编者按:LLM的崛起会颠覆很多白领工作。坏消息是你可能会被解雇。好消息是你可以暂时升任经理，并配备一个AI助手。如果你在试用期表现良好，你可能会比以前走得更远，否则，你可能会失业。在AI崛起的新时代，你必须搞清楚自己的核心优势是什么。文章来自编译。
图片来源:工具生成。
对于白领来说，大规模语言模型(LLM)的兴起书写了新的序幕，就像亚历克·鲍德温在Glengarry Glen Ross的演讲，是极客版。坏消息是你可能会被解雇。好消息是，你有了临时试用期，你升职了，现在你有了一个直接下属，他的注意力跨度是无限的，知识面是广泛的。虽然有点肤浅，但是有一个令人沮丧的特点，就是很容易犯一些非常基础的错误，需要严密的监督。和这样的下属一起工作可能会令人沮丧，但它的“工资”每月只有20美元——对方的要求并不高。
鉴于很多白领的工作基本上都是符号化的操作——接收一个比特流，做一些分析，然后输出另一个比特流——这些在一定程度上都是可以自动化的。另一方面，如果你是一个受薪人员，而不是一个由cron作业执行的脚本，你的工作可能不会完全自动化。
所以，思考这种任务的方法之一是问一个由两部分组成的问题:
(请注意，自动化的一部分是设置脚本之类的东西，下载你的邮件，对其中的一些进行一些批处理操作——不仅你有更多的事情要处理数据，而且获取数据的成本也降低了。某些形式的自动化可以减少某些类型的开销的时间成本，例如，将笔记转换为点或者将点转换为文章。然而，在其他情况下，降低90%成本的最好方法是增加10倍的产量。与LLM合作在一定程度上意味着找出你的比较优势在哪里，以及机器的比较优势在哪里。在编码中很容易看到，要么让ChatGPT根据文本描述帮你写代码，要么使用代码补全工具。粗略设计一个项目是非常容易的。对于大多数模板组件，你只需要写一个描述性的函数名，然后模型就可以帮你完成剩下的工作。
但是你不能一味的用人工智能代替这个过程。你很快就会遇到一个结构很差的烂摊子——借助AI强大的功能，你可以创造出一个下午就要还的技术债！但有一个问题存在了很久:每一种更高级的语言都会提高编写代码的效率，但也可能降低运行它的效率。[1]对于LLM辅助代码，有一个重要的权衡需要牢记，那就是快速编写和可维护性之间的权衡。(有趣的是，这将赋予一种可读的语言更高的价值，因为你将花费相对更多的时间来查看不是你写的代码，并确保你理解它是如何工作的。)
LLM可能不会告诉你重构你的代码，但是他们可以让重构更快；在最近的一个项目中，我注意到ChatGPT为三个不同的函数生成了相同的模板，于是我把那部分粘贴进去，让ChatGPT写一个单一用途的函数，然后改成那个函数。LLM对于更复杂的决策没有帮助，但是它确实有助于实现这样的任务。“重写下面的函数，生成一个时间戳，再重写另一个函数，接受一个时间戳作为它的输入之一”，类似ChatGPT这样的任务还是挺熟悉的。
大型语言模型的一个限制是它们的上下文窗口，或者它们一次实际可以考虑的文本量。老款容易忘记，新款记忆力更好，但都有这个局限性。人类也是如此；在单词记忆方面，我们大概能记住7 +/- 2个记号(编者注:token，单词的基本单位)。但是当我们以结构化的方式记忆事物时，我们的有效语境窗口比LLM的要宽得多。我们可以结合记忆的相关概念，用类比来避免偏离方向。当这些概念再次变得相关时，我们可以突然记住上下文，即使它们在一段时间内是不相关的。我们也有GPT五号注意力表演。这是使用LLM意味着人们被提升到管理角色的观点的核心，因为管理者的背景应该更广泛，这样他们就可以管理信息不对称的个体贡献者的并行工作。
另一方面，使用LLM可以帮助将项目与人类记忆联系起来。这对于在家工作，不相信“工作/生活平衡”概念的父母来说尤为重要。如果你在ChatGPT和代码编辑器之间来回切换，中断会轻得多，因为你可以通过按alt-tab立即准确地记住你在做什么——只要看看你问ChatGPT的最后几个问题。这从根本上扩大了你无需100%专注就能处理的项目范围。(AI助手)就像一个闪烁的光标，标记着你的思想去了哪里。
还有一种方式可以思考AI对工作流的辅助，即对于编程任务，最初的问题是“我是应该自己写这个，还是应该找一个能大致做我想做的事情的库，然后想办法让它确切地做我想做的事情？”为此，编码助手可以从三个方面提供帮助:第一，它可以找出你需要但你不知道的库；其次，它可以帮助你将任务转换成适合本库特点的格式；第三，如果没有相关的库，它可以生成代码来做这样的库会做的事情——或者换句话说，通过探索假想库的潜力空来找到它需要的东西。换句话说，当许多人做过类似的任务，但以前没有人做过同样的任务时，AI是最有用的。这能涵盖知识工作者的任务的百分比是多少？这个问题可以热烈讨论，肯定在“99%”以上，但不会是100%。
如果不需要了解熊猫的语法，可以把数据分析从Excel换成更好的。如果你不需要记住那些几个月才使用一次的晦涩功能的名字，那你还需要记住什么吗？
然而，总的来说，记忆的力量是惊人的强大。即使有很多东西不再需要查阅，但知道那些你不会想到去查阅的信息仍然是有价值的。学习如何在24小时内用有限的数据做出不可靠的推断，或者小丑的数据科学，现在任何人都可以接触到。他们需要做的只是在VSCode中键入一个函数名，然后多次点击Tab，剩下的就交给编码助手去写了。但是“知道何时使用哪种技术”的回报要高得多，就像“知道棘手的边缘情况”的回报一样。ChatGPT很乐意为你写一些代码来拟合非线性数据的线性回归，或者帮助你平衡分析中的各种愚蠢的偏差/方差。如果你想分析10个数据点(这对于10，000个数据点不会产生有统计学意义的结果)，你肯定可以这么做。快速做出错误决策的成本降低后，做出正确决策的价值会更高。当然，有些人会把这些决策外包给LLM，但LLM更擅长的是看似明白而不是真正明白，所以结果会是一个达克效应的牛市(编者注:能力不足的人在自己考虑不周的决策基础上得出错误的结论，但没有人真正意识到自己的不足，辨别错误的行为。这些缺乏能力的人沉浸在自己创造的虚无缥缈的优势中，往往高估了自己的能力水平，却无法客观评价他人的能力。LLM可能会鼓励缺乏能力的人突然变得自信。
ChatGPT也愿意做没有太大商业意义的事情，尤其是当你的问题没有嵌入到相关语境中的时候。所以，领域专长会比过去更有价值，因为它的一个补充——也就是吸收大量信息，提取重要信息——突然变得便宜了。
想想股票分析师的工作。如果他们在研究一系列公司，肯定会看他们的新闻稿和电话会议。理想情况下，他们会对最大的客户、供应商和间接竞争对手采取同样的做法。他们以前可能没有这么多时间。但是现在他们可以做到了！ChatGPT将很乐意为您总结电话会议的纪要(只需将摘录粘贴到上下文窗口中即可——GPT-4在这方面有很大的性能提升)。你甚至可以给他们提供与主题相关的提示。英伟达上一次财报电话会议的概括性总结，不如为了解云计算公司、竞争对手GPU制造商或PC游戏而量身定制的总结有用。这可以在很大程度上发挥人类和LLM的比较优势:你是在用自己的个人语境窗口提前识别哪些比特流是有价值的，从而提取有价值的信息比特流。越是局限在一天只有24小时，越能受益于专业知识的凸性，LLM辅助总结的帮助越大。
在生产中使用LLM，或者用它们来写生产代码，自然会带来很多风险。你确定的输入是不确定的输出。当然，这种情况一直存在；生物学本身是非常不确定的，即使我们有可读的源代码。
当然，你可以担心你的LLM会产生幻觉，但有些任务对此是有抵抗力的，你可以在这些任务中获得外部反馈。比如开发一个网络爬虫，通常可以知道会得到什么样的数据，可以检查结果的健全性。如果网站上的搜索功能显示有815个你要爬取的结果，而你的爬虫找到了其中的815个，那么这个爬虫可能工作正常。换句话说，如果你正在使用人工智能增强的编码或人工智能增强的业务流程，你自然会希望包括大量的错误检查和日志记录——这是你无论如何都应该做的事情之一。如果你没有足够的时间，你可以跳过这些。
这些变化还会产生其他下游后果:
很多目前按小时计酬的工作，或者员工能拿到工资但奖金很少的工作，会转向计件模式或者同值奖金制度。如果一个人可以做四份工作，那么保留其中一份做四倍的量然后拿四倍的工资就是帕累托改进:因为这样可以减少80%的管理费用，而且时间不会因为在不同的公司开会而重叠。企业将开始实验测量白领服务的价格弹性。比如，一家公司提供与人类的实时聊天服务，在产品定价处于盈亏平衡状态时，看看有多少新客户注册是值得的。理论上，随着模型随着更好的数据得到改进，今天的盈亏平衡在不久的将来可能会盈利。请注意:私募如果能识别出拥有独特专有数据的公司，并依靠人力使用，就能大赚一笔。当模型本身商业化后，唯一数据的相对价值就会上升。[2]销售人员可能会做得出奇的好，原因有二:首先，销售过程中最容易商业化的部分是最初的客户接触，这样销售人员就可以把相对更多的时间花在价值更高的事情上。其次，产品的自动化程度越高，就越需要信任特定的人来下订单。这样会增加方差，但主要是增加上行空。人工智能将使处于职业生涯早期的员工受益。他们还没有确定自己喜欢的工作方式，对他们的评价肯定更多的是即时产出，而不是业绩记录。但人工智能也将有利于非常有经验的员工，使他们能够有更多的隐性知识和更多的业务联系，从而成为潜在的客户和合作伙伴。如果你不是这两种人，那么现在就是一个很好的机会去弄清楚哪一种更容易成为(编者注:要么做好你的老工作，要么换一份新工作，平庸没有出路)。发展中国家将一举摆脱富裕世界的一些机构:因为很多工作可以自动化，如果你能以很小的成本做麦肯锡、高盛、摩根士丹利做的80%的事情，会发生什么？另一方面，将在发达国家制定API调用的市场清算价格，以取代更昂贵的劳动力。更何况手机是90年代和2000年代跨越式发展的一个有启发性的案例，因为在80年代还是奢侈品。人工智能经济学的话题非常广泛。一项技术越通用，就越有可能让用户而不是卖家受益。LLM可获得的训练数据的绝对数量表明了对文本的需求有多强烈，也表明了有多少人花费了毕生精力来生成这些数据。现在，那些工作主要包括生成文本(无论是普通文本还是代码)的人，会上升到更抽象的层次，创造更多的东西。
注意:
[1]这个问题不会完全消失，但是ChatGPT确实可以快速编写测试，而且基于对一些简单脚本的检查，它会很乐意把Python代码转换成C++，Rust和Go。所以新的循环可能是:用你所能表达的最具表现力的语言写一些东西，为它写一些测试，找出瓶颈，然后用更好的语言重写那些东西，同时保证测试仍然有效。当然，这样做的时候要小心；如果你最后写了一个高吞吐量、低延迟、超级可靠的系统，但是你做错了，请不要怪我。
[2]这将在许多层面上发生:如果你为了数据而收购一家公司，你必须做的一件事就是确保你能够实际访问这些数据。当你可以将一系列客户合同提取到一个系统中，然后系统会吐出决定数据权限的条款，尽职调查会进行得更快。交易越依赖数据的使用，M&A进程就越依赖数据渠道的建立。
译者:博西。
温馨提示：注：内容来源均采集于互联网，不要轻信任何，后果自负，本站不承担任何责任。若本站收录的信息无意侵犯了贵司版权，请给我们来信(j7hr0a@163.com)，我们会及时处理和回复。
原文地址"迎接ai新时代:你是经理,ai是助理吗，迎接AI新时代：你是经理，AI是助理"：http://www.guoyinggangguan.com/qkl/152292.html。
微信扫描二维码关注官方微信
▲长按图片识别二维码
