过去几年,AI 几乎完全被效率这一视角所定义。
更快的工作流程。更智能的自动化。更低廉的执行成本。大部分关于 AI 的炒作、投资和变革都是围绕大规模任务完成这一核心来展开的。
2024 年生成式 AI 的主要应用场景正是这点:加速任务、草拟内容、处理信息。各行业一夜之间纷纷涌现,抓住这一契机。征求提案 ( RFPs )、路线图以及全面转型均朝着同一个目标竞速:优化一切。
然而,在这一切背后,正发生着更为深刻但同时鲜有人理解的变化:AI 中情感智能的崛起。
真正的智能定义
太多人仍然认为 “人工智能” 仅仅意味着能够更快、更出色地产生文字、图像和视频。但如果我们退一步思考,很明显:真正的智能并不是生成信息的能力。真正的智能是产生情感的能力。
真正的智能,无论是人类还是人工智能,并不仅仅停留在计算层面。它能够建立联系,让我们感同身受,理解细微差别,并驾驭人类情感的全谱——激动、舒适、同理心和亲密感。
没有情感,智能就只是一种机械计算;有了情感,它才具有意义。
事实证明:这一切正在发生
哈佛商业评论最新的一项关于 AI 使用的研究使这一转变不容忽视。如今,人们转向 AI 的前三大理由都是情感方面的:
追求创造力
寻求陪伴
寻求指导
换句话说,情感共鸣如今已超越了执行效率。人们不再仅仅是使用 AI 来获取答案,而是在借此感受连结、获得启发、体会人性的温度。
信息技术 ( IT ) 时代正在让位于情感技术 ( ET ) 时代。
过去三十年,我们致力于构建一个以速度、获取和信息量为优先的互联网。虽然这一切改变了世界,但在此过程中也稀释了人类体验的深度。
如今,第二次机会正悄然出现。AI 能够完成互联网所开启的事业——但这一次,将带来我们长久以来所缺失的情感深度。
情感作为设计系统
即便是那些在某种程度上理解情感重要性的首席营销官 ( CMO ),他们的做法依然小打小闹。他们懂得如何通过内容讲述情感故事,以及如何通过活动激发情感时刻。但这仅仅只是冰山一角。
情感不再仅仅是一种营销策略,它正逐渐成为一个系统设计原则。这不仅仅关乎营销,更关乎体验、基础设施,以及在每一个接触点、每一次互动、每一个规模上构建能激发情感的品牌和企业。没错,用户体验、用户界面乃至整个客户体验都可以被设计成充满情感。
而那些未能跨出这一步的企业呢?它们将被淘汰,只关注那些随着工具日益便捷和高度互联而终将沦为商品的领域。
未来的需求
未来,AI 的关键不在于计算速度有多快,而在于连接的深度。
那些将 AI 仅仅视作一位高效任务执行者的品牌将会逐渐衰落,而那些将 AI 当作共同创造人类体验的伙伴的品牌则将获得胜利。AI 的真正用途不仅仅在于优化工作流程,更在于大规模地创造情感体验——这些体验不仅解决问题,更能重塑生活。
因为归根结底:
信息从来都不是重点,情感才是。
没有情感的智能只是噪音,而充满情感的智能才赋予意义。
如今,没有一个行业不会迎来通过情感实现差异化的机遇。医疗保健领域依然著名地缺乏同理心;旅游及酒店业在探索新体验时,往往在情感连接上显得力不从心;教育不仅缺乏个性化的课程计划,更常常不能以真正吸引人、令人产生共鸣的方式进行教学。
当人们做出决策——尤其是购买决策时,他们都是被需求、欲望和渴望所驱动,而这一切的核心都与情感息息相关。
过去,公司们构建了技术栈,而现在,它们必须构建情感栈:也就是能够在大规模上识别、响应并深化人类连接的系统。
Dan Gardner 是 Code and Theory 的联合创始人。若想了解更多关于客户体验未来和新兴技术的资讯,请参阅以下报道:
智能机器时代下人类工作的命运
Z 世代从未离开元宇宙,离开的却是营销人员
AI 泡沫正在破裂,因为你忽略了两个字母:CX
AI 正在变革客户服务:旅游或将成为首个试点领域
出版商不再重复相同的故事,而是成为技术的引领者
好文章,需要你的鼓励
很多人担心被AI取代,陷入无意义感。按照杨元庆的思路,其实无论是模型的打造者,还是模型的使用者,都不该把AI放在人的对立面。
MIT研究团队提出递归语言模型(RLM),通过将长文本存储在外部编程环境中,让AI能够编写代码来探索和分解文本,并递归调用自身处理子任务。该方法成功处理了比传统模型大两个数量级的文本长度,在多项长文本任务上显著优于现有方法,同时保持了相当的成本效率,为AI处理超长文本提供了全新解决方案。
谷歌宣布对Gmail进行重大升级,全面集成Gemini AI功能,将其转变为"个人主动式收件箱助手"。新功能包括AI收件箱视图,可按优先级自动分组邮件;"帮我快速了解"功能提供邮件活动摘要;扩展"帮我写邮件"工具至所有用户;支持复杂问题查询如"我的航班何时降落"。部分功能免费提供,高级功能需付费订阅。谷歌强调用户数据安全,邮件内容不会用于训练公共AI模型。
华为研究团队推出SWE-Lego框架,通过混合数据集、改进监督学习和测试时扩展三大创新,让8B参数AI模型在代码自动修复任务上击败32B对手。该系统在SWE-bench Verified测试中达到42.2%成功率,加上扩展技术后提升至49.6%,证明了精巧方法设计胜过简单规模扩展的技术理念。