宝玉

统计数据

502

文章

0

粉丝

0

获赞

3041

阅读

6个月前

问 AI：“请问这种风格的图片是什么工具生成的？” 这个问题 Gemini 最厉害！

#AI图片生成 #Gemini #图像工具

6个月前

一年了，重读一下《人工智能或许真能重振中产阶级》这篇文章：人工智能不一定是就业的终结者。它为我们带来了一个机会，让更多工人获得专业技能的延伸。作者：大卫·奥特导言近期，埃隆·马斯克在与英国首相里希·苏纳克的访谈中宣称，“人工智能是历史上最具颠覆性的力量”，并表示“最终将出现不需要任何工作的时刻”。去年，“AI之父”杰弗里·辛顿曾建议人们“去找一份管道工的工作”。这些言论似乎传递出了一个明确的信息：对许多人来说，未来的工作将面临威胁。盖洛普的一项最新民意调查显示，75%的美国成年人相信，AI会带来更少的工作岗位。但这种担忧是错误的。在工业化世界，工作岗位供给充裕，而且这种状况还会继续保持下去。新冠疫情爆发四年后，美国的失业率已回到疫情前的低点，总就业人数比疫情前还多了近三百万。此外，由于出生率下降和劳动力萎缩，劳动力短缺也在全球工业化国家（包括中国）逐步显现。这并非预测，而是基于人口统计的事实。所有会在2053年满30岁的人已经全部出生，我们不可能“再生”更多人。除非实施大规模移民政策，否则美国和其他富裕国家将在“工作机会”耗尽之前就先“用完”劳动力。 AI确实会改变劳动力市场，但方式并非马斯克和辛顿所理解的那样，而是会重新塑造人类专业技能的价值和性质。所谓专业技能，指的是完成特定任务所需的知识或能力，例如测量生命体征、编写应用代码或准备宴会餐点。当某种专业技能既是必不可少又相对稀缺时，就能产生市场溢价。用动画电影《超人总动员》里反派辛德罗姆的台词来比喻：如果人人都是专家，那就没有人是专家。专业技能是美国和其他工业化国家劳动价值的主要来源。需要较少培训或资质的工作（例如餐厅服务员、保洁员、体力劳动者以及托育工作者），往往在工资阶梯的底端。举个例子：空中交通管制员和学校过街路口的交通协管员——从大体上看，二者的工作内容相似：都需要快速作出关系到人命安危的决策，以避免交通参与者与周围行人的碰撞。但在2022年，空中交通管制员的年薪中位数高达13.225万美元，是交通协管员3.338万美元的四倍之多。原因就在于“专业技能”。要成为空中交通管制员，需要数年的教育和在职训练，这是一门稀缺技能；而在美国的大多数州，做一名过街交通协管员既不需要正式培训，也不需要专业技能或认证。若社会急需更多交通协管员，大多数空管员都可以胜任，但反过来并不成立。专业技能本身一直在动态变化。一些曾经价值不菲的技能——如马蹄匠、排版工、捕兽师和专业校对员——要么过时，要么被自动化取代。同时，许多高收入行业（如肿瘤科医师、软件工程师、专利律师、心理治疗师、电影明星）直到某些技术或社会创新出现之后才产生需求。但在技术的不同阶段，哪种专业技能会被淘汰、哪种会获得青睐也不断发生变迁。AI时代预示着新一轮的巨大变革。信息时代的乌托邦想象曾经是：计算机通过普及信息来打破经济鸿沟，让人人平等。2005年，网景联合创始人马克·安德森对《纽约时报》记者托马斯·弗里德曼说过，“如今，对我来说最具深远影响的事情是，罗马尼亚、班加罗尔、前苏联或越南的14岁青少年，通过各种易获取的知识、软件和工具，可以自由地运用这些资源，想怎样发展就怎样发展。” 然而事实却与这番憧憬恰恰相反。结果表明，“信息”只是一个基础投入，而真正重要的经济功能是“决策”，它集中在“精英专家”手中——通常指拥有大学或研究生学历的少数美国成年人。随着信息与计算变得廉价且丰富，计算机化带来的是决策权和财富向精英专家群体的前所未有的集中。与此同时，处于中等技能层级的大量行政支持、文书处理和蓝领生产岗位则被自动化所取代。而没能获得更好机会的那些不具备学士学位的60%的成年人，只能转向低薪的、无需专业技能的服务工作。 “AI带来的独特机遇在于：逆转计算机化进程的某些后果，让更多工人能够具备并发挥人类的专业技能。” AI带来的机遇，在于可以扭转计算机化带来的这一趋势——让一批受过必要基础训练的工人具备更高的决策能力，也就是把一部分传统上只有精英专家（如医生、律师、软件工程师、大学教授）才能执行的决策工作，分配给更多普通工人。简言之，若正确运用，AI能够帮助恢复美国劳动力市场中产阶层、中等技能岗位的核心地位，那些岗位此前因自动化与全球化而被“掏空”。有人可能担心，AI会让专业技能变得多余，从而让专家失去价值。然而从历史和经济逻辑看来，情况并非如此。AI只是一种工具，就像计算器或电锯一样；工具一般不会替代专业技能，而是杠杆，帮助专家更好施展自己的技能。通过缩短从意图到结果的距离，工具能让具备正确训练和判断力的工人更有效率、更准确地完成以往耗时长、出错率高或根本无法完成的任务。反过来，如果缺乏相应训练和经验，使用工具就毫无意义，甚至会带来危险。比如，对于屋顶工人来说，气动钉枪是必不可少的工具，可以大幅节省时间；但对一名毫无经验的业余爱好者来说，这把钉枪却可能带来严重的人身威胁。对具备一定基础知识和经验的工人而言，AI能帮助他们扩展自身技能，进而从事更高价值的工作。当然，AI也会自动化掉部分现有工作，让一些既有专业技能变得不再重要；同时，它还会促成新的能力、新的产品和服务，从而带来我们尚未预料到的新技能需求。我在此提出的观点并非预测，而是一种“可能的路径”。AI本身不会决定如何使用AI，而它几乎可以被应用到任何建设性或破坏性的方向上。如果把未来简单归因为技术的“必然性”——正如苏尚娜·朱博夫所说的“必然主义”——就会剥夺公民的能动性，使大家忽视或无力改变那些将会塑造未来的集体决策。正如西蒙娜·德·波伏娃所言，“命运一旦被我们相信，也就因此战胜了我们。”实际上，AI提供了大量可用来增强劳动者、改进工作的工具。我们需要做的是掌握并驾驭这些工具，让它们真正为我们所用。从手工技艺到“规模化专业技能” 如果把当代的大多数“专家”丢回18世纪，他们可能会手足无措。工业革命之前，各种商品都由熟练工匠手工打造：车轮由造轮匠制成；衣服由裁缝缝制；鞋子由制鞋匠制作；火器由铁匠打制。那时，工匠们要花数年时间掌握两类广泛技能：一是程序化技能，即运用高度熟练的步骤来产出成品；另一种则是专家判断力，即面对具体场景时灵活调整执行步骤。如果让同一个铁匠制造两支相同设计的火枪，这两支枪的任何一个部件都不能和另一支互换——因为每一个零件都要通过锉、打磨、抛光来精准匹配它所属的枪身。今天的大部分专家，恐怕都无法用18世纪的简陋工具做出这样的作品。尽管手工技艺的专业技能曾受人推崇，但随着18、19世纪规模化生产模式的出现，它的价值终被摧毁。规模化生产的核心是：把工匠的复杂手艺拆分为独立、简单、可机械执行的步骤，由一支生产工人队伍在机器的辅助下完成，再由受过更高教育的管理者监督。规模化生产的效率远高于手工业，但对普通工人的要求并不涉及专业技能：他们往往要在危险、严苛的条件下工作、报酬极低，也无需太多技术门槛。在早期，只有成年男性才可能成为熟练工匠——这是因为工匠需要多年的学徒期，也受到性别限制。而工厂则大量雇佣儿童和未婚女性。19世纪英国曾爆发“卢德运动”，以抗议机械化的熟练织工和纺织工——他们往往被讥讽为“惧怕技术”的典型。但他们的恐惧并非毫无根据。正如经济史学家乔尔·莫基尔等人在2015年的一篇论文中写道：“拥有小作坊的手工织工和框架针织工们在1815年后，被工厂快速地淘汰。”虽说工业时代的种种创新让生产率出现大幅增长，但也过了五十年，工人阶级的生活水平才逐步提升。 “AI提供了大量用于增强工人、改善工作的工具。我们要做的是学会如何让这些工具真正为我们服务。” 随着工厂的机械和流程不断复杂化，对新型“规模化专业技能”的需求不断扩大。操作和维护各类复杂设备需要机械、配件装配、焊接、化工处理、纺织工艺、染色及精密仪器校准等训练和经验；在办公室中，电话接线员、打字员、簿记员和库存管理文员则是当时的信息“中转系统”。这些新需求催生了许多崭新的技能。比如，在电力广泛应用之前，根本不存在电工这一职业；没有机器，亦无所谓机修工；没有电话网络，也谈不上电话接线员。而要掌握这些工具和流程，工人通常要具备一定的读写和计算能力。巧合的是，越来越多的美国工人开始拥有高中学历，这让社会对这些新技能的需求逐渐得到满足，并带来了更高薪酬。这种工业生产效率提升与劳动者技能需求同步增长的良性循环，催生出一个新的中产阶层，可以负担成套衣服、工厂制的家用物品，以及电烤面包机、电熨斗等工业产品。不过，与之前的手工艺人不同，这些“规模化专业技能”工人的工作并不需要“专家判断力”，甚至有时还不被允许拥有太多自主权。正如泰勒主义在1911年所言：“对每个工人的工作，管理层往往会在前一天就制定好完整的计划；大多数情况下，每个人都会收到一份详细的书面说明，包括要完成的任务和执行方法。” 因此，这类大规模生产线上工人所需的技能面向狭窄、按规操作，恰恰最容易在随后的时代里被技术取代。从“规模化专业技能”到“信息时代的精英专业技能” 源自二战时期的技术突破最终催生了“计算机时代”（也称“信息时代”），它在很大程度上摧毁了工业革命所培育的那一批“规模化专业技能”。计算机的核心优势在于：只要能将工作步骤显式化（也就是“程序”），它就能廉价、可靠且迅速地执行各种认知或体力任务。经济学家将这称为“常规性任务”，而软件工程师称之为“可编程工作”。这种描述听上去也许平淡无奇：所有机器不都是按既定指令行动吗？某种程度上确实如此。但若深入想，会发现计算机与以往机械装置不同。传统机器只是执行某些特定的物理动作，而计算机则能处理符号——它可以读取、分析、再利用抽象信息。正如艾伦·图灵在1937年所证明，只要能把任务编写成一系列有逻辑分支的指令（算法），理论上计算机就能执行无限多种不同类型的工作。在计算机发明之前，唯一可依靠的符号处理器就是人类大脑。计算机出现后，我们多了一个新的“帮手”，功能强大但也局限明显。此前，办公室和生产线上那些中等技能的工人是“规模化专业技能”的主要体现。随着计算机技术的进步，数字化机器在掌握规则、执行操作方面的优势开始显现，而且成本远低于人工。这便削弱了“规模化专业技能”的市场价值，就像工业革命削弱了手工艺人的价值一样。然而，并非所有工作都能被一套规则清晰地定义。正如哲学家迈克尔·波兰尼在1966年指出的，“我们知道的东西往往比我们能说出来的更多。”也就是说，人们在做很多事情时更多依赖“默会知识”，并不清楚那些隐藏的具体规则。比如说，要讲一个笑话、骑自行车、从婴儿照中认出成年人的脸，都是复杂而微妙的认知活动。人类能很自然地完成这些任务，却往往无法清晰说明自己如何做到——也不必耗费太多力气。对于所谓“非常规任务”（non-routine tasks），在计算机时代要想让机器执行，编程人员就必须把所有可能的步骤、分支与异常全都写进代码里。这正是“波兰尼悖论”（Polanyi’s Paradox）——人类能做但说不清、电脑必须严格编程才行。 “计算机的进步挤压了‘规模化专业技能’的价值，正如工业革命挤压了手工艺的价值一样。” 很多高薪职位之所以能保持高薪，正是因为它们依赖这些“无法显式化”的工作。例如，管理者、专业人士和技术人员往往需要在独特的场景中运用判断力，而非僵化的规则：从为肿瘤患者制定治疗方案，到撰写法律文书、带领团队、设计建筑、开发软件产品，或是在极端气象条件下安全降落飞机。此类工作对规则的掌握虽必要，但还远远不够。像过去的手工艺人一样，现代专业人士（如医生、建筑师、飞行员、电工、教师）同样结合了程序化技能和专家判断，有时还需要在高风险、不确定的环境下进行创造性思考。此外，他们也会经历形式或非正式的“学徒期”——虽然并不总被称为“学徒”，却实质上接受了大量的实操训练。在计算机时代，自动化消解了很多中等技能的工作，但它却堪称“神助攻”般地放大了专业决策者的影响力：计算机让他们更轻松地获取并整理信息，使他们有更多精力去做分析和判断。这样一来，高水平专业判断的准确性、效率和完整性都得到提升，其价值自然水涨船高。随着计算机化的推进，拥有本科或研究生学历（如法律、医学、科学或工程学）的专业人员收入大幅攀升。但这也意味着许多传统上的中等技能岗位在文职、行政支持、生产操作等领域被自动化取代。讽刺的是，计算机化对于非专家型工作（non-expert work）也产生了重大影响。工业化国家里薪酬最低的工种大多是一些手动服务类岗位：餐饮、清洁、保安、个人护理等。虽然这些岗位需要灵巧的操作、感知、基础交流和常识——因此属于“非常规任务”，并不适合被计算机化，但报酬却很低，因为它们的技能门槛（尤其是“专业技能”）并不高。只要身体健康并经过简单培训，大多数成年人都能胜任。计算机无法直接取代这些体力服务工作，却增加了竞争——那些在过去能胜任文员或车间生产的中等技能工人，如今只能涌入这些门槛低、薪资低的服务岗位，进一步拉低了相关岗位的工资。因此，计算机化并没有像工业革命那样催生出新的“规模化专业技能”。相反，它助长了过去四十年间愈演愈烈的不平等。迈向AI时代的专业技能和此前的工业革命、计算机革命一样，人工智能的出现也预示着人类专业技能经济价值的新拐点。要理解为什么，先得弄清AI与“前AI时代”计算机的区别。在AI出现之前，计算机时代的核心能力是精准且廉价地执行程序化、规则化的任务；它的软肋则是难以应对需要“默会知识”的工作。而AI的能力正好相反。某种程度上，这是一种“命运的嘲讽”：AI对事实和数字不那么“执着”——它并不严格执行规则，反倒很擅长通过海量示例来“自我学习”，从而掌握在此之前无法手动编程、显式描述的各类技能。它可以在未被刻意编程的情况下，具备某些意想不到的能力。如果说传统计算机程序类似古典乐演奏者，只能严格按照谱面演奏；那么AI更像爵士乐手，可以在现有旋律上即兴发挥，自由变调，也能演奏新的曲目。它与人类专家相似之处在于：AI能将形式化知识（规则）与通过经验得来的洞察结合起来，帮助或直接进行高风险、高价值的决策。尽管目前的AI还在初级阶段，但随着它的判断力不断提升，更可靠、更敏锐，也更易获取，AI将深入渗透到人类工作的方方面面。它的主要角色是为决策者提供建议、指导和预警。而如果你觉得这听起来很遥远，其实AI已经在我们的日常生活中开始“帮助决策”了。比如，当你的电子邮箱应用提示你自动完成句子，你的智能手表询问你是否摔倒，或者汽车自动纠正方向、让车辆保持在车道中央，这些都是AI在解读你的意图并指导你的行动。 “计算机化并未像工业革命那样催生出新的‘规模化专业技能’，反而加剧了过去四十年的收入不平等。” 当前这些应用场景对大多数人而言并非生死攸关，除非你在开特斯拉时睡着了。但随着AI技术不断进步并承担更多高价值工作，它对我们生活的影响势必会越来越大。那么，机器在专家判断上的突破，对人类专业技能意味着什么？其实我们可以从历史中找到某种参照，只不过这个参照与我们当下的境况恰好相反。回想一下，在AI出现之前，计算机让专业人士获取信息的成本大幅降低，从而腾出时间来行使高水平决策权。这种助力让这些专业人士——即社会中的“精英专家”——的价值与收入直线上升。而同时，“规模化专业技能”的中等水平工人却被边缘化。那么，假设有一种技术能“反转”这一过程：它同样可以辅助决策、增强判断，但让更多非精英的普通工人也能参与到高价值决策中，同时弱化医生、律师、软件工程师、大学教授等专业人士在各自领域里的垄断地位。人工智能正是这种“反转技术”。它为掌握一定基础训练的工人提供了决策支持功能——实时给出指导和“安全护栏”，从而让他们也能胜任某些传统上只有精英专业人士才能完成的高价值决策工作。如此一来，不仅能提高无学士学位劳动者的工作质量，也能缓解收入不平等，并且像工业革命显著降低日常消费品的成本那样，有望压低医疗、教育和法律服务等关键行业的成本。大多数人都明白，工业革命让消费品价格降低。但我们今天面临的难题是：医疗、教育和法律等关键服务依旧昂贵，因为这些领域被高学历的专业团体“垄断”了。根据美国联邦储备银行经济学家Emily Dohrman与Bruce Fallick的估算，过去四十年里，医疗与教育成本相对于美国家庭收入水平分别上涨了约200%和600%。其中一个重要原因是雇佣精英决策者（如医生、律师）的成本越来越高——这是由专业技能的稀缺性带来的合理溢价。然而，AI有潜力通过降低“稀缺”来降低这些成本——换言之，通过让更多人能够胜任这类专业工作来缩小供给缺口。为使这一观点更直观，我们先看看一个并非出自AI领域的例子：执业护士（Nurse Practitioner，NP）。NP是具有注册护士资格，并在此基础上获得硕士学位或同等资质的人，能执行并解读诊断测试、评估和诊断病症、开具处方——这些原本是医生的“专属领地”。从2011年至2022年，NP的就业人数几乎增长了三倍，达到约22.4万人，预计未来十年还会增长40%左右，远高于全美平均水平。2022年，NP的年薪中位数是12.59万美元。从工作性质来看，NP其实就是“高级决策者”：他们除了掌握完善的医疗程序知识，也具备判断力，能够应对每位患者不同状况下的高风险决策。 NP这个案例之所以值得一提，是因为它在较大规模上实现了“医疗决策权从最高级别的医师部分转移（或共享）到接受了更少年限正式教育培训、却仍然专业度不低的另一个职业群体”。这让更多人获得了高薪、高价值的决策性工作权。造成这种“决策权下放”的原因主要是制度性的。上世纪60年代初，一些护士和医生意识到美国存在初级保健医师的短缺，而注册护士的技能又没得到充分发挥，因此创建了一个新医学职业来弥补这一需求。这需要开设新的培训项目、建立认证体系，并与美国医学协会进行艰难（乃至持续至今）的职业范围博弈。同时，信息技术的发展也是重要推手。用一篇2012年的研究原话来说，“信息与通信技术从两个方面支持了NP这个‘高级实践’角色的展开：其一，电子病历中完整且随时可调取的患者信息，使诊断与治疗决策更及时、更准确，让患者更快获得合理治疗……其二，通过中央数据库共享患者信息，医护人员之间的沟通质量得以提升。” 简而言之，电子病历与更好的信息沟通手段，让NP做出更优决策。展望未来，AI或许能进一步帮助NP掌握更广泛的医疗技能，让他们承担更全面的医疗任务。而类似的情形还可推广到法律合同起草、微积分教学、心导管操作等诸多领域——AI可以提供类似专家的辅助和防错措施，让更多具备一定知识背景的工人去承担高价值决策。我们已经有了一些可佐证这一点的研究成果。2023年，微软研究院经济学家Sida Peng与GitHub、MIT Sloan商学院的研究者在一篇论文中展示，使用AI编程助手GitHub Copilot能够显著提高程序员的效率。在他们的对照试验中，被分配使用Copilot的小组完成编程任务的速度要比对照组（没用Copilot）快约56%。同样在2023年，麻省理工学院博士生Shakked Noy和Whitney Zhang在《科学》期刊发表的一项在线实验中，让来自不同职业（营销、写作、咨询、管理等）的参与者做文字写作任务。一半人被随机分配了ChatGPT（并被鼓励使用），另一半只能用传统工具（如Word或搜索引擎）。结果发现，使用ChatGPT的那组人写作速度总体提升40%，写作质量也有所提高，且提升最明显的是那些原本写作水平较低的人群——他们的写作质量几乎可以和未用ChatGPT的中等写作水平者持平。需要指出的是，ChatGPT并没有让专家技能消失或毫无价值。最优秀的写作者依旧占据顶端，但ChatGPT让他们写得更快；同时，那些原本水平较差的写作者不仅变快，而且成品质量也接近中等水平。这让不太擅长写作的人也能在较短时间里达到中等水平，因此“新手”与“老手”之间的差距有所缩小。另一项国家经济研究局的最新论文中，斯坦福大学的Erik Brynjolfsson以及MIT的Danielle Li、Lindsey Raymond研究了客服代表使用生成式AI工具来回复顾客时的生产率。结果显示，其生产率平均提高14%左右，而与上个实验类似，这些收益主要集中在新手客服身上。 AI工具帮助新入职的客服代表在三个月内就达到了熟练客服往往需十个月才能达到的水平。更出乎意料的是，新手的离职率也显著下降，因为他们与客户的互动中遭遇的负面情绪更少，工作满意度更高。在这三个案例中，AI对专业技能的影响更多是“补充”而非“替代”。它通过自动化减轻了某些“初始”流程，也给工作人员留出了更多时间和精力去进行最终判断和把关。这样一来，新手更快上手，老手效率更高，整体产出质量也得到提高。不过，另一个NBER论文的例子正好说明了若缺乏合适的训练与理解，AI对专家也无济于事。MIT的Nikhil Agarwal等人研究了给专业放射科医生随机分配AI辅助诊断工具的效果：即便这款AI的准确率已经达到或超过了其中约2/3放射科医生的水平，但最终并未提升整体诊断质量。原因是医生并不知道该如何正确运用AI：当AI给出高度自信的结果时，医生常常自行推翻；当AI给出较为不确定的结果时，医生又容易推翻自己的正确判断，选择AI的那个更差的结果。这一发现并不代表医生与AI不可兼容，而是说明要想让AI与医生深度互补，还需要额外的培训和适应过程。医生若能掌握如何恰当地使用AI，将同时变得更快和更准，从而让他们的专业技能更具价值。 “从合同法到微积分教学，再到心导管操作，AI有望帮助更多工人执行本需高水平专业技能的任务。” 有了这些效率提升，是否意味着我们今后需要更少的客服、程序员、写作者和放射科医生？在某些领域，也许会有类似结果，但在另一些领域则会推动需求增加。例如，人们对医疗、教育和计算机编程的需求几乎是无限的，若AI能使这类服务的成本下降，市场的需求量会进一步扩大。就像1900年美国农业人口约占总就业人口的35%，而如今不到1%，但这并不是因为大家不再吃饭了；相反，我们通过大幅提高农业生产率、淘汰大量农场劳动力，释放出人力去做其他新兴行业的工作。事实上，大多数当代工作岗位并非一直“幸存”于自动化的冲击，而是与新技术或需求相伴而生；它们需要以前不曾存在的全新技能。比如，在雷达、GPS和无线电出现之前，并不存在“空中交通管制员”这种岗位；在电气化之前，没有电工；在基因编辑技术出现之前，也没有基因编辑师。还有些服务行业的兴起，则更多与收入水平、时尚趋势或经济动因相关，如素食厨师、大学申请顾问、私人健身教练等。下一步，美国乃至所有工业化国家面临的人口老龄化意味着，很长一段时间里，不是工作匮乏，而是工人短缺；换言之，我们不需要担心“没工作”，更要关注的是“谁来做事”。日本人口老龄化尤为典型，据《金融时报》报道，许多日本零售商不得不缩短营业时间、使用远程虚拟客服甚至雇佣留学生，以应对劳动力不足。如果AI能帮助更多工人有效运用他们的专业技能，并提高整体工作效率，就能缓解人口结构的压力，也能让更多人拥有高产值、高待遇的工作——这对美国和其他工业化国家来说都是一大利好。替代 vs 互补有人可能会质疑：如果AI能低成本地提供各种专业技能，我们剩下的人那点儿专业技能不就毫无价值了吗？我想用“油管教学视频”做个类比。熟悉手工维修或从事技工行业的人，应该都看过YouTube上的“如何做”视频，比如教你如何更换电灯开关、查找燃气泄漏、给除雪机做保养等等。根据皮尤研究中心2018年的一项调查，有51%的成人YouTube用户表示，该平台对他们“了解并实践新技能”非常重要。但这些视频究竟对谁有用？并不是对真正的专家，因为那些视频往往是专家制作的。对于爱动手的半专业者或稍有经验的人来说，YouTube确实能让他们学到关键技巧。但如果是一个从没动过电工钳、没有绝缘手套的人，仅凭一个周末和附近的五金店，就想把19世纪的保险丝盒改成20世纪的断路器面板——看几个视频就自己上手，八成会中途发现自家线路跟视频中不一样。这时到底该退还是继续，稍有不慎就可能招来触电或火灾。所以，那些视频并不是为完全“零基础”的人准备的——真正能用好这些免费“线上专业技能”的，必须具备一些基础技能和判断力。拥有这些条件，YouTube就是很好的学习资源。换个角度说，工具常常不是为了让专业技能“不需要”，而是让它变得更有价值，因为它可以“扩大”专业能力的作用范围。工具越强大，带来的风险和回报就越大。正如亚历山大·蒲柏所言，“一知半解是危险之源”。与“油管视频”对动手能力者的帮助类似，AI之于专业人士也会起到类似的作用——尤其对那些“有一定基础”的人。医疗流程里，很多操作步骤也相对固定，但需要真正的“现场经验”和“专家判断”才能安全、正确地操作。 “工具通常不会让专业技能消失，反而会让它更具价值和影响力。” 换言之，某位经验丰富的医疗工作者，可以在AI的指导下熟练掌握一种新的医疗设备或在紧急情况下执行平时并不熟悉的操作。而一个完全没有医学常识的人，即便看了再多YouTube教学视频，可能也只能照猫画虎、冒极大风险。真要出事儿，还是需要有经验的医生在场。因此，总体来说，AI并不能让“毫无训练的个体”去完全掌控某些高门槛、高风险的工作。它能够帮助的是那些拥有相应“基础”技能的人，让他们能够“升级打怪”，在自己专业领域做得更好。倘若缺乏基本功，这种提升反而会变成灾难。可能有人会说：“你怎么能确定未来不会出现AI机器人，能够完全取代我们所有高技能岗位？”我认为，这种设想短期内并不现实。AI确实会加速机器人学的发展，但要让机器人在各种不可预测的真实环境里执行繁重或精细的工作，且在经济上可行，恐怕还很遥远。如果你觉得我过于悲观，那就看看自动驾驶的例子：尽管全球科技巨头在此领域投入了巨额资金，“完全无人驾驶”却屡屡受挫。问题不在“如何控制方向盘、油门和刹车”，而在于应对行人、突发路况、恶劣天气等无穷变化。同理，把工业机器人放进复杂的真实世界，在电箱布线、烹饪菜肴或给病人插导管，这些要面对的变数远比“开车”更为庞大。专业技能的“黄昏”吗？也许有人会认为，我所描绘的不过是人类专业技能衰落前的“一抹余晖”。最终，AI会不会把人类专业技能彻底“自动化”，如同拖拉机淘汰了挖沟工人、装配线淘汰了手工艺人、计算器淘汰了纸笔算术？我先说明：我并不认为大家会更喜欢回到必须用铁匠锤打所有工具、或者用纸笔做除法的时代。我也理解这份担忧：如果未来人类劳动彻底失去经济价值，是否就是另一种“噩梦”——但或许有人会觉得只要能有“全民基本收入”就没问题。无论如何，这种末日景象并不一定会发生。技术进步每时每刻都在提供新的工具，而工具通常确实能自动化一些人工工作。比如，伦敦的出租车司机必须花好几年记熟全城街道，这种艰辛的学习已随着智能导航的出现而变得相对无用、经济价值也显著降低。但很多时候，新工具也让专业技能更具价值和影响力。回想前面提到的空中交通管制员，如果没有雷达、GPS和双向无线电，他们只剩余目力可用。在许多古老职业里，如果失去当前的现代化工具，它们原本的价值也会大大减损，甚至根本无法存在。从经济学的角度看，导航App确实“自动化”了伦敦出租车司机的记忆技能，但雷达、GPS和无线电则让空中交通管制这一新职业变得不可或缺。历史不断告诉我们，如果技术只会“替代”而不带来新的“互补”，那人类社会恐怕早就因为“无事可做”而陷入崩溃。但事实是，工业世界看起来更像是“没工人”而不是“没工作”。最根本的原因在于：最重要的创新从来不仅仅是为了“自动化”现有工作；飞机、室内管道、青霉素、基因编辑技术和电视的发明，都不是为了替代已有岗位，而是为人类开辟了全新的可能性，创造了新市场与新技能需求。从这个角度说，AI的到来会自动化一部分任务、消灭某些岗位，却同样会带来新产品与新服务，也带来我们难以预料的新技能和新领域。当然，这期间必然会出现赢家和输家，转型可能会非常痛苦。而且，技术进步在“自动化”和“创造新工作”之间的力量对比并不必然守恒——有研究表明，近年自动化的节奏明显快于新工作产生的速度。即便两者相互抵消，也无法保证会是同一批受冲击的人获得新机遇。这就需要社会做好准备与调适。情景描述，而非必然预测历史和众多研究证明，我们选择开发何种技术，以及如何使用技术（是为了压迫或解放，是为了普惠还是集中财富）更多地取决于背后的社会制度与动机，而非技术本身。就像对核技术的利用，既能造出大规模杀伤性武器，也能建立近乎零碳排放的核电站。到了今天，各国在这一议题上的选择迥异：朝鲜拥核武，却没有核电；遭受过核打击的日本不拥有核武，却有几十座核电站。与核技术相比，AI的适用范围更广，塑造方式也更多样。比如有地方将AI用于药物研发（包括新冠疫苗)，以及实时语言翻译、因材施教等领域。 AI对劳动力市场的真正风险不在于它会摧毁所有工作，而在于它可能“贬值”人类专业技能。想象一下，如果最终变成“人人都能轻易获得专家能力”，那么所谓“专业”就不值钱了，劳动也会变得“一文不值”，社会财富大部分都流向拥有AI专利的人手中。那将是一个“机器人总动员”里人类变成惰性肥宅、甚至“疯狂麦克斯”般的世界。讽刺的是，这似乎正是一些AI先行者心目中的未来。“OpenAI”的章程中就写道：“人工通用智能指的是一种在多数经济活动上超越人类的、高度自治的系统。” AI企业家穆斯塔法·苏莱曼近期出版了一本畅销书，他在其中写道：“如果即将到来的这波AI浪潮确实如此全面，人类还怎么竞争？” 这些论调至少在我看来太过夸张——它们把“创新的复杂度”简化为单一的“自动化”维度。难道他们真觉得电动工具让建筑承包商的技能降价？飞机“优于”它的乘客？后一个问题更显荒谬：飞机不是为了跟乘客“竞争”的，否则我们根本不可能飞。要是技术仅仅用来“复制”我们现有的能力，哪怕更快、更便宜，我认为那只是“小打小闹”。最有价值的工具通常会帮助人类跳出旧的框架，发掘新的可能；那些不过是简单提升旧效率的创新，反而更为平庸。就像我家洗衣机配备了比阿波罗登月时更强大的计算芯片，但只能让我在远程启动甩干功能，却不可能真的飞往月球。如果所谓AGI最后只是造出“一台更好的洗衣机”，而不是“新的登月计划”，那就不是AGI辜负了我们，而是我们自己没有好好利用它。回到当下，舆论对AI导致的“失业大灾难”议论纷纷，但真实情况是工业化国家里并不缺少岗位，反而缺人。问题不在于将来会不会有工作，而在于这些工作是否值得去做。对相当一部分人而言，工作不仅是收入来源，更给予了他们目标感、社会联系和被社会承认的尊严。然而，在过去四十年里，随着计算机化不断推进、收入不平等加剧，一大批人的工作质量和尊严却在不断下滑。 “AI对劳动力市场的核心威胁不在于所谓‘没工作’，而在于是否会让专业技能失去价值。” AI的独特机会在于扭转这一局面——让更多人拥有和施展专业技能，从而降低收入不平等，也能让医疗、教育等领域的成本下降，并给那些原本被边缘化的岗位带来更大的自主性和更高的社会地位。但要达成这一目标，并不完全由AI本身决定，而是取决于我们如何设计制度、如何使用它。技术上，这条道路是可行的；经济上，它符合逻辑；道德上，它也充满正当性。我们真正该问的不是“AI会对我们做什么”，而是“我们要让AI为我们做什么”。

#人工智能 #就业 #中产阶级 #埃隆·马斯克 #专业技能 #颠覆性力量 #管道工 #杰弗里·辛顿

6个月前

Bret Taylor 打了个比方很有意思，做 AI 生意就像咖啡产业： - 如果你只是做基础大模型，这就好比卖咖啡豆，利润空间很小，都被各种商业竞争对手和开源模型挤压走了； - 但是如果你能做 AI 应用，解决企业的燃眉之急，就好比你在机场卖拿铁，那你的定价就会很可观，能根据“问题对客户的价值”来确定。

#AI #商业模式 #大模型 #AI应用 #咖啡产业 #Bret Taylor

6个月前

Deepseek体制内办公速通

#DeepSeek #体制内办公 #效率提升 #职场技巧 #快速上手

6个月前

游戏 vs 现实 😂

#游戏 #现实 #娱乐 #对比 #搞笑 #虚拟世界

6个月前

可以看得出，OpenAI 正在用 o3 的数据来蒸馏 GPT-4o，所以 GPT-4o 越来越强了。 o1、o3 这样的推理模型因为更擅长逻辑推理和长链思考（或在某些领域拥有更深入的知识），因此能生成更高质量、更精准、更具启发性的数据。这些“数据”可能包括：更完善的解题思路、更详细的标注数据、难以在网上直接找到的“合成知识”、或者更高质量的问答示例等等。这些由推理模型生成的优质数据，又能被拿来训练或微调像 GPT-4o 这样的“基础模型”。由于新数据更优质，训练后的“基础模型”自然也会进一步提升。 DeekSeek R1 就是一个例子，它被蒸馏到 Llama 3.2 70b 这类“基础模型”中，使该模型比原版更强大。值得注意的是，o1、o3 这些推理模型本身又是以 GPT-4 作为“底座”，再通过强化学习（RL）等手段让“基础模型”升级为“推理模型”，从而变得更聪明。当基座模型变得更强，基于更强基座模型训练出来的推理模型也会随之变得更强大。一旦我们获得了 GPT-5 的基础模型，那么所有以 GPT-5 为基础的推理模型无疑会更智能，反过来又能为 GPT-5o、GPT-6 生成更优质的合成数据。随着推理模型能力进一步提升，它们会产出质量更高的新数据，用于训练后续的基础模型——从而形成一个正向循环。图片作者 Peter Gostev：（见图片底部链接）

#OpenAI #GPT-4o #数据蒸馏 #逻辑推理 #长链思考 #解题思路

6个月前

画的最清楚的 OpenAI 路线图这是 LinkedIn 上博主 Peter Gostev 画的图（原始地址），很清晰明了。下面是相关文字说明。逐步统一的 GPT-5 模型 OpenAI 罕见地分享了他们关于统一 GPT-5 模型的路线图。主要要点如下： - GPT-4.5 将在“数周内”推出，这是他们最后一个非推理类模型（类似 GPT-4o）。 - o3 不会作为独立模型发布。 - 取而代之的是，他们将在“数月内”推出 GPT-5，它将融合 o3 和 GPT-4.5。 - GPT-5 将成为一个能够使用所有工具（如语音、搜索、Canvas、深度研究等）的系统——它可以自动决定该使用什么工具以及使用多高程度的推理。 - 这将同时适用于 ChatGPT 和 API。 - 在 ChatGPT 中，免费用户将获得 GPT-5 的无限使用权限。 - Plus 用户将获得更高水平的智能，Pro 用户则会更高。这真的感觉像是一个时代的终结。我很好奇他们会如何实现这一点。我希望这不会让他们的研发放慢脚步，因为我听 OpenAI 的团队成员说过，他们可以为新特性（比如 Canvas）训练自己版本的模型，然后再把它集成回去。我希望他们能完善系统的“智能路由”部分，因为到目前为止，对于是否自动选择使用哪些工具，系统做出的决策时好时坏。我对 o3 无法推出感到遗憾，看起来它会是一个非常了不起的模型，尤其是 o3-pro 可能会非常惊艳。我也有点担心将来 API 的样子。现在从非常便宜到非常昂贵都有各种不同的模型可供选择。我希望他们所计划的无论多么强大，都能保持便宜且快速，同时也能超级智能。

#OpenAI #GPT-5 #GPT-4.5 #路线图 #模型 #技术发展

6个月前

Airbnb 首席执行官称，现在用 AI 来规划旅行还为时尚早 by Sarah Perez Airbnb 表示，公司已经准备好推出 AI 技术，但与消费者最初所期待的方式并不相同。相较于为旅客提供借助 AI 智能体进行旅行规划或预订的工具，Airbnb 首先计划将 AI 引入其客服支持系统。该更新将于今年夏天晚些时候推出，这是该公司在周四的 2024 年第四季度财报电话会议上告知投资者的内容。 Airbnb 联合创始人兼首席执行官 Brian Chesky 解释称，AI 在客户服务方面可以发挥“令人难以置信的作用”，因为它能够使用任何语言，并且能理解数千页的文档。最初，AI 将被用作客户服务智能体，但其功能会随着时间的推移而逐步拓展。虽然 OpenAI、Google 等公司正在研发 AI 智能体——也就是可以代表用户执行一系列任务的 AI 软件——Chesky 认为，这项技术仍然处于早期阶段，目前还不能对 Airbnb 产生明显的帮助。不过，他相信 AI 终将对旅行业产生“深远影响”，即便对主要的旅行平台而言，这种影响现在还未真正显现。 “我对 AI 的看法是：我觉得现在还很早，”Chesky 表示。“差不多就像……互联网在 90 年代中后期时的样子。” 他提到其他公司也在探索与旅行规划相关的 AI 整合，但他认为现在就说 AI 旅行规划成熟还为时过早。 “我不认为它已经准备好进入主流市场，”这位 CEO 补充道。随着 AI 技术的不断发展，Airbnb 将会在客户服务之外进一步扩展 AI 的应用，将其与 Airbnb 的搜索功能结合。再往后，AI 最终还会成为“旅行和生活方式礼宾服务”，Chesky 如此展望。除了客户服务之外，Airbnb 也提到公司在内部进行一些与工程相关的工作中使用了 AI，并获得了小幅度的生产力提升。但在这方面，Chesky 同样保持谨慎态度，他说：“我不认为它已带来生产力的根本性飞跃。” 不过在未来几年里，这些收益或许会在某种“中期”产生影响。Chesky 预计，技术和工程领域的生产力可能会因此提高 30% 左右。 Airbnb 并未透露其 AI 的应用是否会影响员工数量，但首席财务官 Ellie Mertz 暗示，特别是在客户服务领域，AI 技术的确可能带来更高的效率。 “至于 2025 年以及那之后的展望，我想说我们在可变成本方面还有额外的机会，比如支付处理和客户服务领域，这些地方可以更加高效，从而带来一定的利润率提升。”Mertz 向投资者表示。 Airbnb 在第四季度财报中表现强劲，盈利和营收双双超出预期后股价上涨了 15%。该公司当季营收为 24.8 亿美元，高于市场预期的 24.2 亿美元；每股收益为 0.73 美元，也高于预期的 0.58 美元。

#Airbnb #人工智能 #旅行规划 #客户服务 #技术创新 #财报

6个月前

1997 年的模拟人生1 游戏设计文档下载

#模拟人生 #游戏设计 #1997 #下载

6个月前

让两个 AI 对弈是个不错的测试模型能力的方法

#AI对弈 #模型测试 #人工智能 #测试方法

6个月前

“我们基于目前世界的制约条件来想象它的未来，但其实还有大量新的机会和事物会涌现。所以我觉得，写代码在现在确实非常重要，而且很快就会发生变化。大家需要保持足够的灵活性。我常打的比方是，好比我们是一群会计师，而微软 Excel 刚刚问世。你是想当第一个放下 HP 计算器学 Excel 的人，因为这是更好的工具，还是想做那个死抱着计算尺和 HP 计算器不放，还在那儿说“这帮年轻人只会用 Excel，他们不懂行”的人？虽然这个比方有点粗糙，但我觉得对大多数人来说，这是最好的姿态，就是拥抱变化，尝试这些工具。装上最新的代码助手，比如 0.3 版本什么的，真正去用它写点你本来不想写的代码。你可不想做那个最后才用上 Excel 的会计吧，那样你很可能丢了饭碗。” — Bret Taylor

#未来科技 #编程发展 #技术变革 #计算工具 #灵活性

6个月前

“如果你回到 1980 年，向人们描述我们现在的很多工作，人家很难想象。比如说“我是一名播客主持人”，对方会不明白那是干什么的。那如果你回到 1776 年，去和本杰明·富兰克林说我们今天的经济形态，更是无法想象，更别说科技行业本身了，仅仅是服务经济就够颠覆了。他可能会问，“那谁来种粮食？” 因为对他来说，可能很难想象我们国家这么少的人就能为这么多人生产足够的粮食，这和他对农业是怎么运作的认识有巨大差异，估计得要花上好几个小时解释。” — Bret Taylor

#历史变迁 #现代经济 #科技发展

6个月前

AI Agent——“Agent”这个词本身就意味着它拥有“决策权（agency）”，所以它能自己在执行过程中遇到问题时做出决定而不需要确认，需要确认的是“Copilot”。但问题在于，如何保证 Agent 做决策时，能在没有确认时做出我们期望的结果？

#AI #agent #人工智能 #决策权 #Copilot

6个月前

50万开放授权的SVG图标 svgrepo com

#SVG #图标 #开放授权 #svgrepo

6个月前

Booster Robotics 的 Booster T1 表演胸口碎大石等传统功夫项目

#BoosterRobotics #BoosterT1 #功夫 #传统功夫 #科技与传统融合

6个月前

讨论下，如果现在面试要面试候选人运用 AI 的能力，应该考察哪些方面呢？面试题怎么出比较靠谱？欢迎分享，谢谢！

#AI面试 #候选人能力 #面试题设计 #技术考察 #AI应用

6个月前

摘录自经济学人：人工智能如何区分“头部人才”和“普通员工” 乐观主义者曾希望这项技术能成为强大的均衡器，但它似乎更可能扩大社会差距那些已经出类拔萃的人会越飞越高，而其他人则被远远甩在后面。在诸如研究和管理等复杂任务中，新的证据显示，高绩效者最有能力与人工智能进行协作（见下文相关表格或数据）。因为要评估AI模型的产出，需要专业知识和良好判断力。人工智能不仅没有缩小差距，反而更有可能像以往的技术革命一样，让劳动力市场的两极分化进一步加剧。 “让弱者变强”的早期信号与疑虑曾有研究支持“AI可以成为平等力量”的观点，认为AI对经验不足的员工生产力提升更大。2023年，斯坦福大学的埃里克·布林约尔松（Erik Brynjolfsson）以及麻省理工学院的丹妮尔·李（Danielle Li）和林赛·雷蒙德（Lindsey Raymond）共同进行了一项研究，发现生成式人工智能（Generative AI）工具可以让初级客户服务人员的工作效率提高34%，帮助他们更快、更有效地解决客户问题。相比之下，资深员工收益不大，因为AI只是强化了他们已在使用的成熟方法。这项研究暗示，AI也许可以把“最有经验”的员工的方法传递给“较不熟练”的员工，从而缩小两者之间的差距。在其他知识密集型任务中，也观察到了类似现象。同样来自麻省理工学院的沙克德·诺伊（Shakked Noy）和惠特尼·张（Whitney Zhang）研究发现，在起草新闻稿、报告等文书写作时，使用 OpenAI 的 ChatGPT 等工具时，写作水平较弱的人改进幅度最大。许多人只要直接使用 AI 输出的文本（甚至不做大幅度修改），就能让成品质量得到显著提升，说明AI的确可以提高“基本水平”的门槛。再比如南加州大学的乔纳森·崔（Jonathan Choi）等人也发现，对于法律工作（如起草合同），通用型AI工具对能力较弱的法学生帮助更大。然而，问题在于，这些好处很可能会被另一个更大的趋势所淹没。一个岗位通常包含一系列不同的任务，而新技术可能会让其中一些任务“商品化（commoditise）”或让人类更轻松完成（assist）。例如，对空中交通管制员来说，技术属于“增强式”的：它可以处理飞行数据，但关键决定仍需人来做，因此管制员的薪资保持较高水平。与之相反，自助结账系统（self-check-out systems）则大大简化了收银员的工作，自动完成了找零等关键环节，使得对收银员技能的要求降低，工资也就停滞不前。因此，尽管早期人们对AI在帮助低技能或重复性工作的群体抱有乐观期望，但客服人员和其他低技能工人仍可能走上和收银员类似的道路。他们的重复性任务极易被自动化替代。ServiceNow（一家商业软件公司）负责此项目的阿米特·扎韦里（Amit Zavery）估计，对某些客户而言，超过85%的客服请求已经无需人工介入。随着人工智能的不断升级，这个比例将进一步提高，只剩下更少的人工坐席来应对最复杂的情况。也就是说，AI的短期确实能带来生产力的提升，但长远来看，它会将某些技能商品化，最终让许多工作被自动化取代。与以往替代机械性或重复性工作的自动化（比如流水线作业、传统记账）不同，AI的潜力还可能延伸到非重复性与创造性工作，因为它能通过模式识别进行预测，不需要手把手的显式指令；也许未来还能更成熟地编写剧本或设计产品。就目前来看，在高薪行业里，最先被取代的往往是初级员工。以A&O Shearman（法律事务所）为例，AI已经能完成很大一部分过去由律师助理或法律实习生（paralegals）处理的例行事务。该律所的AI软件可以分析合同，将其与以往案例进行对比，并在30秒内给出修订建议。A&O Shearman的AI负责人大卫·韦克林（David Wakeling）表示，顶尖律师在使用这一技术进行战略性决策上最有心得，也就是说，高绩效的人对AI的利用最为娴熟。新的经济学研究：精英更精，普通更普通近年来的新经济学研究与这一观察相互印证。早期研究认为“低绩效者直接照搬 AI 输出就可以显著提高成绩”，但更新的研究却聚焦于更复杂的任务（如科学研究、企业运营和投资决策），发现高绩效者比起低绩效者能从AI中获得更大的助力，有些情况下，低绩效者反而没有任何提升，甚至会退步。智能设计（Intelligent design）麻省理工学院的艾丹·托纳-罗杰斯（Aidan Toner-Rodgers）在一项研究中发现，当科研人员使用AI辅助工具来进行新材料发现时，处于高水平的研究者工作效率几乎翻了一倍，而处于“后段水平”的研究者则没有任何可见提升。这款AI工具的原理是：研究者只要告诉AI自己想要材料具备哪些属性，它就能生成具备这些特性的候选材料。优秀的科学家由于专业知识扎实，可以迅速鉴别哪些建议是有潜力的，哪些是糟糕的，而能力较弱的研究者却很难分清哪些AI输出值得进一步深入。其他领域也出现了类似的结果。加州大学伯克利分校（University of California, Berkeley）的尼古拉斯·奥蒂斯（Nicholas Otis）等人发现，在肯尼亚的一次实验中，优秀的创业者借助AI辅助后，利润提升超过15%，而相对挣扎的创业者利润却有所下降。二者的差别就在于他们如何应用AI给出的建议：能力较弱的创业者只会照搬“多做广告”之类的“通用”主意，而能力更强的创业者则能更精准地找到适合自己业务的措施，比如在停电期间使用新的电力来源，从而把损失降到最低。在金融决策方面，芝加哥大学（University of Chicago）的亚历克斯·金（Alex Kim）等人进行了一项实验，让参与者在阅读企业财报电话会议记录后，再利用AI进行辅助分析，最后分配1000美元的模拟投资组合。结果表明，投资经验丰富的参与者，借助AI后回报率高了近10%；而投资经验一般的人，只提升了2%。熟练投资者会更好地利用电话会议记录里关于研发（R&D，Research and Development）支出、股票回购和息税折旧摊销前利润等细节信息，从而作出更明智的投资选择。新角色的出现：想象力与判断力将是关键随着人工智能在工作中发挥的作用日益加深，新型的工作任务也在不断涌现。Atlassian（一家办公软件公司）的拉杰夫·拉詹（Rajeev Rajan）说，AI 工具能让公司的工程师每周多出好几个小时去做创造性的工作；初级律师也能减少琐碎重复的文书劳动，而花更多时间与客户沟通。一家大型投资机构的高管坦言：“那些真正聪明的人，以前也许觉得看财报是一件无聊的事情，现在却能在AI的帮助下挖掘更多创意和想象力，因此他们会最先受益。未来一段时间里，最有价值的技能就是如何用富有创造性的方式来使用 AI。”类似地，在律师、工程师和投资等行业，许多初级员工开始更早地参与到高级任务当中，因为AI已经帮他们完成了不少“基础体力活”。回顾历史，劳动力市场一直在经历“旧职位消失、新职位出现”的动态过程。麻省理工学院的大卫·奥托尔（David Autor）估计，2018年美国约60%的工作，在1940年时甚至根本不存在。20世纪50年代的美国人口普查中才首次出现“飞机设计师”这个职位；到了90年代又新增了“会议策划师”的分类。那么，未来人工智能发展所带来的新工作，又会被谁占据呢？历史经验告诉我们，每次技术变革都更青睐拥有技能的人。在工业革命时期，能熟练运用新机器的工程师收入飙升，而从事基础劳力的人则被淘汰；在计算机时代，软件工程师成为受益者，而打字员迅速被取代。如今的 AI 似乎延续了相同逻辑——它会奖励那些拥有良好判断力、灵活思维和专业知识的人，让他们在信息密集的环境中如鱼得水。更何况，现阶段我们所看到的AI工具才只是开端。随着技术的演进，将会出现更加复杂的“半自主”AI 智能体，它们能够在一定程度上自主行动——正如黄仁勋所畅想的那样，到时候也许“人人都能当 CEO”。只不过，这并不意味着真正的“人人平等”：最优秀的人依然能把握机遇，成为掌舵人工智能的最佳‘CEO’。

#人工智能 #头部人才 #社会差距 #高绩效者 #技术影响

6个月前

用 AI 从古代雕像和经典绘画复活历史人物

#AI #古代雕像 #经典绘画 #复活历史人物

6个月前

现在可以对 ChatGPT 进行定制，输入自己的名字、职业、ChatGPT回复消息时的风格（比如话唠、机制、直接、鼓舞等等）、额外信息、支持的功能（网页搜索、DALL-E、代码、画布、高级语音等等）

#ChatGPT #定制 #话唠 #机制 #鼓舞 #网页搜索 #DALL-E #代码 #画布 #高级语音

6个月前

李彦宏称无人驾驶比司机开车安全10倍，尽管DeepSeek取得了巨大成功，但AI基础设施的投资仍然至关重要据凤凰卫视报道，在第12届世界政府峰会(WGS 2025)上，百度创始人李彦宏表示已经证明无人驾驶出租车比司机开车安全得多，他认为至少在今天，无人驾驶出租车比司机开车安全10倍。在谈DeepSeek大火是否证明不需要更多AI基建投资观点时，李彦宏表示，尽管DeepSeek取得了巨大成功，但AI基础设施的投资仍然至关重要。他指出：“当技术仍以如此快的速度发展时，你不能停止投资。你必须投资，以确保你处于这项技术的最前沿，实现逻辑创新或革命。” （来源：凤凰卫视）

#无人驾驶 #李彦宏 #百度 #人工智能 #AI基础设施 #DeepSeek #安全性 #世界政府峰会

6个月前

收到一位新手算法工程师的来信，咨询我： >“在 AI 时代，既然 AI 能生成高效的算法实现，那么新手该如何有效进行代码的设计和验证？” 这确实是当下新手工程师特别关心的问题。毕竟，AI 现在能轻松产出高质量的实现代码，可新人既缺乏“拆解需求”和“设计方案”的经验，又需要面对迅速变动的技术场景，难免会容易焦虑着急。很多人会设想一种“理想状态”：我们先把需求细分成相对独立且定义明确的模块，然后把接口、数据结构、边界条件等都告诉 AI，AI 再自动完成这个模块的实现。最后，只要进行验证，就大功告成了。但现实中，别说新手，就算是已经有了几年开发经验的工程师而言，要掌握从需求到模块的拆分，再到最后测试和调优，这条链路很长，也很考验“工程能力”。所以我对于 AI 时代的工程师的建议是：： > AI 时代，工程师仍需要掌握两大基础能力：编程技能和工程能力。 --- ** 编程技能：AI 时代仍需“做中学” 很多人会问：既然 AI 能写代码了，那我是不是就不用苦练“自己写”这件事？答案并不绝对。 - 编程是技能就像学游泳或学骑车，如果你从头到尾都不下水，只是在岸上看视频或让别人代替你游，你自己很难真正学会。编程同理，需要动手才能真正理解和掌握。 - AI 帮你加速，但不能完全取代你的动手实践比如，你遇到一个功能需求，不妨先自行思考一下可能的实现思路，然后让 AI 生成一个方案。接着，你可以亲手去改动、调试，甚至故意“手写一遍”看是否顺畅，或者是否能够理解 AI 生成的关键逻辑。只有这样，你才能更熟练地掌握编程能力，真正知道代码在做什么，而不只是“让 AI 代写”。 - 写得快已不再是全部目标过去我们常常追求写代码又快又好，可是在 AI 的帮助下，“写得快”可以部分交给 AI，我们更多精力应投入到结构设计、逻辑思考、验证测试等更具价值的工作上。 --- ** 工程能力：从需求到可持续维护的系统要想真正把需求落地成一套可运行、可维护、可演进的软件系统，工程能力就尤其关键了。它涉及到从需求分析、架构设计、实现编码、验证测试、运维部署到持续迭代的一整个流程，也可以理解为把需求变成可持续维护系统的综合能力。试着想象一下，一个合格的（也可以说是“专业的”）工程师在日常开发中都要做些什么： 1. 需求和场景理解 - 与需求方沟通，确认数据规模、并发量、安全合规要求等，这能避免后续返工或踩坑。 2. 架构设计与技术选型 - 考虑技术栈、模块划分、API 设计等，并兼顾成本、性能、可扩展性，才能保证后面不会“撞墙”。 3. 测试与质量保证 - 包含单元测试、集成测试、端到端测试等，各类测试在不同层面保障质量。 - 通过持续集成（CI），快速发现改动对已有功能的影响。 - 新手尤其要培养“多写单元测试、用测试验证逻辑”的习惯，这对识别 AI 生成代码的缺陷非常有效。 4. 运维与监控 - 上线后如何发现错误、记录日志并快速定位问题，如何保障系统稳定运行，都需要事先规划。 5. 团队协作与项目管理 - 多人协作怎么做 Code Review？版本管理和需求排期如何安排？这些都属于工程能力的一部分，也是让团队高效协作的关键。 --- ** AI 时代下，工程能力的新挑战与机遇虽然 AI 在编程层面突飞猛进，可以生成各种模块、自动化测试脚本，但在以下这些方面依旧需要人类发挥主导作用： 1. 掌控需求到实现的链路 - AI 只能依据你给的描述去生成实现。若需求描述和拆分不到位，AI 写出的代码很可能在后期难以集成或维护。 - 只有具备扎实的工程能力，才能确保需求、设计、实现三位一体。 2. 审阅与调试 AI 生成代码 - AI 写的实现并不总是完善，它可能忽略边界条件，也可能在性能或安全合规上欠考虑。 - 需要工程经验去审阅、调试，并结合单元测试、日志监控等手段，验证代码的正确性和鲁棒性。 3. 架构与模块拆分 - 哪些部分适合让 AI 来生成？哪些部分需资深工程师自己写？ - 整个系统的版本、模块管理如何协调？在这些领域里，工程师对系统全局的把控能力非常重要。 4. 数据与安全合规 - 特别是算法工程师，常常涉及数据管线、数据隐私与合规等复杂场景。 - AI 生成一段跑模型的代码很容易，但若要兼顾隐私合规、合理负载、监控报警，就离不开工程化的思维。 --- ** 如何提升工程能力：实战中历练，持续总结既然工程能力如此重要，该如何让自己成长得更快？以下几点建议可能对你有所帮助： 1. 多动手维护实际项目 - 读书和看文档可以打基础，但实际开发的踩坑和复盘最能帮你快速建立认知。小到个人开源项目，大到公司内部复杂系统，都能让你看到“设计-实现-测试-部署”的全流程。 2. 吸收业界最佳实践 - 去读优秀开源项目的源码，仔细观察他们如何组织目录结构、如何写测试、如何做持续集成；或者在团队里多参与 Code Review，学习他人写码和思考的方式。 3. 熟悉工具链与自动化 - 尝试了解并实践 CI/CD 流程，掌握单元测试框架、配置管理、运维监控工具等。这些在实际工程中都是必不可少的一环。 4. 主动思考架构与性能 - 无论是后端服务的分布式架构，前端的工程化，还是机器学习训练管线等，都有相应的设计模式和性能优化思路。多思考如何在逻辑与工程层面做得更好，而不是单纯依赖 AI 给出的实现。 5. 培养文档与沟通习惯 - 工程并非个人英雄主义。“写在你脑海里”的想法也需要变成清晰的文档、需求说明、接口规范、部署指南，这样不仅帮助团队，也有利于自我总结。 --- 总结一下： - 在 AI 时代，能帮我们写代码的“工具”越来越多，但“如何保证写得对”“如何把需求从无到有构建成高可维护、高可靠的系统”才是人类工程师真正的价值所在。 - 编程技能仍需“做中学”：AI 辅助写代码并不能完全替代亲自动手，不然难以真正掌握技术本质。通过实际项目增强经验：多踩坑、多总结，是积累工程思维的关键。 - 对于新手工程师，首先要在实践中不断提升编程技能，要能理解代码、能手写关键逻辑，另一方面，更要把精力放在工程能力上：需求分析、架构设计、模块拆分、测试与持续集成等。 - AI 不能替你做“架构设计与技术选型”：它只能在给定的框架内去编程，如何拆分、怎么确保安全与性能，依旧仰赖工程师的决策。希望以上这些思路对你有所启发，也祝你能在 AI 时代下，快速成长为一名具备强大工程能力的算法工程师。加油！

#AI #算法工程师 #代码设计 #新手指南 #技术变革 #代码验证

6个月前

WSJ 今天发的一篇文章：《IT Unemployment Rises to 5.7% as AI Hits Tech Jobs[1]》，文章认为现在 IT 失业率攀升，主要是由于 AI 导致的，这篇文章在 HackerNews 上也引发了官方的讨论，也有很多网友并不认同文章中的观点，认为 “AI 取代程序员”是炒作或宏观经济裁员的借口。 • 绝大多数评论者并不相信“解雇所有程序员，用 AI 完成开发”是可行且有效的策略，认为这只会带来混乱和长期风险。 • AI 不会马上毁掉编程职业，更可能是让软件工程进入一个“人机协同、边界上移”的新阶段，程序员角色或许变得更加“总体规划+审校+深层逻辑”导向。 • “取代”论更多是被夸大、利用来制造话题或配合公司做短期人力成本决策，并未真正落地在大规模成熟软件开发上。我把原文和讨论内容都整理在下面了。 IT失业率攀升至5.7%，人工智能冲击科技岗位人工智能持续影响科技劳动力市场作者：Belle Lin 根据咨询公司 Janco Associates 基于美国劳工部数据的报告，IT从业者的失业人数从去年12月的9.8万人增加至上个月的15.2万人。图片来源：Joe Raedle/Getty Images 最新数据显示，IT行业失业率从去年12月的3.9%上升至今年1月的5.7%，显著高于上月整体4%的失业率。随着自动化和人工智能（AI）应用的不断提升，科技劳动力市场正受到不利影响。 Janco Associates 的报告显示，IT失业人数已从去年12月的9.8万人增长至上个月的15.2万人。美国劳工部上周五表示，整体经济在1月份增加了14.3万个就业岗位，就业市场依然保持增长，但增速相比之前两个月有所放缓。 Janco Associates 的首席执行官 Victor Janulaitis 表示，AI在一定程度上导致了科技领域的岗位减少。生成式AI的兴起使得科技巨头在AI基础设施上投入了大量资金，但并未相应产生更多IT岗位。 “在IT职能中，一些例行化、重复性的工作正在被裁减，比如报告制作、文书行政等，”Janulaitis 表示，“企业在考虑部署AI的同时，也希望减少程序员、系统设计师等岗位数量，希望AI能够带来价值并获得较好的投资回报率。” 越来越多的企业对AI的投资初见端倪，可能会导致未来在招聘方面进一步削减。一些科技高管开始将其称为“成本规避”：与其招聘新员工来完成可以轻松自动化的任务，不如让AI来承担这些工作，从而节省潜在支出。图片 Indeed 招聘网站的经济学家 Cory Stahle 指出，最新的IT就业数据出现之际，白领失业率依然处于自2020年以来的最高水平。 Stahle 表示：“尤其是过去一年左右，我们看到就业机会出现分化，白领知识型岗位的雇主需求远低于那些需要线下操作的技术工种。” 他补充说，例如软件开发领域的Indeed新发布招聘信息，今年1月同比下降了8.5%，但在经历了2023年科技行业的大幅裁员后，现在开始出现趋稳迹象。在加利福尼亚州圣克拉拉的云安全公司 Netskope，目前正在招聘多个技术岗位，包括数据工程师、数据分析师和云运营工程师，Netskope 的首席数字和信息官 Mike Anderson 表示。 Anderson 称，公司在IT部门组建新产品团队需要额外的人员投入，Netskope 正在“投资以提高全公司的生产力”。 Janulaitis 表示，造成今年1月科技岗位流失的另一个原因在于，许多企业开始执行今年早先既定的削减支出计划，而这些计划往往基于去年财年规划时对经济形势的预测。一些大型科技公司也在继续裁员。上个月，Meta Platforms 宣布将在美国范围内基于绩效考核裁减5%的员工。本周三，企业软件巨头 Workday 宣布将裁员约8.5%。

#IT失业率 #人工智能 #技术工作 #HackerNews讨论 #程序员

6个月前

美国副总统万斯在巴黎AI峰会上发表了演讲。他强调，美国将继续在人工智能领域保持领先地位，不会受到过度监管、意识形态偏见或审查的束缚，同时也会推动一条有利于工人的发展道路。万斯提出了四个主要观点： 1. 现任政府将确保美国的AI技术继续保持世界领先水平，并成为各国政府和企业在拓展AI应用时的首选合作伙伴。 2. 过度监管可能会扼杀这个正处于起步阶段的颠覆性产业。美国将努力推行有利于AI行业发展的政策，并对这次峰会中提到的“减少监管”趋势表示肯定。 3. AI必须避免被任何意识形态所操控，美国不会允许AI成为威权审查的工具。 4. 特朗普政府将坚持一条支持劳工的AI发展道路，让AI成为在美国创造就业机会的重要动力。万斯还赞同莫迪总理的看法，认为AI能够帮助人们提升效率和生产力，而不是取代人类。AI的出现会让我们更加高效、富足并拥有更多自由。 *** 万斯今天在巴黎AI峰会的演讲感谢这番善意的介绍，我想先感谢马克龙总统主办此次活动，当然还有他昨晚带来的美味晚宴。在晚宴期间，马克龙总统看着我，问我是否愿意发言，我说：“总统先生，我是为了享受美好时光和免费红酒而来，但我今天必须要有所付出。” 我当然也要感谢莫迪总理能出席并共同主办此次峰会，还要感谢在座所有人的参与。我今天早上并不是来谈论AI安全的，那是几年前这场会议的主题。我是来谈论AI机遇的。每当像这样的会议聚集起来讨论前沿技术时，我常常觉得我们的反应过于自我防范、过于害怕风险。然而，我从未见过有哪项技术突破能如此清晰地召唤我们去做恰恰相反的事情。我们这届政府——也就是特朗普政府——相信AI将在经济创新、就业创造、国家安全、医疗保健、言论自由以及其他领域拥有数不胜数的革命性应用。而如果此时就限制其发展，不仅会让已经占据行业地位的企业不公平地受益，还意味着扼杀了这一代人所见过最有前景的技术之一。现在，基于这些考量，我想提出今天的四个重点。第一，本届政府将确保美国的AI技术继续成为全球的黄金标准，并在其他国家以及企业扩展AI应用时，成为他们首选的合作伙伴。第二，我们相信，过度监管AI行业可能会在它刚刚起飞之际就扼杀这个具有变革性的产业，因此我们会尽一切努力来鼓励有利于增长的AI政策。我也很高兴看到放松管制的理念正在本次会议的许多讨论中得到体现。第三，我们非常坚信，AI必须免于意识形态偏见，而美国的AI不会被改造成威权审查的工具。最后，第四，特朗普政府将为AI保持一条有利于劳动者的增长路径，使其能够成为在美国创造就业的重要工具。我也赞同莫迪总理的观点。我真的相信AI将帮助人们提高生产力，而不是取代人类。它永远都不会取代人类。我认为，AI行业里有太多领导者在谈到取代工人的恐惧时，真的忽略了重点。我们相信，AI会让我们更具生产力、更繁荣，也更自由。美利坚合众国在AI领域处于领先地位，我们的政府计划继续保持这种领先优势。美国拥有整个AI技术栈所需的所有组件，包括先进的半导体设计、前沿算法，以及具有变革性的应用。当然，这个技术栈所需的计算能力对推动AI技术的发展至关重要。为了维护美国的优势，特朗普政府将确保最强大的AI系统在美国本土建造，并使用美国设计和制造的芯片。当然，仅仅因为我们是领头羊并不意味着我们想要或需要单打独斗。让我郑重强调这一点：美国希望与各位合作。我们希望以开放与协作的精神共同开启眼前的AI革命。但要建立这样的信任，我们需要能够促进AI技术发展的国际监管体系，而不是扼杀它。我们尤其需要我们的欧洲朋友以乐观而非惶恐的心态来面对这一新的前沿领域。美国能发展出最前沿的AI并非偶然。通过保持一个开放的监管环境，我们鼓励了美国的创新者进行实验并投入前所未有的研发资金。到2028年，预计全球在AI领域的支出约为7000亿美元，其中超过一半很可能会投资在美国。本届政府不会扼杀那些由初创企业和研究生们所创造的、最具突破性的人工智能应用。相反，我们的法律将确保大型科技公司、小型科技公司以及所有其他开发者都在同一公平环境中竞争。关于总统最近在AI方面签署的行政命令，我们正在制定一份AI行动计划，既能避免过度谨慎的监管体制，又能确保所有美国人都能从这项技术及其变革潜力中受益。现在，如果这种模式适合贵国，我们也邀请各位与我们合作并加以借鉴。然而，特朗普政府对于一些外媒报道感到担忧：有些外国政府正考虑对美国那些具有国际影响力的科技公司收紧管制。美国不能也不会接受这种做法，我们认为这不仅对美国是个严重错误，对这些国家自身也同样错误。各种规模的美国创新者早已体会过应对繁琐国际规则的滋味。我们许多高产能的科技公司被迫应对欧盟《数字服务法案》以及其在内容移除和所谓错误信息监管方面制定的庞大规则。当然，我们希望确保互联网是一个安全的空间，但阻止在线捕食者伤害儿童和阻止成年人访问政府认为是“错误信息”的观点，这二者有着根本的不同。与此同时，对规模较小的企业而言，应对《通用数据保护条例》（GDPR）意味着无休止的法律合规成本，否则就有可能面临巨额罚款。对一些企业来说，为了避免这种进退两难的局面，他们最简单的办法就是直接屏蔽欧盟用户。先生们女士们，这真的是我们想要的未来吗？我想我们所有人的答案都应该是否定的。在涉及能源的问题上，没有比监管更让我们担忧的了。同样，我也感谢本次会议上许多人的观点，因为他们都认识到我们正处在一个渴求可靠能源和高质量半导体的AI产业前沿。然而，我们的许多朋友一方面在去工业化，另一方面却把可靠电力赶出了自己的国家和电网。AI的未来不可能靠对安全的杞人忧天来赢得，而是要通过建立可靠的发电厂，以及能够生产未来所需芯片的制造设施来实现。就我个人而言，AI最令我兴奋的地方在于它根植于真实且物质的经济之中。这个行业的成功不仅仅是聪明人坐在电脑屏幕前编程的结果，它还依赖那些亲手操作的人。即使是机器人技术也会改变我们的工厂，它当然能使我们的医疗服务提供者在治病方面更有成效，但同时也依赖那些医疗人员、医生和护士所产生的数据。我相信，它将帮助我们在未来创造并储存新的能源模式，但就眼下而言，如果世界没有建设好支持AI的能源基础设施，AI就无法真正起飞。我认为，过去20年的技术创新往往让人想到一些聪明人盯着电脑屏幕，在比特的世界里进行工程设计。但AI经济主要将依赖并改变原子层面的世界。此刻，我们正面临一场新的工业革命的非凡前景，它可与蒸汽机或贝氏炼钢法的发明相提并论。然而，如果过度监管让创新者望而却步，我们就永远无法取得这些必要的进步；同样，如果我们允许AI被那些企图利用这项技术来审查或控制用户思想的庞大企业所主导，这场革命也不会发生。我想请大家退一步，问问自己：是谁最积极地要求我们，也就是今天在场的政治领导人，推行最严厉的监管？很多时候，这些要求来自已经在市场上拥有既得利益的人。当一个庞大的现有企业来找我们要求制定安全监管时，我们应当质问，这项安全监管究竟是为了人民的利益，还是为了维护这家现有企业的利益？在过去几年里，我们看到一些政府、企业和非营利组织通过AI推进了一些不得人心、甚至在我看来完全背离历史的社会议程。在美国，我们曾见到有AI图像生成器试图告诉我们乔治·华盛顿是黑人，或者说一战时期的美国士兵其实是女性。现在回头看，我们会觉得很可笑，当然这确实荒诞不经，但我们必须记住这荒诞时刻带给我们的教训。我们从中了解到，特朗普政府将确保在美国开发的AI系统不带有意识形态偏见，绝不限制公民的言论自由。我们相信我们的人民有能力独立思考、获取信息、形成自己的观点，并在公开的思想市场中彼此辩论。我们也看到一些敌对的外国对手将AI软件武器化，用来改写历史和审查言论。当然，这并不是什么新鲜事。和他们对待其他技术一样，一些威权政权也通过窃取并使用AI来增强其军事情报和监控能力，窃取外国数据，并制造宣传来破坏其他国家的国家安全。我想明确表示：本届政府会彻底阻止这类行为。我们将保护美国的AI和芯片技术不被盗窃或滥用，并与我们的盟友和伙伴合作，加强并扩大这些防护措施，切断对手获得威胁我们所有人的AI能力的途径。我也要提醒今天在场的国际友人，与这些政权合作从长远来看绝不会有好处。从闭路电视（CCTV）到5G设备，我们都很熟悉那些由威权政权补贴并出口到市场上的廉价技术。但正如我所知，并且我认为这里有些人也有过类似的经验，与他们合作就意味着把你的国家捆绑给一个试图渗透、深耕并控制你信息基础设施的威权主宰。如果一桩交易看起来好得令人难以置信，那就要记住我们在硅谷学到的一句老话：如果你没有为产品付费，那么你就是产品。最后，本届政府想明确说明最后一点：我们将在AI政策中始终以美国工人为中心。我们拒绝将AI视为一种必然取代劳动力的纯颠覆性技术。我们相信并会推动相关政策，确保AI能够提升工人的生产力，并期望他们能因此获得更高的工资、更好的福利，以及更安全、更繁荣的社区。从法律到医学，再到制造业，AI最直接的应用几乎都是在辅助而不是取代美国人所进行的工作。现在，再加上本届政府在移民问题上的“工人优先”立场，我们相信，一旦美国劳动力准备好充分利用AI，反而会吸引那些将部分岗位外包到海外的企业回流。为此，本届政府将确保美国拥有世界上最优秀的受训劳动力。我们的学校会教学生如何管理、监督以及与AI工具互动，因为这些工具将越来越多地成为我们日常生活的一部分。随着AI创造新的就业岗位和行业，我们的政府、企业和劳动组织有义务共同努力，让工人受益，不仅在美国全国范围内，也在全球范围内。为此，对于联邦政府出台的所有主要AI政策决定，特朗普政府都会保证美国工人在决策桌上拥有一席之地，我们对此深感自豪。好了，我已经占用了够多的时间，接下来我想用一个简短的故事来结束我的发言。这是一个美丽的国家，马克龙总统，我知道你对此深感自豪，也理应如此。昨天，我带着我的三个孩子，与 Gravêthe 将军一起游览巴黎的荣军院时，他非常友善地向我展示了那把属于我们美国革命期间最亲密的国际友人——拉法耶特侯爵——的佩剑。他允许我拿起那把剑，但当然，在此之前他让我戴上了白手套。这让我开始思考这个国家——法国，以及我的祖国，还有我们通过那样的军刀所共同缔造的美好文明。武器若落入不当之人之手将会非常危险，但在对的人手里却是争取自由与繁荣的不可思议的工具。我不禁想到今天的会议，如果我们在那些同样被视为危险的事物（比如AI）上选择了错误的方法，选择束缚自己，那将不仅影响我们的GDP或股市，还会改变拉法耶特和美国开国者当年所要开创的事业的未来。当然，这并不意味着我们要把所有安全担忧都抛诸脑后，但重点至关重要。我们现在必须聚焦于抓住这稍纵即逝的机会，释放我们最杰出的创新者的潜能，并利用AI来改善我们国家和人民的福祉。我可以非常自信地说，特朗普政府不会浪费这个机会。我们也希望今天在座的所有人都有同样的感受。谢谢你们，愿上帝保佑你们。谢谢。

#AI峰会 #万斯演讲 #人工智能领先 #美国AI政策 #过度监管 #科技创新 #国际合作 #颠覆性产业

6个月前

一名本科生推翻了图灵奖得主姚期智延续40年的数据科学猜想，能让哈希表平均查询时间成为一个与 x 无关的常数自从计算机诞生以来，哈希表（hash table）就被视为最基础、最常用、研究最充分的数据结构之一。它能帮我们在海量数据中快速“插入、删除、查询”——效率之高使其遍布现代应用：从数据库管理到网络路由，再到编程语言的底层实现，几乎无处不在。也正因为它的重要性，围绕哈希表的理论研究和实践优化在过去几十年里始终没有停歇。那么，哈希表还能多快？在1985年的一篇里程碑式论文中，图灵奖得主姚期智（Andrew Yao）提出了一个被广泛接受的判断：在特定类型的哈希表中，要想在最坏情况下（例如表里只剩下最后一个空位）进行插入或查询，所需的操作次数与哈希表的“填充度”x（接近99%、99.9%乃至更高）呈正比。换言之，当哈希表已几近装满，要寻找空位或者特定元素时，每一次都需要“多试几个位置”才行。而这一推论，40年来一直是计算机科学领域的共识之一。这次，一个来自本科生的意外发现，却推翻了这条“铁律”。安德鲁·克拉皮文（Andrew Krapivin）本是罗格斯大学的一名普通本科生，却在阅读一篇名为“微型指针”（Tiny Pointers）的论文时，突发奇想：如果指针可以变得更“微型”，那能否连带着重新设计哈希表本身？结果不但设计出了全新结构，速度超出预期，更挑战了业界对“最坏情况下插入和查询速度”的旧有认知。在导师和合作者的帮助下，他证明这种新型哈希表在几近满载时，寻找元素或空位的耗时仅仅和(log𝑥)²成正比，而非 x 。这一成果直接动摇了姚期智的著名猜想。更令人惊讶的是，他们还证明了一个“平均查询时间”上的突破。传统的研究结论认为，满足某些性质（例如“贪心”插入）的哈希表，其平均查询时间至少要达到(log𝑥)。但克拉皮文团队给出的非贪心策略却把这个瓶颈彻底打破，甚至能让平均查询时间成为一个与 x 无关的常数。这是此前的研究几乎无人想到的可能性。具体信息可以看 QuantaMagazine 的这篇报道《Undergraduate Upends a 40-Year-Old Data Science Conjecture》。

#哈希表 #数据科学 #图灵奖 #姚期智 #查询时间 #计算机 #本科生

6个月前

现在还没到 AI 迁就我们的时候，可以我们迁就AI一点，基于 AI 的能力去做一些适应，也能在一些事情上提升效率，比如： - 你不一定要让 AI 帮你操作 Excel 表格，可以让它帮你写宏函数； - 你不一定要让 AI 去写一份完整的专业报告，但是可以借助 Deep Research 或者 AI 搜索这样的工具去帮你找资料、完成其中章节、写综述； - 你不一定要让 AI 帮你写一篇 AI 味很浓的文章，可以自己写好一部分内容和主要的骨架，让 AI 帮你基于你的风格重写成一篇更精彩的没那么 AI 味的文章 - 你不一定要让 AI 去写一个复杂完成的 App，可以让它实现一个个小的模块，然后把这些模块合在一起，一样可以提升效率 - ……

#AI #效率 #宏函数 #报告 #搜索 #综述 #任务

...