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
CoreWeave发布AI对象存储服务,采用本地对象传输加速器(LOTA)技术,可在全球范围内高速传输对象数据,无出口费用或请求交易分层费用。该技术通过智能代理在每个GPU节点上加速数据传输,提供高达每GPU 7 GBps的吞吐量,可扩展至数十万个GPU。服务采用三层自动定价模式,为客户的AI工作负载降低超过75%的存储成本。
IDEA研究院等机构联合开发了ToG-3智能推理系统,通过多智能体协作和双重进化机制,让AI能像人类专家团队一样动态思考和学习。该系统在复杂推理任务上表现优异,能用较小模型达到卓越性能,为AI技术的普及应用开辟了新路径,在教育、医疗、商业决策等领域具有广阔应用前景。
谷歌DeepMind与核聚变初创公司CFS合作,运用先进AI模型帮助管理和改进即将发布的Sparc反应堆。DeepMind开发了名为Torax的专用软件来模拟等离子体,结合强化学习等AI技术寻找最佳核聚变控制方式。核聚变被视为清洁能源的圣杯,可提供几乎无限的零碳排放能源。谷歌已投资CFS并承诺购买其200兆瓦电力。
上海人工智能实验室提出SPARK框架,创新性地让AI模型在学习推理的同时学会自我评判,通过回收训练数据建立策略与奖励的协同进化机制。实验显示,该方法在数学推理、奖励评判和通用能力上分别提升9.7%、12.1%和1.5%,且训练成本仅为传统方法的一半,展现出强大的泛化能力和自我反思能力。