查看原文
其他

Vol.02 ChatGPT 说:你丫就是个翻译官!

徐文浩,任鑫 AI炼金术 2023-05-27

卷首语


忽然一下子忙得连吃饭都没时间。


感觉一夜之间,科技圈原地满血复活、重新噪了起来。和大厂朋友聊、和创业朋友聊、和 VC 朋友聊,忽然发现大家眼睛里又有了光彩,觉得非常感慨。其实,没有人能断言这一波浪潮是不是又一次泡沫,这些热情最后会不会都被扑灭在沙滩上。但大家都憋了太久了,这种蓬勃和希望的感觉,真的已经很久没看到了。为这个热闹,开心一下:)


热闹之中,我们自己实验了越来越多的 AI 工具(包括ChatGPT),也讨论了好几次 AI 对我们的机会到底在哪里。过程中,不仅越来越显著感受到自己效率的提升、工作流的变化,更是切身感觉到——AI 来了之后,一切就再也回不到过去了。


不用再问,AI 到底会不会取代人类的工作,而应该问到底替代哪些、替代多少。大部分白领工作中的具体任务,会被 AI 一口一口吃掉,这时可以像工业时代的日本武士一样拒绝现实,也可以马上放下“我执”开始学习如何和 AI 高效协作。把自己当做科技的受害者,只会看到时代远去的背影——因为它根本不在乎我们怎么想;把自己当做时代的冒险家,却很可能会发现,自己手上已经被赋予了人类历史上最强大的武器。


下面是这周的 4 篇文章,两篇来自徐文浩,两篇来自我(任鑫)。信息密度有点大,建议收藏、关注、转发、然后再 Read it Later:)



· AI 时代的知识工作者 = 工业时代的日本武士

之前所有人都觉得,人工智能会先替代体力劳动者。但万万没想到,办公室里的白领(文案、美工、码农……)比生产线上工人更早感受到了凉意。这个情况有点像工业时代的日本,其实最受冲击的不是底层民众,而是社会中上层的武士阶级。经济状况恶化和自我身份认同双重冲击下,武士们有些选择反抗和抵制,有些选择适应和转型,不同的选择造就了后续不同的人生。


· AI会替代程序猿的工作么?问题错误!应该问替代哪些,替代多少?

还在抽象思考“我的工作会不会被 AI 替代”的程序员们,更应该做的事情是梳理一下“我每天到底在做什么”和尝试试用一下Copilot。很多我们引以为傲的“知识工作”,不过是“人肉翻译器”罢了,比如听懂业务方需求“说给”机器听,这里面没有任何 AI 不能替代的地方。而当 AI 能够以 100 倍效率承担这个翻译工作后,我们对待“重构系统”的态度、我们用来做事的组织和方法,都会变得完全不一样。


· 解绑:AI 吃掉的是任务,不是工作

ChatGPT 要求所有的知识劳动者做一次个体的数字化转型。个体需要开始解绑自己的“工作”,拆解成不同的“任务”,对应不同的“技能”,然后在不同技能上使用不同的 AI 来替换或支持,重新设计工作流,达到强化自己的效果。这是最坏的时代,因为必然有大量的就业岗位消失;这也是最好的时代,因为对用好 AI 的少数人来说,“组团队”只需要过去 10% 的资本量。


· 提示词工程师,给AI配个产品经理?

如果你和程序员表达完需求之后,发现做出来的不是你想要的,不一定是这个程序员水平不够,也可能是你没表达清楚需求。同样,你和 ChatGPT 表达需求之后,它的回应和你期待不一致,也不一定是它的问题,可能是我们还没有掌握和它正确沟通的方法。



—— 任鑫



1

KNOWLEDGE WORKER

AI 时代的知识工作者 = 工业时代的日本武士


这篇文章打动我的不是观点,而是血淋淋的类比。
或许当今时代的知识工作者,真的很像是工业时代的日本武士。


相对于平民,武士不仅接受过战斗训练,而且会接受大量军事、历史(包括中国历史)、算术、书法,甚至数学和科学的教育。整个阶层处于社会中上层,经济状况较好,甚至享有一定的特权。
但忽然之间,日本封建制度瓦解,武士的技能就不再被重视和需要。这时,要处理的不仅仅是一个阶层的生活和生计问题,还有很大的自我身份认同和情绪问题。
面对巨大落差,很自然的反应是反抗、抵制变革。部分武士也这么做过,但武士联盟不可能抵抗天皇的现代化军队,1877 年 Satsuma Rebellion 一战中就产生了 3.5 万伤亡,却挡不住历史车轮。
更积极的应对则是接受变革核心技术,继续学习。比如生活在长崎的武士接触外语,使得他们在当时那个渴望向西方学习的政府的领导下,获得巨大的领先优势。部分被派往海外,部分留在日本成为新国家的教师、官僚和艺术家。
如果我们执着于自己的妄想:我是什么人,我应该是什么样子,世界应该是什么样子,世界应该如何对我,大概率我们会失望甚至于绝望——因为世界根本不在乎我们怎么想。这种撕裂中会产生不安全感、恐惧和学习障碍。但如果我们更多的着眼点是世界会发生什么,有什么危险和机会,应该如何规避和迎接,不仅更可能顺利,心也会更安定。



相关延伸

Will your job be obsolete by 2035? What you can learn from the way of the samurai.https://olivertheobald.medium.com/dealing-with-technological-upheaval-in-the-workplace-the-japanese-samurai-offer-hints-to-the-826733c990d8




2

PROGRAMMER

AI会替代程序猿的工作么?问题错误!应该问替代哪些,替代多少?

  • 本图片由Midjourney生成


最近基本上每天都会看到一个新闻说ChatGPT通过了某个考试,有医学的、法律的、MBA入学考试的,还有Google的L3级别的工程师面试的。作为一个工程师,周围也有很多工程师朋友。所以有一个问题一定会在这个时候被提起来:“AI会替代程序员么?”
大部分程序员都非常自信,觉得还早得很。虽然AI已经可以轻松在围棋上让人类的顶尖棋手2子,但是他们还是觉得,我现在干得这么麻烦、复杂的一份工作,哪有那么容易被取代呢?

“思维链(Chain of Thoughts)”是通用人工智能的起点?
但是我的观点是完全不同的,我觉得AI会大量替代程序员的工作,就和代替大量医生、律师的工作一样。而且这一天在Copilot出现,ChatGPT发布之后就已经开始了。就像电影「终结者2」一样,人类的命运不是在核弹起飞的审判日才面临终结,而是在「天网」上线的1997年。当ChatGPT开始体现出“思维链”能力的时候,虽然时不时这个思维链还是会犯傻,犯错。但是AGI的从0到1的这一步,在我看来已经跨过。后面需要解决的问题,不再是从0到1的突破性工作,而是1到100的改进性工作。
据我的观察,大部分自信满满觉得AI哪有那么容易替代自己工作的工程师,都没有仔细盘算过一下自己每天的工作到底是在干些什么。而我周围凡是用上了Copilot,并且开始习惯用ChatGPT来解决各种工作中问题的朋友们,都一致表示没法回到过去了。

开卷面试你也打不过ChatGPT
下面这个,是我经常在面试里面拿来面做数据分析或者数据处理的一道SQL面试题。


一般来说,我会从简单到复杂逐渐扩展面试问题的难度,这里列出的是如果面试者前面都回答得顺利的情况下,需要回答的最后一个有难度的小问题。特别值得关注的是,这是一个视频开卷面试题,也就是我会主动告知面试者可以用搜索引擎去查询资料来回答问题。在去年至少20次的面试过程中,很遗憾地,只有一位最终能够走到接近正确答案的SQL,但是ChatGPT迅速给出了正确解答。
你说这个需求特别复杂么?并没有,但是很容易通过Google搜索出结果么?恐怕也不是。如果你要通过搜索能够拿到结果,你至少需要从合适的SQL里面的窗口函数去找。但是通过ChatGPT,你只需要申明式地描述需求就能得到一个准确的答案。如果你不理解答案,你甚至还可以让ChatGPT帮你解释一下这句SQL。



知识工作的本质也许是翻译?
如果我们看一下大部分一线工程师在做的事情,其实就是在把上面例子里的问题,变成下面的代码。本质上,都是一些“需求翻译”的工作。既然机器翻译现在已经能够把不同语言之间的文章的翻译做得不错了,那为什么不能把这样的“翻译”工作完成呢?

  • 现在NLP中的encoder-decoder的模式,就是来自于机器翻译的思路

    GPT所依赖的transformer里一样是encoder-decoder的架构


事实上,日常大部分工程师的工作恐怕都比上面的SQL要简单,大部分一线工程师,在干的就是一个“需求人肉翻译机”的工作。从需求方接需求,然后“翻译”成机器看得懂的代码。有很多人会觉得,“AI不理解业务”,说实话是高看自己小看AI了。
AI不会因为自己代码写得好就有小脾气,AI也不会因为沟通改需求而表示厌烦。AI去学习一个新的领域的知识毫无心理负担。甚至当需求方遇到AI表示要问问题的时候,都更不容易发脾气或者起冲突。而是只能自己思考是不是哪儿说得不清楚。因为,如今所有这些常见的业务类需求,都是基本不需要创新,确定性可以解决的问题。这类问题,至少目前我自己用ChatGPT和Copilot的体验下,是手到擒来的。

  • ChatGPT的中文语料应该远少于英文语料,但是拿来翻译的效果也非常不错


还有很多工程师,觉得AI没有办法维护好代码。我觉得这个也属于高看自己了。AI下围棋并不要求必须从头开始下,AI画画也可以在画完的画上改,下面的图里AI还能帮我查Bug。对于AI来说,写新代码和维护旧代码真的有什么本质上的差别么?AI读一遍几万行的代码需要多久?新接手的工程师又要多久呢?当然,此时此刻,我们能够拿到的OpenAI的API还只能支持4096个Token,Copilot暂时还没有表现出能够对大型系统直接进行重构的能力。
但是要注意,我们写代码本来就是进行层层封装的。很多最佳实践里,都会希望一个函数不超过50或者100行。所以我们只要能层层组合,一样可以靠AI写完更大的系统。这里要解决的,已经不是从0到1的问题,而是一个1到100的问题了。

当成本接近于0,我们只需要日抛型代码
当然,这个问题其实背后还有一个更本质的问题,那就是我们一定要去维护旧代码么?我们为什么不可以选择用AI写一套新代码,直接替代掉旧代码呢?我们维护旧代码而不写新代码的原因,本质都是经济原因。很多工程师并不喜欢维护老代码,但是往往管理者或者公司会阻止你重写。因为新代码也许可以写得长期更容易维护,但是短期内要付出的代价太高。特别这个成本并不只是钱,而是市场的时间窗口和竞争态势,不能停下来等团队让代码更容易维护。但是“重写代码”需要很多时间这件事情,在AI写代码的时候,需要很多时间这个问题恐怕就不存在了。
重写代码的时候,需求是确定的,而不是需要探索的。这个就已经解决了时间上最大的不确定性。然后机器本身写代码的速度限制只在硬件性能上。换句话说,也许“钱”是问题,但是“时间”已经不是个大问题了。在我看来,“AI怎么维护陈年老代码”,“AI对于线上出问题的系统怎么做紧急运维”都属于有点刻舟求剑的问题。类似于问“火车遇到没有煤了开不动了怎么办,还是马车靠谱”。
现在大部分工程师的日常工作模式,都是基于“人肉写代码维护大型互联网在线应用”的这么一个模式出现的。工程师觉得自己了不起,工程师收入高,以及所有的复杂性主要都是基于这个模式下的。但是,这个模式下的很多挑战,如果切换成AI写代码其实是不存在的。
  • 因为大幅度的扩展和人员流动带来的所谓“屎山”代码,在让AI写代码的情况下并不会存在。
  • 因为人的不确定性带来的Bug,在AI写代码的情况下也会逐渐消失。那么因为Bug需要让代码容易阅读和维护这件事情也可以不存在。

  • 生活中,每天都有扔不完的垃圾和快递盒,也许以后我们都会奢侈地扔掉大量AI生产的代码


所以,AI撰写的代码完全有可能变成用完即抛的一次性的消耗品。而不是现在这样需要很多人精心维护,但是还是有大量Bug的易碎品。

你还记得喝瓶装啤酒要押金的时候么?
是不是听起来很难想象?但是我举一个生活里的例子吧:我小时候,物资还是比较匮乏的,所以喝啤酒的瓶子是要回收给烟酒店,换回押金。因为当时物资匮乏,啤酒瓶要“复用”,而且一个啤酒瓶的价钱对大部分人也算是点钱。但是今天,还有啤酒瓶子的押金么?
现在你去叫一个二三十块钱的煲仔饭、瓦罐汤的外卖,那个煲仔饭的煲也好,瓦罐汤的瓦罐也好,都是送给你的。第一次叫这个外卖的时候我还心里打鼓,在想是不是还要我自己跑去把瓦罐给送回去,没想到人家外卖就这么一次就扔了。未来,代码为什么不能是这样的呢?按需由AI生产,用完也不需要考虑维护。
当然,这只是一种AI写代码的路径上的可能性的推演,并不是什么正确答案。即使最终真的被我言中变成这样,也仍然需要一段时间。只是,这是一个不断增量改进的时间,是1到100的过程,而不再是一个0到1的过程了。

大部分创新都是模仿借鉴组合
另外一个常见的程序员的自信是“AI没有创新和创造能力”。那么,反过来就有两个问题:第一个,是有多少程序员在干的事情,和创新有关系?第二个,是创新和模仿总结改良的边界在哪里?
对于第一个,我觉得99%的程序员干的事情和创新没半毛钱关系。对于第二个,即使有关系的那些,边界也很不清晰。文艺复兴要借鉴古希腊,黑客帝国致敬了攻壳机动队,现在AI画画可以用梵高的画风来画出未来的城市。在商业上从来是领先一步是先进,领先十步是先烈。我们能够接受的创新恐怕对AI的能力来说并没有太大的障碍。即使你厉害,能干创新的事儿,那事儿AI干不了。但是当AI把低端工作都替代掉了,意味着高端工作的竞争会变得更激烈了。即使AI一点点创新的事情都干不了,高端程序员的工作一样会受到冲击。

范式变化,组织模式也会变化
事实上,每一次大型的“范式变更”导致的变化都不是静态的,而是动态的。移动互联网出现的时候,大家并没有想到搜索会变得无关紧要。大家可能会想到滴滴、外卖,但是恐怕也没有踩到抖音和拼多多这样的产品形态。AGI的出现也会是这样的:
  • 一开始,大家会觉得只是Copilot这样在代码提示上加强一下。
  • 然后,会是ChatGPT这样,你描述需求,给你代码,还会给你解释一下为什么这么写。
  • 然后突然有一天,有人找到了个办法,面对你描述的需求,就直接给你一个编译测试通过的软件了。

这就好像海明威说的“Gradually and then Suddenly”。同样的,对于程序员工作的冲击也会是这样的:
  • 一开始,似乎只是替代了一部分简单重复的增删改查,让低端程序员的工作不好干了。
  • 再接着,很多模块的代码质量和自动化测试都是由AI生成的了,很多资深程序员的编码工作也被替代了。
  • 大部分时间都变成和业务方明确需求,写各种Prompts。
  • 然后忽然有一天,大部分日常的需求都可以变成业务方直接和AI沟通了。

同样的,软件研发的组织形式也会发生很大的变化。过去几年的软件研发的组织形式是“微服务”+“工厂化”。职能被切得很细,产品经理出需求,研发写代码,前后端分开,测试独立。这些都是为了在有限的时间里抢出快速发展的机会,并且减少单个人、模块带来的风险。缺点自然是极高的沟通成本,和维护灾难。
那在AI写代码的早期,是否会回归到人人都是“全栈工程师”的时代呢?毕竟,AI生产简单的功能代码不再是瓶颈,对于不同技术栈不够熟悉在AI辅助的情况下,也没有什么困难。那么是否单个个人可以直接在AI帮助的情况下,快速完成大部分工作,而不需要分工?
分工带来的效率在有AI的情况下并没有优势,而分工带来的沟通成本却少不了。单个人使用AI辅助的情况下,将沟通成本变为0是否会成为新的开发模式?就好像丰田的精益生产模式,替代了大规模标准化的车间?
以及,这是否只是AI写代码的第一阶段?随着AI能力的提升,会进一步有翻天覆地的变化?但是无论长远怎么变,短期内来看,大量的编码工作都是可以被机器替代的。毕竟原来都是编码5分钟,搜索半小时,在有Copilot和ChatGPT的情况下,那半个小时可以省掉不少。
对于所有还有用起来Copilot和ChatGPT的程序员,我的建议就是赶紧用起来,习惯起来。在2023年,正确的问题,已经不是“AI会替代程序员吗?”,正确的问题应该是“AI会替代哪些程序员?以及AI会替代剩下的程序员的哪些工作?”

相关延伸

拆解追溯 GPT-3.5 各项能力的起源 https://yaofu.notion.site/GPT-3-5-360081d91ec245f29029d37b54573756#cef4ffed7ee54302981ae7acb0fbc9f3ChatGPT通过了Google的L3级别工程师的面试 https://www.pcmag.com/news/chatgpt-passes-google-coding-interview-for-level-3-engineer-with-183k-salaryChatGPT通过了医学、法律、MBA的考试 https://www.morningbrew.com/daily/stories/2023/01/26/chatgpt-passes-medical-law-business-exams



The feeling when you realize the robots will steal your job.



3

UNBUNDLING WORK

工作的解绑


解绑:个体的数字化转型
在使用各种 AI 工具时,我其实想到最多的一个词就是 Unbundle(解绑)。AI 能替代我很多工作么?做不到。AI 能不能帮上忙呢?能。AI 如何帮上忙呢?解绑我的工作,拆开成不同的子任务,我做得好的我来,它做得好的它来,把原来的“一个工作”拆解成一条我和 AI 协作交付的流水线
Unbundling 这个概念其实来自于 1999年《哈佛商业评论》的一篇文章,讲的是在自动化和全球化影响下,原来垂直整合能力的公司,会把不同的职能解绑给水平方向上的平台或者服务公司。举例来说,100 年前你要做一个鞋子品牌就得自己建厂造鞋子,但现在肯定是先找 OEM 或者 ODM。
数字化浪潮到来之后,一方面我们会更多的讲产品的解绑,比如 iTunes 把专辑拆解成单曲销售,或者起点中文网按阅读量收费。另一方面也会更加强调垂直整合能力的公司的进一步水平化,每家公司都不再需要从头到尾做一切,而是溶解自己到某个智能协作网络中。举例来说,我第一次创业的时候还去机房搬服务器,现在肯定用云;我刚做电商时还需要自建物流团队和 COD 收款流程,现在完全可以都交给第三方。
原来这个概念往往用于商业公司,但 2022 年 AI 的发展让人目瞪口呆。提供服务的颗粒度完全到达了个人生产力级别,而提供的界面又友好到自然语言交互就好,这就使得“数字化科技”解绑商业公司的过程,很可能会在个体级别再来一遍。
或者说,这一次除了对商业的冲击,对就业市场的冲击之外,还有个附带冲击就是“个体的数字化转型”。个体需要开始解绑自己的“工作”,拆解成不同的“任务”,对应不同的“技能”,然后在不同技能上使用不同的 AI 来替换或支持,重新设计工作流,达到强化自己的效果。而不能做到这一点的个体,结局会和不能数字化升级的企业类似。

雇主视角 vs. 劳动者视角


从雇主的视角看,其实雇佣员工买的是成果(result,outcome,或者 JTBD)。为了拿到结果,雇员必须要解决一系列的问题(problems)。为了解决问题,又必须执行一组任务(tasks),而且这些任务需要被正确组装在一起形成一个流程(processes)。而执行任务的过程中,需要使用一种或多种技能(skills)。
从劳动者角度看,其实是反过来的。我拥有一些技能,使用技能在过程中执行任务,以解决问题、产生结果。

关于技能,上世纪50年代,西德尼•费恩(Sidney Fine)做了一个分类:特殊知识;可转移技能;和自我管理技能。
特殊知识指的是知道解决什么问题需要完成什么任务,往往非常专业相关,比如修汽车;可转移技能说的是各种情况下都能用上的技能,比如结构化思维能力;而自我管理技能,说的是怎么管理好自己来完成任务,比如时间管理和情绪管理。
现在看来,特殊知识部分,如果是通用知识(修汽车),大概率会被垂直 AI 一步步取代;如果是非通用的隐性知识,比如知道自己的大客户 Mike 最讨厌假客套,这部分比较难被取代(直到 AI 掌握足够多的信息);而可转移技能,异步的(比如写邮件画 Logo) or 非人际的(拧螺丝,做表格)部分很快会被取代,实时 & 人际的部分(比如餐厅服务员的微笑)则需要更长时间。
工具越发达,对人的技能提高就越大,(同样任务下)对人本身素质要求就更低,雇主就更容易招募和调度员工。工具本身可以成为技能后,就可以自己吃掉任务(比如飞书自动把视频会议整理成文字记录)。对于雇主来说,其实这个问题就消失了(因为自动拿到了这个结果),从而这部分任务就会从原有某个工作(岗位)描述中消除。AI 能够吃掉的是任务,而不是工作。所以每个劳动者都需要识别自己工作中有哪些任务可以被 AI 完成,识别到之后需要给自己的工作定义中增加相应的不能被 AI 完成的其他任务,这样这份工作才有持续存在的可能。
往上一层,流程是由任务组成的。如果流程的设计和执行,由 AI 主导,这时其实会发生很奇特的现象,就是很难分辨谁是工具——举例来说,外卖小哥听从派单平台给单给路线的时候,其实是派单平台在根据具体的问题做决策和流程设计,然后把过程中需要人力完成的任务分派给了小哥完成。AI 设计和控制流程,然后把其中适合人类来做的任务分给人类,人类其实并不在中心位置,也不在控制位置,而是供调度的工具和资源。
更奇特的是,这个现象未必只发生在底层(比如快递小哥)身上……有一次和某 AI 大神撸串,他就很认真感叹“其实我自己也没有办法理解它……并不是我们在写算法教它这样做那样做,我们只是在喂养它让它自己长,如果我们喂得不对改得不对,系统会给出负反馈,我们吃掉这个负反馈会改方向调整喂养方式。其实它才是中心,而不是我们。”仔细想想这个场景背后抽象的相互关系,你说谁是主人谁是工具呢?
流程 AI 化带来的下一个问题就是,中间层的价值消失。如果一家公司里的流程是 AI 化的,其实极端情况下它只需要老板和干活的就好,不需要那么多中间管理层。就好像如果完全是 AI 指导便利店门店具体运营的话,其实就不需要门店店长的专业度,店长这个职位就算仍然存在,也难以拿到高回报;如果一个行业里的流程是 AI 化的,其实极端情况下也只需要核心流程平台公司,和大量干活的,也不需要那么多中间搞东搞西的公司。

AI 会带来大规模失业么?
从当下 AI 的能力看,很短的时间内,必然取代部分的工种。但是,当下普遍的、熟悉的工作岗位的消失,不代表一定会创造更多失业。举例来说:
  • 1800 年,美国有四分之三的劳动力在农场工作
  • 1920 年,美国人口增长 7 倍,只有四分之一的人务农
  • 2017 年,只有不到 4% 的美国劳动力在农场
这并不是说美国出现了大规模失业或者萧条,而是说大量的劳动力转向了新的岗位。
那么,老问题就变成了两个新问题:
  • 创造的岗位数量,是否和消灭的岗位数量类似?
  • 创造的新岗位,是否可以被劳动力市场满足?

两个问题的答案其实都是“不一定”。
新技术往往需要更少的人力,所以有可能出现的情况是创造了 1 个新岗位,但同时消灭了 10 个老岗位。更糟的是,新岗位往往要求的是新能力,所以也可能出现的是消灭 10 个老岗位,确实同时出现了 10 个新岗位,但这 10 个新岗位只招到了 1 个人,9 个只是空在那里,对就业率于事无补。
所以,从图上看,不仅我们需要创造更多岗位(蓝色的圈),而且这部分岗位得和劳动力市场能力匹配(绿色的圈),才能影响到就业率。让 100 个文案下岗,然后告诉他们说“那边有 100 个高级算法工程师岗位在招聘”,没有用。


再换个角度,如果真的会有大规模失业,那么整个社会是否会一定悲惨呢?不一定。
马克.安德森(Marc Andreessen)的看法是“机器人吃掉 X 领域的工作。随之而来的是,产品在 X 领域变得越来越便宜,而消费者的生活水平在 X 领域必然会提高。基于这种逻辑,反对机器人抢走工作就等于主张我们用不必要的更高价格来惩罚消费者。事实上,如果机器人/机器没有在农业和工业领域占据很多工作岗位,我们今天的生活水平就会低得多。”可能确实会有很多人失去工作,但大量商品价格会极大降低,而社会整体财富会大量增加,这时只要精英层略有良心 & 不垄断暴力,底层物质生活条件可能比现在更好
物质之外,精神层面呢?目前大多数人还是以工作身份为自己第一标签,如果没有了“工作”可能会出现大量的身份迷茫。可这应该是个文化问题,欧洲之前的贵族,其实就并不觉得自己应该参与生产性劳动——或者说,参与生产性劳动对他们并不光彩,搞点文学艺术或者科学小研究反倒更高级。如果我们也能想开一点,可能生活也会很美好。

我看到的机会和可能性
对于雇主(资本)来说,AI 对业务进行深度支持之后,生意扩张时对人的需求在降低,议价权会更高,资本利用效率会更高,是个好时代。
对于没有资本但是又想创业做点事情的劳动者来说,也是个好时代。之前需要资本才能撬动团队来做的业务,现在自己一个人,加上一堆 AI 辅助也可以搞了。比如原来需要 5 个程序员、3 个美工、3 个文案,现在可能一共 3 个人就好,产能还是之前 10 倍,团队规模和启动难度可以大幅度降低。
对于就是想要打工的劳动者来说,可能面临的问题是岗位缩减造成的就业压力。不想承担这个压力的话,就必须承担学习 AI、并且自己重新设计定义工作 & 融入更多 AI 的压力——其实也约等于在某个组织内部创业,自己找问题(市场需求),自己定义流程(解决方案),自己拼装交付。

而在这个过程中,无数组织和个体需要重新设计业务和工作流,这是不是个机会呢?这是一个产品(比如垂直优化的 bot)机会,还是一个内容(比如培训、咨询、社群)机会?
或者把视野放广大一点,如果世界朝向这个方向进化,提供怎样的土壤和支持,能够帮助世界更好、更快的进入新时代呢?不仅仅是在个体角度帮助到转型,而且刺激更多的变异发生,并且让优秀的变异得到更广泛的复制和发展,提高整个生态的进化效率呢?
写到这里,略有点嗨~我想想产品原型去:p


相关延伸

Unbundling Work: Learning to Thrive in Disruptive Timeshttps://medium.com/@gbolles/unbundling-work-learning-to-thrive-in-disruptive-times-427b172b1470


    刚好周末参加了BaixingAI的分享,聊了聊在后ChatGPT时代,我看到的商业冲击和机会。之后我和徐文浩每周的直播、相关的视频分享都会放上去,欢迎关注视频号,帮忙点赞转发,谢啦!




4

PROMPT ENGINEER

提示词工程师,给AI配个产品经理?


在大家都在担心AI会不会让自己失业之前,有一个新的工种已经悄然出现了。不少海外的公司,给“发明”了一个新的职位,叫做“提示词工程师”(Prompt Engineer)。因为这一波的AI浪潮里,无论是大语言模型(LLM),还是AI画画里,想要能够用好AI得到想要的结果,很重要的一点就是输入的提示词。

  • 合适的“思维链”提示词能够让AI答对原来胡乱答的数学题

有不少公司在这一波的热潮里,开始招聘“提示词工程师”(Prompt Engineer)。我自己在体验的时候,也发现很多时候,AI没有给出我想要的答案,并不一定是它的问题,而是我自己没有表达清楚。反复根据AI的反馈修改几次,特别是给出更具体的,分步骤的Prompts之后,往往就能得到一个我想要的答案。

产品经理就是面向人类的提示词工程师
这一点,也是另一个让我觉得“啊哈,和AI沟通和与人工作也差不多的地方”。不知道大家在工作里有没有这样的体会,就是大部分最让人挣扎,最痛苦的地方其实都是沟通。业务团队和研发团队之间的“矛盾”,很多时候不是事儿做不了,而是互相之间思维模式差别大,没法聊到一块儿去。这也是为什么很多公司有很多“产品经理”的原因,其实大部分产品经理并不是在做产品经理干的事儿,其实是一个面向开发人员的“提示词工程师”。
而很多创业公司能够跑得快,也是因为早期的团队之间的沟通能力和信任关系强,不要那么多冗余的中间翻译环节。而到了AI时代,是否可以快速和AI沟通,就会变成你能否跑得快的关键点了。因为大量原先受限于“人力”的交付环节不再是瓶颈了,但是沟通清楚需求把话说清楚变成了最大的瓶颈。

  • 现在,每个人都可以利用AI迅速建立一个为自己服务的机器人大军。本图由Midjourney生成

“这个需求很简单,怎么实现我不管 —— 明天上线”这件事情的压力不再在工程师这一端,而会迁移到产品经理这一端了。

从优秀的“微观工作”中解放出来
在通过提示词让AI帮我写代码的过程里,我也忽然意识到了为什么优秀的工程师是很难得的。因为好的工程师,同时要在“微观”和“宏观”这两件事情上都做得很好。“微观工作”,是要对各类语言细节和函数库熟悉,各种边界条件考虑得清楚,绝对不能出错。因为“计算机”是个最苛刻的合作伙伴,任何的一点点细节错误编译都无法通过,任何没有考虑到的细节都可能引起线上的事故。为了完成“微观工作”,你需要大量记忆、工作熟练,同时不漏过任何一个细节。
但是同时,软件开发中,还有很大一部分“宏观工作”,就是如何设计整个系统,如何和业务流程契合,并且如何设计这个系统的“演进路径”,也就是所谓的架构工作。这部分工作是非常“宏观”而不精确的,里面不会涉及到具体的某一行代码。要做好宏观工作,你需要从技术细节里面跳出来,先不去想那些细节。
但是“宏观”和“微观”是两种不同的思维方式,要能在两个环节里面切换自如并不容易。很多在大家看来的“技术宅”也是因为习惯了“微观工作”很难切换出来。不过在ChatGPT出现了之后,“微观工作”的重要性开始下降了,因为AI本身已经做得非常不错了。未来更多的工作,会变成判断、决策、组合,而不是某一个具体的函数和算法应该怎么写了。对于技术领域的全面了解会开始变得比单个知识点的记忆更重要了。

  • 今天的芯片设计,大量布线都是自动的了

就像今天的芯片工程师,都是采用EDA软件来进行自动布线,而不是靠人工去布线了。我们能够开发的软件也会和芯片一样变得更复杂,就像现在的CPU有几十亿个晶体管。未来的软件系统中的类、函数的数量也可以大幅度上升了。



相关延伸

https://www.ft.com/content/0deda1e7-4fbf-46bc-8eee-c2049d783259



待办清单


    本期互动

    直播预告

    全平台搜索关注



最后的最后


给 Lensa 道个歉。

在上一期 👉 Vol.01  来了来了!通用人工智能(AGI)真的来了,我说我用 Lensa 给自己画了 100 张头像,没一张能用的,Lensa 垃圾。

发文之后,老婆大人很好奇给自己画了 100 张,大部分图都挺好看。

原来不是 Lensa 有问题,是我长相有问题,唉……@@。




您可能也对以下帖子感兴趣

文章有问题?点此查看未经处理的缓存