AI 是否在擴大人才差距？

我從 @chipro 獲得的最大收穫： 1. 對於你的 AI 產品來說，最大的改進來自於與用戶交談並理解他們的反饋，而不是採用最新的模型或緊盯 AI 新聞。許多公司浪費時間爭論使用哪種技術，而真正的成功來自於更好的用戶體驗和數據準備。 2. 大多數 AI 產品問題並不是 AI 問題。當公司認為他們有 AI 性能問題時，通常是用戶體驗問題、組織溝通差距或數據質量問題。一家公司認為他們的 AI 潛在客戶評分系統壞了，但真正的問題是市場營銷團隊沒有提出正確的問題來獲取有用的數據。 3. 數據的準備方式比你選擇的數據庫更重要。公司從更好地組織和準備信息中獲得最大的 AI 性能提升——將內容分解為合適大小的塊、添加摘要、將內容轉換為問答格式——而不是為選擇哪種技術基礎設施而苦惱。 4. 你的最佳表現者最能從 AI 工具中受益。在一項受控實驗中，表現最好的工程師從 AI 編碼助手中獲得了最大的生產力提升，而不是表現最差的工程師。已經知道如何解決問題的高級工程師使用 AI 更快地工作，而低表現者則往往只是複製和粘貼他們不理解的代碼。 5. 微調應該是你的最後手段。在投資微調模型之前，先嘗試更簡單的解決方案：改善你的提示、添加基本的後處理腳本或修復你的數據管道。一家公司用一個簡單的腳本捕捉到了 90% 的模型錯誤。微調會產生持續的維護麻煩，應該僅在其他所有方法都已經用盡時使用。 6. 你不需要完美才能獲勝。許多成功的公司在實施 AI 系統時選擇「足夠好」而不是完美。他們計算投資兩名工程師將準確率從 80% 提高到 85% 是否比使用這兩名工程師推出一個全新功能更好。通常，新功能提供的價值更大。 7. AI 生產力幾乎無法衡量。公司在 AI 編碼工具上投入大量資金，但無法清楚證明它們的有效性。當被迫在為團隊購買昂貴的 AI 訂閱和雇用一名額外人員之間做出選擇時，許多經理選擇人員，而不一定是因為 AI 沒有幫助，而是因為人數感覺更具體。 8. 系統思維比編碼更重要。隨著 AI 自動化更多編碼任務，理解不同組件如何協同工作成為最有價值的技能。根據斯坦福大學計算機科學課程主任的說法，編碼只是一種工具——真正的技能是理解系統如何運作並設計逐步解決問題的方案。 9. 我們正在耗盡用於訓練的互聯網文本。世界基本上已經耗盡了可用於訓練 AI 模型的公共文本數據。這意味著未來的改進將不再僅僅來自於向模型提供更多數據，而是來自於更好的訓練技術、人類反饋以及尋找新的數據來源，如音頻和視頻。 10. 許多人即使擁有強大的工具也不知道該建造什麼。即使擁有幾乎可以建造任何東西的 AI 工具，許多員工面臨「創意危機」——他們根本不知道該創造什麼。最佳方法是：花一周的時間注意你在日常工作中感到沮喪的地方，然後建立小工具來解決這些具體的痛點。