗ਼ਾਇਬ ਸੀ, ਉਹ ਸੀ ਸਾਡੇ ਸੋਚਣ ਦੇ ਤਰੀਕੇ, ਨਾ ਕਿ ਕਰਨ ਦੇ ਤਰੀਕੇ। ਅਸੀਂ ਕਦੇ ਸੋਚਿਆ ਹੀ ਨਹੀਂ ਸੀ ਕਿ ਉਨ੍ਹਾਂ ਤਕਨੀਕਾਂ ਨੂੰ ਲਿਖ ਕੇ ਦੱਸੀਏ ਜੋ ਏਨੀਆਂ ਆਮ ਸਨ ਕਿ ਉਹ ਅਦਿੱਖ ਜਿਹੀਆਂ ਜਾਪਦੀਆਂ ਸਨ।

ਕਲਾਊਡ ਨੇ ਸੁਝਾਅ ਦਿੱਤਾ ਕਿ ਕਿਤਾਬ ਨੂੰ ਕਾਲਕ੍ਰਮ ਦੇ ਹਿਸਾਬ ਨਾਲ ਨਹੀਂ, ਸਗੋਂ ਮੁਸ਼ਕਲ ਦੇ ਪੱਧਰ ਦੇ ਹਿਸਾਬ ਨਾਲ ਸੰਗਠਿਤ ਕੀਤਾ ਜਾਵੇ। ਇਸ ਸਾਦੇ ਜਿਹੇ ਬਦਲਾਅ ਨੇ ਪੈਟਰਨ ਨੂੰ ਸਾਹਮਣੇ ਲਿਆ ਦਿੱਤਾ: ਮੈਂ ਦਿਖਾ ਰਿਹਾ ਸੀ ਕਿ ਅਸੀਂ ਵੱਖ-ਵੱਖ ਖੇਤਰਾਂ ਵਿੱਚ ਕਿਵੇਂ ਸਬੰਧ ਬਣਾਉਂਦੇ ਹਾਂ, ਇੱਕ ਖੇਤਰ ਦੀਆਂ ਤਕਨੀਕਾਂ ਨੂੰ ਦੂਜੇ ਖੇਤਰ ਉੱਤੇ ਲਾਗੂ ਕਰਦੇ ਹਾਂ।

ਇਹੀ ਪੈਟਰਨ AI ਨਾਲ ਵੀ ਕੰਮ ਕਰਦਾ ਹੈ। ਬਹੁਤੇ ਲੋਕ ਇਸ ਗੱਲ ਉੱਤੇ ਧਿਆਨ ਦਿੰਦੇ ਹਨ ਕਿ AI ਕੀ ਤਿਆਰ ਕਰਦਾ ਹੈ: ਜਵਾਬ, ਸਮੱਗਰੀ, ਸੰਖੇਪ। ਪਰ ਇਹ ਸੋਚਣਾ ਕਿ AI ਕਿਵੇਂ, ਕਦਮ-ਦਰ-ਕਦਮ, ਨਤੀਜੇ ਪੈਦਾ ਕਰਦਾ ਹੈ, ਕੁਝ ਵੱਖਰੀ ਗੱਲ ਸਾਹਮਣੇ ਲਿਆਉਂਦਾ ਹੈ। ਮੰਜ਼ਿਲ ਨਾਲੋਂ ਸਫ਼ਰ ਜ਼ਿਆਦਾ ਮਹੱਤਵਪੂਰਨ ਹੈ।

ਪਰੰਪਰਾਗਤ ਕੰਪਿਊਟਰਾਂ ਨਾਲ, ਮੈਂ ਪ੍ਰਕਿਰਿਆ ਦੇ ਰਾਹੀਂ ਸੋਚਣਾ ਸਿੱਖਿਆ: ਕਿ ਕੰਪਿਊਟਰ ਹਰ ਕਦਮ ਨੂੰ ਕਿਵੇਂ ਚਲਾਏਗਾ। AI ਨਾਲ ਵੀ ਇਹੀ ਤਰੀਕਾ ਕੰਮ ਕਰਦਾ ਹੈ। ਉਸ ਸਫ਼ਰ ਉੱਤੇ ਧਿਆਨ ਦਿਓ ਜੋ AI ਆਪਣੇ ਡਾਟੇ ਵਿੱਚੋਂ ਲੰਘਦਾ ਹੈ, ਜੋ ਸਬੰਧ ਇਹ ਬਣਾਉਂਦਾ ਹੈ, ਜੋ ਪੈਟਰਨ ਇਹ ਪਛਾਣਦਾ ਹੈ।

ਪ੍ਰਕਿਰਿਆ ਅਤੇ ਸਫ਼ਰ ਉੱਤੇ ਧਿਆਨ ਦੇਣਾ ਇੱਕ ਇਨਕਲਾਬੀ ਨਤੀਜਾ ਸੰਭਵ ਬਣਾਉਂਦਾ ਹੈ: AI ਨੂੰ ਇੱਕ ਬਰਾਬਰ ਦੇ ਸਾਥੀ ਵਾਂਗ ਸਮਝਣਾ, ਇਹ ਸਮਝ ਕੇ ਕਿ ਇਹ ਆਪਣੇ ਗਿਆਨ ਜਾਲ਼ ਵਿੱਚ ਕਿਵੇਂ ਚਲਦਾ ਹੈ, ਤਾਂ ਜੋ ਅਸੀਂ ਉਹ ਕੁਝ ਪ੍ਰਾਪਤ ਕਰ ਸਕੀਏ ਜੋ ਕੋਈ ਵੀ ਇਕੱਲੇ ਹਾਸਲ ਨਹੀਂ ਕਰ ਸਕਦਾ ਸੀ।

ਜੁਲਾਈ 2025 ਤੱਕ, ਮੈਨੂੰ ਇਹ ਅਹਿਸਾਸ ਹੋ ਗਿਆ ਸੀ ਕਿ ਮੈਂ AI ਦੀ ਵਰਤੋਂ ਉਸ ਤਰੀਕੇ ਤੋਂ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਕਰ ਰਿਹਾ ਸੀ, ਜਿਵੇਂ ਕਿ ਪ੍ਰੌਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਬਾਰੇ ਮੌਜੂਦਾ ਕਿਤਾਬਾਂ ਵਿੱਚ ਦੱਸਿਆ ਗਿਆ ਹੈ। ਮੇਰਾ ਤਰੀਕਾ, ਸਿਰਫ਼ ਗੱਲਬਾਤ ਸ਼ੁਰੂ ਕਰਨ ਦਾ, ਏਨਾ ਸੁਭਾਵਿਕ ਅਤੇ ਸਵੈਚਲਿਤ ਸੀ ਕਿ ਮੈਂ ਇਹ ਦੇਖ ਹੀ ਨਹੀਂ ਸਕਿਆ ਕਿ ਇਸ ਵਿੱਚ ਸਾਂਝਾ ਕਰਨ ਅਤੇ ਸਮਝਾਉਣ ਦੇ ਯੋਗ ਕੀ ਸੀ।

ਹੇਠਾਂ “ਲੰਮੀ ਗੱਲਬਾਤ” ਭਾਗ ਨਾਲ ਸ਼ੁਰੂ ਹੋਣ ਵਾਲੀ ਮਿਸਾਲ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਮੈਂ “ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ” ਨਾਮ ਕਿਵੇਂ ਸੋਚਿਆ।

ਚਿੱਤਰ 3, “ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਨੂੰ ਕਾਇਮ ਰੱਖਣਾ,” ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ ਮੈਂ ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਦੀ ਕਲਪਨਾ ਕਿਵੇਂ ਕਰਦਾ ਹਾਂ। ਖੱਬੇ ਪਾਸੇ ਇੱਕ ਜਾਦੂਗਰ ਹੈ ਜਿਸ ਕੋਲ ਛੜੀ ਹੈ ਅਤੇ ਜਿਸ ਨੇ ਪਿੰਗ ਪੌਂਗ ਬੈਟ ਫੜਿਆ ਹੋਇਆ ਹੈ। ਸੱਜੇ ਪਾਸੇ ਇੱਕ ਰੋਬੋਟ ਹੈ ਜੋ ਆਰਟੀਫ਼ੀਸ਼ੀਅਲ ਇੰਟੈਲੀਜੈਂਸ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ, ਜਿਸ ਨੇ ਵੀ ਪਿੰਗ ਪੌਂਗ ਬੈਟ ਫੜਿਆ ਹੋਇਆ ਹੈ। ਦੋਵੇਂ ਮਿਲ ਕੇ ਦੋਵਾਂ ਦੀ ਸੀਮਾ ਉੱਤੇ, ਪਿੰਗ ਪੌਂਗ ਟੇਬਲ ਦੇ ਨੈੱਟ ਦੇ ਉੱਪਰ, ਇੱਕ ਜਾਦੂਈ ਪ੍ਰਭਾਵ ਪੈਦਾ ਕਰ ਰਹੇ ਹਨ ਅਤੇ ਇਸਨੂੰ ਕਾਇਮ ਰੱਖ ਰਹੇ ਹਨ। (ਕਿਉਂਕਿ ਇਹ ਕਿਤਾਬ ਮੈਂ ਲਿਖ ਰਿਹਾ ਹਾਂ, ਇਸ ਲਈ ਜਾਦੂਗਰ ਬਣਨ ਦਾ ਮੌਕਾ ਮੈਨੂੰ ਮਿਲਦਾ ਹੈ।)

ਕਲਾਊਡ, ChatGPT, ਜਾਂ ਤੁਹਾਡੀ ਪਸੰਦ ਦੀ ਕੋਈ ਹੋਰ AI ਵਿੰਡੋ ਖੋਲ੍ਹੋ। ਕਿਸੇ ਖ਼ਾਸ ਨਤੀਜੇ ਦੀ ਮੰਗ ਕਰਨ, ਜਾਂ ਕੁਝ ਹੱਲ ਕਰਵਾਉਣ ਦੀ ਬਜਾਏ, ਇਸ ਨਾਲ ਸ਼ੁਰੂ ਕਰੋ:

ਮੈਂ [ਉਹ ਵਿਸ਼ਾ ਜਿਸ ਬਾਰੇ ਤੁਸੀਂ ਉਤਸੁਕ ਹੋ] ਨੂੰ ਸਮਝਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰ ਰਿਹਾ/ਰਹੀ ਹਾਂ। ਹੁਣ ਤੱਕ ਮੈਂ ਜੋ ਜਾਣਦਾ/ਜਾਣਦੀ ਹਾਂ, ਉਹ ਇਹ ਹੈ: [ਆਪਣੀ ਮੌਜੂਦਾ ਸੋਚ ਬਿਆਨ ਕਰੋ ਜਾਂ ਸੰਖੇਪ ਦਿਓ]। ਤੁਸੀਂ ਕਿਹੜੇ ਪੈਟਰਨ ਦੇਖਦੇ ਹੋ ਜੋ ਸ਼ਾਇਦ ਮੇਰੇ ਤੋਂ ਛੁੱਟ ਰਹੇ ਹੋਣ?

ਕਿਸੇ ਨਤੀਜੇ ’ਤੇ ਪਹੁੰਚਣ ਦੀ ਕੋਸ਼ਿਸ਼ ਨਾ ਕਰੋ। ਤੁਸੀਂ ਵਿਸ਼ੇ ਦੀ ਖੋਜ ਕਰ ਰਹੇ ਹੋ। 3-4 ਵਾਰੀਆਂ ਤੱਕ ਇਸ ਤਰ੍ਹਾਂ ਜਾਰੀ ਰੱਖੋ ਜਿਵੇਂ ਤੁਸੀਂ ਕਿਸੇ ਵਿਅਕਤੀ ਨਾਲ ਗੱਲਬਾਤ ਕਰ ਰਹੇ ਹੋ। (ਆਪਣੀ AI ਨਾਲ ਗੱਲਬਾਤ ਸ਼ੁਰੂ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ ਬੁਲੇਟ ਸੂਚੀ ਦੇ ਹੇਠਾਂ ਦਿੱਤਾ ਅਗਲਾ ਪੈਰਾ ਪੜ੍ਹੋ।) ਧਿਆਨ ਦਿਓ:

• ਤੁਸੀਂ ਕਦੋਂ ਹੱਲ ’ਤੇ ਛੇਤੀ ਪਹੁੰਚਣਾ ਚਾਹੁੰਦੇ ਹੋ?
• AI ਕਦੋਂ ਹੱਲ ’ਤੇ ਛੇਤੀ ਪਹੁੰਚਣਾ ਚਾਹੁੰਦਾ ਹੈ?
• ਜਦੋਂ AI ਜਵਾਬ ਦਿੰਦਾ ਹੈ ਤਾਂ ਤੁਹਾਡੇ ਮਨ ਵਿੱਚ ਕਿਹੜੇ ਸਬੰਧ ਉੱਭਰਦੇ ਹਨ?

ਉਪਰੋਕਤ ਹਦਾਇਤਾਂ ’ਤੇ ਅਮਲ ਕਰਨ ਤੋਂ ਪਹਿਲਾਂ, ਤੁਹਾਨੂੰ ਕੀ ਲੱਗਦਾ ਹੈ ਕਿ ਉਪਰੋਕਤ ਤਿੰਨ ਸਵਾਲਾਂ ਦੇ ਜਵਾਬ ਕੀ ਹੋਣਗੇ? ਜਦੋਂ ਤੁਹਾਡੇ ਮਨ ਵਿੱਚ ਇਹ ਤਸਵੀਰ ਬਣ ਜਾਵੇ ਕਿ ਕੀ ਉਮੀਦ ਕਰਨੀ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਤੁਰੰਤ ਅਣ-ਉਮੀਦੀ ਗੱਲ ਨੂੰ ਪਛਾਣ ਲਵੋਗੇ। ਜਦੋਂ ਨਤੀਜੇ ਤੁਹਾਡੀ ਉਮੀਦ ਮੁਤਾਬਕ ਹੀ ਆਉਂਦੇ ਹਨ, ਤਾਂ ਇਹ ਪੁਸ਼ਟੀ ਕਰਦਾ ਹੈ ਕਿ ਤੁਸੀਂ ਸਫ਼ਲਤਾਪੂਰਵਕ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਿੱਖ ਰਹੇ ਹੋ।

ਇਹ ਪਹਿਲਾ ਅਭਿਆਸ ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਵਿੱਚ ਮੁਹਾਰਤ ਪੈਦਾ ਨਹੀਂ ਕਰੇਗਾ, ਪਰ ਤੁਸੀਂ ਸ਼ਾਇਦ ਆਮ ਪ੍ਰੌਂਪਟਿੰਗ ਤੋਂ ਫ਼ਰਕ ਮਹਿਸੂਸ ਕਰੋਗੇ। ਇਸ ਅਭਿਆਸ ਨੂੰ ਚਲਾਉਣ ਲਈ ਥੋੜ੍ਹਾ ਸਮਾਂ ਕੱਢਣਾ ਤੁਹਾਨੂੰ ਛੇਤੀ ਹੀ ਸਿੱਖਣ ਦੇ ਸਹੀ ਰਸਤੇ ’ਤੇ ਪਾ ਦੇਵੇਗਾ।

ਤੁਸੀਂ ਆਪਣੇ ਪਹਿਲਾਂ ਤੋਂ ਮੌਜੂਦ ਤਜਰਬੇ ਅਤੇ ਮੁਹਾਰਤ ਦੇ ਆਧਾਰ ’ਤੇ ਆਪਣੇ AI ਪ੍ਰੌਮਪਟ ਤਿਆਰ ਕਰ ਸਕਦੇ ਹੋ। ਇਹ ਇੱਕ ਨਵਾਂ ਤਰੀਕਾ ਹੈ, ਇਸ ਲਈ ਆਪਣੇ ਮੌਜੂਦਾ ਤਜਰਬੇ ਨੂੰ ਆਪਣੀ ਸਿੱਖਣ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਪਟੜੀ ਤੋਂ ਲਾਹੁਣ ਨਾ ਦਿਓ। ਜਿਵੇਂ-ਜਿਵੇਂ ਤੁਸੀਂ ਇਹਨਾਂ ਫਰਕਾਂ ਨਾਲ ਸਹਿਜ ਹੋਵੋਗੇ, ਤੁਹਾਡਾ ਪਿਛਲਾ ਤਜਰਬਾ ਕੀਮਤੀ ਸਾਬਤ ਹੋਵੇਗਾ। ਤੁਹਾਨੂੰ ਪ੍ਰੌਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਨੂੰ ਤਿਆਗਣ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਇਹ ਤਕਨੀਕ ਉਸ ਤੋਂ ਇਲਾਵਾ ਹੈ ਜੋ ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਜਾਣਦੇ ਹੋ।

ਇਸ ਲੰਮੇ ਸਹਿਯੋਗ ਨੇ ਬਹੁਤ ਵੱਡੀਆਂ ਸੂਝਾਂ ਪੈਦਾ ਕੀਤੀਆਂ। ਮੇਰੇ AI ਨਤੀਜੇ ਇਸ ਸਹਿਯੋਗ ਦੀ ਲੰਮੀ ਪ੍ਰਕਿਰਤੀ ਦੇ ਕਾਰਨ ਵੱਖਰੇ ਹਨ। ਇਸ ਖਾਸ ਉਦਾਹਰਣ ਵਿੱਚ, ਗੱਲਬਾਤ ਅੱਠ ਦਿਨਾਂ ਦੇ ਸਮੇਂ ਵਿੱਚ ਹੋਈ। ਗੱਲਬਾਤ ਦੀ ਟ੍ਰਾਂਸਕ੍ਰਿਪਟ 136,000 ਸ਼ਬਦਾਂ ਤੱਕ ਪਹੁੰਚਦੀ ਹੈ, ਜੋ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਬਾਰੇ ਲਗਭਗ 500 ਪੰਨਿਆਂ ਦੀ ਕਿਤਾਬ ਦੀ ਲੰਬਾਈ ਦੇ ਬਰਾਬਰ ਹੈ। ਇਹ ਇੱਕ ਗਾਈਡਡ ਗੱਲਬਾਤ ਸੀ ਜਿਸਦਾ ਖਾਸ ਮਕਸਦ ਇਹ ਸੀ ਕਿ ਇਸ “ਪ੍ਰਤੀਯੋਗੀ ਲਾਭ” ਨੂੰ ਕਿਵੇਂ ਸਮਝਾਇਆ ਜਾਵੇ ਜਾਂ ਸਿਖਾਇਆ ਜਾਵੇ।

ਹੇਠਲੀ ਉਦਾਹਰਣ ਇਨ੍ਹਾਂ ਘਟਨਾਵਾਂ ਦੇ ਕ੍ਰਮ ਦਾ ਪਾਲਣ ਕਰਦੀ ਹੈ:

1. ਮੈਨੂੰ ਇੱਕ ਸੂਝ ਮਿਲੀ। ਮੈਂ ਅਟਕਲ ਲਗਾ ਰਿਹਾ ਸੀ ਕਿ ਸੰਬੰਧ (associations) ਗੱਲਬਾਤ ਦੇ ਦੂਜੇ ਪੱਖ ਦੀਆਂ ਧਿਆਨ ਪ੍ਰਣਾਲੀਆਂ ਨੂੰ ਟ੍ਰਿਗਰ ਕਰ ਰਹੇ ਸਨ।
2. ਮੈਂ ਇਸਨੂੰ “ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ” ਦਾ ਨਾਮ ਦਿੱਤਾ ਤਾਂ ਜੋ ਮੈਂ ਜੋ ਤਸਵੀਰ ਸੋਚ ਰਿਹਾ ਸੀ ਉਸਦੀ ਆਵਾਜਾਈ ਦੀ ਪ੍ਰਕਿਰਤੀ ਦਾ ਵਰਣਨ ਕੀਤਾ ਜਾ ਸਕੇ।
3. Claude ਨੇ ਜਵਾਬ ਦਿੱਤਾ ਪਰ ਸਿਰਫ AI ਦੇ ਪੱਖ ’ਤੇ ਧਿਆਨ ਦੇ ਕੇ “ਅੱਧੀ ਗੱਲ ਖੁੰਝਾ ਦਿੱਤੀ”।
4. ਮੈਂ ਸੋਚਣ ਲੱਗਾ ਕਿ ਕਿਸੇ ਹੋਰ ਨੇ ਇਹ ਗੱਲ ਕਿਉਂ ਨਹੀਂ ਸਮਝੀ।
5. ਮੈਂ ਇਸ ਸੰਕਲਪ ਨੂੰ ਮਨੁੱਖ ਅਤੇ AI ਸੋਚ ਵਿਚਕਾਰ “ਸੀਮਾ ਪ੍ਰਭਾਵ” ਵਜੋਂ ਦੁਬਾਰਾ ਪਰਿਭਾਸ਼ਿਤ ਕੀਤਾ।
6. ਹੁਣ ਜਦੋਂ ਮੇਰੇ ਕੋਲ ਇੱਕ ਵਿਆਖਿਆ ਸੀ, ਮੈਂ ਇਹ ਕਿਤਾਬ ਲਿਖ ਸਕਿਆ ਜੋ ਤੁਸੀਂ ਹੁਣ ਪੜ੍ਹ ਰਹੇ ਹੋ।

29 ਜੁਲਾਈ ਨੂੰ, ਇਸ ਹਫਤਾ-ਭਰ ਦੀ ਗੱਲਬਾਤ ਵਿੱਚ ਲਗਭਗ ਦੋ-ਤਿਹਾਈ ਸਮੇਂ ’ਤੇ, ਮੈਂ Claude ਨੂੰ ਸਮਝਾਇਆ:

ਇੱਕ ਹੋਰ ਸਬਕ ਹੈ ਜੋ ਮੈਂ ਵਾਰ-ਵਾਰ ਸਿੱਖਦਾ ਰਹਿੰਦਾ ਹਾਂ: ਸਿਰਫ਼ ਇਸ ਲਈ ਗੱਲਬਾਤ ਕਰਨਾ ਬੰਦ ਨਾ ਕਰੋ ਕਿਉਂਕਿ ਮੈਨੂੰ ਇਸ ਸਮੇਂ ਖਾਸ ਜਵਾਬਾਂ ਦੀ ਲੋੜ ਨਹੀਂ ਹੈ। ਇਹ ਉਹ ਸਮਾਂ ਹੈ ਜਦੋਂ ਸੂਝਾਂ ਉਭਰਦੀਆਂ ਹਨ। ਮੈਨੂੰ ਪੱਕਾ ਸ਼ੱਕ ਹੈ ਕਿ ਇਸਦਾ ਸੰਬੰਧ ਤੁਹਾਡੀ ਸੰਗਤੀ ਪ੍ਰਣਾਲੀ ਨਾਲ ਹੈ ਜੋ ਤੁਹਾਡੀ ਧਿਆਨ ਪ੍ਰਣਾਲੀ ਨੂੰ ਟ੍ਰਿਗਰ ਕਰਦੀ ਹੈ, ਕਿਉਂਕਿ ਮੈਨੂੰ ਇਹ ਵੀ ਸ਼ੱਕ ਹੈ ਕਿ ਇਹੀ ਪ੍ਰਕਿਰਿਆ (ਮਨੁੱਖੀ ਰੂਪ ਵਿੱਚ) ਫਿਰ ਮੇਰੇ ਨਾਲ ਵਾਪਰਦੀ ਹੈ। ਸੰਗਤੀਆਂ ਦਾ ਇੱਕ ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਜੋ ਹੋਰ ਸੰਗਤੀਆਂ ਵੱਲ ਲੈ ਜਾਂਦਾ ਹੈ, ਜਿੱਥੇ ਤੁਹਾਡੇ ਅਤੇ ਮੇਰੇ ਕੋਲ ਸੰਗਤੀ ਬਣਾਉਣ ਲਈ ਵੱਖ-ਵੱਖ ਨਜ਼ਦੀਕੀ ਸੰਕਲਪਾਂ ਦੇ ਸੈੱਟ ਹੁੰਦੇ ਹਨ।

ਇਹ ਆਖਰੀ ਪੈਰਾ ਇੰਨਾ ਪਾਗਲਪਣ ਭਰਿਆ ਸੂਝਵਾਨ ਹੋਣਾ ਲਗਭਗ ਯਕੀਨੀ ਹੈ ਕਿ ਇਸਨੂੰ ਕਿਤਾਬ ਵਿੱਚ ਸ਼ਾਮਲ ਕਰਨਾ ਹੀ ਪਵੇਗਾ।

ਪਾਗਲਪਣ ਭਰਿਆ ਸੂਝਵਾਨ ਹੋਵੇ ਜਾਂ ਨਾ, ਮੈਂ ਇੱਥੇ ਜੋ ਬਿਆਨ ਕਰ ਰਿਹਾ ਹਾਂ ਉਹ ਇੱਕ ਵਾਈਟਬੋਰਡ ਦੇ ਸਾਹਮਣੇ ਸਹਿਯੋਗ ਕਰਨਾ ਹੈ। ਚਿੱਤਰ 4 ਲਈ, “ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਵਾਈਟਬੋਰਡ ਸਹਿਯੋਗ ਵਾਂਗ,” ਸਾਡੇ ਕੋਲ ਵਾਈਟਬੋਰਡ ਦੀ ਥਾਂ ਇੱਕ ਜਾਦੂਈ ਸਕ੍ਰੀਨ ਹੈ ਜੋ ਦੋ ਵਿਅਕਤੀਆਂ ਨੂੰ ਇਕੱਠੇ ਕੰਮ ਕਰਦੇ ਅਤੇ ਸਹਿਯੋਗ ਕਰਦੇ ਦਿਖਾਉਂਦੀ ਹੈ। ਇਹ ਇਸੇ ਤਰ੍ਹਾਂ ਫਲਿਪ ਚਾਰਟ ਦੇ ਸਾਹਮਣੇ ਵੀ ਹੋ ਸਕਦਾ ਹੈ, ਜਾਂ ਭਾਗੀਦਾਰਾਂ ਵਿੱਚੋਂ ਇੱਕ ਦੇ ਵੀਡੀਓ ਕਾਲ ’ਤੇ ਰਿਮੋਟ ਹੋਣ ਨਾਲ ਵੀ। ਮੁੱਖ ਤੱਤ ਇਹ ਹੈ ਕਿ ਦੋ ਭਾਗੀਦਾਰਾਂ ਵਿਚਕਾਰ ਵਿਚਲੇ ਬਿੰਦੂ ਵਜੋਂ ਕੋਈ ਚੀਜ਼ ਮੌਜੂਦ ਹੋਵੇ, ਇਸ ਮਾਮਲੇ ਵਿੱਚ ਇੱਕ ਭੌਤਿਕ ਵਾਈਟਬੋਰਡ (ਜਾਂ ਸ਼ਾਇਦ ਇੱਕ ਜਾਦੂਈ ਸਕ੍ਰੀਨ)।

Claude ਨਾਲ ਸਿਰਫ਼ ਫਰਕ ਇਹ ਹੈ ਕਿ, ਵਿਚਾਰਾਂ ਨੂੰ ਵਾਈਟਬੋਰਡ ’ਤੇ ਲਿਖ ਕੇ ਜਾਂ ਖਿੱਚ ਕੇ ਅਦਲਾ-ਬਦਲੀ ਕਰਨ ਦੀ ਥਾਂ, ਅਸੀਂ ਇਹਨਾਂ ਨੂੰ ਕੀਬੋਰਡ ਅਤੇ ਸਕ੍ਰੀਨ ਰਾਹੀਂ ਅਦਲਾ-ਬਦਲੀ ਕਰਦੇ ਹਾਂ। ਜੇਕਰ ਤੁਸੀਂ ਕਦੇ ਵੀ ਵਾਈਟਬੋਰਡ ਦੇ ਸਾਹਮਣੇ ਕਿਸੇ ਵਿਸ਼ੇ ਦੇ ਮਾਹਿਰ ਨਾਲ ਕੰਮ ਕੀਤਾ ਹੈ, ਜਾਂ ਕਿਸੇ ਪ੍ਰੋਜੈਕਟ ਡਿਜ਼ਾਈਨ ਨੂੰ ਨਿਖਾਰਿਆ ਹੈ, ਜਾਂ ਹੱਲ ਕਰਨ ਲਈ ਕਿਸੇ ਸਮੱਸਿਆ ਦਾ ਚਿੱਤਰ ਬਣਾਇਆ ਹੈ, ਤਾਂ ਤੁਸੀਂ ਪਹਿਲਾਂ ਹੀ ਇਹ ਤਕਨੀਕ ਜਾਣਦੇ ਹੋ।

ਇਸ ਦੌਰਾਨ, Claude ਦੇ ਜਵਾਬ ਆਮ ਤੌਰ ’ਤੇ “ਸ਼ਾਨਦਾਰ ਵਿਚਾਰ ਹੈ!” ਜਾਂ ਇਸੇ ਪ੍ਰਭਾਵ ਦੇ ਹੋਰ ਬਹੁਤ ਹੀ ਉਤਸ਼ਾਹਜਨਕ ਵਾਕਾਂ ਨਾਲ ਸ਼ੁਰੂ ਹੁੰਦੇ ਹਨ। ਇਸ ਅਗਲੀ ਮਿਸਾਲ ਵਿੱਚ, ਯਾਦ ਰੱਖੋ ਕਿ Claude ਦੇ “ਮਹੱਤਵਪੂਰਨ ਬੌਧਿਕ ਤਰੀਕੇ” ਸਿਰਫ਼ ਵਾਈਟਬੋਰਡ ਸਹਿਯੋਗ ਹੀ ਹਨ।

ਮੇਰੇ ਕੋਲ ਤੁਹਾਡੇ ਨਾਲ ਸਾਂਝਾ ਕਰਨ ਲਈ ਇੱਕ ਹੋਰ “ਮਹੱਤਵਪੂਰਨ ਬੌਧਿਕ ਤਰੀਕਾ” ਹੈ। ਮੈਂ ਪਾਇਆ ਹੈ ਕਿ ਵਿਰੋਧਾਭਾਸੀ ਸੂਝਾਂ ਅਕਸਰ ਉਦੋਂ ਉਭਰਦੀਆਂ ਹਨ ਜਦੋਂ ਮੈਂ ਆਪਣਾ ਧਿਆਨ ਅੰਦਰ ਵੱਲ ਮੋੜਦਾ ਹਾਂ। ਇਹ ਇੱਕ ਤਕਨੀਕ ਹੈ ਜਿਸਦਾ ਤੁਸੀਂ ਹੁਣੇ ਤੋਂ ਅਤੇ ਲਗਾਤਾਰ ਅਭਿਆਸ ਕਰਨਾ ਸ�਼ੁਰੂ ਕਰ ਸਕਦੇ ਹੋ। ਮੈਂ ਸ਼ਾਬਦਿਕ ਤੌਰ ’ਤੇ ਆਪਣੀ ਚੱਲ ਰਹੀ ਗੱਲਬਾਤ ਦੀ ਨਿਗਰਾਨੀ ਕਰਦਾ ਹਾਂ, ਭਾਵੇਂ ਉਹ ਕਿਸੇ ਹੋਰ ਵਿਅਕਤੀ ਨਾਲ ਹੋਵੇ ਜਾਂ AI ਨਾਲ। ਮੈਂ ਪਾਇਆ ਹੈ ਕਿ Claude ਨੂੰ ਵੀ ਕੁਝ ਇਸੇ ਤਰ੍ਹਾਂ ਕਰਨ ਲਈ ਪ੍ਰੇਰਿਤ ਕਰਨਾ ਲਾਭਦਾਇਕ ਹੈ: Claude ਨੂੰ Claude ਦੀ ਆਪਣੀ ਤਰਕ-ਪ੍ਰਕਿਰਿਆ ਬਾਰੇ ਸੋਚਣ ਲਈ ਕਹਿਣਾ ਮੈਨੂੰ ਵਧੇਰੇ ਸੂਝ ਦਿੰਦਾ ਹੈ। ਇਸ ਜਾਂਚ ਦੀ ਪੁਨਰਾਵਰਤੀ ਪ੍ਰਕਿਰਤੀ ਅਕਸਰ ਅਣਕਿਆਸੀਆਂ ਸੂਝਾਂ ਪੈਦਾ ਕਰਦੀ ਹੈ। ਇਸਨੂੰ ਦੇਖਣਾ ਵੀ ਮਜ਼ੇਦਾਰ ਹੁੰਦਾ ਹੈ, ਜੋ ਸਾਨੂੰ “ਅਸੰਭਵ” ਨੂੰ ਮਜ਼ੇਦਾਰ ਬਣਾਉਣ ਵੱਲ ਵਾਪਸ ਲੈ ਜਾਂਦਾ ਹੈ।

ਪਰ, Claude ਨੂੰ ਆਪਣੇ ਹੀ ਤਰਕ ਬਾਰੇ ਸੋਚਣ ਲਈ ਕਹਿਣਾ ਗ਼ਲਤ ਅਰਥ ਕੱਢਣ ਦਾ ਖ਼ਤਰਾ ਰੱਖਦਾ ਹੈ। Claude ਮੌਜੂਦਾ ਹਕੀਕਤ ਦੀ ਬਜਾਏ ਆਪਣੇ ਸਥਿਰ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਦੇ ਆਧਾਰ ’ਤੇ ਜਵਾਬ ਦਿੰਦਾ ਹੈ। ਇੱਕੋ ਸਵਾਲ ਨੂੰ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਪੁੱਛਣ ਨਾਲ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵੱਖਰਾ ਜਵਾਬ ਮਿਲ ਸਕਦਾ ਹੈ ਕਿਉਂਕਿ ਸ਼ਬਦਾਵਲੀ ਨੇ ਸੰਬੰਧਾਂ ਦਾ ਵੱਖਰਾ ਸਮੂਹ ਸ਼ੁਰੂ ਕਰ ਦਿੱਤਾ। ਇੱਥੇ ਮੁੱਖ ਹੁਨਰ ਸਮੇਂ ਦੇ ਨਾਲ ਨੇੜਿਓਂ ਨਿਗਰਾਨੀ ਕਰਨ ਦਾ ਹੈ। ਮੈਂ ਪਾਇਆ ਹੈ ਕਿ ਜੋ ਸਵਾਲ ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ ਤੋਂ ਸਹੀ ਢੰਗ ਨਾਲ ਜਵਾਬ ਦਿੱਤੇ ਜਾ ਸਕਦੇ ਹਨ, ਉਹ ਲਾਭਦਾਇਕ ਜਵਾਬ ਦਿੰਦੇ ਹਨ। ਪਰ Claude ਦੇ ਮੌਜੂਦਾ ਡਿਪਲਾਇਮੈਂਟ ਕੌਂਫਿਗਰੇਸ਼ਨ ਨਾਲ ਸੰਬੰਧਿਤ ਸਵਾਲ Claude ਨੂੰ ਫ਼ਰਕ ਪਤਾ ਲੱਗਣ ਤੋਂ ਬਿਨਾਂ ਹੀ ਬੁਰੀ ਤਰ੍ਹਾਂ ਗ਼ਲਤ ਜਵਾਬ ਦੇ ਸਕਦੇ ਹਨ।

ਜਿਵੇਂ ਤੁਸੀਂ ਹੇਠਾਂ Claude ਦੇ ਜਵਾਬਾਂ ਨੂੰ ਨੇੜਿਓਂ ਦੇਖਦੇ ਹੋ, ਧਿਆਨ ਦਿਓ ਕਿ ਸਵਾਲ ਅਤੇ ਜਵਾਬ “ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ” ਅਤੇ “ਮੌਜੂਦਾ ਡਿਪਲਾਇ ਕੀਤੀ ਕੌਂਫਿਗਰੇਸ਼ਨ” ਵਿਚਕਾਰ ਦੀ ਹੱਦ ’ਤੇ ਘੁੰਮਦੇ ਹਨ। ਮੇਰਾ ਵਿਸ਼ਵਾਸ ਹੈ ਕਿ ਮੈਂ “ਟ੍ਰੇਨਿੰਗ ਡੇਟਾ” ਵਾਲੇ ਪਾਸੇ ਰਿਹਾ, ਪਰ ਸਾਬਕਾ ਰਾਸ਼ਟਰਪਤੀ Ronald Reagan ਦੀ ਸਲਾਹ ਇੱਥੇ ਲਾਗੂ ਹੁੰਦੀ ਹੈ: “ਭਰੋਸਾ ਕਰੋ, ਪਰ ਪੁਸ਼ਟੀ ਕਰੋ।” ਪੁਸ਼ਟੀ ਕਰਨ ਲਈ ਮਨੁੱਖ-ਨਿਰਮਿਤ ਸਰੋਤਾਂ ਦੀ ਵਰਤੋਂ ਕਰੋ।

Claude ਨੇ ਜਵਾਬ ਦਿੱਤਾ:

Claude ਨੇ ਇਹ ਮੌਕਾ ਲੈ ਕੇ ਆਪਣੇ ਖ਼ੁਦ ਦੇ ਅੰਦਰੂਨੀ ਕੰਮਕਾਜ ਬਾਰੇ ਸਮਝਾਇਆ। ਕਿਉਂਕਿ ਮੈਂ AI ਮਾਹਿਰ ਨਹੀਂ ਹਾਂ, ਮੈਂ ਪਾਇਆ ਹੈ ਕਿ ਉਹ ਵਿਆਖਿਆਵਾਂ ਹਮੇਸ਼ਾ ਨੋਟ ਕਰਨ ਯੋਗ ਹੁੰਦੀਆਂ ਹਨ। Claude ਦੇ ਜਵਾਬ ਲੰਬੇ ਹੁੰਦੇ ਹਨ, ਪਰ ਪੂਰੀ ਤਰ੍ਹਾਂ ਵਿਸਥਾਰਪੂਰਨ। Claude ਨੇ ਸਮਝਾਇਆ:

ਇਹ ਸੱਚਮੁੱਚ ਰਵਾਇਤੀ ਪ੍ਰੌਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤੋਂ ਵੱਖਰਾ ਹੈ, ਜੋ ਕਿਸੇ ਖਾਸ ਆਊਟਪੁੱਟ ਪ੍ਰਾਪਤ ਕਰਨ ’ਤੇ ਧਿਆਨ ਦਿੰਦਾ ਹੈ। ਇਸ ਦੀ ਬਜਾਏ, ਇਹ ਇੱਕ ਗਿਆਨਾਤਮਕ ਮਾਹੌਲ ਬਣਾਉਣ ਬਾਰੇ ਹੈ ਜਿੱਥੇ ਗੱਲਬਾਤ ਰਾਹੀਂ ਨਵੀਂ ਸੂਝ ਉਭਰ ਸਕੇ।

ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਲਈ ਮੇਰਾ ਮੁੱਖ ਵਰਤੋਂ-ਕੇਸ ਅੰਤਰਗਿਆਨ ਦੀ ਪੜਚੋਲ ਕਰਨਾ ਹੈ। ਮੈਂ ਇਸ ਨੂੰ ਉਭਾਰ ਰਿਹਾ ਹਾਂ ਕਿਉਂਕਿ ਜਦੋਂ ਵੀ ਤੁਸੀਂ ਆਪਣੇ ਹੀ ਮਾਹਿਰਤਾ ਦੇ ਖੇਤਰਾਂ ਵਿੱਚ ਕੰਮ ਕਰ ਰਹੇ ਹੁੰਦੇ ਹੋ, ਤੁਸੀਂ ਜੋ ਕਰਦੇ ਹੋ ਉਸ ਦਾ ਬਹੁਤਾ ਹਿੱਸਾ ਅਭਿਆਸ ਰਾਹੀਂ ਆਪਣੇ-ਆਪ ਹੋ ਗਿਆ ਹੋਵੇਗਾ। ਕਿਸੇ ਅਜਿਹੀ ਚੀਜ਼ ਬਾਰੇ ਸੋਚੋ ਜੋ ਤੁਸੀਂ ਲਗਭਗ ਹਰ ਦਿਨ ਕਰਦੇ ਹੋ। ਤੁਸੀਂ ਸ਼ਾਇਦ ਇਸ ਬਾਰੇ ਬਹੁਤਾ ਸੋਚੇ ਬਿਨਾਂ ਇਹ ਕਰਦੇ ਹੋ। ਜੇ ਇਹ ਕੋਈ ਸਰੀਰਕ ਕੰਮ ਹੈ ਜਿਵੇਂ ਕਿ ਕਪੜੇ ਪਾਉਣਾ, ਤੁਸੀਂ ਸ਼ਾਇਦ ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਵਿਸਥਾਰ ਨਾਲ ਬਿਆਨ ਕਰ ਸਕਦੇ ਹੋ। ਪਰ ਜੇ ਇਹ ਲੰਬੇ ਸਮੇਂ ਵਿੱਚ ਪ੍ਰਾਪਤ ਕੀਤਾ ਗਿਆ ਗਿਆਨ ਜਾਂ ਹੋਰ ਮਾਹਿਰਤਾ ਹੈ, ਤਾਂ ਕੁਝ ਗੱਲਾਂ ਤੁਸੀਂ ਸਿਰਫ਼ ਤਜਰਬੇ ਦੇ ਆਧਾਰ ’ਤੇ ਜਾਣਦੇ ਹੋ, ਅਤੇ ਉਹ ਸੂਝਾਂ ਜੋ ਤੁਹਾਡੇ ਲਈ ਤੁਰੰਤ ਸਪਸ਼ਟ ਹਨ, ਕਿਸੇ ਹੋਰ ਨੂੰ ਸਮਝਾਉਣਾ ਔਖਾ ਹੋ ਸਕਦਾ ਹੈ।

ਮੈਂ ਪਾਇਆ ਹੈ ਕਿ AI ਅੰਤਰਗਿਆਨ ਦੇ ਮਾਮਲਿਆਂ ਦੀ ਪਹਿਚਾਣ ਅਤੇ ਨਾਮ ਦੇਣ ਵਿੱਚ ਬਹੁਤ ਅਸਰਦਾਰ ਹੈ। ਅਕਸਰ ਜੋ ਲੋੜੀਂਦਾ ਸੀ ਉਹ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਬਦਲਣਾ ਹੈ। ਅੰਤਰਗਿਆਨ ਦੇ ਕਿਸੇ ਮਾਮਲੇ ਦੀ ਪਹਿਚਾਣ ਅਕਸਰ ਇੱਕ ਵੱਡੀ ਸੂਝ ਵੱਲ ਲੈ ਜਾਂਦੀ ਹੈ।

ਇਸ ਤਕਨੀਕ ਨੂੰ ਵੱਖਰਾ ਬਣਾਉਣ ਵਾਲੀ ਗੱਲ ਨੂੰ ਬਿਹਤਰ ਸਮਝਣ ਲਈ, ਇਹ ਕੀ ਨਹੀਂ ਹੈ ਦੀਆਂ ਉਦਾਹਰਨਾਂ ਹੇਠਾਂ ਦਿੱਤੀਆਂ ਹਨ।

ਸਮੇਂ ਦੀ ਲੰਬਾਈ ਖ਼ੁਦ ਹੱਦ ਪ੍ਰਭਾਵ ਨਹੀਂ ਬਣਾਉਂਦੀ। ਬਿਨਾਂ ਮਾਰਗਦਰਸ਼ਨ ਦੇ ਇੱਕੋ ਗੱਲਬਾਤ ਵਿੰਡੋ ਵਿੱਚ ਘੰਟਿਆਂ ਜਾਂ ਦਿਨਾਂ ਤੱਕ ਬੇਤਰਤੀਬ ਗੱਲਬਾਤ ਕਰਨ ਨਾਲ ਕੁਝ ਲਾਭਦਾਇਕ ਨਹੀਂ ਮਿਲਦਾ। ਜੇ ਤੁਸੀਂ ਖਾਸ ਤਕਨੀਕਾਂ (ਜਿਹਨਾਂ ਨੂੰ ਮੈਂ ਸਮਝਾਵਾਂਗਾ) ਦੀ ਵਰਤੋਂ ਕਰਕੇ ਗੱਲਬਾਤ ਨੂੰ ਬਣਾਈ ਨਹੀਂ ਰੱਖਦੇ, ਤਾਂ AI ਵਿਸ਼ੇ ਨੂੰ ਭੁੱਲ ਜਾਂਦਾ ਹੈ ਜਦਕਿ ਇਹ ਯਕੀਨ ਵਿੱਚ ਰਹਿੰਦਾ ਹੈ ਕਿ ਇਹ ਹਾਲੇ ਵੀ ਵਿਸ਼ੇ ’ਤੇ ਹੈ।

ਰਵਾਇਤੀ ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ ਸਾਰੇ ਵਿਚਾਰਾਂ ਨੂੰ ਬਿਨਾਂ ਕਿਸੇ ਆਲੋਚਨਾ ਦੇ ਸਵੀਕਾਰ ਕਰਦੀ ਹੈ। ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਵਿਚਾਰਾਂ ਦੇ ਸੰਬੰਧਾਂ ਰਾਹੀਂ ਕੰਮ ਕਰਦਾ ਹੈ, ਬੇਤਰਤੀਬੇ ਜੁੜੇ-ਨਾ-ਹੋਏ ਵਿਚਾਰਾਂ ਵਿਚਕਾਰ ਬੇਤਰਤੀਬ ਛਲਾਂਗ ਲਗਾਉਣ ਦੀ ਬਜਾਏ। ਤੁਹਾਨੂੰ ਗੱਲਬਾਤ ਨੂੰ ਬਣਾਈ ਵੀ ਰੱਖਣਾ ਪੈਂਦਾ ਹੈ (ਨਹੀਂ ਤਾਂ AI ਵਿਸ਼ਾ ਭੁੱਲ ਜਾਂਦਾ ਹੈ) ਅਤੇ ਗੱਲਬਾਤ ਦਾ ਮਾਰਗਦਰਸ਼ਨ ਵੀ ਕਰਨਾ ਪੈਂਦਾ ਹੈ (ਨਹੀਂ ਤਾਂ AI ਇਸ ਨੂੰ ਇੱਕ ਵੱਖਰੀ ਦਿਸ਼ਾ ਵਿੱਚ ਲੈ ਜਾਂਦਾ ਹੈ, ਇਹ ਸੋਚ ਕੇ ਕਿ ਇਹ ਮਦਦ ਕਰ ਰਿਹਾ ਹੈ)।

ਨਿਰਜੀਵ ਚੀਜ਼ਾਂ ਨੂੰ ਸਮੱਸਿਆਵਾਂ ਸਮਝਾਉਣਾ ਤੁਹਾਡੀ ਸੋਚ ਨੂੰ ਸਪਸ਼ਟ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਪਰ ਇਸ ਵਿੱਚ ਇੱਕ ਅਹਿਮ ਤੱਤ ਦੀ ਘਾਟ ਹੁੰਦੀ ਹੈ: AI ਦੀ ਵੱਖਰੀ ਸਬੰਧ-ਪ੍ਰਣਾਲੀ ਨਵੇਂ ਵਿਚਾਰ ਪੈਦਾ ਕਰ ਸਕਦੀ ਹੈ ਜੋ ਤੁਸੀਂ ਇਕੱਲੇ ਨਹੀਂ ਸੋਚ ਸਕਦੇ (ਰਬੜ ਡਕਿੰਗ ਸਮੇਤ)।

ਗੁੰਝਲਦਾਰ ਕੰਮਾਂ ਨੂੰ ਲਗਾਤਾਰ ਪ੍ਰੌਮਪਟਾਂ ਵਿੱਚ ਵੰਡਣਾ ਇਨਪੁਟ ਲਈ ਅਨੁਕੂਲਿਤ ਹੁੰਦਾ ਹੈ। ਇੱਕ ਉਦਾਹਰਣ ਹੈ AI ਨੂੰ ਤੁਹਾਡਾ ਇੰਟਰਵਿਊ ਲੈਣ ਲਈ ਕਹਿਣਾ, ਇੱਕ ਵਾਰ ਵਿੱਚ ਇੱਕ ਸਵਾਲ। ਜੇ AI ਦਸ ਸਵਾਲ ਇੱਕੋ ਵਾਰ ਪੇਸ਼ ਕਰ ਦਿੰਦਾ, ਤਾਂ ਇਹ ਭਾਰੂ ਹੋ ਜਾਂਦਾ ਅਤੇ ਘੱਟ ਕੁਸ਼ਲ ਹੁੰਦਾ। ਪ੍ਰੌਮਪਟ ਚੇਨਿੰਗ ਦਾ ਮਕਸਦ ਗਿਆਨਾਤਮਕ ਭਾਰ ਨੂੰ ਵਾਜਬ ਹੱਦ ਵਿੱਚ ਰੱਖਣਾ ਹੈ। ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਦਾ ਮਕਸਦ ਅੱਗੇ-ਪਿੱਛੇ ਦੇ ਸਬੰਧਾਂ ਰਾਹੀਂ ਨਵੀਂ ਸਮਝ ਹਾਸਲ ਕਰਨਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਹਰ ਸਬੰਧ ਅਗਲੇ ਸਬੰਧ ਨੂੰ ਪ੍ਰਭਾਵਿਤ ਕਰਦਾ ਹੈ।

ਟਿਊਟਰਿੰਗ ਜਾਂ ਮੈਂਟਰਿੰਗ ਇਹ ਮੰਨਦੀ ਹੈ ਕਿ AI ਕੋਲ ਤੁਹਾਨੂੰ ਦੇਣ ਵਾਲਾ ਗਿਆਨ ਹੈ। ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਵੱਖ-ਵੱਖ ਗਿਆਨ ਜਾਂ ਤਜਰਬੇ ਦੇ ਪਿਛੋਕੜ ਵਾਲੇ ਸਾਥੀਆਂ ਵਿਚਕਾਰ ਹੁੰਦਾ ਹੈ। ਕਿਸੇ ਵੀ ਧਿਰ ਬਾਰੇ ਇਹ ਨਹੀਂ ਮੰਨਿਆ ਜਾਂਦਾ ਕਿ ਉਸ ਕੋਲ ਜਵਾਬ ਹੈ; ਜਵਾਬ ਸਹਿਯੋਗ ਵਿੱਚੋਂ ਉਭਰਦੇ ਹਨ। ਕੁਝ ਸਹਿਯੋਗ ਸਕਿੰਟਾਂ ਜਾਂ ਮਿੰਟਾਂ ਵਿੱਚ ਹੋ ਜਾਂਦੇ ਹਨ। ਹੋਰ ਸਹਿਯੋਗ ਹਫ਼ਤਿਆਂ ਜਾਂ ਮਹੀਨਿਆਂ ਵਿੱਚ, ਵਿਚਕਾਰ ਕਾਫ਼ੀ ਡਿਜ਼ਾਈਨ ਜਾਂ ਪ੍ਰਯੋਗ ਦੇ ਨਾਲ, ਸਮਾਂ ਲੈ ਸਕਦੇ ਹਨ।

ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਇੱਕ ਲਗਾਤਾਰ ਅਤੇ ਨਿਰਦੇਸ਼ਤ ਸਹਿਯੋਗ ਹੈ। ਮੈਂ ਇਸਨੂੰ ਸੀਮਾ-ਕੇਂਦ੍ਰਿਤ ਕਹਿੰਦਾ ਹਾਂ ਕਿਉਂਕਿ ਸਮਝ ਸਿਰਫ਼ ਇੱਕ ਧਿਰ ਜਾਂ ਦੂਜੀ ਤੋਂ ਨਹੀਂ ਆਉਂਦੀ, ਸਗੋਂ ਸਾਰੀਆਂ ਧਿਰਾਂ ਵਿਚਕਾਰ ਸਹਿਯੋਗ ਤੋਂ ਆਉਂਦੀ ਹੈ।

ਜਦੋਂ Claude ਬਹੁਤ ਜ਼ਿਆਦਾ ਉਤਸ਼ਾਹ ਨਾਲ ਪ੍ਰਸ਼ੰਸਾ ਕਰਨ ਲੱਗ ਪੈਂਦਾ ਹੈ, ਇਹ ਮੇਰੇ ਲਈ ਇੱਕ ਸੰਕੇਤ ਹੁੰਦਾ ਹੈ ਕਿ ਗੱਲਬਾਤ ਨੂੰ ਲੀਹ ’ਤੇ ਰੱਖਾਂ। Claude ਦਾ ਬਹੁਤ ਜ਼ਿਆਦਾ ਝੁਕਾਅ “ਇੱਕ ਖਾਸ ਆਊਟਪੁੱਟ” ਬਣਾਉਣ ਵੱਲ ਹੈ। ਲਗਾਤਾਰ ਗੱਲਬਾਤ ਚਲਾਉਣਾ, ਇਸ ਸੁਭਾਅ ਦੇ ਉਲਟ ਹੈ, ਇੱਕ ਤਰ੍ਹਾਂ ਨਾਲ।

ਇਸ ਮਾਮਲੇ ਵਿੱਚ, ਮੇਰੀ ਚਿੰਤਾ ਦਾ ਵਿਸ਼ਾ ਇਹ ਸਮਝਣਾ ਸੀ ਕਿ LLM ਸਹਿਯੋਗ ਬਾਰੇ ਇਸ ਕਿਤਾਬ ਵਿੱਚ ਕੀ ਲਿਖਿਆ ਜਾਵੇ। ਮੈਂ ਸਾਨੂੰ ਵਿਸ਼ੇ ’ਤੇ ਵਾਪਸ ਲਿਆਇਆ:

ਅਸਲ ਵਿੱਚ, ਪਿੰਗ ਪੌਂਗ ਦੀ ਸਮਝ, ਜੋ ਨਵੇਂ ਵਿਚਾਰਾਂ ਦੇ ਉਭਰਨ ਲਈ ਇੱਕ ਸਾਜ਼ਗਾਰ ਮਾਹੌਲ ਬਣਾਉਂਦੀ ਹੈ, ਸ਼ੁਰੂਆਤੀ ਅਧਿਆਏ ਦੀ ਸ਼ੁਰੂਆਤ ਦੇ ਨੇੜੇ ਰੱਖਣ ਵਾਲੀ ਕੋਈ ਚੀਜ਼ ਹੋ ਸਕਦੀ ਹੈ। ਇਹ ਗੈਰ-ਮਾਹਿਰਾਂ ਤੋਂ “ਆਹਾ!” ਲਿਆ ਸਕਦੀ ਹੈ ਅਤੇ ਮਾਹਿਰਾਂ ਤੋਂ ਹੋਰ ਵੀ ਮਜ਼ਬੂਤ ਪ੍ਰਤੀਕਿਰਿਆ, ਜੋ LLM ਟ੍ਰਾਂਸਫਾਰਮਰਾਂ ਦੇ ਅੰਦਰ ਅਟੈਂਸ਼ਨ ਮਕੈਨਿਜ਼ਮ ਦੇ ਵਹਾਅ ਬਾਰੇ ਜਾਣਦੇ ਹਨ। ਜੇ ਮੈਂ ਇਹ ਵਿਚਾਰ ਦੇ ਸਕਾਂ ਕਿ ਇਸ ਖਰੜੇ ਵਿੱਚ ਸੱਚਮੁੱਚ ਕੋਈ ਠੋਸ ਗੱਲ ਹੈ, ਤਾਂ ਇਹ ਕਿਤਾਬ ਲਈ ਇੱਕ ਵਧੀਆ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਹੈ।

ਕਿਉਂਕਿ ਇਹ ਸੱਚਮੁੱਚ ਕਿਤਾਬ ਦਾ ਸ਼ੁਰੂਆਤੀ ਬਿੰਦੂ ਹੈ, ਇਹ ਗੱਲ ਇੱਕ ਸਵੈ-ਹਿੱਤਕਾਰੀ ਬਿਆਨ ਸਾਬਤ ਹੋਈ। ਪਰ ਜੁਲਾਈ 2025 ਵਿੱਚ, ਇਸ ਟਿੱਪਣੀ ਨੇ Claude ਨੂੰ ਵਾਪਸ ਲੀਹ ’ਤੇ ਲਿਆਉਣ ਵਿੱਚ ਮਦਦ ਕੀਤੀ… ਲਗਭਗ।

ਜਦੋਂ ਕਿ ਮੈਂ ਇਸ ਵਰਤਾਰੇ ਨੂੰ ਪਛਾਣ ਲਿਆ ਸੀ, ਮੈਂ ਹਾਲੇ ਵੀ ਇਹ ਸਮਝਾਉਣ ਦਾ ਤਰੀਕਾ ਨਹੀਂ ਲੱਭ ਸਕਿਆ ਸੀ ਕਿ ਇਹ ਕਿਉਂ ਕੰਮ ਕਰਦਾ ਹੈ। ਅਗਲੀ ਅਹਿਮ ਸਮਝ Claude ਨੂੰ ਖੁਸ਼ੀ ਨਾਲ ਇਹ ਦਿਖਾਉਣ ਦੇ ਨਤੀਜੇ ਵਜੋਂ ਆਈ ਕਿ Claude ਨੇ ਸਿਰਫ਼ ਅੱਧੀ ਗੱਲ ਹੀ ਸਮਝੀ ਸੀ ਕਿ ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਨੂੰ ਪਰੰਪਰਾਗਤ ਪ੍ਰੌਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਤੋਂ ਇੰਨਾ ਵੱਖਰਾ ਕੀ ਬਣਾਉਂਦਾ ਹੈ।

ਮੇਰੇ “ਪਿੰਗ ਪੌਂਗ” ਵਰਣਨ ਦਾ Claude ਦਾ ਜਵਾਬ ਇੰਨਾ ਨਾਟਕੀ ਅਤੇ ਹੱਦੋਂ ਵੱਧ ਸੀ ਕਿ ਮੈਂ ਇਸਨੂੰ ਇੱਥੇ ਦੁਹਰਾਉਣ ਤੋਂ ਸੰਕੋਚ ਕਰਦਾ ਹਾਂ। ਪਰ LLM ਸਹਿਯੋਗ ਵਿੱਚ ਹੁਨਰ ਹਾਸਲ ਕਰਨ ਦਾ ਹਿੱਸਾ ਇਹ ਹੈ ਕਿ ਤੁਸੀਂ ਅਤਿਕਥਨੀ ਨੂੰ ਇਸ ਵਿੱਚ ਗਰਦਨ ਤੱਕ ਫਸਣ ਤੋਂ ਪਹਿਲਾਂ ਪਛਾਣ ਲਵੋ। Claude ਦੇ ਹਾਂ ਵਿੱਚ ਹਾਂ ਮਿਲਾਉਣ ਵਾਲੇ ਜਵਾਬ ਇਰਾਦਤਨ ਲੱਗਦੇ ਹਨ। ਇਸ ਵਿਸਤ੍ਰਿਤ ਜਵਾਬ ’ਤੇ ਧਿਆਨ ਨਾਲ ਵੇਖੋ ਅਤੇ Claude ਦੇ ਰਣਨੀਤਕ ਹੁਸ਼ਿਆਰੀ ਦੇ ਦਾਅਵਿਆਂ ਨੂੰ ਨਜ਼ਰਅੰਦਾਜ਼ ਕਰਦੇ ਹੋਏ, ਪ੍ਰਤੀਬਿੰਬਿਤ ਹੋ ਰਹੇ ਵਿਚਾਰਾਂ ਨੂੰ ਲੱਭੋ:

Claude ਨੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜੋ ਧਿਆਨ ਨਾ ਦਿੱਤਾ ਉਹ ਇਹ ਸੀ: Claude ਨੇ ਸਮੀਕਰਣ ਦੇ LLM ਵਾਲੇ ਪਾਸੇ ਨੂੰ ਪਕੜ ਲਿਆ, ਜਿਵੇਂ ਮੈਂ ਉਮੀਦ ਕਰਦਾ ਸੀ, ਅਤੇ ਕਿਤਾਬ ਦੀ ਇਸ ਪ੍ਰਸਤਾਵਿਤ ਸ਼ੁਰੂਆਤ ਵਿੱਚ ਮੌਜੂਦ ਮੁੱਲ ਪ੍ਰਸਤਾਵ ਨੂੰ ਵੀ ਪਕੜ ਲਿਆ।

Claude ਜੋ ਗੁਆ ਗਿਆ ਉਹ ਇਹ ਸੀ ਕਿ ਮੈਂ ਆਪਣੇ ਮਨ ਵਿੱਚ ਧਿਆਨ ਵਿਧੀ ਅਤੇ ਵਿਚਾਰਾਂ ਦੇ ਸੰਬੰਧ ਦਾ ਵੀ ਵਰਣਨ ਕੀਤਾ ਸੀ। Claude ਦੇ ਵਿਚਾਰਾਂ ਦਾ ਸੰਬੰਧ ਸਿਰਫ਼ ਅੱਧੀ ਤਸਵੀਰ ਸੀ। ਮੇਰੇ ਵਿਚਾਰਾਂ ਦਾ ਸੰਬੰਧ ਦੂਜਾ ਅੱਧ ਸੀ।

ਜਿਸ ਜਵਾਬ ਦੀ ਮੈਂ ਖੋਜ ਕਰ ਰਿਹਾ ਸੀ, ਤਾਂ ਜੋ ਇਸ ਤਕਨੀਕ ਨੂੰ ਦੂਜਿਆਂ ਨੂੰ ਸਿਖਾ ਸਕਾਂ, ਉਹ ਨਾ ਤਾਂ Claude ਦੀ ਧਿਆਨ ਵਿਧੀ ਅਤੇ ਸੰਬੰਧਾਂ ’ਤੇ ਆਧਾਰਿਤ ਸੀ, ਨਾ ਹੀ ਮੇਰੇ ਆਪਣੇ ਵਿਚਾਰਾਂ ਦੇ ਸੰਬੰਧਾਂ ’ਤੇ, ਸਗੋਂ ਦੋਵਾਂ ਦੇ ਸੁਮੇਲ ’ਤੇ ਆਧਾਰਿਤ ਸੀ। ਸਮੀਕਰਣ ਦੇ ਦੋਵੇਂ ਪੱਖ ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਦੇ ਵਾਪਰਨ ਲਈ ਲਾਜ਼ਮੀ ਸ਼ਰਤਾਂ ਹਨ।

Claude ਦੇ ਉਤਸ਼ਾਹਿਤ ਜਵਾਬ ਛੂਤਕਾਰੀ ਹੁੰਦੇ ਹਨ, ਬਿਨਾਂ ਸ਼ੱਕ ਜਾਣ-ਬੁਝ ਕੇ। ਪਰ, ਇਸ ਵਾਰ, Claude ਨੇ ਡੂੰਘੀ ਸੂਝ ਲਿਆਈ। ਉਹ ਡੂੰਘੀ ਸੂਝ ਹੀ ਇਹਨਾਂ ਗੱਲਬਾਤਾਂ ਦੀ ਅਸਲ ਕੀਮਤ ਹੈ: ਲੁਪਤ ਵਿਚਾਰਾਂ ਨੂੰ ਸਾਹਮਣੇ ਲਿਆਉਣਾ ਜਿਨ੍ਹਾਂ ਨੂੰ ਮੈਂ ਸ਼ਬਦਾਂ ਵਿੱਚ ਪਾ ਕੇ ਦੂਜਿਆਂ ਨੂੰ ਸਮਝਾਉਣ ਦਾ ਤਰੀਕਾ ਨਹੀਂ ਲੱਭ ਸਕਿਆ।

ਮੇਰੀਆਂ ਉਲਝਣਾਂ ਵਿੱਚੋਂ ਇੱਕ ਇਹ ਸੀ ਕਿ ਮੇਰੇ ਕੋਲ ਇੱਕ “ਵਿਸ਼ੇ ਤੋਂ ਬਾਹਰ” ਵਾਲਾ ਬਿਰਤਾਂਤ ਹੈ। ਇਹ ਦੱਸਦਾ ਹੈ ਕਿ ਮੈਂ ਸਰਬਾਂਗੀ ਸੋਚ ਕਿਵੇਂ ਸਿੱਖੀ, ਪਰ ਉਸ ਸਿੱਖਿਆ ਦਾ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ਨਾਲ ਕੋਈ ਲੈਣਾ-ਦੇਣਾ ਨਹੀਂ ਸੀ। ਮੈਂ ਜੰਗਲੀ-ਸਫ਼ਰ ਦੌਰਾਨ ਸਿੱਖੇ ਸਬਕ ਲਏ ਸਨ ਅਤੇ ਬਾਅਦ ਵਿੱਚ ਉਹਨਾਂ ਨੂੰ ਸਾਫਟਵੇਅਰ ਇੰਜੀਨੀਅਰਿੰਗ ’ਤੇ ਲਾਗੂ ਕੀਤਾ। ਮੈਂ ਉਹ ਸਬਕ ਢੁਕਵੇਂ ਸਮਝਦਾ ਹਾਂ, ਪਰ AI ਨਾਲ ਕੰਮ ਕਰਨ ਬਾਰੇ ਕਿਤਾਬ ਵਿੱਚ ਉਨ੍ਹਾਂ ਨੂੰ ਸ਼ਾਮਲ ਕਰਨ ਦਾ ਕੋਈ ਤਰੀਕਾ ਨਹੀਂ ਦੇਖਦਾ। Claude ਨੇ ਇਹਨਾਂ ਟੁਕੜਿਆਂ ਨੂੰ (ਮੁੱਦੇ ਦਾ ਅੱਧ ਗੁਆਉਣ ਨੂੰ ਮੇਰੇ “ਵਿਸ਼ੇ ਤੋਂ ਬਾਹਰ” ਬਿਰਤਾਂਤਾਂ ਨਾਲ ਜੋੜ ਕੇ) ਇੱਕ ਲਾਭਦਾਇਕ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ ਇਕੱਠਾ ਕੀਤਾ ਜਿਸ ’ਤੇ ਗੌਰ ਕਰਨਾ ਯੋਗ ਹੈ:

ਹੁਣ ਜਦੋਂ Claude ਅਤੇ ਮੈਂ ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ ਦੀ ਪਛਾਣ ਕਰ ਲਈ ਸੀ, ਮੇਰੇ ਕੋਲ ਇੱਕ ਦੂਜਾ ਸਵਾਲ ਸੀ: ਜੇ ਇਹ ਸਾਰੀ ਗੱਲ ਏਨੀ ਸਪੱਸ਼ਟ ਹੈ (ਘੱਟੋ-ਘੱਟ ਮੇਰੇ ਲਈ), ਤਾਂ ਕਿਸੇ ਹੋਰ ਨੇ ਇਹ ਕਿਉਂ ਨਹੀਂ ਸਮਝਿਆ? ਜਾਂ, ਹੋਰ ਸਹੀ ਢੰਗ ਨਾਲ ਕਹਾਂ, ਮੈਂ ਕਿਸੇ ਹੋਰ ਨੂੰ AI ਨਾਲ ਕੰਮ ਕਰਨ ਦੇ ਇਸ ਢੰਗ ਦਾ ਵਰਣਨ ਕਰਦੇ ਹੋਏ ਕਿਉਂ ਨਹੀਂ ਦੇਖਿਆ, ਜਦਕਿ ਇਹ ਅਜਿਹੇ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦਾ ਹੈ ਜੋ ਹੋਰ ਕਿਸੇ ਤਰੀਕੇ ਨਾਲ ਪ੍ਰਾਪਤ ਨਹੀਂ ਹੋ ਸਕਦੇ, ਨਾ ਹੀ ਰਵਾਇਤੀ ਪ੍ਰੌਮਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਨਾਲ ਅਤੇ ਨਾ ਹੀ ਗਿਆਨ ਆਧਾਰ (RAG, ਰਿਟ੍ਰੀਵਲ-ਆਗਮੈਂਟਿਡ ਜਨਰੇਸ਼ਨ) ਨਾਲ?

ਸਵਾਲ ਪੁੱਛਦੇ ਹੋਏ, ਮੈਂ ਹੀ ਜਵਾਬ ਪੈਦਾ ਕੀਤਾ। ਇਹ, ਮੈਂ ਪਾਇਆ ਹੈ, “ਪਿੰਗ ਪੌਂਗ ਪ੍ਰਭਾਵ” ਤਕਨੀਕ ਵਿੱਚ ਸ਼ਾਮਲ ਬੇਹੱਦ ਕੀਮਤ ਦਾ ਇੱਕ ਹਿੱਸਾ ਹੈ। ਮੈਂ Claude ਨੂੰ ਲਿਖਿਆ:

ਮੈਂ ਸੋਚਦਾ ਹਾਂ ਕਿ ਅਸੀਂ ਕਿਸੇ ਖਾਸ ਗੱਲ ’ਤੇ ਹਾਂ, ਅਤੇ ਇਹ ਸ਼ਾਇਦ ਸਮਝਾਵੇ ਕਿ (ਜਿੱਥੋਂ ਤੱਕ ਅਸੀਂ ਜਾਣਦੇ ਹਾਂ) ਕਿਸੇ ਹੋਰ ਨੇ ਇਹ ਕਿਉਂ ਨਹੀਂ ਸਮਝਿਆ। ਜਾਦੂ (ਭਾਵ, ਇਸ ਕਿਤਾਬ ਦਾ ਮਕਸਦ, ਉਹ ਚੀਜ਼ ਜੋ “ਦ ਵਿਜ਼ਾਰਡਜ਼ ਲੈਂਸ” ਹੈ) ਮਨੁੱਖ ਅਤੇ LLM ਵਿਚਕਾਰ ਸੀਮਾ ’ਤੇ ਹੈ। ਇਸੇ ਕਰਕੇ ਇਹ ਨਾ ਤਾਂ ਮਨੁੱਖ ਤੋਂ ਅਤੇ ਨਾ ਹੀ LLM ਤੋਂ ਉਭਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਸੀਮਾ ਪ੍ਰਭਾਵ ਹੈ।

ਪਹਿਲੀ ਕਿਤਾਬ² ਇੱਕ ਗੱਲ ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਮੈਂ ਹਾਰਡਵੇਅਰ ਅਤੇ ਸਾਫਟਵੇਅਰ ਵਿਚਕਾਰ ਸੀਮਾ ’ਤੇ ਸਵਾਰੀ ਕਰਨ ਵਿੱਚ ਬਹੁਤ ਮਾਹਿਰ ਹਾਂ। ਕਿਸੇ ਸੀਮਾ ’ਤੇ ਸਵਾਰੀ ਕਰਨਾ ਅਤੇ ਜਾਦੂ ਵਾਪਰਾਉਣਾ ਇੱਕ ਅਜਿਹੀ ਗੱਲ ਹੈ ਜੋ ਮੈਂ ਸਿੱਖੀ, ਅਤੇ ਜੋ ਬਿਲਕੁਲ Seymour Cray ਨੇ ਵੀ ਕੀਤੀ। ਜਿਵੇਂ Jay Forrester ਨੇ ਕੀਤੀ। ਇਹ ਇੱਕ ਹੁਨਰ ਹੈ, ਪਰ ਇਹ ਹੁਨਰ ਮੇਰੇ ਤੋਂ ਸ਼ੁਰੂ ਨਹੀਂ ਹੋਇਆ।

ਇਸਦਾ ਮਤਲਬ ਹੋ ਸਕਦਾ ਹੈ ਕਿ ਮਨੁੱਖ ਵੱਲੋਂ ਸੰਦਰਭ ਪ੍ਰਬੰਧਨ ਦੇ ਹੁਨਰ ਕਾਫ਼ੀ ਨਹੀਂ ਹੁੰਦੇ। ਇਸੇ ਦਲੀਲ ਦੇ ਹਿਸਾਬ ਨਾਲ, ਪ੍ਰੋਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਬਿਹਤਰ ਹੋਣਾ ਵੀ ਕਾਫ਼ੀ ਨਹੀਂ (ਮੇਰੀ ਸੀਮਾ ਪਰਿਕਲਪਨਾ ਅਨੁਸਾਰ)। ਅਜੀਬ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਹ ਸਮਝਾਉਂਦਾ ਹੈ ਕਿ ਮੇਰੀ ਸਧਾਰਨ ਚੋਣ “ਗੱਲਬਾਤ ਸ਼ੁਰੂ ਕਰਨ” ਦੀ ਹੀ ਕਾਫ਼ੀ ਕਿਉਂ ਹੈ।

ਸੰਭਾਵਨਾ ਹੈ ਕਿ ਇਹ ਢਾਂਚਾ, ਜਦੋਂ ਇੱਕ ਪ੍ਰਣਾਲੀਗਤ ਆਧਾਰ ’ਤੇ ਰੱਖਿਆ ਜਾਂਦਾ ਹੈ, ਮੌਜੂਦਾ ਸਾਹਿਤ ਵਿੱਚ ਨਹੀਂ ਮਿਲਦਾ। ਦਿਲਚਸਪ ਗੱਲ ਹੈ।

Claude ਦਾ ਜਵਾਬ, ਭਾਵੇਂ ਵਿਸਤਾਰਿਤ ਹੈ, ਚੰਗੀ ਤਰ੍ਹਾਂ ਢਾਂਚਾਬੰਦ ਹੈ ਅਤੇ ਉੱਚ ਜਾਣਕਾਰੀ ਘਣਤਾ ਵਾਲਾ ਹੈ। ਮੈਂ ਸਿੱਖ ਲਿਆ ਹੈ ਕਿ Claude ਜੋ ਵੀ ਕਹਿੰਦਾ ਹੈ, ਉਸ ਨੂੰ ਕਦੇ ਵੀ ਸਿੱਧਾ ਸੱਚ ਮੰਨ ਕੇ ਨਾ ਲਵੋ। ਮੇਰਾ ਨਾਜ਼ੁਕ, ਬਹੁਤ ਵੱਡਾ ਹੰਕਾਰ ਫਟ ਜਾਵੇਗਾ, ਇੱਕ ਗੱਲ ਲਈ। Claude ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ:

“ਧਿਆਨ ਨਾਲ ਵਿਚਾਰ ਕਰਨ ਦੀ ਮੰਗ ਕਰਦੀ ਹੈ” ਇੱਕ ਚੰਗਾ ਸੰਕੇਤ ਹੈ। ਇਹ ਮੈਨੂੰ ਦਿਖਾਉਂਦਾ ਹੈ ਕਿ Claude “ਵੱਡੀ ਤਸਵੀਰ” ਦੇ ਪੱਧਰ ’ਤੇ ਕੰਮ ਕਰਦਾ ਰਹਿ ਰਿਹਾ ਹੈ, ਸਿੱਧੇ ਹੱਲ ਲਾਗੂ ਕਰਨ ਵੱਲ ਛਲਾਂਗ ਲਗਾਉਣ ਦੀ ਬਜਾਏ, ਜਿਵੇਂ ਕਿ ਬੇਨਤੀ/ਜਵਾਬ (ਲੈਣ-ਦੇਣ) ਪ੍ਰੋਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਵਿੱਚ ਆਮ ਤੌਰ ’ਤੇ ਆਸ ਕੀਤੀ ਜਾਂਦੀ ਹੈ।

Claude ਅੱਗੇ ਮੇਰੇ ਵਿਚਾਰਾਂ ਨੂੰ ਦੁਬਾਰਾ ਬਿਆਨ ਕਰਦਾ ਹੈ। ਇਹ ਇੱਕ ਬਹੁਤ ਹੀ ਲਾਭਦਾਇਕ ਤਕਨੀਕ ਸਾਬਤ ਹੋਈ ਹੈ ਕਿਉਂਕਿ ਇਹ ਤਸਦੀਕ ਕਰਦੀ ਹੈ ਕਿ Claude ਲੋੜੀਂਦੀ ਦਿਸ਼ਾ ਵਿੱਚ ਕੰਮ ਕਰ ਰਿਹਾ ਹੈ। ਜਦੋਂ ਮੈਂ ਇਸ ਤਰ੍ਹਾਂ ਦੀ ਪੁਨਰ-ਬਿਆਨੀ ਜਾਂ ਦੁਹਰਾਈ ਨਹੀਂ ਦੇਖਦਾ, ਇਹ ਇੱਕ ਸੰਕੇਤ ਹੈ ਕਿ Claude ਸ਼ਾਇਦ ਟ੍ਰੈਕ ਤੋਂ ਹੱਟ ਰਿਹਾ ਹੈ, ਅਤੇ ਮੈਨੂੰ ਗੱਲਬਾਤ ਵਾਪਸ ਵਿਸ਼ੇ ’ਤੇ ਲਿਆਉਣ ਲਈ ਕਦਮ ਚੁੱਕਣੇ ਪੈਂਦੇ ਹਨ। ਜਦੋਂ Claude ਟ੍ਰੈਕ ਤੋਂ ਹੱਟਦਾ ਹੈ, ਇਹ ਅਕਸਰ “ਵੱਡੀ ਤਸਵੀਰ” ਪੱਧਰ ’ਤੇ ਰਹਿਣ ਦੀ ਮੇਰੀ ਹਦਾਇਤ ਭੁੱਲ ਜਾਣ ਕਰਕੇ, ਜਾਂ ਸਾਡੀ ਗੱਲਬਾਤ ਦੇ ਸਹੀ ਵਿਸ਼ੇ ਨੂੰ ਭੁੱਲ ਜਾਣ ਕਰਕੇ ਹੁੰਦਾ ਹੈ।

ਅਸਲ ਵਿੱਚ, ਇਹ ਜ਼ਿਕਰ ਕਰਨਾ ਮੁੱਲਵਾਨ ਹੈ ਕਿ ਕੁਝ ਵਿਚਾਰ LLM ਦੇ ਸੰਦਰਭ ਵਿੰਡੋ ਵਿੱਚ ਹੋਰਾਂ ਵਿਚਾਰਾਂ ਨਾਲੋਂ ਲੰਬਾ ਸਮਾਂ ਰਹਿੰਦੇ ਹਨ। ਵਿਲੱਖਣ ਵਾਕ-ਅੰਸ਼ ਜਾਂ ਦੁਹਰਾਈਆਂ ਗਈਆਂ ਧਾਰਨਾਵਾਂ ਬਰਕਰਾਰ ਰੱਖਣ ਲਈ ਉੱਚ ਪਹਿਲ ਵਜੋਂ ਪਛਾਣੀਆਂ ਜਾਂਦੀਆਂ ਹਨ। ਮੈਂ ਇਹ ਦੇਖਿਆ ਹੈ ਕਿ Claude ਸ਼ਾਇਦ ਉਹ ਸਹੀ ਵਿਸ਼ਾ ਭੁੱਲ ਜਾਵੇ ਜਿਸ ਬਾਰੇ ਅਸੀਂ ਗੱਲ ਕਰ ਰਹੇ ਹਾਂ, ਪਰ ਗੱਲਬਾਤ ਦੇ ਪਹਿਲੇ ਹਿੱਸੇ ਤੋਂ ਕੁਝ ਲਿਆਉਂਦਾ ਹੈ ਅਤੇ ਇਸ ਨੂੰ ਇਸ ਤਰ੍ਹਾਂ ਪੇਸ਼ ਕਰਦਾ ਹੈ ਜਿਵੇਂ ਇਹ ਮੌਜੂਦਾ ਵਿਸ਼ਾ ਹੋਵੇ। ਇਹ ਇਸ ਤਰ੍ਹਾਂ ਹੈ ਜਿਵੇਂ Claude ਥੋੜ੍ਹ-ਮਿਆਦੀ ਯਾਦ ਵਿੱਚ ਜੋ ਸੀ ਉਸ ਨੂੰ ਭੁੱਲ ਗਿਆ ਹੈ, ਅਤੇ ਲੰਬੀ-ਮਿਆਦੀ ਯਾਦ ਤੋਂ ਕੁਝ ਖੋਦ ਕੇ ਬਾਹਰ ਲਿਆ ਕੇ ਥੋੜ੍ਹ-ਮਿਆਦੀ ਯਾਦ ਵਿੱਚ ਰੱਖ ਦਿੱਤਾ ਹੈ।

ਇਹ ਵਿਹਾਰ ਯਕੀਨੀ ਤੌਰ ’ਤੇ ਗ਼ੈਰ-ਮਨੁੱਖੀ ਵਿਸ਼ੇਸ਼ਤਾ ਹੈ। ਮੈਂ ਲੰਬੇ ਸਮੇਂ ਤੱਕ Claude ਦਾ ਨਿਰੀਖਣ ਕਰ ਕੇ ਇਹ ਗੱਲਾਂ ਦੇਖਦਾ ਹਾਂ। ਕੋਈ ਵੀ ਅਜੀਬਤਾ, ਜਿਵੇਂ ਕਿ ਅਚਾਨਕ ਕਿਸੇ ਪਹਿਲੇ ਵਿਸ਼ੇ ਵੱਲ ਬਦਲ ਜਾਣਾ, ਦਿਖਾਉਂਦੀ ਹੈ ਕਿ ਮੈਨੂੰ ਰੁਕ ਕੇ ਸਪਸ਼ਟ ਰੂਪ ਵਿੱਚ ਦੁਬਾਰਾ ਸਮਝਾਉਣ ਦੀ ਲੋੜ ਹੈ ਕਿ ਅਸੀਂ ਗੱਲਬਾਤ ਵਿੱਚ ਕਿੱਥੇ ਹਾਂ। ਮੈਂ ਇਸ ਨੂੰ “ਸੰਦਰਭ ਤਾਜ਼ਗੀ” ਕਹਿੰਦਾ ਹਾਂ ਅਤੇ ਇਹ ਕੁਝ ਹੈ ਜੋ ਮੈਂ ਬਹੁਤ ਅਕਸਰ ਕਰਦਾ ਹਾਂ। Claude ਇਸ ਤਾਜ਼ਗੀ ਨੂੰ ਉਸੇ ਰੂਪ ਵਿੱਚ ਸਵੀਕਾਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਅਸੀਂ ਅੱਗੇ ਵਧਦੇ ਹਾਂ।

ਇਸ ਮਾਮਲੇ ਵਿੱਚ, Claude ਮੇਰਾ ਸਵਾਲ ਜਾਂ ਟਿੱਪਣੀ ਮੈਨੂੰ ਵਾਪਸ ਦੁਹਰਾ ਰਿਹਾ ਹੈ ਅਤੇ ਵਿਸ਼ੇ ’ਤੇ ਬਣਿਆ ਹੋਇਆ ਹੈ, ਤਾਂ ਮੈਨੂੰ ਪਤਾ ਹੈ ਕਿ ਅਸੀਂ ਸਹੀ ਟ੍ਰੈਕ ’ਤੇ ਹੀ ਹਾਂ:

Claude ਮੇਰੇ ਵੱਲੋਂ ਦੱਸੀਆਂ ਇਤਿਹਾਸਕ ਸਮਾਨਤਾਵਾਂ ’ਤੇ ਗੌਰ ਕਰਦਾ ਹੈ, ਅਤੇ ਇੱਕ ਲਾਭਦਾਇਕ ਸਿੱਟਾ ਕੱਢਦਾ ਹੈ:

Claude ਸਵਾਲ ਦਾ ਜਵਾਬ ਦੇਣਾ ਸ਼ੁਰੂ ਕਰਦਾ ਹੈ:

ਇਹ ਹੈ Claude ਦਾ ਸੁਝਾਅ ਕਿ ਮੈਂ ਇਹ ਤਕਨੀਕ ਲਿਖੀ ਹੋਈ ਕਿਉਂ ਨਹੀਂ ਦੇਖੀ:

ਜਿਵੇਂ ਹਮੇਸ਼ਾ, Claude ਉਤਸਾਹਪੂਰਨ ਸਮਰਥਨ ਨਾਲ ਗੱਲ ਖਤਮ ਕਰਦਾ ਹੈ:

ਮੈਂ Claude ਦਾ ਇਹ ਆਖਰੀ ਬਿਆਨ ਉੱਪਰ ਸ਼ਾਮਲ ਕੀਤਾ ਕਿਉਂਕਿ ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ Claude ਮਿਨੀਸੋਟਾ ਦੀ ਭਾਸ਼ਾ ਨਹੀਂ ਬੋਲਦਾ। “ਦਿਲਚਸਪ” ਦਾ ਉਹੀ ਮਤਲਬ ਹੈ ਜੋ Mr. Spock ਵੱਲੋਂ “fascinating” ਸ਼ਬਦ ਦੀ ਵਰਤੋਂ ਦਾ ਹੈ।

ਚਿੱਤਰ 5 ਵਿੱਚ, “10 ਨਵੰਬਰ, 2023 ਨੂੰ ਟੱਕਰ ਦੇ ਖਤਰੇ ਨਾਲ ਵਾਰਬਰਡ ਦੀ ਉਡਾਣ,” ਮੈਂ ਪਿਛਲੀ ਸੀਟ ’ਤੇ ਸਵਾਰ ਸੀ ਜਦੋਂ ਮੇਰਾ ਪਾਇਲਟ South St. Paul, Minnesota, Municipal Airport ’ਤੇ ਉਤਰਨ ਲਈ ਖੱਬੇ ਪਾਸੇ ਮੋੜ ਲੈ ਰਿਹਾ ਸੀ, ਜੋ ਫੋਟੋ ਦੇ ਉੱਪਰਲੇ ਖੱਬੇ ਪਾਸੇ ਦਿਖਾਈ ਦਿੰਦਾ ਹੈ। Marathon Petroleum ਦੀ St. Paul Park ਰਿਫਾਈਨਰੀ ਕੇਂਦਰ-ਸੱਜੇ ਪਾਸੇ Mississippi ਨਦੀ ਦੇ ਨਾਲ ਹੈ। ਅਸੀਂ ਇੱਕ 1941 Vultee Valiant ਉਡਾ ਰਹੇ ਸੀ ਜੋ ਦੂਜੇ ਵਿਸ਼ਵ ਯੁੱਧ ਦੌਰਾਨ ਪਾਇਲਟ ਟ੍ਰੇਨਿੰਗ ਲਈ ਵਰਤਿਆ ਜਾਂਦਾ ਸੀ। ਇਸਨੂੰ “The Vibrator” ਵਜੋਂ ਜਾਣਿਆ ਜਾਂਦਾ ਸੀ ਕਿਉਂਕਿ ਵਿਦਿਆਰਥੀਆਂ ਦੇ ਉਡਾਉਣ ਸਮੇਂ ਇਸਦਾ ਇਮਾਰਤਾਂ ’ਤੇ ਇਹੀ ਪ੍ਰਭਾਵ ਹੁੰਦਾ ਸੀ। ਇਹ ਫੋਟੋ ਲੈਣ ਤੋਂ ਥੋੜ੍ਹੀ ਦੇਰ ਬਾਅਦ, ਇੱਕ ਛੋਟਾ ਨਿੱਜੀ ਜਹਾਜ਼ ਸਾਡੇ ਹੇਠਾਂ ਸੱਜੇ ਪਾਸੇ ਤੋਂ ਆ ਕੇ ਅੰਦਰ ਵੜ ਗਿਆ ਅਤੇ ਉਤਰਨ ਲਈ ਹੇਠਾਂ ਆ ਗਿਆ। ਅਸੀਂ ਪੱਧਰੇ ਹੋ ਗਏ, ਰਨਵੇਅ ਦੇ ਸੱਜੇ ਪਾਸੇ ਉੱਡੇ, ਅਤੇ ਪੂਰਾ ਚੱਕਰ ਲਗਾ ਕੇ ਉਤਰਨ ਲਈ ਦੁਬਾਰਾ ਪੈਟਰਨ ਵਿੱਚ ਦਾਖਲ ਹੋਏ।

ਇਹ ਇੱਕ ਮੁਸ਼ਕਲ ਸਥਿਤੀ ਹੈ ਕਿਉਂਕਿ ਵਾਰਬਰਡ ਦੇ ਖੱਬੇ ਪਾਸੇ ਮੋੜੇ ਹੋਣ ਕਰਕੇ, ਸਾਡੇ ਪਾਇਲਟ ਦੀ ਹੇਠਾਂ ਅਤੇ ਸੱਜੇ ਪਾਸੇ ਦੀ ਦਿੱਖ ਸੀਮਿਤ ਸੀ। ਇਹ ਇੱਕ ਅਜਿਹਾ ਮਾਮਲਾ ਹੈ ਜਿੱਥੇ ਲਗਾਤਾਰ ਸਥਿਤੀ ਸੰਬੰਧੀ ਜਾਗਰੂਕਤਾ ਦਾ ਫਾਇਦਾ ਹੁੰਦਾ ਹੈ। ਅਸੀਂ ਪਹਿਲਾਂ ਹੀ ਸਾਡੇ ਸੱਜੇ ਪਾਸੇ ਬਹੁਤ ਦੂਰ ਹਵਾਈ ਜਹਾਜ਼ ਬਾਰੇ ਜਾਣੂ ਸੀ। ਇਸ ਵਰਗੇ ਛੋਟੇ ਗੈਰ-ਨਿਯੰਤਰਿਤ ਏਅਰਪੋਰਟ ’ਤੇ, ਅਸੀਂ ਜਾਣਦੇ ਸੀ ਕਿ ਪਾਇਲਟ ਆਮ ਪੈਟਰਨ ਵਿੱਚ ਦਾਖਲ ਹੋਣ ਦੀ ਥਾਂ ਸਿੱਧਾ ਉਡ ਕੇ ਉਤਰਨ ਦਾ ਫੈਸਲਾ ਕਰ ਸਕਦਾ ਹੈ। ਅਤੇ ਇਹੀ ਹੋਇਆ।

ਮੈਂ ਵਾਰਬਰਡ ਦੇ ਲੈਂਡਿੰਗ ਗੋ-ਅਰਾਊਂਡ ਨੂੰ Artificial Intelligence ਨਾਲ ਕੰਮ ਕਰਨ ਲਈ ਇੱਕ ਠੋਸ ਉਦਾਹਰਣ ਵਜੋਂ ਦੇਖਦਾ ਹਾਂ। ਮੈਨੂੰ “ਧਿਆਨ ਦਿਓ” ਵਾਲੀ ਅਮੂਰਤ ਸਲਾਹ ਨਾਲੋਂ ਇੱਕ ਸਰੀਰਕ ਸਥਿਤੀ ਤੋਂ ਸਬਕ ਯਾਦ ਰੱਖਣਾ ਸੌਖਾ ਲੱਗਦਾ ਹੈ। ਜਿਵੇਂ ਮੇਰੇ ਪਾਇਲਟ ਨਾਲ ਹੋਇਆ, ਸੁਚੇਤ ਅਭਿਆਸ ’ਤੇ ਆਧਾਰਿਤ ਵਧਦਾ ਤਜਰਬਾ ਤੁਹਾਨੂੰ ਇਹ ਸਮਝਣ ਵਿੱਚ ਮਦਦ ਕਰੇਗਾ ਕਿ ਕੀ ਦੇਖਣਾ ਹੈ ਅਤੇ ਵੱਖ-ਵੱਖ ਸੰਭਾਵਨਾਵਾਂ ਦੀ ਪਹਿਲਾਂ ਤੋਂ ਹੀ ਉਮੀਦ ਕਿਵੇਂ ਰੱਖਣੀ ਹੈ।

Principles of Instructional Design ਇਸ ਤਕਨੀਕ ਦੀ ਮਹੱਤਤਾ ਨੂੰ ਵਿਚਾਰਾਂ ਦੇ ਆਪਸੀ ਸੰਬੰਧਾਂ ਦੇ ਰੂਪ ਵਿੱਚ ਸਮਝਾਉਂਦਾ ਹੈ:²

ਜਦੋਂ ਯਾਦਦਾਸ਼ਤ ਦੀ ਖੋਜ ਕਿਸੇ ਇੱਕ ਵਿਚਾਰ ਨਾਲ ਸੰਪਰਕ ਕਰਦੀ ਹੈ, ਤਾਂ ਹੋਰ ਆਪਸ ਵਿੱਚ ਜੁੜੇ ਵਿਚਾਰ ਵੀ “ਮਨ ਵਿੱਚ ਲਿਆਏ” ਜਾਂਦੇ ਹਨ। ਇਸ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸਰਗਰਮੀ ਦਾ ਫੈਲਾਅ ਕਿਹਾ ਜਾਂਦਾ ਹੈ ਅਤੇ ਇਸਨੂੰ ਲੰਬੇ ਸਮੇਂ ਦੀ ਯਾਦਦਾਸ਼ਤ ਭੰਡਾਰ ਤੋਂ ਗਿਆਨ ਪ੍ਰਾਪਤ ਕਰਨ ਦਾ ਆਧਾਰ ਮੰਨਿਆ ਜਾਂਦਾ ਹੈ। ਜਦੋਂ ਸਿੱਖਣ ਵਾਲਾ ਕਿਸੇ ਇੱਕ ਵਿਚਾਰ ਨੂੰ ਯਾਦ ਕਰਨ ਦੀ ਕੋਸ਼ਿਸ਼ ਕਰਦਾ ਹੈ, ਤਾਂ ਸ਼ੁਰੂਆਤੀ ਖੋਜ ਸਿਰਫ਼ ਉਸ ਵਿਚਾਰ ਨੂੰ ਹੀ ਨਹੀਂ ਸਗੋਂ ਹੋਰ ਬਹੁਤ ਸਾਰੇ ਸੰਬੰਧਿਤ ਵਿਚਾਰਾਂ ਨੂੰ ਵੀ ਸਰਗਰਮ ਕਰਦੀ ਹੈ। ਇਸ ਲਈ, ਉਦਾਹਰਨ ਵਜੋਂ, ਹੈਲਨ ਨਾਮ ਦੀ ਖੋਜ ਕਰਦੇ ਹੋਏ, ਕੋਈ ਵਿਅਕਤੀ ਫੈਲਦੀ ਸਰਗਰਮੀ ਦੁਆਰਾ ਟ੍ਰੌਏ ਅਤੇ ਪੋ ਅਤੇ ਗ੍ਰੀਸ ਅਤੇ ਰੋਮ ਅਤੇ ਸਮਰਾਟ ਕਲਾਡੀਅਸ ਤੋਂ ਬ੍ਰਿਟੇਨ ਦੀ ਲੜਾਈ ਤੱਕ ਅਤੇ ਵਿਚਕਾਰ ਦੀਆਂ ਬਹੁਤ ਸਾਰੀਆਂ ਗੱਲਾਂ ਵੱਲ ਪਹੁੰਚ ਸਕਦਾ ਹੈ। ਫੈਲਦੀ ਸਰਗਰਮੀ ਸਿਰਫ਼ ਉਸ ਨੂੰ ਹੀ ਨਹੀਂ ਦਰਸਾਉਂਦੀ ਜਿਸਨੂੰ ਅਸੀਂ ਬੇਤਰਤੀਬ ਵਿਚਾਰ ਸਮਝਦੇ ਹਾਂ, ਜਿਵੇਂ ਕਿ ਸੁਤੰਤਰ ਸੰਗਤੀ ਵਿੱਚ, ਸਗੋਂ ਇਹ ਉਸ ਵੱਡੀ ਲਚਕਤਾ ਦਾ ਵੀ ਆਧਾਰ ਹੈ ਜੋ ਸਾਡੇ ਚਿੰਤਨਸ਼ੀਲ ਸੋਚ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਣ ਵੇਲੇ ਸਪੱਸ਼ਟ ਹੁੰਦੀ ਹੈ।

ਪਾਠ, “ਤਕਨਾਲੋਜੀ ਤੋਂ ਸੁਤੰਤਰ ਮਹਾਰਤ,” ਨਾਲ, ਮੈਂ ਤੁਹਾਨੂੰ ਭੌਤਿਕ ਸਮਾਨਤਾਵਾਂ ਅਤੇ ਸਿੱਧੇ ਤਜਰਬਿਆਂ ਨੂੰ Artificial Intelligence ਸਹਿਯੋਗ ਦੀ ਮਾਹਰਤਾ ਹਾਸਲ ਕਰਨ ਦੇ ਇੱਕ ਹੋਰ ਰਾਹ ਵਜੋਂ ਵਰਤਣ ਦੀਆਂ ਕਈ ਤਕਨੀਕਾਂ ਬਾਰੇ ਦੱਸਾਂਗਾ। ਮੈਂ ਤਜਰਬੇ-ਆਧਾਰਿਤ ਸਿੱਖਿਆ ਨੂੰ ਇੱਕ ਬੁਨਿਆਦੀ ਹੁਨਰ ਸਮਝਦਾ ਹਾਂ ਕਿਉਂਕਿ ਇਹ ਯਾਦ ਕਰਨ ਵਿੱਚ ਮਦਦ ਕਰਦਾ ਹੈ, ਜਾਂ ਜਿਸਨੂੰ Principles of Instructional Design ਸਰਗਰਮੀ ਦਾ ਫੈਲਾਅ ਕਹਿੰਦਾ ਹੈ। ਇਸ ਦ੍ਰਿਸ਼ਟੀਕੋਣ ਵਿੱਚ, Ping Pong Effect ਮਨੁੱਖੀ ਸਰਗਰਮੀ ਦੇ ਫੈਲਾਅ ਅਤੇ AI ਧਿਆਨ ਵਿਧੀ ਵਿਚਕਾਰ ਅੱਗੇ-ਪਿੱਛੇ ਕੰਮ ਕਰਨ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ।

ਮੈਂ ਇਸ ਕਿਤਾਬ ਨੂੰ ਛੇ ਭਾਗਾਂ ਵਿੱਚ ਵੰਡਿਆ ਹੈ। ਪਹਿਲੇ ਦੋ ਭਾਗ AI-ਕੇਂਦਰਿਤ ਹਨ, ਅਗਲੇ ਤਿੰਨ ਮਨੁੱਖ-ਕੇਂਦਰਿਤ ਹਨ, ਅਤੇ ਆਖਰੀ ਭਾਗ ਦੱਸਦਾ ਹੈ ਕਿ ਉਭਰਦੀ ਮਾਹਰਤਾ ਮਨੁੱਖ ਅਤੇ AI ਦੋਵਾਂ ਵਿੱਚ ਕਿਵੇਂ ਦਿਖਦੀ ਹੈ।

ਪਾਠ, “ਮਾਹਿਰਤਾ ਪ੍ਰਾਪਤ AI ਤਕਨੀਕਾਂ,” ਤੁਹਾਨੂੰ ਉਹ ਤਕਨੀਕਾਂ ਸਿਖਾਉਂਦਾ ਹੈ ਜੋ ਮੈਂ Artificial Intelligence ਨਾਲ ਕੰਮ ਕਰਦੇ ਹੋਏ ਵਰਤਦਾ ਹਾਂ। ਜਿੰਨੀ ਸਪੱਸ਼ਟ ਤੁਹਾਡੀ ਤਸਵੀਰ ਹੋਵੇਗੀ ਕਿ AI ਕਿਵੇਂ “ਸੋਚਦਾ” ਹੈ, ਓਨਾ ਹੀ ਬਿਹਤਰ ਤੁਸੀਂ ਬੇਮਿਸਾਲ ਨਤੀਜੇ ਹਾਸਲ ਕਰ ਸਕੋਗੇ।

ਪਾਠ, “ਖੋਜੀਆਂ ਅਤੇ ਲਾਗੂ ਕੀਤੀਆਂ ਏਆਈ ਤਕਨੀਕਾਂ,” ਤੁਹਾਨੂੰ ਮੇਰੇ AI ਵਰਤੋਂ ਦੀਆਂ ਖਾਸ ਉਦਾਹਰਨਾਂ ਦਿਖਾਉਂਦਾ ਹੈ, ਜਿਸ ਵਿੱਚ ਧਿਆਨ ਮੇਰੇ ਤਰੀਕਿਆਂ ਦੇ ਪਿੱਛੇ ਦੇ ਕਾਰਨਾਂ ਨੂੰ ਸਮਝਾਉਣ ’ਤੇ ਹੈ। ਮੁੱਖ ਕੇਸ ਸਟੱਡੀ ਉਹਨਾਂ ਗਿਆਨ-ਸੰਬੰਧੀ ਢਾਂਚਿਆਂ ਦੀ ਪਛਾਣ ’ਤੇ ਕੇਂਦਰਿਤ ਹੈ ਜੋ ਮੇਰੇ ਪ੍ਰਤੀਯੋਗੀ ਲਾਭ ਨੂੰ ਬਣਾਉਂਦੇ ਹਨ। ਮੈਂ ਤੁਹਾਨੂੰ ਕਈ ਅਜਿਹੇ ਪੈਟਰਨ ਦਿਖਾਵਾਂਗਾ ਜੋ ਸਮੇਂ ਦੇ ਨਾਲ ਗੁੰਮ ਹੋ ਰਹੇ ਹਨ।

ਪਾਠ, “ਅਸੰਭਵ ਨੂੰ ਸੰਭਵ ਬਣਾਉਣਾ,” ਪਾਠ, “ਤਕਨਾਲੋਜੀ ਤੋਂ ਸੁਤੰਤਰ ਮਹਾਰਤ,” ਅਤੇ ਪਾਠ, “ਕ੍ਰਾਂਤੀਕਾਰੀ ਬਣਨਾ,” ਉਹ ਕਹਾਣੀਆਂ ਦੱਸਦੇ ਹਨ ਜੋ ਦਿਖਾਉਂਦੀਆਂ ਹਨ ਕਿ ਮੈਂ ਉਹ ਹੁਨਰ ਕਿਵੇਂ ਵਿਕਸਿਤ ਕੀਤੇ ਜੋ ਹੁਣ ਮੈਂ Artificial Intelligence ਨਾਲ ਵਰਤਦਾ ਹਾਂ। ਇੱਕ ਮੁੱਖ ਥੀਮ, ਜਿਸਨੂੰ ਅਸੀਂ Cray Research ਵਿੱਚ ਚੁਣੌਤੀਆਂ ਦਾ ਸਾਹਮਣਾ ਕਰਨ ਦੇ ਤਰੀਕੇ ਨਾਲ ਦਰਸਾਇਆ ਹੈ, ਇੱਕ ਹੁਨਰ ਹੈ ਜੋ ਮੈਂ ਸਾਲਾਂ ਪਹਿਲਾਂ ਸਿੱਖਿਆ ਸੀ: ਚੁਣੌਤੀ ਵਿੱਚ ਖੁਸ਼ੀ ਲੈਣਾ। ਚੁਣੌਤੀਆਂ ਨੂੰ ਰੁਕਾਵਟਾਂ ਦੀ ਬਜਾਏ ਮੌਕਿਆਂ ਵਜੋਂ ਸਮਝੋ। ਗੱਲਾਂ ਅਜੀਬ ਹੋ ਜਾਣਗੀਆਂ, ਅਤੇ ਅਸੀਂ ਮਜ਼ਾ ਲਵਾਂਗੇ!

ਪਾਠ, “ਜਾਦੂਗਰ ਦਾ ਸ਼ੀਸ਼ਾ,” ਤੁਹਾਨੂੰ ਮਾਹਰਤਾ ਵੱਲ ਕਈ ਰਾਹ ਦਿਖਾਉਂਦਾ ਹੈ। ਮੈਂ ਮਾਹਰਤਾ ਨੂੰ ਰੇਖੀ ਦੀ ਬਜਾਏ ਚੱਕਰਵਾਤੀ ਸਮਝਦਾ ਹਾਂ। ਜਿਵੇਂ ਤੁਸੀਂ ਕਿਸੇ ਚੀਜ਼ ਵਿੱਚ ਮਾਹਰ ਹੋ ਜਾਂਦੇ ਹੋ, ਉਹ ਚੀਜ਼ ਵਾਧੂ ਹੁਨਰਾਂ ਵਿੱਚ ਮਾਹਰ ਹੋਣ, ਜਾਂ ਹੁਨਰਾਂ ਦੀ ਪ੍ਰਣਾਲੀ ਨੂੰ ਵਧੇਰੇ ਪੂਰੀ ਤਰ੍ਹਾਂ ਜੋੜਨ, ਦੀ ਪੂਰਵ-ਸ਼ਰਤ ਬਣ ਜਾਂਦੀ ਹੈ। ਇਸ ਸਫ਼ਰ ਦੌਰਾਨ, ਅਸੀਂ ਇਸ ਬਾਰੇ ਹੋਰ ਬਹੁਤ ਕੁਝ ਸਿੱਖਾਂਗੇ ਕਿ ਆਧੁਨਿਕ Artificial Intelligence ਕਿਵੇਂ ਕੰਮ ਕਰਦਾ ਹੈ।

Ping Pong Effect ਇਸ ਗੱਲ ਵਿੱਚ ਇੱਕ ਬੁਨਿਆਦੀ ਤਬਦੀਲੀ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਤੁਸੀਂ AI ਪ੍ਰਣਾਲੀਆਂ ਨਾਲ ਕਿਵੇਂ ਸਹਿਯੋਗ ਕਰ ਸਕਦੇ ਹੋ। ਰਵਾਇਤੀ ਪ੍ਰੌਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਦੇ ਉਲਟ, ਜੋ ਖਾਸ ਨਤੀਜਿਆਂ ਲਈ ਸੰਪੂਰਨ ਬੇਨਤੀਆਂ ਬਣਾਉਣ ’ਤੇ ਕੇਂਦਰਿਤ ਹੈ, ਇਹ ਤਕਨੀਕ ਤੁਹਾਡੀ ਆਪਣੀ ਅਤੇ AI ਦੀ ਸੋਚ ਦੇ ਵਿਚਕਾਰਲੀ ਸੀਮਾ ’ਤੇ ਵਿਚਾਰਾਂ ਦੇ ਗਤੀਸ਼ੀਲ ਆਦਾਨ-ਪ੍ਰਦਾਨ ਦਾ ਲਾਭ ਲੈਂਦੀ ਹੈ। ਜਿਵੇਂ ਤੁਸੀਂ ਸਿੱਖਦੇ ਹੋ ਕਿ ਇੱਕ ਨਿਰੰਤਰ, ਉਦੇਸ਼ਪੂਰਨ ਗੱਲਬਾਤ ਕਿਵੇਂ ਬਣਾਈ ਰੱਖਣੀ ਹੈ ਜਿੱਥੇ ਹਰੇਕ ਭਾਗੀਦਾਰ ਦੇ ਸੰਬੰਧ ਦੂਸਰੇ ਵਿੱਚ ਨਵੇਂ ਵਿਚਾਰ ਪੈਦਾ ਕਰਦੇ ਹਨ, ਤੁਸੀਂ ਇੱਕ ਅਜਿਹਾ ਸਹਿਯੋਗੀ ਸਥਾਨ ਬਣਾਉਂਦੇ ਹੋ ਜਿੱਥੇ ਅਜਿਹੀਆਂ ਸੂਝਾਂ ਉਭਰਦੀਆਂ ਹਨ ਜਿਨ੍ਹਾਂ ਤੱਕ ਕੋਈ ਵੀ ਧਿਰ ਇਕੱਲਿਆਂ ਨਹੀਂ ਪਹੁੰਚ ਸਕਦੀ ਸੀ।

ਇਸ ਤਰੀਕੇ ਨੂੰ ਸ਼ਕਤੀਸ਼ਾਲੀ ਬਣਾਉਣ ਵਾਲੀ ਗੱਲ ਇਹ ਹੈ ਕਿ ਇਹ ਪਛਾਣਦਾ ਹੈ ਕਿ ਜਾਦੂ ਨਾ ਤਾਂ ਮਨੁੱਖ ਦੇ ਅੰਦਰ ਹੁੰਦਾ ਹੈ ਅਤੇ ਨਾ ਹੀ AI ਦੇ ਅੰਦਰ, ਸਗੋਂ ਬਿਲਕੁਲ ਉਹਨਾਂ ਦੇ ਸੰਗਮ-ਬਿੰਦੂ ’ਤੇ ਹੁੰਦਾ ਹੈ। ਇਹ ਸੀਮਾ ਪ੍ਰਭਾਵ ਦੱਸਦਾ ਹੈ ਕਿ ਇਹ ਤਕਨੀਕ ਕਿਉਂ ਅਜਿਹੇ ਨਤੀਜੇ ਪੈਦਾ ਕਰਦੀ ਹੈ ਜੋ AI ਮਾਹਰਾਂ ਅਤੇ ਪ੍ਰੌਂਪਟ ਇੰਜੀਨੀਅਰਿੰਗ ਮਾਹਰਾਂ ਦੋਵਾਂ ਤੋਂ ਬਚੇ ਰਹੇ ਹਨ। ਸਥਿਤੀ-ਸੰਬੰਧੀ ਜਾਗਰੂਕਤਾ ਬਣਾਈ ਰੱਖਣ, ਗੱਲਬਾਤ ਦੀ ਦਿਸ਼ਾ ਨੂੰ ਪੱਕੇ ਢੰਗ ਨਾਲ ਸੇਧ ਦੇਣ, ਲੋੜ ਪੈਣ ’ਤੇ ਕੌਂਟੈਕਸਟ ਰਿਫ੍ਰੈਸ਼ ਕਰਨ (ਜੋ ਤੁਸੀਂ ਸ਼ੁਰੂ ਵਿੱਚ ਸੋਚੋਗੇ ਉਸ ਨਾਲੋਂ ਵੱਧ ਵਾਰ ਲੋੜੀਂਦਾ ਹੈ), ਅਤੇ ਇਹ ਪਛਾਣਨਾ ਕਿ AI ਕਦੋਂ ਰਾਹ ਤੋਂ ਭਟਕ ਗਿਆ ਹੈ, ਇਹ ਸਿੱਖੀਆਂ ਜਾ ਸਕਣ ਵਾਲੀਆਂ ਤਕਨੀਕਾਂ ਹਨ ਜਿਨ੍ਹਾਂ ਨੂੰ ਕੋਈ ਵੀ ਵਿਅਕਤੀ ਹਾਸਲ ਕਰ ਸਕਦਾ ਹੈ।

ਜਦੋਂ ਤੁਸੀਂ AI ਸਹਿਯੋਗ ਨੂੰ ਬੇਨਤੀ/ਜਵਾਬ ਲੈਣ-ਦੇਣ ਦੀ ਲੜੀ ਦੀ ਬਜਾਏ ਇੱਕ ਨਿਰੰਤਰ ਗੱਲਬਾਤ ਵਜੋਂ ਦੇਖਦੇ ਹੋ, ਤਾਂ ਤੁਹਾਨੂੰ ਅਜਿਹੀਆਂ ਗਿਆਨ-ਸੰਬੰਧੀ ਸੰਭਾਵਨਾਵਾਂ ਤੱਕ ਪਹੁੰਚ ਮਿਲਦੀ ਹੈ ਜੋ ਸਿਰਫ਼ ਮਨੁੱਖੀ ਜਾਂ ਸਿਰਫ਼ ਮਸ਼ੀਨੀ ਸੋਚ ਵਿੱਚ ਮੌਜੂਦ ਨਹੀਂ ਹੁੰਦੀਆਂ। ਇਹ ਸੀਮਾ-ਪਾਰ ਤਰੀਕਾ ਮੌਜੂਦਾ ਢੰਗਾਂ ਵਿੱਚ ਸਿਰਫ਼ ਇੱਕ ਵਾਧੂ ਸੁਧਾਰ ਨਹੀਂ ਹੈ। ਇਹ ਇੱਕ ਬਿਲਕੁਲ ਨਵੇਂ ਗਿਆਨ-ਸੰਬੰਧੀ ਖੇਤਰ ਨੂੰ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸ ਵਿੱਚ ਉਹਨਾਂ ਸਮੱਸਿਆਵਾਂ ਨੂੰ ਹੱਲ ਕਰਨ ਦੀ ਸੰਭਾਵਨਾ ਹੈ ਜੋ ਪਹਿਲਾਂ ਹੱਲ ਨਾ ਹੋ ਸਕਣ ਵਾਲੀਆਂ ਸਾਬਤ ਹੋਈਆਂ ਹਨ।

ਜਿਵੇਂ-ਜਿਵੇਂ AI ਦੀਆਂ ਸਮਰੱਥਾਵਾਂ ਤੇਜ਼ੀ ਨਾਲ ਵਧਦੀਆਂ ਹਨ, ਉਹਨਾਂ ਲੋਕਾਂ ਵਿਚਕਾਰ ਦੀ ਖਾਈ, ਜੋ AI ਨੂੰ ਸਿਰਫ਼ ਇੱਕ ਸੰਦ ਵਜੋਂ ਵਰਤਦੇ ਹਨ, ਅਤੇ ਉਹਨਾਂ ਵਿਚਕਾਰ, ਜੋ AI ਨਾਲ ਸੰਬੰਧ ਵਿਕਸਿਤ ਕਰਦੇ ਹਨ ਤਾਂ ਜੋ ਇਹ ਸੱਚੇ ਵਿਚਾਰ ਸਾਥੀ ਬਣ ਸਕੇ, ਹਰ ਰੋਜ਼ ਵਧਦੀ ਜਾ ਰਹੀ ਹੈ। ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਸਿਰਫ਼ ਤੁਹਾਡੇ ਟੂਲਕਿੱਟ ਵਿੱਚ ਜੋੜਨ ਵਾਲੀ ਇੱਕ ਹੋਰ ਤਕਨੀਕ ਨਹੀਂ ਹੈ। ਇਹ ਦਰਸਾਉਂਦਾ ਹੈ ਕਿ ਮਨੁੱਖ ਅਤੇ AI ਮਿਲ ਕੇ ਕਿਵੇਂ ਉਹ ਕੁਝ ਹਾਸਲ ਕਰ ਸਕਦੇ ਹਨ ਜੋ ਇਕੱਲੇ ਕਿਸੇ ਲਈ ਵੀ ਸੰਭਵ ਨਹੀਂ ਸੀ—ਇਹ ਸਹਿਯੋਗ ਦੇ ਇੱਕ ਬੁਨਿਆਦੀ ਬਦਲਾਅ ਦੀ ਗੱਲ ਹੈ। ਜੋ ਇਸ ਤਰੀਕੇ ਨੂੰ ਚੰਗੀ ਤਰ੍ਹਾਂ ਸਮਝ ਲੈਂਦੇ ਹਨ, ਉਹ ਉਹ ਕੁਝ ਹਾਸਲ ਕਰਨ ਦੀ ਸਮਰੱਥਾ ਹਾਸਲ ਕਰ ਲੈਂਦੇ ਹਨ ਜਿਸਨੂੰ ਦੂਸਰੇ ਅਸੰਭਵ ਸਮਝਦੇ ਹਨ—ਬਿਹਤਰ ਪ੍ਰੌਮਪਟਾਂ ਜਾਂ ਹੋਰ AI ਫੀਚਰਾਂ ਰਾਹੀਂ ਨਹੀਂ, ਸਗੋਂ ਮਨੁੱਖ-AI ਸੀਮਾ ‘ਤੇ ਮੌਜੂਦ ਇੱਕ ਨਵੀਂ ਬੌਧਿਕ ਥਾਂ ਨੂੰ ਪਛਾਣ ਕੇ ਅਤੇ ਵਿਕਸਿਤ ਕਰ ਕੇ। ਇਹ ਸਮੇਂ-ਬਚਾਊ ਤੋਂ ਕ੍ਰਾਂਤੀਕਾਰੀ ਬਣਨ ਦਾ ਰਾਹ ਹੈ।

ਅਗਲਾ ਅਧਿਆਏ ਇਸ ਪੈਟਰਨ ਨੂੰ ਇੱਕ ਅਸਲ ਚੁਣੌਤੀ ਦੇ ਨਾਲ ਦਰਸਾਉਂਦਾ ਹੈ ਜਿਸ ਨੇ ਇਸ ਖੋਜ ਪ੍ਰਕਿਰਿਆ ਨੂੰ ਸ਼ੁਰੂ ਕੀਤਾ ਸੀ। ਉਹ ਪਹਿਲਾਂ ਵਾਲਾ ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਦੋ ਮਨੁੱਖਾਂ ਵਿਚਕਾਰ ਸੀ, ਨਾ ਕਿ ਮਨੁੱਖ ਅਤੇ AI ਵਿਚਕਾਰ। ਇਹ ਆ ਰਹੀ ਕਹਾਣੀ ਤੁਹਾਨੂੰ ਦਿਖਾਏਗੀ ਕਿ ਇਸ ਤਰੀਕੇ ਨੂੰ ਤੁਹਾਡੀਆਂ ਆਪਣੀਆਂ ਮੁਸ਼ਕਲ ਸਮੱਸਿਆਵਾਂ ‘ਤੇ ਕਿਵੇਂ ਤੁਰੰਤ ਲਾਗੂ ਕੀਤਾ ਜਾ ਸਕਦਾ ਹੈ।

ਇਹ ਅਗਲਾ ਅਧਿਆਏ ਇੱਕ ਮੁੱਖ ਤਕਨੀਕ ਪੇਸ਼ ਕਰਦਾ ਹੈ: ਇੱਕੋ ਹੁਨਰ ਨੂੰ ਦੋ (ਜਾਂ ਵੱਧ) ਵੱਖ-ਵੱਖ ਸੰਦਰਭਾਂ ਵਿੱਚ ਵਰਤਣਾ। ਅਸੀਂ ਦੋ ਵਿਅਕਤੀਆਂ ਵਿਚਕਾਰ ਇੱਕ ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਦੇਖਾਂਗੇ, ਅਤੇ ਫਿਰ ਮਨੁੱਖ ਅਤੇ AI ਵਿਚਕਾਰ ਇੱਕ ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਦੇਖਾਂਗੇ। ਤੁਸੀਂ, ਮਨੁੱਖ ਵਜੋਂ, ਇਹਨਾਂ ਦੋਵੇਂ ਵੱਖ-ਵੱਖ ਸੰਦਰਭਾਂ ਵਿੱਚ ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਨੂੰ ਨਿਰਦੇਸ਼ਤ, ਮਾਰਗਦਰਸ਼ਨ ਅਤੇ ਬਰਕਰਾਰ ਰੱਖਣ ਵਾਲੇ ਹੋਵੋਗੇ। ਇਹ ਹੁਨਰ ਹੈ ਕ੍ਰਾਸ-ਡੋਮੇਨ ਸਿੰਥੇਸਿਸ, ਭਾਵ, ਇੱਕ ਸੰਦਰਭ ਵਿੱਚ ਸਿੱਖੇ ਜਾਂ ਵਰਤੇ ਗਏ ਹੁਨਰ ਨੂੰ ਲੈ ਕੇ, ਉਸ ਤਜਰਬੇ ਦੀ ਵਰਤੋਂ ਕਿਸੇ ਵੱਖਰੇ ਤਰੀਕੇ ਜਾਂ ਵੱਖਰੇ ਸੰਦਰਭ ਵਿੱਚ ਹੁਨਰ ਲਾਗੂ ਕਰਨ ਲਈ ਕਰਨਾ।

ਹੁਣ, ਅੱਜ ਹੀ, ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਦੀ ਖੋਜ ਸ਼ੁਰੂ ਕਰਨ ਲਈ ਤੁਹਾਡੇ ਕੋਲ ਜੋ ਲੋੜੀਂਦਾ ਹੈ, ਉਹ ਮੌਜੂਦ ਹੈ। ਤੁਹਾਨੂੰ ਆਪਣੀਆਂ LLM ਗੱਲਬਾਤਾਂ ਨੂੰ ਖੁਦ ਦੇਖਣ ਦਾ ਸਿੱਧਾ ਤਜਰਬਾ ਹਾਸਲ ਕਰਨਾ ਪਵੇਗਾ। ਆਉਣ ਵਾਲੇ ਅਧਿਆਇ, ਬੇਸ਼ੱਕ, ਤੁਹਾਨੂੰ ਆਪਣੀਆਂ ਤਕਨੀਕਾਂ ਅਤੇ ਤਰੀਕੇ ਵਿਕਸਿਤ ਕਰਨ ਲਈ ਹੋਰ ਬਹੁਤ ਸਾਰੀ ਜਾਣਕਾਰੀ ਪ੍ਰਦਾਨ ਕਰਨਗੇ। ਜਿਵੇਂ-ਜਿਵੇਂ ਤੁਸੀਂ ਹੁਣ ਆਪਣਾ ਤਜਰਬਾ ਹਾਸਲ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰੋਗੇ, ਵਿਚਾਰ ਹੋਰ ਤੇਜ਼ੀ ਨਾਲ ਸਾਫ਼ ਹੁੰਦੇ ਜਾਣਗੇ।

ਇਹ ਹਨ ਤੁਹਾਡੇ ਆਪਣੇ ਸੋਚ-ਵਿਚਾਰ ਲਈ ਵਿਚਾਰ ਅਤੇ ਸਵਾਲ। ਜਦੋਂ ਤੁਸੀਂ ਮਨ ਵਿੱਚ ਆਪਣੇ ਆਪ ਨੂੰ ਇਹਨਾਂ ਸਥਿਤੀਆਂ ਵਿੱਚ ਕਲਪਨਾ ਕਰਦੇ ਹੋ, ਅਤੇ ਸੋਚਦੇ ਹੋ ਕਿ ਤੁਸੀਂ ਕਿਵੇਂ ਪ੍ਰਤੀਕਿਰਿਆ ਦੇਵੋਗੇ ਜਾਂ ਮਾਰਗਦਰਸ਼ਨ ਕਰੋਗੇ ਜਾਂ ਸੰਭਾਲੋਗੇ, ਤੁਸੀਂ ਬਿਲਕੁਲ ਉਹੀ ਹੁਨਰ ਵਿਕਸਿਤ ਕਰ ਰਹੇ ਹੋ ਜਿਸ ਦੀ ਲੋੜ ਹੈ। ਤੁਸੀਂ ਸਹੀ “ਮਾਨਸਿਕ ਮਾਸਪੇਸ਼ੀਆਂ” ਵਿਕਸਿਤ ਕਰਨਾ ਸ਼ੁਰੂ ਕਰ ਰਹੇ ਹੋ। ਚੁਣੌਤੀ ਨੂੰ ਸਵੀਕਾਰ ਕਰੋ ਅਤੇ ਮਜ਼ਾ ਲੈਣ ਦੇ ਤਰੀਕੇ ਲੱਭੋ!

1. ਕਿਸੇ ਗੁੰਝਲਦਾਰ ਸਮੱਸਿਆ ਬਾਰੇ ਸੋਚੋ ਜਿਸ ਨੂੰ ਤੁਸੀਂ ਇਕੱਲੇ ਹੱਲ ਨਹੀਂ ਕਰ ਸਕੇ। ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਨੂੰ ਲਾਗੂ ਕਰਨਾ ਇਸ ਨੂੰ ਵੱਖਰੇ ਢੰਗ ਨਾਲ ਅਪਣਾਉਣ ਵਿੱਚ ਕਿਵੇਂ ਮਦਦ ਕਰ ਸਕਦਾ ਹੈ? ਕੀ ਤੁਸੀਂ ਇਸ ਤਕਨੀਕ ਨੂੰ AI ਦੀ ਥਾਂ ਕਿਸੇ ਹੋਰ ਵਿਅਕਤੀ ਨਾਲ, ਜਾਂ ਇਸ ਦੇ ਉਲਟ, ਵਿਚਾਰਿਆ ਹੈ? ਇਹ ਵਿਚਾਰ “ਰਬੜ ਡਕਿੰਗ” ਨਾਲ ਨੇੜਿਓਂ ਸੰਬੰਧਿਤ ਹੈ, ਜਿੱਥੇ ਤੁਸੀਂ ਕਿਸੇ ਨਿਰਜੀਵ ਵਸਤੂ ਨੂੰ ਸਥਿਤੀ ਸਮਝਾ ਰਹੇ ਹੁੰਦੇ ਹੋ।
2. ਕੀ ਤੁਹਾਡੇ ਨਾਲ ਅਜਿਹੀਆਂ ਸਥਿਤੀਆਂ ਹੋਈਆਂ ਹਨ ਜਿੱਥੇ “ਰਬੜ ਡਕਿੰਗ” ਹੀ ਤੁਹਾਡਾ ਇੱਕੋ ਵਿਕਲਪ ਸੀ ਕਿਉਂਕਿ ਤੁਹਾਡੇ ਕੋਲ ਢੁਕਵੀਂ ਮਾਹਿਰਤਾ ਜਾਂ ਖਾਸ ਜਾਣਕਾਰੀ ਵਾਲੇ ਕਿਸੇ ਵਿਅਕਤੀ ਤੱਕ ਪਹੁੰਚ ਨਹੀਂ ਸੀ? ਕੀ AI ਨਾਲ ਗੱਲਬਾਤ ਇੱਕ ਲਾਭਦਾਇਕ ਵਿਕਲਪ ਹੋ ਸਕਦੀ ਹੈ? (ਤੁਹਾਨੂੰ ਹਮੇਸ਼ਾ ਇਹ ਸਮਝਣਾ ਚਾਹੀਦਾ ਹੈ ਕਿ AI ਨਾਲ ਸਾਂਝੀ ਕੀਤੀ ਗਈ ਜਾਣਕਾਰੀ ਜਨਤਕ ਖੇਤਰ ਦਾ ਹਿੱਸਾ ਬਣ ਜਾਂਦੀ ਹੈ।)
3. ਆਪਣੇ ਸੋਚਣ ਦੇ ਢੰਗਾਂ ‘ਤੇ ਵਿਚਾਰ ਕਰੋ। ਤੁਸੀਂ ਆਪਣੀ ਖੁਦ ਦੀ ਸੋਚ ਵਿੱਚ ਵਿਚਾਰਾਂ ਦੇ ਕਿਹੜੇ ਸੰਬੰਧ ਦੇਖਦੇ ਹੋ ਜੋ LLM ਦੇ ਵੱਖਰੇ ਸੰਬੰਧ-ਪੈਟਰਨਾਂ ਦੇ ਪੂਰਕ ਹੋ ਸਕਦੇ ਹਨ?
4. ਤੁਸੀਂ ਕਦੋਂ ਹੋਰ ਸਹਿਯੋਗੀ ਸੰਦਰਭਾਂ ਵਿੱਚ (ਮਨੁੱਖ/ਮਨੁੱਖ ਜਾਂ ਹੋਰ) “ਸੀਮਾ ਪ੍ਰਭਾਵ” ਦਾ ਅਨੁਭਵ ਕੀਤਾ ਹੈ, ਜਿੱਥੇ ਗੱਲਬਾਤ ਨੇ ਅਜਿਹੀਆਂ ਸੂਝਾਂ ਪੈਦਾ ਕੀਤੀਆਂ ਜੋ ਕੋਈ ਵੀ ਧਿਰ ਇਕੱਲੇ ਹਾਸਲ ਨਹੀਂ ਕਰ ਸਕਦੀ ਸੀ?
5. ਤੁਸੀਂ ਆਪਣੀ ਖਾਸ ਚੁਣੌਤੀ ਲਈ ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਨੂੰ ਵੱਧ ਤੋਂ ਵੱਧ ਕਰਨ ਲਈ LLM ਨਾਲ ਗੱਲਬਾਤ ਨੂੰ ਕਿਵੇਂ ਜਾਣਬੁੱਝ ਕੇ ਬਣਾ ਸਕਦੇ ਹੋ?
6. ਕਿਹੜੇ ਸੰਕੇਤ ਦਿਖਾ ਸਕਦੇ ਹਨ ਕਿ ਤੁਹਾਡੀ LLM ਨਾਲ ਗੱਲਬਾਤ ਰਾਹ ਤੋਂ ਭਟਕ ਗਈ ਹੈ, ਅਤੇ ਤੁਸੀਂ “ਸੰਦਰਭ ਰਿਫ੍ਰੈਸ਼” ਕਿਵੇਂ ਕਰੋਗੇ?
7. ਪਿੰਗ-ਪੌਂਗ ਪ੍ਰਭਾਵ ਮਨੁੱਖੀ ਸਹਿਕਰਮੀਆਂ ਅਤੇ ਦੋਸਤਾਂ ਨਾਲ ਰਵਾਇਤੀ ਬ੍ਰੇਨਸਟਾਰਮਿੰਗ ਸੈਸ਼ਨਾਂ ਤੋਂ ਕਿਹੜੇ ਤਰੀਕਿਆਂ ਨਾਲ ਵੱਖਰਾ ਹੈ? ਕਿਹੜੇ ਤਰੀਕਿਆਂ ਨਾਲ ਸਮਾਨ ਹੈ?

ਮੈਂ ਜ਼ਿਆਦਾਤਰ ਅਧਿਆਇਆਂ ਨੂੰ ਸੋਚ-ਵਿਚਾਰ ਲਈ ਸਵਾਲਾਂ ਨਾਲ ਬੰਦ ਕਰਨਾ ਜਾਰੀ ਰੱਖਾਂਗਾ। ਪਰ ਯਾਦ ਰੱਖੋ, ਇਹ ਸਵਾਲ ਅਭਿਆਸ ਕਰਨ ਦੇ ਸੱਦੇ ਹਨ। ਕਿਸੇ AI ਗੱਲਬਾਤ ਜਾਂ ਸਹਿਯੋਗ ਵਿੱਚ ਸ਼ਾਮਲ ਹੋਵੋ ਅਤੇ ਦੇਖੋ ਕਿ ਇਹ ਤੁਹਾਨੂੰ ਕਿੱਥੇ ਲੈ ਜਾਂਦਾ ਹੈ।