如果您作为企业领导向我描述了您的症状，而我将其输入ChatGPT，您是否期望我在未咨询医生的情况下为您制定和推荐治疗方案？
假如我提出一个交易：世界顶尖的数据科学家将加入您的组织，但您所有的业务专家都必须转到竞争对手那里，这将使您仅剩数据，却没有专家提供背景分析，您如何看待？
您准备好迎接人工智能代理了吗？
在当今人工智能驱动的环境中，关于整合生成式人工智能，特别是语言模型（如GPT-4或Bard）的机会、风险和最佳实践的讨论层出不穷。我们每天都能看到新的开源模型、研究突破和产品发布的公告。
在这快速发展的背景下，各方关注语言模型的能力。然而，语言只有在与知识和理解相结合时才能有效。例如，一个人若完全记住化学相关的术语却没有基础知识，这些记忆的语言将毫无用处。
如何获取正确的“配方”
语言模型可能会产生误导，因为它们生成的内容并不来源于真正的理解。例如，如果被要求创造一个新食谱，它们可能会分析先前食谱中的相似性，但缺乏对食物味道的内在理解。这可能导致一些不寻常的组合，比如将橄榄油、番茄酱和桃子混合，这是因为缺乏相关的数据，而不是模型具备真正的烹饪专业知识。
因此，语言模型生成的优质食谱是建立在烹饪专家输入的基础上的，语言模型的有效性在于与实际专业知识的结合。
将专业知识与语言、知识和理解结合
“相关性不等于因果关系”这句话在数据专业人士中引起共鸣，强调了错误关联两个无关现象的风险。尽管机器擅长识别相关性和模式，但真正的专业知识是识别因果关系并指导决策所必需的。
在我们的学习过程中，语言只是起点。随着儿童语言能力的发展，照顾者向他们传授关于环境的知识。最终，他们会掌握因果关系，将像跳进湖水这样的行为与所导致的结果联系起来。成年后，我们内化了复杂的专业结构，这些结构将语言、知识和理解交织在一起。
重塑专业知识的结构
在探讨任何主题时，拥有语言而缺乏知识或理解并不等同于专业知识。例如，我或许了解汽车的变速器和发动机，但若想理解它们的工作原理并修理它们，就需要实际的经验——这方面我并不专业。
将这一点转换为机器背景下，缺乏相关知识或理解的语言模型不应独立决策。放任语言模型自己运行就如同将工具箱交给一个只会预测汽车相关词汇的新人。
通过重现专业知识来利用语言模型
要有效地使用语言模型，我们需要从专业知识出发，反向工程这一过程。机器学习（ML）和机器教学旨在将人类专业知识转化为机器可读格式，使机器能够自主决策，从而增强人类在细致决策方面的能力。
关于人工智能和机器学习的一个常见误解是数据是最关键的要素。实际上，专业知识才是重中之重。如果模型缺乏专家的指导，它能从数据中提取出什么有价值的见解？
通过识别专家认为有价值的模式，我们可以将这些知识转化为机器语言，用于自主决策。因此，整个过程从专业知识开始，向后推进。例如，机器操作员可能会识别出某些声音，这表明需要进行相应调整。通过给机器配备传感器，这种专业知识可以转化为机器语言，从而使操作员能腾出更多时间去处理其他任务。
识别关键的专业知识
在构建人工智能解决方案时，组织必须确定哪些专业知识至关重要，并评估失去该知识的风险与自动化相关决策的潜在收益。
是否有某个员工对特定过程至关重要？常规任务是否可以转移给自主系统，以便为员工争取更多时间？完成此评估后，组织可以讨论如何将高风险或高利润的专业知识转化为机器语言。
幸运的是，专家系统的基础通常已经建立。语言模型可以利用程序化的现有专业知识。
从探索到运营
在未来十年，市场格局将根据企业对人工智能的投资而变化。以Netflix为例，该公司于2007年推出流媒体服务，三年后导致Blockbuster破产，尽管Blockbuster在同一领域早有布局。
当竞争对手推出先进的人工智能应用时，其他企业可能会发现自己已为时已晚，尤其是在开发稳健解决方案所需的时间和技能方面。
到2030年，选择被动反应而非创新的公司可能会变得毫无意义，这与Blockbuster的命运不谋而合。
企业领导者应主动探索他们可以创造的独特市场定位，以促使竞争对手忙于寻找解答。
在这个自主转型的时代，优先将运营专业知识转移至机器，并设想未来市场动态的组织，将巩固其市场地位。
排行榜
