烤肉广告语100个

<随心_句子c><随心_句子c><随心_句子c><随心_句子c><随心_句子c>迎(ying)接(jie)AI新(xin)時(shi)代(dai)：妳(ni)是(shi)經(jing)理(li)，AI是助(zhu)理

編(bian)者(zhe)按(an)：LLM 的(de)興(xing)起(qi)要(yao)顛(dian)覆(fu)很(hen)多(duo)白(bai)領(ling)工(gong)作(zuo)。壞(huai)消(xiao)息(xi)是你有(you)可(ke)能(neng)被(bei)解(jie)雇(gu)。好(hao)消息是你可以(yi)臨(lin)时被提(ti)拔(ba)為(wei)经理，並(bing)且(qie)配(pei)備(bei)了(le)壹(yi)位(wei) AI 助理。如(ru)果(guo)你試(shi)用(yong)期(qi)表(biao)現(xian)出(chu)色(se)，就(jiu)有可能比(bi)之(zhi)前(qian)更(geng)進(jin)一步(bu)，否(fou)則(ze)的話(hua)，你的飯(fan)碗(wan)有可能保(bao)不(bu)住(zhu)。在(zai) AI 崛(jue)起的新时代，你必(bi)須(xu)弄(nong)清(qing)楚(chu)自(zi)己(ji)的核(he)心(xin)優(you)勢(shi)是什(shen)麽(me)。文(wen)章(zhang)來(lai)自编譯(yi)。

圖(tu)片(pian)来源(yuan)：由(you)無(wu)界(jie) AI工具(ju)生(sheng)成(cheng)

對(dui)於(yu)白领来說(shuo)，大(da)型(xing)語(yu)言(yan)模(mo)型 (LLM) 的兴起寫(xie)出了一場(chang)新的開(kai)场白，亞(ya)歷(li)克(ke)·鮑(bao)爾(er)溫(wen)（Alec Baldwin）在《拜(bai)金(jin)一族(zu)》（Glengarry Glen Ross）的那(na)種(zhong)演(yan)講(jiang)开场白，極(ji)客(ke)版(ban)的。坏消息是，你可能要被解雇了。好消息是，你有一個(ge)临时的试用期，你被提拔了，现在你有一位直(zhi)接下(xia)屬(shu)，它(ta)的註(zhu)意(yi)力(li)廣(guang)度(du)不受(shou)限(xian)制(zhi)，知(zhi)識(shi)面(mian)广泛(fan)，盡(jin)管(guan)有點(dian)膚(fu)淺(qian)，但(dan)它有个令(ling)人(ren)沮(ju)喪(sang)的特(te)点，即(ji)容(rong)易(yi)犯(fan)些(xie)很基(ji)本(ben)的錯(cuo)誤(wu)，需(xu)要密(mi)切(qie)監(jian)督(du)。跟(gen)這(zhe)樣(yang)的下属一起工作可能會(hui)讓(rang)你感(gan)到(dao)沮丧，但它的“薪(xin)資(zi)”每(mei)月(yue)只(zhi)要 20 美(mei)元(yuan)——对方(fang)的要求(qiu)并不高(gao)。

鑒(jian)于很多白领工作從(cong)根(gen)本来说都(dou)属于符(fu)號(hao)操(cao)作——接收(shou)一段(duan)比特流(liu)，进行(xing)一些分(fen)析(xi)，然(ran)後(hou)輸(shu)出另(ling)一段比特流——这些都可以在一定(ding)程(cheng)度上(shang)被自動(dong)化(hua)掉(diao)。另一方面，如果你是一位领薪水(shui)的人而(er)不是一个由 cron 作業(ye)執(zhi)行的腳(jiao)本，你的工作可能還(hai)不能完(wan)全(quan)被自动化掉。

那么，思(si)考(kao)这類(lei)任(ren)務(wu)的方法(fa)之一是提出一个由兩(liang)部(bu)分組(zu)成的問(wen)題(ti)：

（請(qing)注意，自动化的一部分是設(she)置(zhi)类似(si)脚本之类的東(dong)西(xi)，去(qu)下載(zai)你的電(dian)子(zi)郵(you)件(jian)，并对其(qi)中(zhong)一些执行部分批(pi)量(liang)處(chu)理操作——这样不僅(jin)你对數(shu)據(ju)可以做(zuo)的事(shi)情(qing)變(bian)得(de)更多了，而且獲(huo)取(qu)数据的开銷(xiao)也(ye)变少(shao)了。) 有些形(xing)式(shi)的自动化可以減(jian)少特定类型开销的时間(jian)成本，比方说，將(jiang)筆(bi)記(ji)轉(zhuan)換(huan)为要点，或(huo)将要点转换为文章。但是，在其他(ta)情況(kuang)下，要想(xiang)把(ba)成本降(jiang)低(di) 90%，最(zui)好的辦(ban)法是将產(chan)出提高 10 倍(bei)。

與(yu) LLM 共(gong)事，部分意味(wei)著(zhu)(zhe)要弄清楚你的比較(jiao)优势在哪(na)裏(li)，機(ji)器(qi)的比较优势又(you)在哪里。在编碼(ma)方面很容易看(kan)得出来，要么要求 ChatGPT 根据文本描(miao)述(shu)替(ti)你编写代码，要么使(shi)用一款(kuan)代码補(bu)全工具。大致(zhi)地(di)设計(ji)好一个項(xiang)目(mu)非(fei)常(chang)容易，对于大多数的样板(ban)组件而言，實(shi)際(ji)上你只需写个描述性(xing)的函(han)数名(ming)稱(cheng)，然后模型就能幫(bang)你幹(gan)完剩(sheng)下的工作。

但你不能只是盲(mang)目地用人工智(zhi)能取代这个過(guo)程。你很快(kuai)就会遇(yu)到結(jie)構(gou)不好的爛(lan)攤(tan)子 — 在 AI 的強(qiang)大功(gong)能的帮助下，你一个下午(wu)就能制造(zao)出要你用一年(nian)时间償(chang)还的技(ji)術(shu)債(zhai)务！但这里有一个已(yi)经存(cun)在了很長(chang)一段时间的问题：每一种更高級(ji)的语言都会提高编写代码的效(xiao)率(lv)，但同(tong)时也可能会降低運(yun)行它的效率。[1] 对于 LLM 輔(fu)助代码来说，有一个重(zhong)要的權(quan)衡(heng)取舍(she)要牢(lao)记，那就是在写得快和(he)能維(wei)護(hu)之间进行权衡。（有趣(qu)的是，这会賦(fu)予(yu)可讀(du)性强的语言甚(shen)至(zhi)更高的價(jia)值(zhi)，因(yin)为你会把相(xiang)对更多的时间花(hua)在看不是你写的代码、并確(que)保理解了它是如何(he)工作上面。）

LLM 也許(xu)不会告(gao)訴(su)你要重构你的代码，但它們(men)可以让它变得更快；在最近(jin)的一个项目里，我(wo)注意到 ChatGPT 給(gei)三(san)个不同的函数都生成了相同的样板，于是我就把那部分粘(zhan)貼(tie)进去，要求 ChatGPT 写成一个單(dan)一用途(tu)的函数，然后再(zai)换成那个函数。LLM 对更復(fu)雜(za)的決(jue)策(ce)沒(mei)有帮助，但对实现此(ci)类任务确实有帮助。“重写以下函数，生成一个时间戳(chuo)，重写另一个函数，让它接受时间戳作为其输入(ru)之一”，类似这样的任务 ChatGPT 頗(po)为駕(jia)輕(qing)就熟(shu)。

大型语言模型的一个限制是它们的上下文窗(chuang)口(kou)，或者它们每次(ci)实际可以考慮(lv)到的文本量。老(lao)模型容易忘(wang)，新模型记性好点，但都有这个局(ju)限。人类也是如此；在文字(zi)记憶(yi)方面，我们大概(gai)也就能记住 7 +/- 2 个標(biao)记（编者注：token，文字的基本单位）。但是當(dang)我们用结构化的方式去记忆东西时，我们的有效语境(jing)窗口就要比 LLM 的要寬(kuan)得多。我们可以将记忆的相關(guan)概念(nian)组合(he)在一起，使用类比来避(bi)免(mian)偏(pian)離(li)方向(xiang)，当这些概念再次变得相关时突(tu)然就能记起语境，即便(bian)在一段时间內(nei)不相关也不要緊(jin)，我们还有 GPT-5 级別(bie)的注意力表现。这是使用 LLM 意味着人晉(jin)升(sheng)为管理角(jiao)色这个觀(guan)点的核心，因为经理的语境應(ying)該(gai)要更广泛，这样才(cai)可以管理信(xin)息不对称的个人貢(gong)獻(xian)者那些并行进行的工作。

从另一个角度来说，利(li)用 LLM 可以帮助将项目与人类记忆聯(lian)系(xi)在一起。对于在家(jia)工作并且不太(tai)相信“工作/生活(huo)平(ping)衡”理念的父(fu)母(mu)来说，这一点尤(you)为重要。如果你在 ChatGPT 与代码编輯(ji)器之间来回(hui)切换，那么被打(da)斷(duan)的程度就会轻得多，因为你按下 alt-tab 就能馬(ma)上準(zhun)确地记住你在做什么——只需看看你詢(xun)问 ChatGPT 的最后幾(ji)个问题即可。这从根本上擴(kuo)大了你在注意力不能 100% 集(ji)中的情况下可以处理的项目範(fan)圍(wei)。（AI助理）就像(xiang)一个閃(shan)爍(shuo)的光(guang)标，标记住你思路(lu)走(zou)到了什么位置。

思考 AI 对工作流的辅助还有一种办法，那就是对于编程任务，一开始(shi)的问题是“我应该自己写这个，还是应该找(zhao)到一个大致可以做我想做的事情的庫(ku)，然后弄清楚怎(zen)么让它准确地做到我想实现的事情？”为此，编码助手(shou)可以通(tong)过三种方式提供(gong)帮助：首(shou)先(xian)，它可以找出你需要但你不知道(dao)的库；其次，它可以帮助将你的任务转换成適(shi)合这个库特性的格(ge)式；第(di)三，如果没有相关的库，它可以生成代码，去做这样一个库会做的事情——或者，换句(ju)话说，通过探(tan)索(suo)假(jia)设中的库的潛(qian)在空(kong)间，找到需要的东西。换句话说，在很多人都做过类似任务，但之前没人做过完全相同的任务的情况下，AI 最有用。这个可以覆蓋(gai)知识工作者任务的多少百(bai)分比呢(ne)？对于这个问题我们可以就此展(zhan)开激(ji)烈(lie)討(tao)論(lun)，肯(ken)定在“99%”以上，但也不会是 100%。

如果你不需要知道 Pandas 的语法，就能将数据分析从原(yuan)来用 Excel 转为用更好的东西，如果你不需要记住自己每隔(ge)几个月才用一次的那些不起眼(yan)的功能的名称，你还需要记住任何东西嗎(ma)？

是，總(zong)的来说，记忆力的威(wei)力驚(jing)人的强大，即便有很多东西不再需要查(zha)閱(yue)，但知道原本不会想到去查阅的信息仍(reng)然很有价值。《學(xue)習(xi)如何在 24 小(xiao)时内利用有限数据做出不可靠(kao)的外(wai)推(tui)》，或者《小醜(chou)的数据科(ke)学》的内容现在任何人都可以訪(fang)问，他们只需要在 VSCode 里面敲(qiao)个函数名称，然后点几次 Tab ，剩下的交(jiao)给编码助手去写就行。但是“知道什么时候(hou)使用哪种技术”的回報(bao)要高得多，“了解棘(ji)手的邊(bian)緣(yuan)情况”的回报也一样。ChatGPT 非常樂(le)意为你编写一些代码来擬(ni)合非線(xian)性数据的线性回歸(gui)，或者帮你对分析进行各(ge)种愚(yu)蠢(chun)的偏差(cha)/方差平衡。如果你想对 10 个数据点进行分析（不会产生适用于 10000 个数据点的統(tong)计顯(xian)著性的结果），你絕(jue)对可以这么做。快速(su)做出错误决策的成本更低之后，做出正(zheng)确决策的价值就会更高。当然，有些人也会将这些决定外包(bao)给 LLM，但 LLM 更擅(shan)长的是看起来很懂(dong)而不是真(zhen)懂，所(suo)以结果将是達(da)克效应的牛(niu)市(shi)（编者注：能力欠(qian)缺(que)的人在自己欠考虑的决定的基礎(chu)上得出错误结论，但是无法正确認(ren)识到自身(shen)的不足(zu)，辨(bian)别错误行为。这些能力欠缺者们沈(chen)浸(jin)在自我營(ying)造的虛(xu)幻(huan)的优势之中，常常高估(gu)自己的能力水平，卻(que)无法客观評(ping)价他人的能力，LLM 可能会助长能力欠缺的人自信爆(bao)棚(peng)这一现象(xiang)）。

ChatGPT 也乐于做没有多大商(shang)业意義(yi)的事情，尤其是当你的问题没有嵌(qian)入相关上下文的时候。因此，领域(yu)專(zhuan)业知识会比过去更有价值，因为它的补充(chong)之一——也就是吸(xi)收大量信息并提取重要信息——突然变得更便宜(yi)了。

想想看股(gu)票(piao)分析師(shi)的工作。如果他们正在研(yan)究(jiu)一系列(lie)的公(gong)司(si)，肯定会去阅读这些公司的新聞(wen)稿(gao)以及(ji)电话会議(yi)记錄(lu)。理想情况下，他们也会对这些公司的最大客戶(hu)、供应商以及间接競(jing)爭(zheng)对手做同样的事情。他们以前未(wei)必有这么多时间。但现在他们可以做到了！ChatGPT 很乐意为你总结电话会议记录（只需粘贴上下文窗口内的摘(zhai)录——在这方面 GPT-4 是一个很大的性能改(gai)进）。你甚至可以为它们提供主(zhu)题相关的提示(shi)。Nvidia 上次財(cai)报电话会议的一般(ban)摘要的有用程度比不上为了了解雲(yun)计算(suan)公司、GPU 竞争对手制造商或 PC 遊(you)戲(xi)而量身定制的摘要。这在很大程度上可以發(fa)揮(hui)人类和 LLM 的相对优势：你正在用自己的个人上下文窗口，通过先发制人识别哪些比特流有价值，从而析取出有价值的信息比特流。你越(yue)是受限于一天(tian)只有 24 小时，就越能从专业知识的凸(tu)性中获益(yi)，LLM 辅助总结对你的帮助就越大。

在生产中使用 LLM，或用它们编写生产代码，自然会帶(dai)来很多風(feng)險(xian)。你的确定性输入得到的是不确定的输出。当然，这种情况一直都存在；生物(wu)本身就是非常不确定的，即便我们有可读的源代码。

当然，你可以擔(dan)心你的 LLM 会产生幻覺(jiao)，但有些任务对此有抵(di)抗(kang)力，你可以在这些任务中获得外部反(fan)饋(kui)。比方说，如果你开发一个網(wang)絡(luo)爬(pa)蟲(chong)的话，你通常能知道会得到什么样的数据，你可以对结果进行健(jian)全性檢(jian)查。如果网站(zhan)上的搜(sou)索功能显示有 815 个你要抓(zhua)取的结果实例(li)，而你的爬虫找到了其中的 815 个，则这个爬虫可能工作正常。换句话说，如果你正在用 AI 增(zeng)强型编码或 AI 增强型业务流程，你自然会希(xi)望(wang)里面包括(kuo)大量的错误检查和日(ri)誌(zhi)记录——这正是你无论如何都应该做的事情之一。而如果你时间不夠(gou)，可能就会想跳(tiao)过这些。

这些变化还会产生其他一些下游后果：

许多目前按小时计酬(chou)的工作，或者員(yuan)工能领薪水但獎(jiang)金很少的工作，将转向计件工作模式或具有同等(deng)价值的奖金制度。如果一个人可以做四(si)份(fen)工作，那么保留(liu)其中一份并做四倍的量然后拿(na)四倍工錢(qian)是一种帕(pa)累(lei)托(tuo)改进：因为这样可以减少 80% 的管理开销，并且不会因在不同公司开会而造成时间重合。 企(qi)业会开始做实驗(yan)，去衡量白领服(fu)务的价格彈(dan)性。比方说，如果一家企业提供与人类的实时聊(liao)天服务的话，那么当产品(pin)定价处于盈(ying)虧(kui)平衡狀(zhuang)態(tai)时，看看有多少新客户注冊(ce)就是值得的。理论上，隨(sui)着模型因为有了更好的数据而得到改进，今(jin)天的盈亏平衡在不久(jiu)的将来就有可能可以盈利。 请注意：如果私(si)募(mu)股权能慧(hui)眼识珠(zhu)，发现擁(yong)有獨(du)特专有数据以及使用这些数据需要倚(yi)重人力的公司的话，就可以大賺(zhuan)一笔。当模型本身被商品化之后，独特数据的相对价值就会上升。 [2] 销售(shou)人员可能会做得出奇(qi)的好，原因有二(er)：首先，销售过程当中最容易被商品化的部分是剛(gang)开始的客户接觸(chu)，这样一来销售人员可以将相对更多的时间花在价值更高的事情上。其次，产品的自动化程度越高，能把单做成就越需要信任特定的人。这会增加(jia)方差，但主要会提高上行空间。 人工智能会让处在職(zhi)业生涯(ya)早(zao)期的员工受益，他们还没有确定自己喜(xi)歡(huan)的工作方式，而且必须更多地靠即时产出而不是业績(ji)记录来评估他们。但 AI 也会让非常有经验的员工受益，这样他们可以有更多的隱(yin)性知识显性化，并且有更多可以成为潜在客户和合作夥(huo)伴(ban)的商业联系人。如果你不是这两种人中的任何一种，那么现在是找出成为哪一种人更容易的好时机（编者注：要么把老本行做精(jing)，要么去换个新职业，平庸(yong)没有出路）。 发展中國(guo)家会一舉(ju)甩(shuai)开某(mou)些富(fu)裕(yu)世(shi)界的机构：由于很多工作可以自动化，如果你用一小部分成本就能搞(gao)定麥(mai)肯錫(xi)、高盛(sheng)以及摩(mo)根士(shi)丹(dan)利所做的 80% 的话，情况会变成什么样？另一方面，API 調(tiao)用的市场出清价格将在发达国家设定，用来替代更昂(ang)貴(gui)的勞(lao)动力。还有就是，手机是 1990 年代与 2000 年代跨(kua)越式发展的一个有啟(qi)发性的案(an)例，因为这个玩(wan)意兒(er)在 1980 年代还属于奢(she)侈(chi)品。

人工智能经濟(ji)学这个话题很广泛。技术越通用，其最大的受益者就越有可能是用户而不是賣(mai)家。LLM 可用的訓(xun)練(lian)数据的绝对数量是对文本的需求要多旺(wang)盛的指(zhi)征(zheng)，也说明(ming)了为了产生这些数据已经花費(fei)了多少人的畢(bi)生努(nu)力。现在，那些工作主要包括生成文本（不管是普(pu)通文字还是代码）的人会上升到更抽(chou)象的層(ceng)面，并創(chuang)造出更多的东西。

注：

[1]这个问题不会完全消失(shi)，但 ChatGPT 确实可以快速编写測(ce)试，并且基于对一些簡(jian)单脚本的检查，它会很乐意将 Python 代码转换为 C++、Rust 以及 Go。所以新的循(xun)環(huan)可能是：用你能用的最具表现力的语言写一些东西，给它写一些测试，找出瓶(ping)頸(jing)，然后用性能更好的语言重写那些东西，同时确保测试仍然有效。当然，这样做时务必小心；如果你到頭(tou)来写出来的系统尽管具备高吞(tun)吐(tu)、低延(yan)遲(chi)、且超(chao)可靠，但做的事情却不对的话，请不要怪(guai)我。

[2]这一情况会发生在多个层面：如果你为了数据收購(gou)一家企业，你要做的一件事就是确保自己确实可以访问那些数据。当你可以将一系列客户合同提取到一个系统之中，然后该系统会吐出确定数据权利的條(tiao)款时，尽职调查会进行得更快。交易越依(yi)賴(lai)于数据的使用，并购过程就越倚重建(jian)立(li)数据管道。

译者：boxi。返(fan)回搜狐(hu)，查看更多

責(ze)任编辑：