一份泄露的 Shopify 内部备忘录引发了商界广泛关注,备忘录中 Tobi Lutke 谈到了员工如何将 AI 融入工作中。
备忘录称"AI 现在是一个基本要求",本质上要求员工本能地使用 AI,并将其融入到工作中的各个方面。
Lutke 写道:"我们在 Shopify 的任务是让我们的软件无可争议地成为开发未来最佳企业的最佳平台。我们通过保持每个人的前沿性,运用所有最好的工具,使我们的商家能够取得超出他们想象的成功。为此,我们必须保持绝对领先。"
为什么这种积极主动的行动是必要的?Lutke 认为这与时代有关,以及创新发展的速度。
个人证言
在备忘录的这一部分中,Lutke 为要求员工做出这一改变铺垫,指出他一直在谈论这种创新:
"许多人响应了号召,我们所有参与其中的人都对 AI 能够增强我们的技能、工艺并弥补差距的新能力和工具感到惊叹,"Lutke 补充道。
本质上,在这一年的上半年,我们已经看到 AI 的现实影响正在迅速显现。通过主动性方法,我们看到 AI 被"释放"来执行广泛的人类任务。这意味着企业需要迎头赶上。
保持奔跑
作为论据,Lutke 引用了"爱丽丝梦游仙境"中的场景,在红皇后的赛跑中,参与者必须不断奔跑才能不落后。
他表示,这在 AI 领域同样重要。
"在我多年前的领导力备忘录中,我将 Shopify 比作爱丽丝梦游仙境故事中的红皇后赛跑 —— 你必须不断奔跑才能保持原地不动。在一个每年增长 20-40% 的公司里,你必须至少提升相同的幅度才能重新获得资格。这对我和其他所有人都适用。"
凝聚指导
对于那些想知道这种变革会是什么样子的人,备忘录底部标题为"这意味着什么"的部分提供了更多明确说明。
首先,关于前进运动的比喻有更多阐述:
"停滞几乎是必然的,而停滞就是缓慢的失败。如果你不在攀登,你就在滑落。"
他还指出,AI 应该成为原型的一部分,并建议公司将 AI 相关问题添加到绩效和同行评审问卷中。
在这段话中,Lutke 还提到了一点,作为 AI 用户的我深有共鸣 —— 你必须坚持,而不是在第一次遇到挑战时就放弃。
"我的感觉是,很多人在写完提示词后没有立即得到理想的结果就放弃了,"他写道。"学习如何提示和加载上下文很重要,获取同事对这方面的反馈将会很有价值。"
通常情况下,无论是使用 ChatGPT、图像扩散工具还是任何其他模型,第一次的提示往往难以得到你想要的结果。耐心地与模型合作几乎总能带来回报。
备忘录的这部分也引起了广泛关注:
"在请求增加人手和资源之前,团队必须证明为什么他们不能使用 AI 完成想要做的事情。"
对许多人来说,这可以理解为:雇用 AI,而不是人类。
这本身往往会引发人们对就业岗位流失的担忧,因为 AI 正在接管大量当前的知识性工作。但这就是现实。无论人们是否喜欢,生产资料正在"商品化"(用我最喜欢的播客主持人之一 Nathaniel Whittemore 的话说)—— 这就需要企业做出这样的改变。
巨变
可以预见,其他公司将会效仿 Shopify。他们可能不会采用相同的方式或步调,但这种巨变将持续下去 —— 就像云计算一样,在过去十年间,大多数公司从本地数据系统转向了提供远程存储和计算的供应商。
顺便说一句,随着公司在内部设备上运行边缘大语言模型,我们实际上可能会逆转许多云计算的变革。但我的观点是,我们将看到各公司都在朝着新的 AI 技术竞相发展,具体形式取决于各公司领导层的偏好。
我可以引用我的另一位朋友 Jeremy Wertheimer 的话,他曾在过去的 Imagination in Action 活动中作为主题演讲者出现。在演讲中,Wertheimer 直接谈到了 AI 对新职业人士、年轻一代工作者的影响。
所有这些都需要提前思考。因此,Shopify 的这一举措可能只是开端。
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。
上海交通大学研究团队发布了突破性的科学推理数据集MegaScience,包含125万高质量实例,首次从12000本大学教科书中大规模提取科学推理训练数据。该数据集显著提升了AI模型在物理、化学、生物等七个学科的推理能力,训练的模型在多项基准测试中超越官方版本,且具有更高的训练效率。研究团队完全开源了数据集、处理流程和评估系统。
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。
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。