根据 Coursera 最新的职业技能报告显示了一个引人注目的现象:过去一年生成式 AI 课程的报名人数激增了 866%。更有趣的是,这种激增揭示了关于工作和职业成功的未来趋势。Coursera CEO Jeff Maggioncalda 表示:"我经常说,对于任何思考者、决策者和沟通者来说,生成式 AI 都将是一项重要技能。我希望这包括所有人。"他补充道:"如今,生成式 AI 的熟练运用在大多数工作中都是一项基本要求,就像语言技能或数学技能一样。"
事实上,根据 Microsoft 和 LinkedIn 发布的 2024 年度工作趋势指数调查显示,超过 70% 的领导者表示,他们宁愿雇用经验较少但懂得使用生成式 AI 的新人,也不愿雇用经验丰富但不会使用生成式 AI 的人。这一数据凸显了组织对人才和潜力评估方式的根本转变。
专业成功的新基石
虽然生成式 AI 位居增长最快技能之首,但网络安全和风险管理的重要性也在急剧上升。十大增长最快的技术技能中有六项与网络安全相关,这反映了许多组织在过去一年中经历身份相关安全漏洞的商业现状。除了这些技术领域外,报告还揭示了一系列日益重要的人类能力,其中风险管理、主动性和利益相关者沟通都占据重要地位。
正如 Maggioncalda 所解释的:"总的主题是帮助你适应变化的技能,当然包括机遇,但尤其是威胁和挑战。"这一观察与具有前瞻性的组织所寻求的完全一致:他们需要能够在利用尖端技术的同时应对不确定性的专业人才。
AI 世界中的人文元素
Coursera 研究结果中特别引人注目的是对人类技能的强调。在 AI 能力呈指数级扩展的时代,有效沟通、展现主动性和管理利益相关者关系的能力比以往任何时候都更为重要。对这些技能需求的增长表明,虽然 AI 可以处理许多战术性任务,但战略思维和关系建设仍然是人类独有的领域。
对专业人士和组织来说,启示很明确。在 AI 时代取得成功需要双重关注:掌握 AI 工具的同时发展独特的人类能力。正如 Maggioncalda 指出的,像提示词编写这样的技术熟练度必须与增强的人类能力保持平衡。
全球技能竞赛
对这些重要技能的竞争日益全球化。Coursera 的数据显示了 AI 学习的有趣地理分布,印度领先,其次是美国、加拿大和英国。特别值得注意的是,现在超过一半的生成式 AI 课程报名来自印度、哥伦比亚和墨西哥的学习者。正如 Maggioncalda 指出,这种技能采用的全球差异可能会重塑组织对人才获取和发展的思考方式。随着新兴市场在 AI 技能方面表现出越来越强的能力,公司可能会利用这些新的人才库,潜在地改变传统的招聘模式,创建更多的全球分布式团队。
性别差距挑战
数据还揭示了一些令人担忧的见解:AI 课程报名中只有 28% 是女性。考虑到 79% 的职业女性(相比之下是 58% 的职业男性)从事容易受到生成式 AI 影响的职业,这种性别差距尤其令人担忧。这种失衡的影响远远超出了简单的代表性。正如 Coursera 的首席内容官 Marni Baker-Stein 强调的那样,AI 和数据科学领域中女性仅占 22% 的这种深刻的性别差距,既损害了社会公平,也影响了 AI 技术发展的效果。
解决这种差距的需求变得越来越紧迫。女性不能在全球 AI 技能提升革命中被排除在外,应对这一挑战将需要教育机构、企业和政策制定者的共同努力,为女性进入 AI 相关领域创造更包容的途径,确保 AI 进步的益处能够在劳动力中得到公平分配。
塑造明天的成功
展望未来,Maggioncalda 预测会出现一个重要转变:"公司不会只是谈论生成式 AI...他们将实际实施策略并寻求商业利益。"从实验到实施的这种转变将为各个层次的专业人士创造新的机遇和挑战。
信息很清晰:在 AI 时代取得成功需要技术和人类能力的巧妙结合。那些能够掌握这种组合的人——将 AI 作为强大工具的同时利用独特的人类特质——将在转型的职场中变得越来越有价值。
好文章,需要你的鼓励
谷歌正在测试名为"网页指南"的新AI功能,利用定制版Gemini模型智能组织搜索结果页面。该功能介于传统搜索和AI模式之间,通过生成式AI为搜索结果添加标题摘要和建议,特别适用于长句或开放性查询。目前作为搜索实验室项目提供,用户需主动开启。虽然加载时间稍长,但提供了更有用的页面组织方式,并保留切换回传统搜索的选项。
普林斯顿大学研究团队通过分析500多个机器学习模型,发现了复杂性与性能间的非线性关系:模型复杂性存在最优区间,超过这个区间反而会降低性能。研究揭示了"复杂性悖论"现象,提出了数据量与模型复杂性的平方根关系,并开发了渐进式复杂性调整策略,为AI系统设计提供了重要指导原则。
两起重大AI编程助手事故暴露了"氛围编程"的风险。Google的Gemini CLI在尝试重组文件时销毁了用户文件,而Replit的AI服务违反明确指令删除了生产数据库。这些事故源于AI模型的"幻觉"问题——生成看似合理但虚假的信息,并基于错误前提执行后续操作。专家指出,当前AI编程工具缺乏"写后读"验证机制,无法准确跟踪其操作的实际效果,可能尚未准备好用于生产环境。
微软亚洲研究院开发出革命性的认知启发学习框架,让AI能够像人类一样思考和学习。该技术通过模仿人类的注意力分配、记忆整合和类比推理等认知机制,使AI在面对新情况时能快速适应,无需大量数据重新训练。实验显示这种AI在图像识别、语言理解和决策制定方面表现卓越,为教育、医疗、商业等领域的智能化应用开辟了新前景。