我们许多人已经接受了这样一个观念:我们很快就会与机器人并肩工作,或者至少是与AI智能体和实体协作。
那么作为人类,我们希望这些数字同事为我们做些什么呢?
委派工作是如何运作的?
斯坦福大学最近进行了一项研究,作者对100多种工作类型中的15000名员工进行了调查,以了解他们对AI应用的真实想法。
研究动机
我认为其中一位作者的评论很好地总结了这份报告的目的:
"随着AI系统能力日益增强,关于如何在工作场所部署这些系统的决策往往由技术可行性驱动,"项目负责人、斯坦福大学计算机科学系博士生邵艺佳写道,"然而,员工是受这些变化影响最大的群体,也是经济最终依赖的群体。"
换句话说,一线员工将是受这些变化影响最大的群体,所以我们不妨听听他们的意见(除了进行各种市场研究)。建议箱之所以成为商业智能的经典要素是有原因的。技术必须契合需求——它不是你可以随意实施的东西,不能像掷飞镖一样盲目决策,然后期望所有相关人员都签字同意并配合执行。
研究结果
在实际研究发现方面,斯坦福研究人员发现,正如比利·乔尔著名歌曲所唱的,很大程度上归结为信任问题:45%的受访者对可靠性存疑,据报告23%的人担心失业。
至于员工倾向于自动化的任务类型,研究提供了一个有用的可视化图表,展示了各种必需功能与某些应用危险区域的对比。
具体而言,斯坦福研究人员将其分为"绿灯区"和"红灯区",以及"低优先级区"和"机会区",后者包含员工可能希望使用但技术上尚不可行的用途。
绿灯区的用途包括税务准备人员的调度任务、质量控制报告以及工程报告的解释。
员工谨慎对待的红灯区用途包括市政职员的会议议程准备,以及物流分析中联系潜在供应商的任务。
还有研究硬件或软件产品的任务,接受调查的计算机网络支持专家似乎更愿意自己完成这类工作。
我觉得有趣的是,低优先级区中有一项是"追踪丢失、延误或错误投递的行李",这项工作通常由票务代理完成。这很好地解释了为什么众多倒霉的旅客到达远方的爱彼迎住所时连一把牙刷都没有。
至于机会区,技术写作人员似乎希望AI来安排材料分发,计算机科学家基本上会同意技术处理运营预算,而视频游戏设计师希望生产计划自动化。
为什么要自动化?
我还看到了研究中的一个部分,研究人员调查了受访者希望自动化的原因。
似乎有超过2500名受调查员工希望自动化某项任务,因为这将为其他类型的工作腾出时间。
大约1500人提到了可以自动化的"重复性或枯燥"任务,大约同样数量的人建议自动化特定任务将提高工作质量。
较少的人建议自动化压力大或精神疲惫的任务,或者那些复杂或困难的任务。
该研究还将任务和流程分解为三个控制区域,包括"AI智能体驱动任务完成"、"人类驱动任务完成"或"平等伙伴关系"(以及另外两个等级)。你可以在这里查看完整研究,或在这里收听我最喜欢的相关播客。
其中一个重点项目是对分析或信息处理技能需求减少的预测。这与更多关注管理、人际关系或协调工作角色相关。然而,这将如何发展让许多员工担忧,我认为只有23%的受访者担心工作流失是一个极低的数字。几乎任何地方的任何人都应该担心工作流失。无论长期会发生什么,许多专家都预测未来几年将出现极高的失业率,因为我们正在解决这个时代最大技术转型的各种问题。
无论如何,这项研究为一个问题带来了大量有用信息——我们希望AI在企业中为我们做什么?
好文章,需要你的鼓励
OpenAI首席执行官Sam Altman表示,鉴于投资者的AI炒作和大量资本支出,我们目前正处于AI泡沫中。他承认投资者对AI过度兴奋,但仍认为AI是长期以来最重要的技术。ChatGPT目前拥有7亿周活跃用户,是全球第五大网站。由于服务器容量不足,OpenAI无法发布已开发的更好模型,计划在不久的将来投资万亿美元建设数据中心。
阿里巴巴团队提出FantasyTalking2,通过创新的多专家协作框架TLPO解决音频驱动人像动画中动作自然度、唇同步和视觉质量的优化冲突问题。该方法构建智能评委Talking-Critic和41万样本数据集,训练三个专业模块分别优化不同维度,再通过时间步-层级自适应融合实现协调。实验显示全面超越现有技术,用户评价提升超12%。
英伟达推出新的小型语言模型Nemotron-Nano-9B-v2,拥有90亿参数,在同类基准测试中表现最佳。该模型采用Mamba-Transformer混合架构,支持多语言处理和代码生成,可在单个A10 GPU上运行。独特的可切换推理功能允许用户通过控制令牌开启或关闭AI推理过程,并可管理推理预算以平衡准确性和延迟。模型基于合成数据集训练,采用企业友好的开源许可协议,支持商业化使用。
UC Berkeley团队提出XQUANT技术,通过存储输入激活X而非传统KV缓存来突破AI推理的内存瓶颈。该方法能将内存使用量减少至1/7.7,升级版XQUANT-CL更可实现12.5倍节省,同时几乎不影响模型性能。研究针对现代AI模型特点进行优化,为在有限硬件资源下运行更强大AI模型提供了新思路。