關(guān)于AI取代人的討論一直很熱。不僅如此，人們對(duì)AI的擔(dān)憂(yōu)也越來(lái)越多：它會(huì)不會(huì)被資本利用，加劇貧富分化？會(huì)不會(huì)固化社會(huì)偏見(jiàn)，甚至被武器化？當(dāng)算法設(shè)計(jì)由特定群體主導(dǎo)時(shí)，是否會(huì)進(jìn)一步忽視少數(shù)族裔的需求？

在《AI繁榮》中，作者拉維·巴普納和艾寧德亞·高斯指出：當(dāng)前社會(huì)過(guò)度聚焦AI的潛在風(fēng)險(xiǎn)，忽視了它能帶來(lái)的巨大價(jià)值。我們應(yīng)當(dāng)認(rèn)識(shí)到，AI本質(zhì)上是一項(xiàng)能改善生活、助力普通人圓夢(mèng)的技術(shù)。正如英偉達(dá)CEO黃仁勛在去年10月印度人工智能峰會(huì)上所言： “AI取代不了人，但不用AI的人會(huì)被善用AI的人取代。” 這句話(huà)點(diǎn)明了關(guān)鍵——不被AI淘汰的最好方法，就是主動(dòng)學(xué)會(huì)駕馭它。

下文將結(jié)合《AI繁榮》和《大模型浪潮》的具體內(nèi)容， 從“用算法發(fā)現(xiàn)自己的隱藏技能”和“有效訓(xùn)練大模型”兩個(gè)角度切入，探討如何讓AI真正為你所用。

用AI發(fā)現(xiàn)自己的隱藏技能

利用AI算法優(yōu)化簡(jiǎn)歷，是極具前景的方法。AI算法既懂得包裝你的現(xiàn)有優(yōu)勢(shì)，又擅長(zhǎng)幫你發(fā)現(xiàn)新的可能。

算法的強(qiáng)大之處，在于能洞悉人類(lèi)難以察覺(jué)的技能相似性。識(shí)別適合轉(zhuǎn)換的相近崗位，如從汽修轉(zhuǎn)向工廠(chǎng)設(shè)備維護(hù)相對(duì)簡(jiǎn)單，但要判斷哪些技能組合更適合跨度較大的領(lǐng)域，如軟件開(kāi)發(fā)或?qū)嶒?yàn)室管理，人類(lèi)的直覺(jué)和經(jīng)驗(yàn)往往只能是隨機(jī)猜測(cè)。

長(zhǎng)期以來(lái)，招聘過(guò)程過(guò)度關(guān)注候選人是否任職過(guò)“對(duì)”的公司或擁有“對(duì)”的學(xué)位，卻忽略了核心問(wèn)題:這個(gè)人是否具備崗位所需的真實(shí)技能?通過(guò)機(jī)器學(xué)習(xí)技術(shù)進(jìn)行技能評(píng)估和匹配，正使雇主和求職者雙方受益。正如科坎強(qiáng)調(diào):“關(guān)注技能，讓招聘人員能向擁有非典型經(jīng)歷的申請(qǐng)者敞開(kāi)大門(mén)?！?/p>

《哈佛商業(yè)評(píng)論》發(fā)表的一項(xiàng)研究，分析了2017—2020年的5100萬(wàn)個(gè)職位發(fā)布數(shù)據(jù)，發(fā)現(xiàn)雇主正逐步淡化對(duì)學(xué)歷的要求，轉(zhuǎn)而更加關(guān)注技能，尤其是在IT和管理類(lèi)職位中。

這意味著，企業(yè)可以從新的渠道獲取人才來(lái)滿(mǎn)足招聘需求，而在傳統(tǒng)招聘模式下被拒之門(mén)外的求職者，也獲得了邁入心儀領(lǐng)域的機(jī)會(huì)。

這種技術(shù)更能幫助個(gè)體實(shí)現(xiàn)跨領(lǐng)域職業(yè)轉(zhuǎn)型——這在快速變化的職場(chǎng)中至關(guān)重要。數(shù)百萬(wàn)勞動(dòng)者可能在職業(yè)生涯中被迫轉(zhuǎn)換賽道，如果自動(dòng)化導(dǎo)致工作崗位消失，或者經(jīng)濟(jì)變化引發(fā)行業(yè)衰退，那么求職者自然希望職業(yè)轉(zhuǎn)換過(guò)程能夠盡可能迅速、平穩(wěn)。AI 技術(shù)正助力實(shí)現(xiàn)這種快速平穩(wěn)的過(guò)渡。

2021年的一項(xiàng)研究揭示了AI在識(shí)別各種職業(yè)所需技能方面的能力。研究者利用澳大利亞招聘廣告數(shù)據(jù)與澳大利亞統(tǒng)計(jì)局的就業(yè)數(shù)據(jù)，首先“衡量2012—2020年澳大利亞800萬(wàn)份實(shí)時(shí)招聘廣告所反映的技能集合之間的相似度”。

其基本邏輯是，若兩個(gè)技能組合高度相似(比如兩個(gè)職業(yè)所需技能相近)，則意味著技能差距較小，轉(zhuǎn)行的難度較低。換言之，若崗位A所需技能與崗位B高度相似，而與崗位C差異較大，那么具備崗位A技能的勞動(dòng)者轉(zhuǎn)向崗位B會(huì)更為順暢。

這個(gè)概念可以用一個(gè)簡(jiǎn)單的例子說(shuō)明:假設(shè)麥克斯懂得修理汽車(chē)，而卡洛斯擁有餐廳檢查員的工作經(jīng)驗(yàn)。從技能匹配的角度來(lái)看，麥克斯的技能更容易轉(zhuǎn)移到工廠(chǎng)設(shè)備維護(hù)技術(shù)員的崗位，而卡洛斯則更適合從事其他行業(yè)的合規(guī)官員工作。然而，這種簡(jiǎn)單的邏輯只是個(gè)起點(diǎn)。

在澳大利亞的這項(xiàng)研究中，機(jī)器學(xué)習(xí)技術(shù)分析了龐大的數(shù)據(jù)點(diǎn)，進(jìn)行了數(shù)百萬(wàn)次計(jì)算，以識(shí)別不同技能集合之間的相似性，其速度和規(guī)模遠(yuǎn)超資深的人力資源經(jīng)理。最終得出的相似度評(píng)分并非簡(jiǎn)單的二維或三維比較，而是涵蓋了多個(gè)維度，遠(yuǎn)超人類(lèi)大腦可以輕松處理的范圍。

基于這些相對(duì)相似度評(píng)分，研究人員進(jìn)一步利用機(jī)器學(xué)習(xí)構(gòu)建了一套推薦系統(tǒng)，該系統(tǒng)能夠在數(shù)百萬(wàn)種可能的職業(yè)轉(zhuǎn)換路徑中，預(yù)測(cè)哪些職業(yè)轉(zhuǎn)換最可能取得成功，哪些則難以實(shí)現(xiàn)。

澳大利亞的研究證明，數(shù)據(jù)驅(qū)動(dòng)與AI賦能的方法最終將對(duì)數(shù)百萬(wàn)勞動(dòng)者的經(jīng)濟(jì)前景產(chǎn)生積極影響，進(jìn)而惠及周?chē)纳鐓^(qū)以及整個(gè)市場(chǎng)。對(duì)身處轉(zhuǎn)型期的我們，在遭遇外部沖擊被迫離職，或者主動(dòng)選擇新職業(yè)道路時(shí)，借助此類(lèi)技術(shù)將顯著降低重返職場(chǎng)的難度。

綜上所述，AI算法正在為職場(chǎng)人帶來(lái)諸多機(jī)遇和好處。研究顯示，客服人員借助 AI 聊天機(jī)器人后，每小時(shí)解決問(wèn)題的效率平均提升14%。其中，新員工與低技能員工受益最為顯著。而要釋放AI大模型的更大潛力，關(guān)鍵便在于精準(zhǔn)的“提示工程”：用清晰指令讓AI準(zhǔn)確理解人類(lèi)意圖，這項(xiàng)能力已成職場(chǎng)新剛需。

有效訓(xùn)練和應(yīng)用大模型

那么如何訓(xùn)練大模型，百度集團(tuán)執(zhí)行副總裁沈抖在《大模型浪潮》中提示詞優(yōu)化的章節(jié)可以給我們答案。

提出一個(gè)問(wèn)題往往比解決一個(gè)問(wèn)題更重要，甚至有觀(guān)點(diǎn)認(rèn)為，提問(wèn)的藝術(shù)和科學(xué)是所有知識(shí)的來(lái)源。這句話(huà)也許有些夸大，但是對(duì)于大模型而言，卻非常契合。因?yàn)槲覀冊(cè)谑褂么竽Ｐ蜁r(shí)，一個(gè)常見(jiàn)的方式就是使用各類(lèi)GPT聊天工具，給予大模型指令的方式也是通過(guò)自然語(yǔ)言。

支撐向大模型提問(wèn)的技術(shù)，就是提示詞工程。它是指通過(guò)創(chuàng)建指令或文本作為輸入，引導(dǎo)大模型的輸出，完成需求。提示詞的好與壞，非常影響大模型的輸出。這個(gè)開(kāi)發(fā)方式的適用場(chǎng)景也非常廣泛。百度智能云千帆大模型平臺(tái)提供了一套開(kāi)發(fā)、應(yīng)用流程，以及指導(dǎo)方案。

提示詞的質(zhì)量，會(huì)影響模型輸出的質(zhì)量。接下來(lái)分享幾個(gè)提高提示詞質(zhì)量的技巧。

1.明確指令通過(guò)細(xì)化表達(dá)，更加明確要獲取的信息或希望大模型執(zhí)行的動(dòng)作，從而避免、減少冗余信息的輸出。 如果指令是“把Hola翻譯為中文”，則會(huì)獲得較長(zhǎng)的解釋?zhuān)梢垣@得信息，但并不能精確完成指令。因此，優(yōu)化后的提示詞格式為“將以下西班牙語(yǔ)文本翻譯成中文:文本:‘Hola’”。

可以看到優(yōu)化后的大模型輸出會(huì)精練、準(zhǔn)確地執(zhí)行指令，而不是提供多余信息。

2.細(xì)化詢(xún)問(wèn)范圍

通過(guò)準(zhǔn)確使用指導(dǎo)性詞匯來(lái)細(xì)化范圍，從而給大模型更精確的提示，得到更準(zhǔn)確的輸出。提示越具體，結(jié)果就越好。提示詞為“請(qǐng)列舉增值稅的稅率”，這是比較寬泛的提問(wèn)，而大模型的輸出也比較寬泛。不僅有稅率，還有稅率的適用情況。從表面來(lái)看，信息似乎更加全面，但在實(shí)踐中，也可能會(huì)比較冗余，尤其當(dāng)需要的是用數(shù)字來(lái)完成Excel表格形式時(shí)，這個(gè)輸出就不能良好地匹配用戶(hù)的需求。

對(duì)提示詞的優(yōu)化方案為，“列舉增值稅的稅率，并按如下格式直接返回結(jié)果。稅率:13%。你列舉的結(jié)果是:”。可以看到，大模型的輸出更加簡(jiǎn)潔，格式也符合用戶(hù)需求。這個(gè)技巧在處理財(cái)務(wù)數(shù)據(jù)時(shí)非常有用。

把大模型想象成學(xué)生，它的一個(gè)優(yōu)點(diǎn)就是“模仿能力很強(qiáng)”。因此在提問(wèn)時(shí)，可以盡量提供一個(gè)或多個(gè)示例，這樣就會(huì)讓大模型更加理解任務(wù)和目標(biāo)。示例可以包括足夠的背景信息、角色、約束等。

3.提示詞優(yōu)化:鏈?zhǔn)剿伎?/p>

分步思考是人類(lèi)常見(jiàn)的思考方式，例如數(shù)學(xué)運(yùn)算中的分步計(jì)算、偵探推理中的環(huán)環(huán)相扣等。分步思考可以降低思考復(fù)雜度，提高思考質(zhì)量。因此，這種方法也可以應(yīng)用于大模型提示詞的設(shè)計(jì)中，通過(guò)引導(dǎo)大模型采用分步驟的方式來(lái)提高輸出質(zhì)量。這就是鏈?zhǔn)剿伎?，幫助大模型將?fù)雜推理任務(wù)拆分為一系列子思考。

根據(jù)樣本量的不同，又可以細(xì)化為兩種方式。一是少樣本學(xué)習(xí)，即大模型僅通過(guò)提示詞中的幾個(gè)示例就能進(jìn)行概括，并給出滿(mǎn)足用戶(hù)需求的輸出，也就是舉一反三。這種方式比較適合無(wú)法用語(yǔ)言精準(zhǔn)描述任務(wù)時(shí)的場(chǎng)景。

二是零樣本學(xué)習(xí)，這個(gè)方法可以通過(guò)提示詞“請(qǐng)一步一步思考”，來(lái)提升大模型的能力。例如，在一個(gè)數(shù)學(xué)計(jì)算場(chǎng)景下，就可以在提示詞內(nèi)要求大模型分步驟輸出內(nèi)容。步驟清晰，符合用戶(hù)要求。可以發(fā)現(xiàn)，鏈?zhǔn)剿伎疾粌H輸出質(zhì)量更高，也有助于用戶(hù)對(duì)提問(wèn)內(nèi)容的學(xué)習(xí)。

通過(guò)“明確指令”鎖定方向、“細(xì)化范圍”聚焦關(guān)鍵、“鏈?zhǔn)剿伎肌辈鸾膺壿?，這三步不僅能讓大模型精準(zhǔn)理解需求，更能將其轉(zhuǎn)化為實(shí)在的職場(chǎng)競(jìng)爭(zhēng)力。

當(dāng)普通人也能用這套方法駕馭大模型時(shí)，AI便不再是少數(shù)人的專(zhuān)利，而成為每個(gè)人手中的“生產(chǎn)力杠桿”——撬動(dòng)隱藏技能、放大職業(yè)價(jià)值、掌控技術(shù)變革的主動(dòng)權(quán)，才是這個(gè)時(shí)代真正的“鐵飯碗”。