ChatGPT 人工智能 GPT4 伦理 生成式 医疗 监管 安全 机器学习 深度学习 神经网络 计算机视觉 强化学习 模型 算法 应用 开发 研究 工具 平台 框架 数据集 训练 部署 安全 合规 培训 投资 LLM,llm AI,ai,Ai 大模型 大语言模型 制图 生图 绘图 文生图 文生视频 生成式AI AGI 世界模型 sora chatGPT,chatgpt,ChatGpt claude openai Llama deepseek midjourney 红熊猫模型 Red panda,panda Stable Diffusion,StableDiffusion,stable DALL- E 3 DALL E DALL Flux,flux 扩散模型 混元大模型 文心一言 通义千问 可灵 Pika PixelDance 豆包 月之暗面 零一万物 阶跃星辰 搜索增强 MiniMax Talkie Agent prompt fastai LangChain TTS 微调 提示词 知识库 智能体
# 热门搜索 #
搜索
组织应该如何应用人工智能?
2360点击    2024-10-25 09:20

个体的效率提升未必能转化为组织的效率提升


神译局是36氪旗下编译团队,关注科技、商业、职场、生活等领域,重点介绍国外的新技术、新观点、新风向。


编者按:就个人层面而言,人工智能的应用已经如火如荼。但在组织层面,情况似乎是波澜不惊。为什么会出现这种反差?组织有关如何制定人工智能的应用策略呢?文章来自编译。


关于人工智能对工作的影响,过去这几月,我们得到的两个关键点的证据越来越清晰:


  1. 很大一部分人工作当中已经使用了人工智能。欧盟就是这种情况,今年 1 月,丹麦对知识工作者进行的一项代表性研究发现,65% 的营销人员、64% 的记者、30% 的律师在工作中使用了人工智能。今年 8 月对美国工人进行的一项新研究也证实了这一点,有三分之一的员工在受访的上一周工作中用了生成式人工智能。(用得最多的是ChatGPT,其次是谷歌的 Gemini)

  2. 我们知道个体在完成一些重要任务时,工作效率有所提升。有项研究你几乎肯定听过,数据显示,顾问用 GPT-4 完成 18 项任务的速度提高了 25%。另一项关于 GitHub Copilot(用于编程)的实际研究发现,生产力提升了 26%(而且当时用的还是 GPT-3.5,现在已经过时,远不如当前的编程工具先进)。这跟自我报告的数据也是一致的。比方说,丹麦的研究发现,用户认为人工智能让其 41% 的工作任务时间缩短了一半。

调查发现AI在员工当中的采用率很高


不过,我在跟企业领导和经理讨论 AI 的使用时,他们往往表示,除了少数被允许的使用场景外,他们几乎没看到使用 AI 的迹象,生产力也没有明显提升。这两种体会又怎么跟上述观点调和呢?


答案是,运用人工智能让个人提升绩效未必能转化为组织绩效的提升。个中原因有很多。组织绩效要想提升,需要对 AI 使用做研发,而且大部分情况下需要自行研发。我再强调一遍:大部分情况下你得自行研发。几十年来,企业已经把组织创新外包给了咨询公司或企业软件供应商,后者往往是基于多个组织的经验开发出通用的解决方案。但这个办法目前暂时行不通。关于如何运用 AI 的最佳实践,没人有什么特别信息,也没有现成的整合方案。即便是主流 AI 公司,他们在发布模型时也不知道这些模型的最佳用法,他们通常也是通过社交媒体才发现那些新用途的。他们尤其不了解你的行业、公司或环境。我们大家都在摸索。如果你想获得优势,就得比别人更快地找到答案。


那怎么对 AI 应用方式进行研发呢?一可以靠群众,二可以借助实验室。或许两者兼而有之。


针对广大员工


在 MIT 攻读博士期间,我的导师之一, Eric von Hippel 教授因提出了“用户创新”概念而闻名——他指出,很多关键的突破性创新并非出自集中化的研发实验室,而是来自实际使用产品并对其进行调整以解决自己问题的人。一个关键原因是,外部人员进行新产品开发的实验又贵又难,而从事自己工作的员工做实验却非常便宜。因为用户对应用技术让自己的工作变得更轻松十分有动力,他们会想法设法实现这一目标。就生成式 AI 实验而言,用户的优势尤为明显,因为这些系统不够可靠,能力边界也不明确。专家可以通过反复试验轻松评估出 AI 对他们的工作是否有用,而外部人员往往无法做到这一点。


通过调查以及与多人的对话,我知道大家都在尝试AI,而且也发现它非常有用。但他们并没有跟雇主分享这些结果。实际上,几乎每个组织都充斥着秘密赛博格,他们的工作已经在用 AI 了,只是你还蒙在鼓里。


你想挖出这样的人?我来告诉你怎么办


大家之所以不愿在组织内部分享自己所做的人工智能实验,有以下一些常见原因:


  • 有人在演讲中吓唬他们,说不当使用 AI 会受到惩罚。也许这些讲座含糊其辞,没有明确说明什么才是不当使用。也许他们甚至连问都不想问。他们不想被罚,所以选择偷偷用。


  • 他们因为处理敏感的电子邮件或写代码很快在工作中被视为英雄。他们担心,如果别人知道这是 AI 的功劳,别人就会少一些尊重,所以他们隐瞒了对 AI 的使用。


  • 他们知道,公司会将生产力提升视为削减成本的机会。他们担心,如果公司意识到 AI 能够完成他们干的部分工作,他们或同事就会被解雇,所以他们隐瞒了对 AI 的使用。


  • 他们怀疑,透露自己使用 AI 的情况,就算不会受到惩罚,也不会得到奖励。他们不想白白将自己的秘密武器分享出来,所以选择隐藏。


  • 他们知道,就算公司不削减成本并奖励他们使用 AI ,提升的生产力都会转化为更高的工作期望,所以他们隐藏自己的使用。


  • 他们确实想展示自己的做法,但却没有机会分享自己是怎么用的,所以他们选择隐藏。


获取赛博格的帮助


那么公司该如何解决这个问题呢?态度得端正。


首先,你需要减少恐惧。与其做 AI 伦理讲座时含糊其辞或发布令人恐惧的全面政策,不如明确界定哪些领域允许进行实验,并倾向于在人们可以合法且合乎伦理地使用 AI 的地方允许使用(顺便提一下,很多法务对 AI 风险的看法已经过时)。规则与伦理标准显然很重要,但必须清晰易懂,而不是过于严苛。光是修正政策还不够,你还得弄清楚如何向员工做出保证,保证披露其生产力提升不会导致裁员,因为在这种重大变革的时刻,用技术进步来解雇员工往往是糟糕主意。对于拥有良好文化的公司来说会更容易些,但对于那些员工对管理层信任较低的公司,你可能需要采取极端措施来证明这次你不会将新技术作为解雇员工的借口。心理安全感通常是员工愿意分享创新的关键。


诸多使用政策要求令员工对AI的使用讳莫如深


其次,你需要调整奖励机制。要找到办法奖励那些愿意公开 AI 使用情况的员工。如果生产力提升了,员工也应该从中受益。这可能意味着要给非常丰厚的奖励,去激励取得显著进步的那些人。比如可以考虑多发几个月薪水的现金奖励,提供升职机会,甚至允许永久远程办公。考虑到大语言模型带来的潜在生产力提升,这些都是值得的投资。此外,丰厚的奖励也表明了组织对 AI 创新给予了高度重视。


第三,树立榜样。公司高管应当以身作则,公开使用 AI,并跟公司分享自己的使用案例。比如,JP Morgan 资产与财富管理集团的首席执行官 Mary Erdoes 就谈到了公司应该如何优先考虑使用 AI ,并将 AI 的使用经验融入到战略决策之中。当领导层成为 AI 用户时,管理层也可以鼓励员工尝试用 AI 来解决问题。SmartBear 的首席营销官 Cynthia Gumbert 就会告诉团队:“先用 AI 试试,实在不行再来找我申请资源。”


你还应该给其他员工展示其 AI 使用成果的机会。像黑客马拉松这样的公开活动(尤其是非技术人员参与的活动)以及提示词分享会效果往往很不错。你还需要思考如何建立社区。AI 人才可能分布在组织的各个角落。你怎么才能发现那些对 AI 热情并有天赋的人,并帮助他们分享经验呢?


当然,你还需要为员工提供工具和培训。工具方面,通常需要给他们直接使用前沿模型的机会,比如 Claude 3.5、GPT-4o 或 Gemini 1.5,以及 OpenAI 的 GPTs、Claude 的项目或 Google 的 Gems 这些系统,这些东西可以让员工开发并分享完整的解决方案。培训则的挑战性会更大一些,因为关于 AI 如何使用还存在大量讨论,但即便是一个入门课程也能激励员工去创新。


人工智能的创新人才就在你的组织内部。你需要创造机会让其蓬勃发展。群众能帮上忙。但还有一个角色可以发挥更有针对性的创新作用:实验室。


针对实验室


去中心化的创新虽然很重要,但也需要一个更加中心化的方式来研究如何在组织内应用 AI。实验室应该由技术专家和非技术人员组成。幸运的是,群众那些自发探索 AI 并愿意分享成果的人,正是你实验室的潜在人选。他们的工作全部或大部分都与 AI 相关。你需要他们专注于做事上,而不是分析或抽象策略。以下是他们要做的事情:


  • 给组织设立 AI 基准。几乎所有 AI 实验室的测试都集中在编码和知识选择题上,但这些并不能告诉你哪个 AI 是最具风格的写手,或者哪个 AI 最适合处理财务数据、法律文件等。你需要开发出自己的基准,明确 AI 在执行公司实际任务中的表现(Anthropic 有一份关于基准测试的指南可以作为起点)。没有这些基准,你就没法评估 AI 系统的性能,也不知道它们是否在进步。如果有了基准,你就能判断新的o-1模型是机遇还是威胁,以及它们与人类表现的差距是否在缩小。大部分组织对此都一头雾水。


  • 构思出有效的提示词,开发出高效的工具。将群众中的想法转化为快速原型,反复迭代然后测试。再发布到组织内,评估效果。


  • 开发目前暂时还行不通的东西。如果 AI 智能体可以执行某些关键业务流程会是什么样子?先做,看看在哪里会行不通。然后,当有新模型发布时,将其植入到现有系统,看看是否能有所改进。随着 AI 的不断进步,你会在 AI 模型突破关键门槛时先人一步拥有可部署的原型。


  • 开发具有启发性和魔力的东西。很多人对 AI 还没有产生兴趣。但如果你密切关注 AI,你可能经常会看到一些令人惊叹或不安的成果。展示 AI 如何在不可能的任务中取得成果,或者展示最新工具能做到什么,能够让人们真切感受到 AI 的潜力和影响。


大众负责创新,实验室负责开发和测试。成功的内部研发工作可能需要双管齐下。


这只是开始


从长远来看,如果 AI 的能力继续提升,光靠创新不足以让企业保持竞争力,企业就还得有具备 AI 意识的领导层。我们的组织结构是围绕人类智能的局限性和优势而组建的,因为这是我们唯一拥有的智能形式。而现在,我们必须重新思考那些经过数十年发展起来的流程和组织结构,该如何适应 AI 的那种“奇异”智能。这不仅仅是研发的问题,还需要重新审视组织结构和目标,以及未来组织中人类和机器的角色分配。什么是正确做法目前还不清楚,但这应当是公司、咨询公司和学者现在就要着手解决的问题。


就像无人车一样,OpenAI给人工智能的自主程度设定了五个等级


然而,这可能还不够激进。AI 实验室的明确目标是开发出在每一项智力任务上都能超越人类的 AI。他们承诺,不久之后我们将拥有自主设定目标、能够自主规划和行动的 AI 智能体。最终,如 OpenAI 的路线图所展示那样,他们相信自己能够创造出可以承担企业工作的 AI。这些愿景可能不会完全实现,但即使部分实现,组织结构的变革也会更加深远,甚至超出我们今天的想象。对于公司来说,面对这种不确定性的最佳策略就是主动探索,开始掌控这个新世界的未来。


文章来自于“36氪”,作者“神译局”


AITNT资源拓展
根据文章内容,系统为您匹配了更有价值的资源信息。内容由AI生成,仅供参考
1
智能体

【开源免费】AutoGPT是一个允许用户创建和运行智能体的(AI Agents)项目。用户创建的智能体能够自动执行各种任务,从而让AI有步骤的去解决实际问题。

项目地址:https://github.com/Significant-Gravitas/AutoGPT


【开源免费】MetaGPT是一个“软件开发公司”的智能体项目,只需要输入一句话的老板需求,MetaGPT即可输出用户故事 / 竞品分析 / 需求 / 数据结构 / APIs / 文件等软件开发的相关内容。MetaGPT内置了各种AI角色,包括产品经理 / 架构师 / 项目经理 / 工程师,MetaGPT提供了一个精心调配的软件公司研发全过程的SOP。

项目地址:https://github.com/geekan/MetaGPT/blob/main/docs/README_CN.md

2
免费使用GPT-4o

【免费】ffa.chat是一个完全免费的GPT-4o镜像站点,无需魔法付费,即可无限制使用GPT-4o等多个海外模型产品。

在线使用:https://ffa.chat/

3
prompt

【开源免费】LangGPT 是一个通过结构化和模板化的方法,编写高质量的AI提示词的开源项目。它可以让任何非专业的用户轻松创建高水平的提示词,进而高质量的帮助用户通过AI解决问题。

项目地址:https://github.com/langgptai/LangGPT/blob/main/README_zh.md

在线使用:https://kimi.moonshot.cn/kimiplus/conpg00t7lagbbsfqkq0