บทสนทนาที่ชัดเจนยิ่งขึ้นเกี่ยวกับอนาคตของ AI

คุณคาดหวังอะไรจาก AI เหตุใดจึงคาดหวังเช่นนั้น และอะไรอาจทำให้คุณเปลี่ยนใจ?

Doom or Bloom ช่วยให้คุณสำรวจมุมมองที่หลากหลายเกี่ยวกับ AI และทำแผนที่ความคิดของคุณเองผ่านคำถามปลายเปิดไม่กี่ข้อ ไม่จำเป็นต้องมีความรู้เฉพาะทางหรือบัญชี ใช้งานได้ฟรีทั้งหมดและเป็นโอเพนซอร์ส

ทำไมจึงสร้างสิ่งนี้?

ผลดีและความเสี่ยงที่อาจเกิดขึ้นจาก AI สมควรได้รับการอภิปรายอย่างรอบคอบและตั้งอยู่บนข้อเท็จจริง เมื่อความสามารถก้าวหน้าและการตัดสินใจส่งผลสืบเนื่องมากขึ้น เราจำเป็นต้องมีวิธีที่เข้าถึงได้ในการคิดอย่างชัดเจนท่ามกลางมุมมองที่แตกต่างกันอย่างมาก

ฉันสร้างสิ่งนี้ขึ้นเพื่อสำรวจเสียงต่าง ๆ ในวงการและช่วยให้ผู้คนคลี่คลายสัญชาตญาณที่ขัดแย้งกัน สิ่งนี้ช่วยทำให้มุมมองของฉันเองชัดเจนขึ้นแล้ว เป้าหมายคือถ่ายทอดมุมมองของคุณอย่างซื่อตรง โดยชี้นำเชิงบรรณาธิการให้น้อยที่สุดเท่าที่จะเป็นไปได้

ระเบียบวิธี

ทุกสิ่งที่กำหนดผลลัพธ์ของคุณเป็นโอเพนซอร์ส หมายเหตุที่มีหมายเลขเชื่อมโยงไปยังไฟล์และงานวิจัยที่ใช้โดยตรง

การสัมภาษณ์ทำงานอย่างไร

  1. คำถามเปิดเหมือนกันสำหรับทุกคน
  2. คำถามสำหรับแผนที่ผลกระทบโดยรวม ระดับการเปลี่ยนแปลง และ P(doom) โดยถามแต่ละเรื่องไม่เกินหนึ่งครั้ง
  3. คำถามติดตามคำถามที่เขียนไว้ล่วงหน้าเกี่ยวกับสิ่งที่ยังไม่ชัดเจน รวมทั้งหมดไม่เกิน 12 ข้อ
  4. ผลลัพธ์ของคุณเมื่อสามารถระบุตำแหน่งบนแผนที่ของคุณได้แล้ว โดยคุณยังตอบคำถามต่อได้

หลังคำตอบทุกข้อ

Jev ตัดสิน

  • คำตอบใช้ได้หรือไม่
  • คำอธิบายใดที่เขียนไว้ล่วงหน้าตรงกับคำตอบ
  • คำถามที่เป็นตัวเลือกแต่ละข้อจะช่วยให้ชัดเจนขึ้นมากเพียงใด

โค้ดตัดสินใจ

  • คำถามข้อใดจะเป็นข้อต่อไป
  • ผลลัพธ์พร้อมเมื่อใด
  • ตำแหน่งบนแผนที่ ช่วงค่าต่างๆ และ P(doom) ของคุณ

โค้ดเลือกคำถามติดตามแต่ละข้อ⁠[1] จากรายการคำถามที่เขียนไว้ล่วงหน้าแบบตายตัว⁠[2] และคนส่วนใหญ่จะเห็นผลลัพธ์หลังตอบคำถามเหล่านี้ 4–8 ข้อ Jev ของ TypeSafe อ่านคำตอบของคุณผ่านการตัดสินย่อยที่มุ่งเน้น โดยเทียบกับเกณฑ์ที่เขียนไว้ล่วงหน้า⁠[3] และจะไม่เขียนคำถามหรือคำตัดสินเกี่ยวกับตัวคุณเลย⁠[4] โค้ดจะรวมการตัดสินเหล่านั้นเป็นแผนที่ของคุณ ช่วงค่าต่างๆ และ P(doom)⁠[5] การประมวลผลการตัดสินย่อยเป็นชุดทำให้มีต้นทุนต่ำพอที่จะให้บริการได้ฟรี

ผลลัพธ์ของคุณคืออะไร และไม่ใช่อะไร

แผนที่
การตีความของเราจากสิ่งที่คุณเขียน ไม่ใช่คำตัดสิน แบบทดสอบ หรือการพยากรณ์ กรอบเส้นประแสดงการตีความอื่นๆ ที่เป็นไปได้ ไม่ใช่โอกาสที่คุณจะตีความถูกต้อง⁠[6]
เบื้องหลังแผนที่
โลกทัศน์ 8 มิติและคุณภาพของการให้เหตุผล 7 ด้าน เช่น ความเต็มใจที่จะปรับตามข้อมูลใหม่ หลักฐานที่ขาดไปจะยังไม่ถูกระบุตำแหน่ง และจะไม่นับเป็นคะแนนต่ำโดยเด็ดขาด⁠[5]
P(doom)
เป็นตัวเลขที่คุณกรอกหรือค่าประมาณที่อนุมานจากคำตอบของคุณ โดยมีการระบุว่าเป็นแบบใด⁠[7]
การตัดสินใจเชิงบรรณาธิการ
คำตอบไม่ได้ผ่านการตรวจสอบข้อเท็จจริง คำถาม เกณฑ์การประเมิน และแม้แต่ชื่อ ล้วนเกี่ยวข้องกับการตัดสินใจเชิงบรรณาธิการ และชื่ออาจชี้นำให้คุณนึกถึงความเสี่ยงและผลดี มุมมองแบบผสม ความไม่แน่นอน และมุมมองสุดขั้วที่สอดคล้องกัน ล้วนใช้ได้⁠[8]
ผู้นำทางความคิด
การจำลอง: โมเดลอีกตัวหนึ่ง (GPT-5.6 Sol) ตอบคำถามเดียวกันโดยอ้างอิงแหล่งข้อมูลสาธารณะที่เชื่อมโยงไว้ของแต่ละบุคคล⁠[9] และระบบของเราอ่านคำตอบเหล่านั้นโดยไม่รู้ว่าเป็นของใคร⁠[10] คำตอบเหล่านี้ไม่ใช่คำตอบหรือการรับรองจากบุคคลเหล่านั้นเอง ให้ถือว่าเป็นต้นแบบ โดยในการทดสอบของ Pew ในปี 2026 คำตอบจาก AI ที่เป็นตัวแทนต่างจากคำตอบของคนจริงโดยเฉลี่ย 12 จุดเปอร์เซ็นต์⁠[11]

หลักฐานที่มีจนถึงขณะนี้

ตำแหน่งจากการตีความมุมมองต่างกันมากเพียงใด

การตีความคำตอบชุดเดียวกันสองครั้ง

Jev อ่านคำตอบชุดเดิมสองครั้ง
0.007
Jev หลังปรับถ้อยคำโดยคงความหมายเดิม
0.019
Jev เทียบกับ GPT-5.6 Sol
0.060

การอ่านค่าเทียบกับตำแหน่งที่บุคคลนั้นระบุด้วยตนเอง

Jev
0.141
GPT-5.6 Sol
0.135
การคาดเดาแบบเดียวกันสำหรับทุกคน
0.233

ระยะห่างเฉลี่ยบนแกน Doom–Bloom ช่วง 0–1 แถบยาวไปถึง 0.3 และยิ่งสั้นยิ่งใกล้ จากการระบุตำแหน่งตนเอง 219 ครั้งและการสัมภาษณ์ที่ปรับถ้อยคำใหม่ 60 ครั้ง ณ 29 กันยายน 2569⁠[12]

ตำแหน่งที่คุณระบุด้วยตนเอง
ค่าที่อ่านได้อยู่ใกล้ตำแหน่งที่ผู้คนระบุด้วยตนเองมากกว่าการใช้การคาดเดาเดียวกันสำหรับทุกคน โดยไม่มีแนวโน้มเฉลี่ยเอนเอียงไปทางความหวังหรือความกังวล⁠[13] ผู้ประเมินเห็นพ้องกันเองมากกว่าเห็นพ้องกับผู้คนอย่างมาก ดังนั้นช่องว่างส่วนใหญ่จึงอยู่ระหว่างวิธีที่ผู้คนเขียนกับวิธีที่พวกเขามองตนเอง หากทั้งสองต่างกันเกินหนึ่งในสี่ของแกนใดแกนหนึ่ง ผลลัพธ์ของคุณจะถามเกี่ยวกับความแตกต่างนั้น
การอ่านซ้ำและการปรับถ้อยคำ
การอ่านซ้ำหรือการปรับถ้อยคำในการสัมภาษณ์ไม่เคยทำให้มุมมองเปลี่ยนไปเกินขีดจำกัด 0.10 ของเรา สำหรับคำตอบที่มีความหมายเดียวกัน⁠[14] ช่วงบนแผนที่จะไม่ถูกวาดให้แคบกว่า ±0.05 ซึ่งเป็นความแปรผันที่พบเมื่อบุคคลจำลองทำการสัมภาษณ์ซ้ำ
โมเดลที่ใหญ่กว่า
Jev ให้ผลตรงกับ GPT-5.6 Sol ภายในขอบเขตความคลาดเคลื่อน โดยมีค่าใช้จ่ายประมาณ 1/21⁠[12]
“สิ่งนี้ตรงกับที่คุณรู้สึกหรือไม่?”
ผู้คน 68 จาก 80 คนตอบว่าใช่ (85%)⁠[13] ให้ตีความค่านี้เป็นเพดาน เพราะผู้คนมีแนวโน้มเห็นด้วยกับการอ่านตัวตนของตนโดย AI ในการศึกษาของ NORC ผู้ให้รหัสอิสระสนับสนุนการให้รหัสของ AI น้อยกว่าผู้ตอบแบบสอบถามประมาณ 20%⁠[15]
P(doom) ที่อนุมานได้
เป็นเพียงค่าคร่าวๆ เมื่อทดสอบกับตัวเลข 113 ตัวที่ผู้คนพิมพ์ โดยซ่อนตัวเลขเหล่านั้นไว้ ระบบอ่านค่าได้ 96 ตัว และมีอัตราต่อรองคลาดเคลื่อนไม่เกิน 2× เพียง 22% ของเวลา ซึ่งไม่ได้ดีกว่าการเดา 12.5% ให้ทุกคน แต่ระบบจัดลำดับผู้คนได้อย่างสมเหตุสมผล และเปอร์เซ็นต์ที่คุณพิมพ์ เช่น “20%” จะมีผลเหนือกว่าเสมอ⁠[12]
สิ่งที่ยังไม่ได้ทำ
เรายังไม่มีชุดทดสอบแบบปกปิดที่ติดป้ายกำกับโดยผู้ประเมินอิสระตามที่แผนการประเมินของเรากำหนดไว้⁠[14] จนกว่าจะมีชุดทดสอบดังกล่าว การตรวจสอบทุกอย่างที่นี่จะเปรียบเทียบค่าที่อ่านได้กับตำแหน่งที่ระบุด้วยตนเอง การประมวลผลซ้ำ หรือโมเดลอื่นๆ ยังไม่มีการเปรียบเทียบผลลัพธ์ระหว่างภาษาที่ใช้ในการสัมภาษณ์

ใครได้ทำแบบสัมภาษณ์นี้แล้ว

ณ 3 ตุลาคม 2569 มีผู้ได้รับผลลัพธ์แล้ว 963 คน⁠[13] คนเหล่านี้เลือกทำแบบประเมิน โดยส่วนใหญ่มาจากกระทู้ใน Hacker News (25 – 26 กันยายน) และโพสต์บน X (27 – 28 กันยายน) และผู้เข้าร่วมทั้งสองระลอกมีผลลัพธ์ห่างกันมาก โดยมีค่ามัธยฐานของมุมมองที่ 0.32 เทียบกับ 0.68 บนแกน Doom–Bloom ช่วง 0–1 (ดูการเปรียบเทียบ) ดังนั้นตัวเลขของเราจึงอธิบายผู้ที่เข้ามาทำแบบประเมิน ไม่ใช่ประชาชนทั่วไป และเราเผยแพร่ตัวเลขเฉพาะกลุ่มที่มีอย่างน้อย 10 คน

เหตุผลที่คำถามเขียนขึ้นโดยเฉพาะ

AI อาจด้นสดการสัมภาษณ์ได้ คำถามที่กำหนดและเรียบเรียงไว้ล่วงหน้าช่วยให้ถ้อยคำเป็นกลางและเหมือนกันทุกครั้ง เพื่อให้ผู้เข้าร่วมทุกคนและผู้นำทางความคิดจำลองทุกคนตอบคำถามเดียวกัน และทำให้การเปรียบเทียบมีความหมาย แนวทางปี 2026 ของ AAPOR จัดให้ผู้สัมภาษณ์ที่เป็น AI ซึ่งสร้างคำถาม เปลี่ยนถ้อยคำ หรือมีอิทธิพลต่อกระบวนการสัมภาษณ์ มีความเสี่ยงสูง⁠[16] ที่นี่ถ้อยคำจะไม่เปลี่ยนแปลง และ Jev กำหนดทิศทางของกระบวนการผ่านการตัดสินที่โค้ดใช้เลือกจากคำถามต่างๆ เท่านั้น

เวอร์ชันและการเปลี่ยนแปลง

อัลกอริทึม
0.7.5
คำถาม
0.4.0-draft
เกณฑ์การประเมิน
0.1.0-draft
โมเดล
jev-1.13.0

ผลลัพธ์ที่บันทึกไว้แต่ละรายการจะเก็บข้อมูลเวอร์ชันที่ใช้สร้างผลลัพธ์นั้น การแก้ไขที่ไม่ต้องอาศัยการตัดสินใหม่จะมีผลกับผลลัพธ์เก่าด้วยเมื่อมีการแสดงผล

  1. · 0.7.5ระบุตำแหน่งผู้คนไว้ระหว่างห้าระดับของแผนที่ แทนที่จะระบุเฉพาะบนระดับเหล่านั้น และอ่านผลลัพธ์ที่บันทึกไว้อีกครั้ง⁠[17]
  2. · 0.7.4การสัมภาษณ์ใน 10 ภาษา โดย Jev อ่านคำตอบตามที่เขียนไว้และได้รับแจ้งภาษาที่ใช้ในการสัมภาษณ์
  3. · 0.7.2–0.7.3เก็บคำตอบ P(doom) ที่พิมพ์ไว้ซึ่งสั้นเพียง “30%” โดยก่อนหน้านี้คำตอบเหล่านี้ถูกแทนที่ด้วยค่าที่อนุมาน และถามเพิ่มอีกหนึ่งคำถามเมื่อการตีความมีความเห็นแตกต่างกันหรือห่างจากตำแหน่งที่คุณระบุเองมาก⁠[12]
  4. · 0.7.0–0.7.1แก้ไขวิธีแสดง P(doom) (คำตอบ 20% ที่พิมพ์ไว้เคยแสดงเป็นประมาณ 3%) ถามโดยตรงเกี่ยวกับระดับการเปลี่ยนแปลงและ P(doom) เลิกชะลอการแสดงผลลัพธ์เพื่อให้ครอบคลุมการให้เหตุผล และอ่านผลลัพธ์ที่บันทึกไว้อีกครั้ง⁠[18]

บันทึกการวิจัยบน GitHub บันทึกการเปลี่ยนแปลงแต่ละครั้งพร้อมหลักฐานประกอบ

ตัวอย่างที่ใช้ Elon Musk

ต่อไปนี้คือตัวอย่างผลลัพธ์ JSON บางส่วนจากแบบประเมินจำลองของ Elon Musk

ข้อมูลนำเข้าของแบบประเมิน

Depth 1+ folded · dotted keys have hover help

}

คำตอบและบริบทที่ส่งให้ Jev สำหรับแบบประเมินจำลองหนึ่งรายการ

ผลลัพธ์ที่สร้างขึ้น

Depth 1+ folded · dotted keys have hover help

"evidenceRevision": 5,
"sources": [],
true,
"capped": false,
"insufficient": false,
"reason": "Your answers place your outlook and the scale of change you expect, which is what the map needs. More answers can sharpen it."
}

ชุดการวินิจฉัยที่แอปของเราใช้อนุมานผลลัพธ์

คำตอบของคุณยังคงเป็นของคุณ

คำตอบและผลลัพธ์ของคุณเป็นส่วนตัวโดยค่าเริ่มต้น คุณเลือกเผยแพร่ได้หากต้องการแบ่งปัน ไม่จำเป็นต้องลงทะเบียน อ่านรายละเอียดเพิ่มเติมได้ในนโยบายความเป็นส่วนตัว

ขั้นต่อไปคืออะไร?

เวอร์ชันแรกนี้มุ่งเน้นการทำความเข้าใจมุมมองของคุณโดยไม่พยายามเปลี่ยนแปลงมุมมองเหล่านั้น โหมดโสเครติสในอนาคตอาจท้าทายข้อสันนิษฐาน เสนอตัวอย่างโต้แย้งที่มีแหล่งข้อมูลรองรับอย่างดี และช่วยเสริมความแข็งแกร่งให้การให้เหตุผลของคุณ

เป้าหมายคือเครื่องมือที่ดียิ่งขึ้นสำหรับการคิดอย่างชัดเจนซึ่งทุกคนใช้ได้ ไม่ว่าคุณจะอยู่ตรงไหนบนแผนที่ ฉันอยากทราบว่าส่วนใดมีประโยชน์ ส่วนใดดูไม่ถูกต้อง และยังขาดอะไรอยู่ แบ่งปันความคิดเห็นบน GitHub

แหล่งข้อมูล

  1. 1.
  2. 2.
  3. 3.
  4. 4.
  5. 5.
  6. 6.
  7. 7.
  8. 8.
  9. 9.
  10. 10.
  1. 11.
  2. 12.
    Engine design review, September 29, 2026

    Doom or Bloom research notes · 2026

  3. 13.
  4. 14.
  5. 15.
  6. 16.
    Responsible AI Integration in Survey Research

    AAPOR Task Force on Responsible AI Integration in Survey Research · 2026

  7. 17.
    Why the map showed five columns, October 3, 2026

    Doom or Bloom research notes · 2026

  8. 18.
    Interview and modeling audit, September 27, 2026

    Doom or Bloom research notes · 2026

จุดยืนของคุณอยู่ตรงไหน?
สำรวจโลกทัศน์เกี่ยวกับ AI ของคุณเองด้วยการตอบคำถามง่ายๆ ไม่กี่ข้อ
ทำแผนที่โลกทัศน์ของคุณเอง