私たちは、自分の心を鍛えるために必要な作業を迂回できない
(zettelkasten.de)- 「何も覚えておかなくてよい」 という主張は、古くからある 幻想 である
- インターネット、メモアプリ、AI などのデジタルツールが 記憶の必要性 をなくすと主張されるが、思考力 に隠れたコストが生じる
- 批判的・分析的思考力 が不足していると、インターネット検索の結果を効果的に活用できず、知識の獲得が浅い水準にとどまる
- 深い知識 なしに情報だけを表面的に消費すると、脳の認知的処理能力 が弱まる
- Zettelkasten Method のような方法と継続的な訓練は、意味のある知識労働 のために不可欠である
デジタルツールと記憶力をめぐる幻想
- 「何も覚えておかなくてよい」という考えは、すでに数十年前から現れていた 古い認識 である
- 検索エンジン、旧来のメモアプリ、AI などは、記憶の重要性 がなくなったという主張を繰り返してきた
- しかし実際には、望む情報を見つけるには 基礎教育 とその分野に関する 事前知識 が不可欠である
批判的思考とインターネット活用能力
- 現代社会では、必要な思考過程を 省略し、インターネットでいきなり結論だけを探そうとする傾向が強まっている
- この傾向は、自己主導学習の機会 と 事前知識 の縮小につながり、情報の質を評価して実際の知識へと変換する能力を低下させる
- 研究によれば、いわゆる デジタルネイティブ は、インターネットで見つけた情報を批判的・分析的に評価する能力が不足している
- インターネット検索の真の価値を得るには、分野ごとの メンタルマップ が必要である
デジタルネイティブのアプローチと問題点
- デジタルネイティブは、情報を 表面的な一致の有無 だけで判断し、批判的評価 への動機が弱くなっている
- このようなアプローチは、次のような結果をもたらす
- 資料との 感情的なつながりの弱化 により、思考の深さと没入が低下する
- 情報との 浅い関係の形成 にとどまり、脳構造の変化が起こらない
- 結果として、表面的な情報消費の習慣が積み重なるほど、知識の土台が脆弱になる
知識・メモ・批判的思考の核心的前提
- 真の意味での 知識形成 は、AI や PKM(Personal Knowledge Management) ツールではなく、本人が 直接行う 必要がある
- たとえば ChatGPT に週間の運動ルーティンを設計させることはできるが、背景知識がない状態 では、その結果の正しさを判断できない
- 重要な概念についての 深い理解 がなく、表面的な用語だけを知っている状態では、情報の実際の価値 を評価することは難しい
背景知識と脳の内部処理能力
- 表面的な関連だけを思い浮かべる水準と、特定の用語について実際に 根本的で多層的な知識を網羅して想起できる状態 は大きく異なる
- 知識労働のボトルネック は外部情報の量ではなく、個人の 脳が情報を処理する内部能力と訓練状態 にある
正しい道具と継続的訓練の必要性
- 「何も覚えておかなくてよい」という考えとは異なり、実際には 「すべてを覚えておくべきだ」 という方向が望ましい
- そうしてこそ、意味のある認知的作業 と知識に基づく思考が可能になる
- 単純なツール（例: 間隔反復法）は単純作業に、高度なツール（例: Zettelkasten Method）は複雑な思考に役立つ
- 深い処理 は、結局のところ脳を訓練することと直接結びついている
- 知識労働の未来は、心の訓練をあきらめない姿勢 にかかっている
Live long and prosper
Sascha
1件のコメント
Hacker Newsのコメント
1つ目は、AIに答えを尋ねるやり方。何かを作ってもらうと、本来自分がやるべき思考をAIが代わりに引き受けてくれるので、作業が簡単に感じられる
2つ目は、AIを反復的で単純な作業（テストスイート作成やインフラ設定など）の自動化ツールとして使うやり方。実際に人間より速いが、難しい作業に集中しなければならないので、むしろもっと大変になる この2つのアプローチは、感覚としてあまりにも違う 1つ目のやり方では仕事が楽になり、2つ目のやり方では簡単な部分が自動処理されることで、むしろより多くの思考と苦労が連続して必要な状態に変わる 職場に少しでも競争があるなら、2つ目のパターンで働く人のほうが、生産性も品質も圧倒的に高いと信じている ただ、こういうやり方は精神的にとても消耗する感じがする 関連記事
2つ目のやり方を実際に会社で試してみた ほぼ確実に成功させるには、あらかじめ実装計画を大部分組んでおく必要があり、LLMが変な結果を出していないか監視もしなければならない その間、ほかの仕事にはほとんど手を付けられない 体感では生産性が10%〜20%ほど改善する感じだ
「考える作業を連続的に圧縮して、ハードな仕事だけをやる」感じ、それがまさに自分が言いたかったポイントだった システム設計における本当のボトルネックは、簡単な仕事や反復ではなく、予測しにくい部分、未知の領域、意図しない結果などだ。AIはそういう部分ではあまり大きく助けてくれない むしろ反復的な業務を完全には自動化せず、一部残しておくほうが助けになる そうした仕事がそのドメインにとどまらせてくれるし、難しい問題への洞察もよく得られるからだ
自分はAIにアーキテクチャ、コード構成、アルゴリズムレベルの設計を任せている 計画はそのレベルで立てて、実装そのものはエージェントに全面的に任せる テストも自分で行い、さらに複数のAIエージェントにも監査させる パイプラインは100%自動化されていて、結果もとても良い いずれにせよ、自分の指示どおりに確率的ワークフローDAGをオーケストレーションしているという点で、エンジニアリングの感覚も保たれている
LLMの問題は、単純な仕事ですら完全に単独ではやり切れないことだ そして人間が介入しなければならないとき、LLMは人間の直感まで鈍らせるほど馬鹿げたバイアスを誘発することがある ただ、こういう発想は、コンパイラ、型チェッカー、自動テスト、バージョン管理などの開発の歴史ともつながっていると思う
1つ目の例（質問して答えだけ得るやり方）のほうが、むしろもっと考えなければならないこともある 生成結果が正確に自分の望むことをしていなかったり、バグがあったり、複雑になっていたりすると、自分が書いていない大量のコードを分析して理解しないと次に進めない こうしてコードを読んでいると、時間を無駄にしてしまうことがある 最終的に、入力プロンプトや仕様が完璧に明確で、自分で書いたコードと同じレベルで理解できるなら問題ないが、そうでないなら全部消して計画からやり直したほうがよいと思う
「すべてを覚えていなければ意味のある知的作業はできない」という主張について 実際には、すべてを覚えている必要はない 経験、思考、文章化といった過程を通じて、入口と、その次に続く内容の形くらいを覚えていれば、意味のある作業には十分だ
「人が記憶しようとするものは、ある順序にうまく並べなければならない。順序（秩序）は記憶の鎖である」というトマス・アクィナスの言葉を引用 この一節を自分のZettelkastenで見つけた
仕事によると思う たとえば外国語での会話のようにリアルタイムのパフォーマンスが必要な場合は、単語をしっかり覚えておく必要があるし、演奏などでも同じだ 文章を書くときはゆっくりできるが、背景知識があまりに不足していると、結局は裏で多くの準備が必要になる
実はLLM（言語モデル）もそういうふうに動く 人間の脳のように、事前学習（pre-training）で可能な限り多くの情報を入力したあと、ある閾値を超えると、推論やツール使用など人間的な思考に近い結果が出てくる だから脳も、事前学習データが足りなければ弱いベースモデルになるという仮説に同意する
自分は答えをすべて覚えるのではなく、どこで答えを見つけるか、その場所だけを覚えるほうだ
もしかして「最初の状態だけ覚えて、頭が残りをたどっていく形（連想法）なのか」、あるいは「解決策の出発点だけを覚えるのか（たとえば前提や主要アイデアいくつか）」という質問 Zettelkastenユーザーなら、前者のやり方に十分同意すると思う
「すべてを覚えていなければ意味のある知的作業はできない」という主張について もし人間に抽象化（Abstraction）能力がなければ一理あると思う しかし抽象化が存在するので、実際には具体的事実の一部だけ覚えていれば十分だ 重要なのは、強力な概念モデルと暗黙知（tacit knowledge）が必要だという点だ 経験とフィードバックによって暗黙知が生まれ、概念モデルを築きながら事実を付け足していく 初期には暗記力が役立つが、ある程度成長すると、それ自体がむしろ妨げになることもある 加工物の全体を常に一度に覚えている必要はなく、経験を積めば必要なだけを「フレームワーク」に当てはめればよい 暗記そのものが嫌いな人たちは、初心者の時期を苦労して通り抜けたケースが多いので、その点で論争が起きているのだと思う
「すべてを覚えなければならない」という主張に対するポストがいくつも出ていたが、論点と文脈をかなり取りこぼしている感じがする 実際にすべてを覚えるのは不可能なのだから、できるだけ多く覚えようと努力すべきだという点には同意する 究極的には、「全部覚えなくていいから気にしなくていい」という発想が危険だと思う 電卓やLLMに任せることは後々の助けにもならない、という形で元の文章の論旨はかなり強く提示されていたと思う
「概念モデルと暗黙知のほうが重要だ」という論旨に深く共感する コンピュータサイエンスとソフトウェアエンジニアリングを長くやるほど、本当に中核となる概念は思ったほど多くないと気づく 本当に熟練したエンジニアには、それぞれの概念を「生きたものとして感じる」経験が不可欠だ これらの概念をしっかり体得すると、どんなコンピュータ関連の問題でもすぐに「概念の座標」に合わせて把握できるようになり、そこから繰り返し応用し、理解できる
最近このテーマを知人たちとよく話すのだが、エンジニアリングとは結局のところ「問いから始まり、明確な解法なしに出発すること」だと定義している こういうとき重要なのは、自分のレイヤーを支えている基盤、つまり下位の抽象レイヤーを十分理解していることだ 知識のピラミッドとして見ると、各層でさまざまな役割や専門性が分化しているが、どの位置にいても、下のレイヤーを理解するほど直感は鋭くなる もし基礎をアウトソースしてしまえば、批判的思考だけでなく、自分が身を置く世界の構造に対する直観も弱くなるということだ
AnkiやZettelkastenのような記憶強化ツールには共感するが、この記事は単純化しすぎている面があると思う 知識ベースの作業モデルには2種類あると見ている
最近際立っている現象は、AIが背景知識ゼロのとき大いに助けになるという点だ だが、まさにそれこそが問題だと思う AIは簡単な出発点を与えてくれるが、その過程で利用者が自分で学ぶ機会を失わせてしまう 学習は「受容→理解→記憶→応用」のループを繰り返す過程なのに、AIに無限にプロンプトして答えばかり得ていると、自分自身の学習がほとんど起きない
AIの利点は、「種類（kind）」についての例を複数うまく提示してくれることだ AIが「Xをしている会社」をいくつも見つけてくれると、自分で検索エンジンを使って調べるとき、どういう方向でさらに深掘りすればよいかの参考になる 実際に最終的な結論がAIの提示物そのものに行き着かなくても、意見を聞いたあとは自分で判断しなければならない AIは単語と特徴のあいだ、また各カテゴリでの言い回しのパターンを捉えるのに特化している
パイロットも、チェックリストのように暗記せず参照できるツールを使うことがあるし、緊急時にはほとんど反射的に、符号化された記憶だけを頼りに実行しなければならないこともある
即興性やライブパフォーマンス（会話、演奏など）は、記憶力があってこそうまくできる どれだけライブ処理を求めるかが、記憶力の適正水準を判断するよい基準になりそうだ
「質問だけ読んですぐ総合的な答えを出せないなら、十分な背景知識がない」という主張について この見方は極端すぎる たとえば運動計画を立てるとき、細かな要素まで全部考慮しなくても構わない 最高に最適化された（「minmaxed」な）答えでなくても、継続さえすれば十分によい結果は出せる これはあらゆる分野に当てはまる共通点だ 深い専門家でなくても、一定水準の結果は出せる
数学でもまったく同じだ 電卓を使うことはできるが、数の感覚や算術的な直感があれば、世界をはるかに速く正確に処理できる AIや検索エンジンの助けも借りるだろうが、最低限の判断力は自分で備えていなければならない
多くの人が、データを自分の直感で確認しないまま、まずExcelの数式を作り始めるのを不思議に思ってきた たとえばA8が120でA7が100なら、何%増えたかを自分の目で即座に確認するのは良い習慣だ AIについても同じで、何も知らない分野の答えを鵜呑みにするのではなく、まず自分で確認可能な値や概念でチェックすべきだ
電卓を使うかどうかにかかわらず、計算そのものに拒否感があることが問題だ 簡単な公式（面積、体積、密度、エネルギーなど）を覚えているだけでも、その場の計算でどれだけ多くのナンセンスをふるい落とせるかに驚く ピザの直径の問題のような有名な例もある
本当の核心は、脳が経験によって「馴らされながら」進化するという点だ 何も暗記せず、常に検索だけに頼っていると、脳は結局、検索エンジンのように振る舞う方法しか学ばない 検索できない状況では、それまでの経験不足が致命的な限界になる もちろん、そういうやり方が今の時代には通用することもあるだろうが、脳が改善されるという基本原理そのものは変わらない
自分が見る限り、すべてを覚える必要まではないが、確かに「触れたことがある」経験は必須だと思う 「自分が何を知らないのか」すら分からなければ、知識労働をするには危うい 「すべてについて少しずつ、ひとつの分野については深く学べ」という格言に共感する
インターネット以前は、周りの人に聞いて、その人たちが適当に答えたらそのまま信じていた やがてインターネットが登場し、検索結果はランダムな知人よりは精度が上がった 今はAIが登場したが、AIも完璧ではないにせよ、その辺の誰かや無作為なブログよりは答えが多少信頼できるようになった 100%正しくなければならないという発想自体、私には奇妙に感じられる 昔はみんな、近くにいる人の適当な発言をそのまま受け入れていたのだから
LLMがランダムなブログを集計して答えを作るほうが、専門性が検証されたブログを自分で直接検索するより正確だという根拠が気になる
質問するときに、無作為に誰にでも聞くのは間違っている 常にそのドメインの専門家に聞くべきだ たとえばビデオゲームのことを妻に聞いたり、プログラミングのことを父に聞いたりはしない そうするだけでも、AIの必要性はずっと小さくなる