Là một người đã sử dụng NotebookLM, trợ lý nghiên cứu cá nhân hóa được hỗ trợ bởi AI của Google, ngay từ khi nó ra mắt dưới dạng sản phẩm thử nghiệm, tôi luôn coi đây là một trong những công cụ AI năng suất yêu thích nhất của mình. Thực tế, tôi luôn sử dụng NotebookLM một cách độc lập. Mặc dù đã thấy nhiều người thử nghiệm và kết hợp NotebookLM với các công cụ khác như OneNote, tôi chưa bao giờ cảm thấy cần phải ghép nối nó với bất kỳ thứ gì, vì những gì nó cung cấp đã cảm thấy hoàn chỉnh và đầy đủ.
Tuy nhiên, trong tuần qua, tôi đã quyết định thay đổi cách tiếp cận và đưa một công cụ AI khác mà tôi đã tìm hiểu từ lâu vào quá trình làm việc của mình: Perplexity. Mục đích của tôi không phải là tìm kiếm một sự thay thế cho NotebookLM, mà là để xem điều gì sẽ xảy ra nếu tôi sử dụng cả hai công cụ AI hỗ trợ nghiên cứu này cùng lúc. Liệu tôi có quay lại sử dụng NotebookLM một mình như trước đây, hay sự kết hợp này sẽ biến đổi hoàn toàn quy trình làm việc của tôi theo hướng tốt hơn? Ngạc nhiên thay, kết quả nghiêng về vế sau, và hai công cụ AI này bổ trợ cho nhau tốt hơn rất nhiều so với những gì tôi mong đợi.
Tại Sao Nên Kết Hợp NotebookLM Với Perplexity Ngay Từ Đầu?
Chúng Bổ Trợ Nhau Hoàn Hảo
Một bàn tay đang với lấy biểu tượng của Perplexity.
Mặc dù NotebookLM và Perplexity đều được thiết kế để làm cho quá trình nghiên cứu tẻ nhạt trở nên nhanh chóng và đơn giản hơn, nhưng chúng lại đảm nhiệm những phần hoàn toàn khác nhau của quy trình này. Perplexity là một công cụ tìm kiếm AI được thiết kế để giúp giảm thiểu thời gian bạn dành cho việc tìm kiếm thông tin.
Mặt khác, công việc của NotebookLM bắt đầu sau khi bạn đã thu thập thông tin. Nó có thể giúp bạn tổ chức, hiểu và tương tác với thông tin bạn đang nghiên cứu theo nhiều cách khác nhau. Mặc dù Google đã thêm tính năng “Discover sources” vào NotebookLM cách đây không lâu, cho phép bạn mô tả loại nguồn bạn muốn thêm vào sổ tay và sau đó tìm kiếm trên web cho bạn, nhưng nó có khá nhiều hạn chế.
NotebookLM sổ tay OOP hiển thị trên iPad bên cạnh một ly Stanley
Ví dụ, tính năng này chỉ có thể gợi ý tối đa mười nguồn cùng một lúc. Tôi cũng không phải lúc nào cũng hài lòng với các nguồn mà nó tập hợp được, vì vậy tôi thường tự tìm kiếm nguồn từ web. Perplexity, ngược lại, được thiết kế để tìm kiếm internet theo thời gian thực và thu thập thông tin từ các nguồn đáng tin cậy.
Vì vậy, về cơ bản, nơi NotebookLM còn thiếu sót, Perplexity lại tỏa sáng (và ngược lại). Khi bạn kết hợp sức mạnh của cả hai công cụ AI, bạn sẽ có được một bộ đôi nghiên cứu thông minh hơn và hiệu quả hơn nhiều so với việc chỉ sử dụng một mình.
Perplexity Xử Lý Việc Tìm Nguồn Thông Tin
Giảm Gánh Nặng Tìm Kiếm
Hộp văn bản tính năng Discover Sources của NotebookLM
Như tôi đã đề cập ở trên, chìa khóa ở đây là tận dụng tối đa sức mạnh của NotebookLM và Perplexity. Và cách tôi sử dụng các công cụ này cực kỳ đơn giản. Perplexity sẽ tìm kiếm các nguồn liên quan đến chủ đề tôi đang nghiên cứu, tôi tạo một sổ tay NotebookLM mới và tải tất cả các nguồn đó lên, sau đó sử dụng các tính năng khác nhau của NotebookLM để tương tác với thông tin. Nghe có vẻ hơi khó hiểu, vì vậy tôi sẽ minh họa bằng một ví dụ.
Giả sử tôi là sinh viên khoa học máy tính và đang ôn thi giữa kỳ môn Lập trình Hướng đối tượng (Object-Oriented Programming – OOP). Tôi đang bối rối về các nguyên tắc chính của mô hình này. Mặc dù một lựa chọn là tải trực tiếp các slide bài giảng của mình lên NotebookLM, nhưng giả sử tôi muốn xem cách web giải thích nó thay vì các slide bài giảng không đủ thông tin.
Thay vì tự mình tìm kiếm trên web, tôi sẽ yêu cầu Perplexity tìm các nguồn đáng tin cậy tập trung vào chủ đề này. Đây là một ví dụ về câu lệnh:
“Tìm các nguồn đáng tin cậy giải thích các nguyên tắc chính của lập trình hướng đối tượng, bao gồm đóng gói (encapsulation), kế thừa (inheritance) và đa hình (polymorphism). Cung cấp các liên kết đến các bài viết, hướng dẫn hoặc tài liệu cung cấp các ví dụ và giải thích rõ ràng.”
Trong vài giây, Perplexity đã tổng hợp các thông tin chi tiết và trả lời truy vấn của tôi (tức là giải thích các nguyên tắc chính của OOP). Tuy nhiên, đó không phải là mục đích chính tôi sử dụng Perplexity ở đây. Thay vào đó, có một tab “Sources” (Nguồn) bên cạnh tab “Answer” (Trả lời), và như bạn có thể đoán, nó bao gồm một danh sách tất cả các nguồn mà Perplexity đã lấy thông tin từ.
NotebookLM Giúp Tổ Chức Và Tương Tác Với Các Nguồn Perplexity Tìm Thấy
Biến Mớ Hỗn Độn Thành Trật Tự
Perplexity
Khi Perplexity đã tìm thấy các nguồn tôi cần, tôi tạo một sổ tay mới trong NotebookLM và tải tất cả chúng lên. Đây là lúc mọi thứ trở nên thú vị. Sau khi các nguồn được tải lên, tôi có thể sử dụng NotebookLM để tạo một Tổng quan Audio (Audio Overview) nếu tôi không có tâm trạng đọc qua chúng và muốn nghe một cuộc thảo luận theo phong cách podcast về các nguồn này.
Vì tôi chưa hoàn toàn rõ ràng về các khái niệm khác nhau trong các nguồn, tôi có thể sẽ có một vài câu hỏi. Trong trường hợp đó, tôi có thể sử dụng chế độ tương tác trong Audio Overviews để tham gia trực tiếp vào cuộc thảo luận mà hai AI host đang có để làm rõ những nghi ngờ của mình.
Nếu tôi muốn xem các khái niệm khác nhau trong các nguồn kết nối với nhau như thế nào, tôi có thể tạo một Sơ đồ tư duy (Mind Map). NotebookLM cũng có thể tạo Hướng dẫn học tập (Study Guide), tài liệu tóm tắt (Briefing doc), Câu hỏi thường gặp (FAQ) hoặc Dòng thời gian (Timeline) bằng cách sử dụng các nguồn của tôi.
Điều tuyệt vời nhất là NotebookLM chỉ tham chiếu thông tin từ các nguồn bạn cung cấp. Điều này có nghĩa là tôi có thể đặt câu hỏi trong bảng Chat mà không cần quá lo lắng về việc AI đưa ra thông tin không chính xác hoặc lấy câu trả lời từ những nơi ngẫu nhiên trên mạng. Khả năng này giúp giảm thiểu “ảo giác” (hallucinations) thường gặp ở các mô hình AI khác.
So với NotebookLM, việc đặt câu hỏi về một nguồn trong Perplexity có thể hơi phức tạp. Thay vì trả lời dựa trên tập hợp các nguồn đầu tiên nó tìm thấy cho bạn, nó thường tìm một tập hợp nguồn mới và sử dụng chúng để phản hồi, vì vậy nó không phải lúc nào cũng bám sát tài liệu bạn ban đầu muốn tập trung vào.
Mặc dù ví dụ này có thể sẽ không có thông tin mới mẻ sau vài ngày, nhưng nếu bạn đang nghiên cứu một thứ gì đó có tính thời sự, liên tục phát triển, Perplexity thực sự có thể rất hữu ích. Sau khi tổng hợp các nguồn ban đầu và sử dụng chúng, bạn có thể sử dụng Perplexity một lần nữa sau đó để nhận được các nguồn cập nhật với thông tin mới nhất vì nó tìm kiếm trên web theo thời gian thực.
Sơ đồ tư duy NotebookLM mở trên iPad
NotebookLM và Perplexity Đã Mạnh Mẽ, Nhưng Cùng Nhau, Chúng Trở Nên Bất Khả Chiến Bại
Mặc dù hai công cụ AI này phục vụ các mục đích khác nhau, nhưng chúng lại hoạt động cùng nhau một cách liền mạch. Mặc dù tôi đã sử dụng Perplexity khá nhiều trong quá khứ, nhưng tôi chưa bao giờ thực sự nghĩ đến việc kết hợp nó với NotebookLM cho đến bây giờ. Và tôi thực sự rất vui vì đã làm vậy – thà muộn còn hơn không, đúng không? Sự kết hợp này không chỉ tối ưu hóa quy trình nghiên cứu mà còn nâng cao hiệu suất làm việc của tôi một cách đáng kể.
Nếu bạn đang tìm cách cải thiện quy trình thu thập và xử lý thông tin, việc kết hợp NotebookLM và Perplexity là một chiến lược đáng để thử. Hãy chia sẻ trải nghiệm của bạn với các công cụ AI này trong phần bình luận hoặc khám phá thêm các bài viết liên quan về công nghệ AI trên blogcongnghe.net để nâng cao kiến thức của mình!