人工智能和新技术正在改变工作环境,我们的工作方式和创造力也在被重塑。宾夕法尼亚大学沃顿商学院的教授Ethan Mollick与《大西洋》杂志撰稿人罗斯-安德森(Ross Andersen)进行了一场对话,探讨了人工智能和未来的工作。
Mollick首先提到了AI的“扩展法则”(scaling law),这是目前AI领域的一个重要非正式规则。根据这一法则,AI模型的规模与其智能成正比。随着模型规模的增长,其处理信息的能力、训练成本以及电力消耗都会增加,从而使得模型变得更加智能。例如,彭博社投入了大量资金训练了一个专门处理金融数据的?BloombergGPT模型,但后来发现,尽管GPT-4模型未经专门训练,却能更好地完成金融预测任务,仅仅因为它是一个更大的模型。
Mollick解释了AI的“幻觉”问题,即AI生成的看似合理但实际上并不存在的内容。他分享了自己的经历,他使用了AI系统来审阅自己的一篇论文,并要求AI为这篇论文生成摘要和一些引用。AI系统完成了任务,并提供了一些引用和评论。然而,当他回头去查看自己写的论文,试图找到这段话的出处时,却发现这段话并不存在于他的论文中。经过进一步的检查,他意识到这段话完全是AI生成的,是一个“幻觉”。
这个例子揭示了AI的一个关键特性:它们不是通过查找数据库或引用真实信息来生成内容,而是通过学习人类语言的模式来预测和生成下一个最有可能的词。因此,尽管AI生成的内容通常看起来是合理的,但这并不意味着它一定是真实的。
AI不仅仅是一个简单的时间节省工具,实际上可以提高工作的整体产出。波士顿咨询集团(BCG)组织的一项研究显示,AI可以显著提高工作效率和工作质量。在这项研究中,咨询公司的员工在没有任何培训的情况下,使用GPT-4处理业务任务,他们的工作质量提高了40%,速度提高了26%,完成的工作量增加了13%。
Ethan Mollick在讨论中指出,AI工具在提高工作效率和质量方面具有显著优势,但许多员工在使用这些工具时却不愿意公开。这种不愿意公开使用AI的现象背后隐藏着多种担忧。
首先,员工担心如果他们公开使用AI完成工作,公司可能会认为他们的职位可以被自动化取代,从而增加了他们被裁员的风险。此外,员工可能担心如果工作成果部分或全部由AI完成,他们可能不会得到应有的认可和赞誉。
另外,一些员工可能担心,随着AI在工作场所的普及,他们的技能会变得过时,从而减少了他们在职场上的竞争力。因此,他们可能会避免使用AI,以维持对传统工作技能的依赖。AI的引入还可能会改变现有的工作流程和职责分配,员工可能担心这种改变会打乱他们熟悉的工作节奏,增加工作压力。
为了解决这些担忧,公司需要建立明确的政策和指导方针,鼓励员工透明地使用AI,并明确AI辅助工作的价值。同时,公司应该提供培训和支持,帮助员工适应新的工作方式,并确保他们理解AI如何增强而不是取代他们的工作。
在对年轻人的建议中,Mollick强调了专注于自己擅长和热爱的事物的重要性。他认为,无论技术如何进步,对于自己擅长和热爱的事物的热情和技能始终具有价值。AI和自动化可能会改变工作的性质,但不会减少对优秀技能的需求。专注于自己的强项和兴趣可以帮助年轻人更好地适应未来的劳动市场,因为随着AI和其他技术的发展,工作角色和职责可能会发生变化,但拥有核心技能和适应性将有助于年轻人在变化的环境中找到自己的立足点。
追求自己的激情,发展自己的才能,并准备好与AI合作,而不是被其取代,以确保自己在未来的劳动市场中保持竞争力和价值。
好文章,需要你的鼓励
Coursera在2025年连接大会上宣布多项AI功能更新。10月将推出角色扮演功能,通过AI人物帮助学生练习面试技巧并获得实时反馈。新增AI评分系统可即时批改代码、论文和视频作业。同时引入完整性检查和监考系统,通过锁定浏览器和真实性验证打击作弊行为,据称可减少95%的不当行为。此外,AI课程构建器将扩展至所有合作伙伴,帮助教育者快速设计课程。
腾讯ARC实验室推出AudioStory系统,首次实现AI根据复杂指令创作完整长篇音频故事。该系统结合大语言模型的叙事推理能力与音频生成技术,通过交错式推理生成、解耦桥接机制和渐进式训练,能够将复杂指令分解为连续音频场景并保持整体连贯性。在AudioStory-10K基准测试中表现优异,为AI音频创作开辟新方向。
英国政府研究显示,神经多样性员工从AI聊天机器人中获得的收益远超普通同事。在Microsoft 365 Copilot试点中,神经多样性员工满意度达90%置信水平,推荐度达95%置信水平,均显著高于其他用户。患有ADHD和阅读障碍的员工表示AI工具为他们提供了前所未有的工作支持,特别是在报告撰写方面。研究表明,AI工具正在填补传统无障碍技术未能解决的职场差距,为残障人士提供了隐形的工作辅助。
Meta与特拉维夫大学联合研发的VideoJAM技术,通过让AI同时学习外观和运动信息,显著解决了当前视频生成模型中动作不连贯、违反物理定律的核心问题。该技术仅需添加两个线性层就能大幅提升运动质量,在多项测试中超越包括Sora在内的商业模型,为AI视频生成的实用化应用奠定了重要基础。