《AI即未来：普通人用好人工智能的18大工作场景》

一种通用技术（前言）：前言开头摆了两句话，都出自同一篇新闻报道：一句说对人工智能的投资在一年里给大型科技公司增加了 2 万亿美元以上的市值，一句说几乎看不出它在商业上有什么显著效益。作者说两句都成立，因为“我们仍处于人工智能新时代的黎明时分”。他把生成式人工智能看作一种通用技术，像电力、互联网、智能手机一样，用途广、会不断改进、带来很多溢出效应，但效益要几十年才完全显现。19 世纪 90 年代，有人对汽车倡导者亚历山大·温顿（Alexander Winton）说，想用这破玩意儿取代马车“简直是疯了”。

通用技术的历史表明，我们往往是在事后回顾时，才能认清它们的本质。这类技术需要时间才能完全绽放光彩。

前言 一项具有变革意义的新技术

先安装，后部署（前言）：作者引记者阿齐姆·阿扎尔（Azeem Azhar）的说法，新技术要经过两个阶段。以电视为例：安装阶段，起初很多人觉得它不比收音机强多少，早买的人家里挤满来看的邻居；到了部署阶段，普及带来内容市场、监管和新的供应链，成本下降，需求上升。作者认为生成式人工智能会走同样的路。既然效益要等，为什么现在就动手？作者的回答是，变化很快的时候，早期采用者和适应者会先受益。20 世纪 90 年代到 21 世纪初，积极转向数字化的模拟摄影公司活了下来；柯达（Kodak）1975 年就发明了第一台数码相机，却没有看清它的潜力。

这本书想帮你什么（前言）：作者说本书给读者三样东西：弄懂生成式人工智能的本质、边界和当前局限；一个评估工作中人工智能机会的框架；看清它眼下和不远的将来能给你和团队带来什么。英国政府数字服务局（GDS）前首席产品经理皮特·赫利希（Pete Herlihy）对他说：“我发现，目前生成式人工智能最有用的应用场景多是务实的，而非创新性的。”作者认为“这并非坏事”，所以第二部分以实用为导向。

这一次来得很猛（第 1 章）：2022 年 11 月 OpenAI 推出 ChatGPT，五天用户过百万，Netflix 达到这个数用了三年半。比尔·盖茨说它与微处理器、个人电脑、互联网、移动电话的诞生同样重要；埃隆·马斯克说它是人类文明未来面临的最大风险之一。作者回忆，开放互联网和智能手机也在 20 年里改变了生活，但当时感觉是一点一点来的。

这一次，未来是以一种剧烈、爆炸性的方式到来的。人工智能的发展发生了根本性的转变——一场被认为将改变一切的转变。

第1章

翻译和作家（第 1 章）：作者给人工智能的定义是“一门教机器模仿人类行为模式的艺术与科学”。他打了个比方：过去的人工智能像技艺精湛的翻译，严格照规则和语法办事；生成式人工智能像精通多国语言、极富创造力的作家，能写出新想法和新内容。

不是魔法：六个步骤（第 1 章）：

但关键在于，尽管人们常说人工智能是“黑箱”，即我们无法完全理解它的运作逻辑，但它并非魔法。

第1章 它是如何运作的

作者说，所有人工智能都离不开六步：

• 数据准备：收集、清洗，有时要标注。网站让你“点击包含自行车的方块”，就是在给数据做标注。
• 算法部署：即机器学习，分三种。监督学习用标注好的数据，例如判断垃圾邮件；无监督学习在没有标注的数据里找规律，例如按购买习惯给客户分组；强化学习靠环境反馈学习，例如你在脸书（Facebook）上点“不显示此类广告”。
• 改进与优化、应用场景定义、反馈与改进（自动用新数据更新，加上人对输出的评价，两者结合最好）、实际部署（能否扩展到大量用户、安全、监控、何时停用）。

这一波浪潮的技术基础是 Transformer 架构，2017 年由谷歌研究人员在论文《注意力就是一切》（Attention is all you need）中公开。它先把词变成一组数字（嵌入向量，意思相近的词数字也相近），再理解句中词与词的关系，按概率一个词一个词地往下生成。GPT 和 BERT 是最常见的两种 Transformer 模型（第 1 章）。

作者提醒管理者，眼下要弄清人工智能能帮什么忙，更要回答它在中长期会怎样真正改变组织；他认为只有灵活、乐于接受新发展的组织最可能脱颖而出（第 1 章）。

价值链和四种用法（第 2 章）：作者把人工智能的价值链分三层：最底下是算力，来自装着 GPU（图形处理器）芯片的硬件；中间是前沿模型，也叫基础模型，如大语言模型和扩散模型；最上面是应用，如 ChatGPT、微软 Copilot。眼下最广泛的用途是提高效率。他借沃顿商学院伊桑·莫利克（Ethan Mollick）的比喻：人工智能像一位“手脚麻利的实习生”，能总结文档、做会前背景调研、为新项目想 20 个点子，但容易“说谎”。作者说，除了必须由人亲手完成的任务，它几乎能为所有工作提供支持，即便护理人员、舞者也能间接受益，如定制护理计划、个性化舞蹈教学。

企业有四条路：直接用前沿模型写提示词，成本最低；用自有数据训练开源模型，贴合需求但成本高、要有数据工程能力；在封闭的云环境里用自己的数据微调前沿模型；用针对特定任务的现成人工智能代理，例如客服聊天机器人，投资回报更可预期（第 2 章）。

横向和纵向（第 2 章）：

要想从人工智能中获益，最佳方法是思考如何将解决方案与你的工作流程相结合。

第2章 这对你的组织有何影响

横向是把一个工作流程从头到尾改造。例子是英国能源公司章鱼能源（Octopus Energy）：人工智能回复了三分之一以上的客户邮件，客户满意度 80%，相当于省下 250 名员工的人力；抄表日咨询激增时不用加人，员工改做监控回复的质量。纵向是只优化流程中的一环。例子是伦敦帝国理工学院的研究：在乳腺癌 X 光筛查中，人工智能比放射科医生多查出 13% 的癌症，但诊疗流程本身没变。英国国家统计局（ONS）的乌萨马·拉赫曼（Osama Rahman）认为最大的机会在全新环境里；作者补充，人工智能在云原生的数据上效果最好，否则只是生硬地嫁接到低效系统上（第 2 章）。

作者给了两个练习。一是工作流程映射：从一个用户需求出发（如做一份幻灯片），拆成明确受众、确立主题、收集见解、写故事大纲、做幻灯片几步，找出最费时、最容易卡住的环节。二是问自己：哪个动词占用了我最多时间？构想、撰写、总结、搜索……再试试人工智能能不能帮上，最后评估收益是否超过弊端和成本（第 2 章）。

其实是一项老技术（第 3 章）：作者说，人工智能“实则已是一项相对成熟的技术”，经历过几次热潮和寒冬：1950 年图灵提出图灵测试；1956 年达特茅斯会议（The Dartmouth Conference）上约翰·麦卡锡（John McCarthy）首次提出“人工智能”一词；1966 年第一款聊天机器人 ELIZA；20 世纪 80 年代专家系统兴起，1987—1993 年进入“人工智能寒冬”；1997 年“深蓝”（Deep Blue）击败卡斯帕罗夫，2016 年 AlphaGo 击败李世石，2017 年 Transformer 问世。21 世纪头十年数据科学重获关注，原因有四：设备和传感器产生海量数据，存储变便宜，计算变便宜，云计算让各类组织都用得上“大数据”。

规模即王道（第 3 章）：书中对比了 Midjourney 2022 年和 2024 年用同一句提示词画的芝士汉堡，差别很大。作者说原因“其实很简单：规模”：模型更大，参数（模型通过训练“习得”的模式数量）更多，训练数据更多，输出就更好。谷歌的彼得·诺维格（Peter Norvig）2009 年的论文《数据的不可思议的有效性》（The Unreasonable Effectiveness of Data）也指出，用更大的数据集训练，模型表现更好。作者提醒，幻觉率“仍是一个存在大量争议的话题”。

因此，你应当意识到：第一，贵组织当前使用的人工智能，在未来几个月内理应变得更强大；第二，即便当下的人工智能尚不完善，为未来的人工智能发展做好准备也很可能是一项回报丰厚的战略投资。

第3章 这对你的组织有何影响

别从零造模型（第 4 章）：前沿模型的训练成本只涨不跌：2017 年奠定 Transformer 基础的模型研发只花了 900 美元，2023 年 GPT-4 的训练超过 1 亿美元。

残酷的现实是，除非你所在的组织是全球市值前十的公司之一，或是财力雄厚的主权国家，否则从零开始打造自己的生成式人工智能模型并非可行之举。

第4章

几家主要模型（第 4 章）：作者说这一节在 2025 年时效性很强。他介绍了 OpenAI 的 ChatGPT（微软投资，GPT-4o 能处理文本、音频、视频、图像）；Anthropic 的 Claude，Anthropic 称它是“最具伦理意识的一款大语言模型”，训练时用人类反馈强化学习（RLHF，由人给模型的回答打分、据此调整）去掉有害内容，再按一份“章程”调优，作者认为它适合心理咨询这类敏感场景；谷歌的 Gemini，原生集成在谷歌协作平台（Google Workspace）里；Meta 的 Llama，是开源的，免费，但改造后仍有开发和托管费用。另有法国的 Mistral、阿布扎比的 Falcon（非英文任务表现好）、xAI 的 Grok、亚马逊的 Nova，以及生成图像的扩散模型（DALL·E 3、Stable Diffusion，从一张噪点图一步步去噪，变成清晰图像）。

没有最好的，只有合适的（第 4 章）：作者说斯坦福大学的研究得出一个略显“无用”的结论：这些模型在极广泛的任务上都相当出色，没有哪一款独领风骚。它们的差别在规模、速度、成本和访问方式；封闭模型的表现通常高于开源模型。所以要自己定选择标准：输出质量（按场景定指标，客服可看客户满意度）、开发或微调成本、使用成本、与企业现有系统的集成度、安全与隐私。

你的评判标准应取决于你希望通过模型达成的目标：你试图解决的具体问题是什么？

第4章 这对你的组织有何影响

作者给董事会的一个问题是：“我们在多大程度上将伦理考量外包给了模型提供商？”（第 4 章）

语境决定答案（第 5 章）：哈佛商学院安迪·吴（Andy Wu）举例：服装店和食品店都用同一个前沿模型做客服，顾客问能不能给点“搭配”建议，前者该推荐服饰，后者该推荐沙拉酱。不给语境，模型无从判断。给语境有两条路：微调，或者写好提示词。作者说，过去普遍认为前沿模型必须微调才能用在具体业务上，最新研究表明优化提示词也能有相近的效果，成本更低。书中的例子是 2023 年微软的研究：给 GPT-4 精心设计提示词（称为 MedPrompt），在医疗问答基准测试中，表现超过了专门为医疗微调过的模型。作者认为这主要得益于规模（第 5 章）。

微调（fine-tuning）（第 5 章）：微调是在特定数据集上继续训练一个预训练好的模型，让它学会某个领域的语言和要求。作者列了五步：明确目标和性能标准（准确率、召回率等）；准备数据（如客服的历史聊天记录、工单）；选模型；搭环境、设参数；训练并用另一组数据验证，防止过拟合（模型把训练数据背得太熟，换了新数据就不灵）。微调要数据和人工智能专家加上业务代表一起盯，算力和花费都不小；作者提醒，即便各项指标都很好，也不等于可以直接用到实际业务里。

提示词（prompting）（第 5 章）：

提示词的运用更像是一门艺术，而非科学，但有一条实用的通用原则：信息越充分越好。

第5章 提示词法（prompting）

作者用 Gemini 做了个对比：只写“用约50个字告知客户其订单无法退款。”，得到的回复很程式化；再加上要有同理心、体现对客户的重视、尽量不让客户反感、用富有同理心的高中教师的风格，回复就有人情味得多。东京的研究人员还证实，提示词客气一些效果更好，一种解释是礼貌的提示会让模型从训练数据中更文明、质量更高的角落取材（第 5 章）。

他整理的要点（第 5 章）：

• 常用结构：任务—要求—预期—格式；情境—问题—预期—任务；角色—目标—场景—预期解决方案—步骤。
• 关键指令：阐述、列举、扮演、详述、总结、分析利弊；语气可以指定热情、共情、专业。
• 值得深入的技巧：少样本学习（先给几个示例）、思维链（让它一步步推理）、角色扮演。
• 训练语料决定输出，“输入垃圾，输出垃圾”。

两种办法各有利弊：提示词快、便宜，适合客服自动化、营销内容这类即时任务，但输出依赖提示词质量，可能前后不一；微调更准确，适合法律、医疗等专业领域，但耗资源、周期长（第 5 章）。

选择提示词法还是微调，关键在于在即时性、广泛适用性与定制化、精确性之间找到平衡，同时要与企业的具体目标和投资能力相匹配。

第5章 这对你的组织有何影响

才华横溢却并非完美的伙伴（第 6 章）：本章开头引了两句话。维里蒂·哈丁（Verity Harding）说：“人工智能永远不会超越最好状态的你。”伊桑·莫利克说：“人工智能就像一位手脚麻利的实习生，渴望取悦他人，却总爱歪曲事实。”作者认同把它当作热情但缺乏经验的助手。

758 名顾问的实验（第 6 章）：波士顿咨询集团（BCG）和哈佛商学院让 758 名顾问在有、无 GPT-4 辅助两种情况下完成 18 项贴近实际的任务，从为一个服务不足的市场构思新款鞋、取名、细分市场、写营销口号，到写备忘录、新闻稿和一篇文章的大纲。结果，用人工智能的人完成的任务多 12.2%，快 25.1%，质量高 40% 以上；原本表现较差的人得益更多。但在超出人工智能当前“技术边界”的任务上，用它的人反而更容易答错。研究还总结了两种协作方式：“半人马”（centaurs），人和人工智能明确分工；“赛博格”（cyborgs），两者持续交替配合。

微软 2023 年对编程助手 GitHub Copilot 的研究也类似：用它的开发者写一个 HTTP 服务器快了 55.8%。作者说，“副驾驶”（Copilot）这个说法有两层意思：人始终拥有最终控制权并承担责任；人工智能只是辅助（第 6 章）。

给它起个名字（第 6 章）：作者说，人难以理解抽象概念，习惯围绕“人”讲故事，古希腊人也给众神编了各自的性格和故事。他建议顺应这种天性，给你的人工智能起个名字、赋予它身份，也鼓励同事这样做；同时记住，它容易出错，有时还会为了迎合它所理解的你的期望而“说谎”。

我们可以相信人工智能能快速给出答案，但我们必须对答案进行核实。

第6章 可在下次会议中分享的董事会级见解

五项原则（第 7 章）：作者说，实施指南不能保证结果，但只要步骤对了，就理应得到好结果，“要相信流程的力量”。他把英国中央数字与数据办公室的生成式人工智能使用框架简化成五条：

1. 明确你要解决的具体问题。不要陷入“解决方案至上”的误区。从具体的用户需求出发，比如“我希望点的餐能在15分钟内送到家”，拆开用户旅程，找到真正的问题，比如供需匹配。
2. 清楚“良好”乃至“更优”的标准。人也会犯错。先摸清现在的绩效基准，比如客服的满意度和准确率“绝非100%”。
3. 清楚生成式人工智能能帮什么、局限在哪：它不是“万能灵药”，可能拿不到企业数据、记不住过往对话、会有“幻觉”。
4. 始终负责任、合法、合乎伦理地行事。各国法规不同，同一国家内也可能不同。
5. 保持掌控权。至少要能向用户解释人工智能在做什么，能关掉它，能追踪、记录、删除它处理的敏感数据。

但事实上，那种先有解决方案再硬凑问题的做法，即便有效果也极为罕见。人工智能也不例外。

第7章 1.明确你要解决的具体问题

解决问题的目标不应是追求完美，而应是显著改善现状——至少要比现有做法好得多，或者足以证明实施变革所投入的成本是值得的。

第7章 2.清楚“良好”乃至“更优” 的标准究竟是什么

作者还说，你应当能用通俗的非技术语言把用到的人工智能讲清楚。董事会成员大多没有技术背景，不了解就无法履行法定职责；讲不清楚，是“明显的危险信号”。他认为原则比具体规定更经得起技术的快速变化；是否负责任，是价值观问题，不是技术问题（第 7 章）。

书中汇编了欧盟《值得信赖的人工智能伦理指南》（2019）、美国白宫《人工智能权利法案蓝图》（2022）、新加坡、日本、经合组织（OECD）、联合国教科文组织（UNESCO）等的人工智能原则。案例是东京都政府 2023 年试点用 ChatGPT 写文本、出点子、做文书，定了四条准则：不输入高度机密信息；不生成侵犯版权的文本；必须自己核实回复；直接使用人工智能的回复要注明。Apolitical 的首席执行官罗宾·斯科特（Robyn Scott）对作者说，全球约 60% 的公职人员试过生成式人工智能，只有 35% 受过指导，结果谨慎的人该用不敢用，冒进的人乱用。作者建议成立一个有决策权的指导小组，挑一套原则在组织里不同人群中做“用户测试”，拿实际案例检验，再提交采纳（第 7 章）。

评估：除非更好，否则舍弃（第 8 章）：

要记住，你追求的是实际改进：除非一个模型能明确地给你的组织带来积极影响，否则你就应该舍弃它。

第8章

作者说，别让投进去的时间和感情影响判断。评估看三方面（第 8 章）：

• 模型指标：例如困惑度（预测下一个词时有多拿不准，越低越好），BLEU、ROUGE（机器写的译文或摘要和参考文本有多像），FID（生成图像离真实图像有多远），人工评估，多样性，对抗准确率（遇到故意捣乱的输入还能不能答对），推理速度。
• 能力测评：图像生成、代码生成、代理行为、真实性与准确性、通用推理能力，各有公开的测评。作者说编程已是“充分验证”的成功用例；通用推理上，人工智能与人类专家仍有不小差距。
• 组织适配性：能否解决你的问题？是否符合规章制度？与技术栈是否契合？能否随时停用？收益是否大于成本？风险清楚吗？

领英（LinkedIn）的工程师做人工智能求职功能时，写代码专门找出并修正常见错误，把错误率从 10% 降到了 0.01%。作者的态度很务实（第 8 章）：

不过，只要你肯下功夫检查和核实答案，那么在“几秒钟内生成回复”的高效前提下，五分之一的错误率在部分场景中尚属可接受范围。

第8章 4.真实性与准确性

反面案例是“幻觉的代价”：2023 年，一位有 30 多年经验的人身伤害律师在一起针对 Avianca 航空公司的案件里用 ChatGPT 找判例，他“错误地以为它就像一个超级搜索引擎”，交上去的引用是假的，律师和律所被罚 5000 美元（第 8 章）。

两个关键问题（第 8 章）：一是用这个模型会不会比现在的做法更好？这要先知道组织的基准，比如给客户错误答案的次数，那“绝不是0次”。二是它好到值得付出相应的成本吗？这更难，要算清现在的人手、成本、出错次数和新模型的花费。了解风险可以用“红队测试”：由一个独立团队专门找新产品的错误、漏洞和风险。如果模型只比人略好甚至不如人，就盯着发展、等合适的时机；作者认为可以先完成八成准备、规划好方案，等收益明显大于成本时再推进。他还说，你现在给不了客户“完美”的服务，就别指望模型做到，追求完美可能会阻碍创新（第 8 章）。

准确并非最重要的事——比我们目前的做法更好才是。

第8章 可在下次会议中分享的董事会级见解

从沙盒到全公司（第 9 章）：英国工作与养老金部的西蒙·金（Simon King）说：“你的组织里可别搞出比英国航空公司还多的（人工智能）试点项目。”作者区分两种环境。“沙盒”是与实际系统隔开的试验场，可以随便试、搞砸了重来，好处是降低风险、及早发现问题省钱、鼓励创新；企业级部署要放进实际运营，得考虑六件事：可扩展性、安全、性能监控、跨部门协作、用户培训、合规。听到某项令人振奋的进展，要分清它还在沙盒里，还是已经铺开了。

作者建议让业务部门的人参加沙盒测试，并且敢于及时叫停。案例是生物技术公司莫德纳（Moderna）：2023 年与 OpenAI 合作，先开放一个为期六个月的沙盒，两个月内员工自建了 750 多个定制 GPT；再推广到法律、研发和商业部门，用于审核临床数据、总结合同、回答人事政策问题，还开发了辅助评估疫苗剂量的工具（仍由人审核）；到 2024 年 4 月，全公司的使用率超过 80%（第 9 章）。

但不要想当然地认为从沙盒试点到企业级应用的过渡会一帆风顺。你需要密切关注进展，一旦发现问题，要勇于及时终止项目。

第9章 这对你的组织有何影响

算清这笔账（第 10 章）：

人工智能并不便宜，而且本就不应便宜。那句古老的格言——“如果你不付费购买产品，你自己就是产品”，在这个新时代依然适用。

第10章

作者分三种用法：现成方案，按用户数付许可费；即插即用，买企业版、通过 API（应用程序接口，让两个软件互相调用的通道）接入，能决定数据存在哪、是否排除在训练之外；自己用开源模型开发，控制权最大，成本也最多：硬件、人力、云计算和维护、许可和法律。这些还不含工作流程转型的成本：培训、排障、变革管理。书中举了 2024 年的几个价格，笔记从略（第 10 章）。

收益分三类：省钱；提高效率，可以用传统的工时研究估算省下的时间；提升质量，如减少欺诈或行政差错，法国税务部门用人工智能发现了 2 万多个隐藏的游泳池，带来 1000 万欧元收入（第 10 章）。

但真正棘手的问题是：这些生产力提升能否切实“转化为现金”？只有在因使用人工智能而减少员工人数的情况下，才能实现这一点。

第10章 这对你的组织有何影响

签约的建议：维里蒂·哈丁说“切勿签订排他性合同而断送后路”；作者主张合同不超过 12 个月，保证将来能方便地换供应商，关键是数据可携带、归你所有，合同里开发的知识产权要留在自己手里。直接找人工智能公司的客户代表谈，敢开口要免费优惠，签字前让法务看合同（第 10 章）。

技术不是中性的（第 11 章）：硅谷几十年来认为技术是中性的，2016 年美国大选及其后的社会动荡之后，这个看法遭到强烈质疑。作者说，如今客户、投资者、员工都不再认为技术是中性的，人工智能尤其如此。他把挑战分成风险、伦理、可持续性三类，每类都附了缓解措施（第 11 章）。

风险（第 11 章）：

• 生存性风险：担心人工智能超过人类智能后威胁人类文明。著名的“回形针理论”说，一个只为多产回形针而优化、又不受约束的超级人工智能，可能挪用一切资源，甚至铲除碍事的人类。2023 年英国在布莱切利公园举办了首届人工智能安全峰会（AI Safety Summit）。作者把这类风险主要留给政府和全球治理论坛，但一位不愿具名的技术领袖对他说，相信收益会指数级增长，就很难不认为风险也会这样扩张。
• 偏见：训练数据反映社会里的偏见，作者说对此视而不见“不仅天真，更是一种错误”，应当默认模型有偏见。2023 年皇家墨尔本理工大学（RMIT University）和华盛顿州立大学（Washington State University）的研究发现，Midjourney 画需要高级资质的职业时明显偏向男性，女性大多画得年轻，“被允许”有皱纹的只有男性。
• 深度伪造：用人工智能做出以假乱真的名人、政客甚至普通人的图像和音视频。一段“汤姆·克鲁斯”（Tom Cruise）打高尔夫、弹吉他的伪造视频曾让数百万人信以为真。作者的缓解措施之一是“不造成伤害”：技术上做得到，不等于就该做。
• 数据保护与隐私：除非另签协议，你没法确定提交的数据不会被存下来用于训练。2024 年 ChatGPT 推出的“Sky”语音和斯嘉丽·约翰逊（Scarlett Johansson）的声音极像，而她此前拒绝过 OpenAI 的授权请求，OpenAI 随后下架了这个声音。
• 恶意行为者：安全防护未必可靠，有人会用特定提示词“越狱”，绕过模型的限制。企业要定员工使用政策，投入资源防范。

伦理（第 11 章）：

在大多数司法管辖区，法规要求人类必须始终“参与”人工智能模型的决策循环。个人、组织和企业不能也不应把责任推给人工智能。

第11章 自主决策

• 就业替代：20 世纪中后期的电话接线员职业因技术进步消失了。企业对股东和社会都有责任，要为被替代的员工安排再培训。
• 知识产权：作者让读者问自己，别人未经许可用你的成果，你乐意吗？合法合规只是基本要求。
• 公平获取：人工智能用起来不便宜，可能加剧不平等。培训不应只给高薪的数据科学家；能帮到一线员工，就要让他们公平地用上。
• 黑箱问题：大语言模型很难给出逐步的解释。

这种细节或许过于烦琐，但如果你连模型工作的大致逻辑都无法解释，那你可能根本不适合使用它。

第11章 黑箱问题

可持续性（第 11 章）：书中引的估算是，训练一个人工智能模型的碳排放可能超过 280 吨二氧化碳当量，比一辆汽车一生的排放多五倍；墨西哥干旱地区克雷塔罗（Querétaro）的数据中心加重了当地的资源压力。GPU 和芯片报废后是危险废弃物，签供应链合同时要把合规处置写进去；芯片依赖的稀有金属开采耗能高、污染重。

尽管这些挑战源于新技术，但管理它们的方法并无新意：采用最佳实践的风险管理方法，预判潜在问题，识别并将其归类为相应风险，确保制定有效的缓解措施。

第11章 这对你的组织有何影响

作者推荐的工具是风险登记册，他说这听起来不新潮，但至关重要（第 11 章）。

赢得客户信任（第 12 章）：牛津大学的海伦·马吉茨（Helen Margetts）说：“我们对技术的要求往往比对人类的要求更高。”2016 年，微软在推特上推出聊天机器人 Tay，用推特用户的真实内容训练，结果多次发出冒犯性、带种族歧视的言论，下架前已发了近 10 万条推文。皮尤研究中心 2023 年的调查显示，52% 的美国人对人工智能更多是担忧而不是兴奋。作者说，顾虑也许永远消除不了，但真诚的行动大有帮助（第 12 章）：

• 和利益相关者一起制定人工智能伦理准则。联合利华（Unilever）设了人工智能评审委员会，员工或供应商先提交拟议的用法，复杂的交给外部专家独立评估。
• 透明：在官网和内部平台公开用了哪些人工智能、用在哪里，正如美国法官路易斯·布兰代斯（Louis Brandeis）说的“阳光是最好的消毒剂”。
• 数据安全合规，定期审计偏见。
• 让人始终在决策闭环中。作者说这是最能让客户安心的做法之一。临床笔记工具 Tortus 要求医生审核它生成的所有内容。
• 方便客户反馈，并据此改进；可以考虑第三方认证。

这样的流程不仅用于审批人工智能应用，也负责提供建议，更重要的是，它也会否决一些应用。敢于否决某些使用场景，正是对人工智能持有健康态度的体现。

第12章 人工智能伦理准则

作者说最好的工具是倾听客户，系统地做用户研究：确定研究谁，怎么招募（可以付报酬）；留意样本偏差，但不因此停步；分三个阶段：探索用户对人工智能的真实态度，梳理端到端的用户旅程，让用户测试原型找改进点；方法有深度访谈、观察（例如让用户“将这笔钱从一个账户转到另一个账户”并记录过程）和小组活动。他还提醒“奥弗顿窗口”（可接受观点的范围）会移动：今天觉得怪的事，十年后可能是常态（第 12 章）。

法规：零散，但要跟上（第 13 章）：作者说，早期通用技术的监管往往混乱、零碎，英国自 19 世纪 70 年代电力大规模应用以来出台过几十项相关法规，人工智能也会这样。各地的做法（第 13 章）：

• 欧盟：2024 年通过《欧盟人工智能法案》（EU AI Act），按风险分四级：低风险（如垃圾邮件过滤）没有强制要求；有限风险（如聊天机器人、人工智能生成的图像视频）要让用户知道用了人工智能；高风险（如医疗设备、执法、教育）严格监管；不可接受风险（如社会评分系统）禁止。通用模型的开发者要提供技术文档、训练数据披露等。罚款可达 3500 万欧元或全球年营业额的 7%，取高者；总部不在欧盟，模型在欧盟运行也要遵守。
• 美国：没有统一法规，按行业分管。
• 英国：起初走“支持创新”的分行业路线，工党 2024 年执政后承诺立法加强监管。
• 中国：已出台《互联网信息服务算法推荐管理规定》《新一代人工智能伦理规范》等。
• 国际：《布莱切利宣言》（Bletchley Declaration）、经合组织原则、联合国教科文组织建议书。

你必须掌控这一领域的动态。不仅要自己保持警惕，更需要让企业做好准备，以应对未来法律法规的变化。

第13章 它是如何运作的

作者给企业四条“无悔举措”：一是预留合规预算，这是“入场费”，他建议拿出上一财年全球营业额的 0.7% 用于法律和数据合规；二是从原则入手，以第 7 章的做法为起点就不会偏太远；三是以最严格的欧盟法案为基准，记录并审计所有在用的人工智能系统；四是固定拿出少量资源，持续跟进、提前预判。他说，法律法规既保护客户，也让你的业务更完善（第 13 章）。

新岗位（第 14 章）：

关于人工智能，主流观点认为它会导致失业。但纵观历史，通用技术在摧毁就业机会的同时，也会创造新的岗位。

第14章

没有飞机就没有航空业。作者说，人工智能或许会取代你的工作，也可能给你一份全新的职业。已经出现的新岗位（第 14 章）：

• 首席人工智能官（CAIO）：2024 年 5 月，美国国家航空航天局（NASA）任命戴维·萨尔瓦尼尼（David Salvagnini）为首批首席人工智能官之一。作者说这像约十年前首席数字官的兴起，标志着人工智能职能升到了最高管理层。
• 提示词工程师（prompt engineers）：不需要经典的技术技能，而要熟悉各种模型、会写提示词。书中转录了英国人工智能安全研究所的一则招聘，作者特别指出它要求出色的书面和口头沟通能力，因为这个角色要对接各部门。随着模型越来越低代码，这个职业也可能逐渐消失。
• 机器学习运维工程师（MLOps engineer）：和产品团队合作，保证模型在已部署的软件里安全运行。

作者说，新岗位应当为解决新问题而设，先要弄清企业有哪些短板。找短板有三个办法：对标同行，看同行设了什么岗位、为什么设；倾听团队，团队老是暴露知识缺口、反复依赖外部支持，就是信号；审视风险清单，新风险没人管，就是能力和领导力的缺口。这些岗位薪水高，但可能比长期请外部咨询划算；高薪招人本身也向市场表明你认真对待人工智能。作者也建议先拆解岗位要素，看看内部有没有人稍加培训就能胜任，因为这个领域“所有人都在边做边学”（第 14 章）。

为未知做准备（第 15 章）：万维网的发明者当年没有预料到网络迷因（internet meme）文化；英国通信管理局（Ofcom）2023 年的研究显示，英国 13—35 岁的人里有 30% 每天发迷因。作者说，我们也无从知道人工智能会带来什么。他从三个已知趋势入手（第 15 章）：

• 小模型：越来越多证据表明，小型开源模型的输出可与大模型媲美，可减少对少数闭源供应商的依赖。
• 数据会不会用完：Epoch AI 的研究认为，按现在的速度，人类生成的公开文本可能在 2026—2032 年用尽；用合成数据训练的模型质量会明显下降。作者认为这会成为真正的瓶颈。
• 就业市场：人工智能几乎必然催生新职业，对就业的净影响还不清楚。

作者借美国前国防部长唐纳德·拉姆斯菲尔德（Donald Rumsfeld）的“已知的未知”（known unknowns）说，人工智能领域还有更多“未知的未知”（unknown unknowns）。他用一个远景扫描框架，从技术、社会政治、消费者预期、偶然性四方面列了预测，例如可穿戴设备直接运行生成式人工智能、GPU 短缺、客服以人工智能为第一线、大规模网络攻击、气候危机改变人们对计算碳排放的态度。更好的做法是每季度召集一次背景多样的核心员工（设计师、技术人员、伦理学家等，不同级别）开环境扫描会，对每一点问四个问题：有哪些机会？怎么把握？有哪些风险？怎么规避（第 15 章）？

没人预言过Instagram的崛起，但我们预见了智能手机的普及。因此，我们的预测应当既足够宏观以具备参考价值，又足够具体以具备可操作性。

第15章 可在下次会议中分享的董事会级见解

先问五个问题（第二部分导言）：第二部分开头引了数据专家加文·弗里加德（Gavin Freeguard）的话：“先想想你要解决的问题是什么，再考虑人工智能能否提供帮助。”作者坦言，这个领域还没有足够的证据和时间判断什么“是否有效”，面对新技术保持适度怀疑总没错。读每个场景，都可以问自己五个问题：这个场景和我要解决的问题对得上吗？从想法到试验有没有可行的路？我清楚不用人工智能时的基准表现吗？怎么判断人工智能真的起了作用？推广有什么具体计划？

最后一个问题至关重要。在测试新想法时，你需要能找到一条关键路径——从局部范围内的小幅改进，逐步拓展为整个组织层面的实质性提升。

第二部分 保持理性质疑

创意与构思（第 16 章）：过去认为创造力（通过发散性思维产生新颖、有用的想法）是机器做不到的。书中引了 2023 年和 2024 年的两项研究：在“替代用途任务”（AUT，为砖头这类日常物品想尽可能多的新用途）等发散思维测试中，人工智能的平均表现已经赶上甚至超过人类，最有创造力的人仍能与之抗衡。作者说，任何主流聊天机器人都能用，免费版也行，关键在提示词，要写清五样东西：背景（你是谁）、目标、评价标准（如原创、经济）、要几个、启发线索（如借鉴某个产品的理念）。他的示范是：“假设你是一家航空公司的运营者，请提出三个既新颖又经济的提升客户满意度的想法。”他说得到的点子未必能直接落地，但能在初期帮团队打开思路。

案例：2017 年，能多益（Nutella）的生产商费列罗（Ferrero）和奥美（Ogilvy & Mather）合作，让人工智能从一批图案里学规律，生成了 700 万个各不相同的罐身设计，限量版 Nutella Unica 一上市就卖光了（第 16 章）。

你团队中最优秀的创意人才总能为人工智能生成的结果锦上添花。人工智能可以为创意工作者提供支持，但未必能取代他们。

第16章 实用建议与指导

文案撰写（第 17 章）：网站、书、博客、报告、邮件，文案无处不在，多数人却不擅长。大语言模型主要用文本训练，写文案本来就是它的核心本事：能跨领域写出流畅的文字，读者也普遍认可；但幻觉还没解决，书中引的数字是，截至 2023 年末 ChatGPT 约五分之一的回复含有不准确甚至虚构的内容。作者列了三种做法：用 Llama 这类开源模型加企业内部文档定制（不少专业服务公司借此写投标书）；付费微调前沿模型；直接用前沿模型写好提示词，成本最低。他的示范提示词是：“根据安东尼奥·韦斯个人网站的信息，为其撰写一篇100个字左右的个人简介。”，写明了信息来源、体裁和字数。

案例：作者说，新闻业看上去最不可能接纳人工智能，实际却是最早用的。2016 年里约奥运会起，《华盛顿邮报》（The Washington Post）用机器人 Heliograf 写赛事短讯和快讯，第一年协助产出 850 篇；美联社 2014 年就让企业财报新闻自动生成；英国《新闻公报》（Press Gazette）的报告说，近半数记者在工作中用生成式人工智能（第 17 章）。

人工智能可作为文案的“初稿生成工具”，而非直接产出最终成品。在文案的优化、打磨与定稿环节，始终需要人类参与把控。

第17章 实用建议与指导

作者还说，文案是成本最低、几乎没有风险的入门场景，人人都可以试（第 17 章）。

图像创作（第 18 章）：Meta 的研究说，Facebook 上互动最多的帖子 93% 带图，但请人拍摄很贵。生成图像的技术主要有三类：生成对抗网络（GAN，一个负责画、一个负责挑毛病，反复较量直到过关）、扩散模型（从一张噪点图逐步变清晰）、Transformer 模型。同一句提示词，不同模型、甚至同一个模型每次的结果都不一样，因为模型本来就带随机性，所以有人叫它“随机鹦鹉”。作者建议提示词写三类信息：需求（主体是什么、在什么环境、必须有哪些元素）、细节（配色、风格、质感、氛围）、参考（如要求风格参考美国画家马克·罗斯科（Mark Rothko）的作品）。很多模型还能以图生图，开源模型用少量图片就能微调出定制风格。

案例：作者先声明利益关系：英国香水品牌托马斯·克利珀（Thomas Clipper）的两位联合创始人是马特·布朗（Matt Brown）和他本人。2023 年品牌推出第七款男士香水 Terra Firma，按常规，拍宣传照、做包装设计要花最高 5000 英镑，团队改用 Midjourney 出图和包装初稿；众筹页面用了 15 张人工智能图片，不到 4 小时就达成众筹目标；这款香水入选《GQ》年度最佳男士香水，也是品牌定价最低的一款。马特·布朗说他们坚持两条：坦诚告诉消费者怎么用、为什么用人工智能；让专业人员全程参与，首席设计师斯图（Stu）筛选、调整所有方案（第 18 章）。

人工智能生成的图像可作为创意灵感来源，而非最终成品。切勿将其输出结果视为“唯一标准”或“终极方案”，后续仍需进行人工审核与优化。

第18章 实用建议与指导

其他提醒：生成图常有肢体变形、衔接突兀等瑕疵；图像生成给了深度伪造可乘之机，在自己的工作和管理范围内必须确保人工智能绝不被这样用（第 18 章）。

视频制作（第 19 章）：作者说，图像让内容鲜活，视频让它大放异彩，但好视频成本高。人工智能能做五件事：文字生成视频、翻译和配音、智能剪辑、虚拟形象、语音。专门训练开源模型要海量数据和高成本，普通用户从 Synthesia 这类商业工具起步更好，选好语言、虚拟形象、背景、场景和脚本即可，常见场景如产品教程、企业宣传片都有预设；做创意内容可以用 Runway。

案例：获 7 项奥斯卡奖的《瞬息全宇宙》（Everything Everywhere All at Once），视觉特效团队只有 8 人。特效师埃文·哈莱克（Evan Halleck）在拍石头那场戏时，用 Runway 的动态遮罩（rotoscoping）工具精准去掉画面里不要的元素；他对《综艺》（Variety）说，不借助人工智能的动态遮罩又慢又费力。省下的精力，用在了主角几秒内穿梭多个宇宙那类手工精做的镜头上。影片预算 2500 万美元，全球票房超过 1.4 亿美元（第 19 章）。

作者建议先找出客户体验流程里哪些环节适合用视频，挑几个试；人工智能也能大大缩短烦琐的剪辑时间（第 19 章）。

主动向客户说明人工智能工具的使用场景与时机，是值得推荐的做法。若用户在未被提前告知的情况下，发现视频中的人物实为人工智能生成的，可能会产生不适感。

第19章 实用建议与指导

演示文稿与幻灯片（第 28 章）：作者粗算，一个典型的管理者每周可能有一天半花在做幻灯片上，但很少有人认为调格式、找“完美”图标是高回报的工作。他说演示的本质是用文字和画面讲一个故事、推动听众行动，这正是人工智能擅长的。用法分两种。一种是“垂直”的，把演示拆开，分别用人工智能：调研（内容都要核实）、叙事（让它给出大纲式的故事板）、视觉元素（可以让它参照某个网站的品牌风格做图）。书中提到 2016 年佛蒙特大学和阿德莱德大学的研究者用几千本小说找出六种最常见的故事走向，如从穷到富、先升后降。另一种是“横向”的，一句提示从头到尾生成整份演示。作者认为这只是时间问题；他设想的提示大意是：为 CEO 听众做一份 15 分钟的演示，讲 10 条打造和谐团队的原则，用某个链接的品牌风格，从某个数据库取案例，结尾请听众留下联系方式。当时微软 Copilot 已能根据 Word 文档生成幻灯片。

案例：2009 年诞生于乌克兰的 Grammarly，能在保留原意的同时删掉冗余的话，对讲究“少即是多”的幻灯片特别有用；它自己的调查称企业用户写作效率提升 70% 以上（第 28 章）。

演示文稿必须真实地展现你的风格——毕竟最终的演讲者是你。因此，绝不能让人工智能主导你的思维过程。它应当只是辅助你构建想要讲述的故事的工具。

第28章 实用技巧与指导建议

如果文字和图片用的是不同的人工智能平台，还要专门提示，让两者配得上（第 28 章）。

客户服务与聊天机器人（第 20 章）：美国约 1.8% 的劳动者在呼叫中心工作，大量时间花在录入数据、查信息、指引这类琐碎事上。作者坦承聊天机器人会替代部分岗位，但他说现状也不完美：客服人员被流程困在低价值的活里；普华永道（PwC）的研究显示，航空业不到 40% 的客户对客服满意，而这些服务大多是人工；人工智能专家理查德·格罗夫（Richard Grove）在英国某政府部门发现，每五次呼叫中心对话就有一次给了客户错误信息。

我们不应以完美为标准来评判人工智能和自动化工具，因为我们当前的状态本身就并不完美。

第20章 人工智能可以提供哪些帮助

作者推荐通过前沿模型的 API 定制聊天机器人，可以定七样：品牌语调、预设回复（开头、结尾、听不懂时）、个性化（记住历史互动）、用公司政策和产品资料训练、多语言、按条件走不同的对话流程、接入配送时间和库存等实时信息（第 20 章）。

案例有三个。比利时电信公司 Proximus 的人事聊天机器人 YODA 服务 9000 名员工，能回答 700 多类人事问题，连续两次答不上就转人工，这种情况只占 9%，每年预计为人事团队省下近 500 个工作日，人事同事得以把时间用在职业规划、薪酬这类更需要人文关怀的沟通上。英国外交、联邦和发展事务部（FCDO）2024 年推出领事聊天机器人，为保证准确，只用部里预先撰写、预先批准的内容回答。瑞典在线银行 Klarna 2024 年 2 月上线的客服助手，一个月里处理了 230 多万次对话，平均解决时间从 11 分钟缩短到 2 分钟（第 20 章）。

作者的提醒：聊天机器人的作用是让人工服务出现在最有价值的环节；要按企业的实际情况定制；要定期评估回复的准确性和客户满意度，盯住长期表现（第 20 章）。

语音助手（第 21 章）：Siri、Alexa 早就有了，生成式人工智能让它们强了很多。作者列了五种用处：管理时间（闹钟、提醒、日历）；辅助沟通（开车时打电话，从邮件里查信息）；个性化（记住对话内容和偏好）；近乎实时的翻译；即时情报：会上有人提出尖锐观点，过去要“搁置”、会后研究，现在可以让正在记录会议的人工智能助手当场核实，给出初步答案。他说关键是审视自己的业务，找出可以用语音优化的环节，客服并不是唯一的领域。

案例：格莱美奖得主威廉姆·亚当斯（Will.i.am）在 SiriusXM 主持一档每周播出的节目，搭档是人工智能主持人 Qd.pi。他对《好莱坞报道》（Hollywood Reporter）说，他想让未来离当下更近，所以要一个人工智能搭档；他活泼外向，Qd.pi 重事实、擅长分析（第 21 章）。

将组织内的工作流程拆解成多个可优化环节，其中能够实现免手动输入数据的部分，便是最适合引入人工智能语音技术的环节。

第21章 实用建议与指导

作者还说，语音助手不一定要像真人，但无论怎么设计，都要坦诚告诉用户用了人工智能（第 21 章）。

社交媒体（第 23 章）：据 Statista 的数据，全球近三分之二的人用社交媒体，平均每天 140 多分钟。作者把内容创作拆开看人工智能能帮什么：了解用户（推荐热门标签和关键词）、提高互动（游戏、测验、投票）、扩大受众（翻译）、出内容（图片、视频、文案）。

最重要的是记住一个基本前提：社交媒体应始终以增强人类社交为核心。你需要明确自己的目标受众是谁、目标是什么，再反过来思考社交媒体能如何提供帮助。

第23章 技巧与方法

做法有两种。一种是写和发分开：作者让 Gemini 写一篇 50 字左右、能吸引粉丝的帖子推广他的新书，再粘贴到领英上。另一种是用已经内置人工智能的社交媒体工具，如 Canva 出帖子建议、Sprinklr 分析评论情绪、Hootsuite 预测最佳发帖时间（第 23 章）。

作者的提醒：先想清楚怎样改善人们的社交体验，再考虑人工智能；多数工具按月收费，人工智能功能可能另收费，要记账；还要确保你有在社交媒体上发布人工智能生成内容的合法权限，出错代价很高（第 23 章）。

市场营销（第 24 章）：

但有时我们可能会陷入“图灵陷阱”，即只使用现有技术去做我们以前做过的事情，而没有利用这些更先进、更新颖的技术去做我们以前从未做过的事情。

第24章 要解决的问题是什么

作者认为最令人兴奋的创新往往出现在多种新技术交汇的地方。他给了一个“技术融合”三步法：先从一个具体的消费者需求出发，如“我想找到一款能解决我问题的产品”；再列出一串技术：智能手机、增强现实、虚拟现实、卫星图像、大语言模型、扩散模型、面部识别等；然后定一条“最低规则”：“结合至少三种列出的技术，想出尽可能多的满足该需求的新点子。”他举的答案是：用卫星数据定位用户，用聊天机器人问清需求，再用面部识别和增强现实把用户使用这款产品的样子呈现在画面里。他说多数点子会没用，但可能冒出好主意。

案例：欧莱雅的虚拟“试妆”。先用卷积神经网络（CNN，擅长识别图像的一类神经网络）和生成对抗网络识别面部特征，聊天机器人帮客户挑产品，增强现实（AR）把口红、粉底的效果叠到用户脸上，再加上 3D 面部映射。欧莱雅 2018 年收购了 AR 美妆技术公司 ModiFace，疫情让更多人转向网购后才真正起飞：数字试妆 2023 年被使用超过 1 亿次，2022 年是 4000 万次（第 24 章）。

作者提醒，创新需要思考和想象力，不能全交给人工智能，最擅长融合各种尖端技术的始终是人；始终从用户需求出发；技术融合可能很烧钱，投入大量资源前先做最小可用产品测试（第 24 章）。

语言翻译（第 25 章）：道格拉斯·亚当斯（Douglas Adams）在《银河系漫游指南》（The Hitchhiker's Guide to the Galaxy）里写过“巴别鱼”，塞进耳朵就能听懂任何语言。机器翻译由来已久：1954 年 1 月 7 日，乔治城大学（Georgetown University）用 IBM 701 把 60 句俄语译成英语。作者说，人工智能翻译与过去的不同在于能理解文本的深层语境；以大语言模型为基础，再加上音视频生成技术，实时翻译的时代开始了。几乎所有主流翻译服务都已用上大语言模型。工作中最先进的用法是虚拟会议：Zoom、微软 Teams 提供多语种实时字幕；2024 年 5 月 OpenAI 发布 GPT-4o 时，首席技术官米拉·穆拉蒂（Mira Murati）用意大利语和它对话，演示近乎即时的翻译。

案例：2024 年迪士尼投资了 AudioShake 和 ElevenLabs 两家做语言翻译的人工智能公司，看重的是用人工智能为庞大的旧片库配上更贴合各地观众的配音（第 25 章）。

请记住沟通是双向的：只翻译你发出的信息是不够的，你还需要持续翻译收到的信息，而这需要投入相应的沟通成本。

第25章 实用建议与指导

作者还提醒，即时语音翻译还在初级阶段，不要以为机器辅助能取代面对面交流（第 25 章）。

原型设计与新产品开发（第 22 章）：作者主张，别从想法直接跳到成品，先做原型，开发一个“最小可用产品”（MVP，只有核心功能、能拿给用户试的版本）请用户测试，在最后阶段之前发现问题。原型设计有四步：构思、设计和建模、开发、用户测试，人工智能每一步都能提速，但不改变整个流程。可视化可以用原型工具 Figma 的人工智能插件；测试逻辑可以让 Claude 快速写代码，他的示范提示是：“帮我写一个简单的应用程序，能根据我的名字、年龄和爱好来猜测我像哪种狗。”，并指定用 HTML 和 CSS 写，便于调整设计。作者说，快速设计、创建、测试、迭代是人工智能最强大的用例之一。

案例：特斯拉在用计算机辅助设计（CAD）软件渲染车型、做工厂规划图时，高度依赖人工智能助手（第 22 章）。

人工智能生成的代码并非总是完美无缺的。在测试人工智能开发的MVP的功能时，请务必检查代码是否能按预期运行。

第22章 实用建议与指导

作者还说，做出最小可用产品之前别急着做完整产品；不必每个环节都用人工智能，在它帮得上的地方用就行（第 22 章）。

软件工程与编程（第 26 章）：作者讲了一段对话：一位董事会高管说人工智能“全是炒作”，没有真正落地的场景；一位开发人员说他每小时都在用，写代码离不开它。数据站在开发者一边：2023 年微软、GitHub 和麻省理工学院的研究中，用 Copilot 的开发者实现一个 HTTP 服务器快了 55.8%；波士顿咨询集团 2024 年的研究说，生成式人工智能让数据清洗的效率提高 49%。但并非所有编程任务都简单，在需要改动多处代码、复杂推理的高难度测评（SWE-bench）中，最好的工具也远非完美。作者的结论是，它处理简单、结构化的编程任务极为出色，并在迅速扩展。

用法有两种：直接让 Claude 或 ChatGPT 写，如“帮我编写Python代码完成X任务”，提示越细越好，但务必先运行测试；或者在开发流程里用 GitHub Copilot 这类集成工具，这是开发者的首选。软件工程师尼古拉斯·卡利尼（Nicholas Carlini）说，人工智能最擅长的是“帮助我学习”和“把枯燥的任务自动化”（第 26 章）。

案例：全球设计与软件外包公司 Thoughtworks 调研自己的开发团队，有三点发现：越有经验的开发者越会用，提示写得更好、需求给得更清楚、更容易发现问题；人工智能不是即插即用的，要深入理解它；简单任务做得好，复杂任务仍要更多人工介入。总体上生产力提高了 10%～30%（第 26 章）。

复杂的问题依然复杂。在这方面，人类的密切监督尤为重要。

第26章 实用建议与指导

作者还问：效率提高了，组织打算怎么兑现，多给人工智能派活、减少员工工时，还是裁人？他也建议鼓励团队分享用工具的经验，团队合作的开发者总比单打独斗的强，用人工智能时也一样（第 26 章）。

欺诈检测（第 27 章）：人工智能在异常检测上早就很强。传统做法有三种：定业务规则，如零售商规定“顾客首次消费不得超过1500英镑”，超出就标记待查；没有这类业务知识，就用聚类分析（cluster analysis），把数据分组，看谁不合群；用机器学习，尤其是无监督学习，自动定义什么算异常。生成式人工智能从规模和速度两方面补充这些方法：能处理更大的数据集、发现新型异常，分析也更快。

案例：万事达卡自 2020 年起推行打击网络金融犯罪的项目，在原有的网络安全技术上加了生成式人工智能，例如用大语言模型更快识别虚假账户；被盗卡的检出率提高，误报减少，识别有欺诈风险商户的速度提高了近 300%（第 27 章）。

将新的生成式人工智能方法与更广泛的人工智能工具库相结合，二者共同作用能形成更有效的解决方案。

第27章 实用技巧与指导建议

作者还提醒：不光要识别威胁，更要快速行动；生成式人工智能往往比传统方案贵，至少初期如此，要判断值不值（第 27 章）。

研究内容总结（第 29 章）：总结文档、读一大堆材料下结论，占去一天里很多时间。麦肯锡的研究说文本总结是人工智能第三大热门用途，但准确率是个问题。剑桥大学的阿列克谢·图尔博夫博士（Dr. Aleksei Turbov）说，用 GPT 模型，研究人员能更快处理更大的数据集，把精力放在更高层次的分析上。作者说，只要全程有人参与和监督，它就是很有效的工具。他推荐的用法分四步：把文件或网页链接给模型，让它总结要点；要它为具体观点提供链接或参考文献；要它给出超链接或具体引文，并且逐一核对；如果它给不出来，就要谨慎对待它的结论。

案例：临床医生多达 35% 的时间花在文书上。2023 年斯坦福大学的研究者用经过调整的大语言模型总结电子健康记录里的临床笔记（放射学报告、病程记录、医患对话等），表现最好的模型写的总结被认为与医生写的不相上下，甚至更好（第 29 章）。

作者提醒，务必核对输出，总结任务里出现幻觉很常见。

请记住，总结任务的评判标准并不是看人工智能是否总结得完美无缺。毕竟人类自己生成的总结也很难达到100%的准确性。

第29章 实用技巧与指导建议

会议助手（第 30 章）：作者从古罗马的西塞罗（Marcus Tullius Cicero）讲起：他的助手提罗（Tiro）是他的文书，提罗的秘书工作促成了速记法。两千年来，这类记录工作一直随技术改进。人工智能能做五件事：转录并分清谁说了什么、总结要点、记下谁答应何时做什么、近乎实时的翻译、起草会后跟进的邮件。工具有 Otter.ai 等插件，微软、谷歌、Zoom 的会议软件也都内置了会议助手；也可以直接用前沿模型录音、转写，再让它总结。

作者提醒，不了解风险和后果时，别把敏感或涉密信息输入模型。

案例：2023 年微软的研究中，总结一场错过的 35 分钟会议，用 Copilot 的人速度“几乎是不使用Copilot群体的4倍”。作者提醒，一个组织的收益不一定适用于别的组织；他说人工智能既能帮你开的会，也能为你错过的会出纪要（第 30 章）。

在分享任何内容之前，务必对输出结果进行合理性检查。如果人工智能出了错，仅归咎于它是远远不够的——你仍需对输出内容全权负责。

第30章 实用技巧与指导建议

作者还建议，买新许可之前先看看现有的微软或谷歌办公套件里已经集成了哪些人工智能工具；把工具接进从排会、总结、定行动项到跟踪的整个流程（第 30 章）。

数据分析（第 32 章）：作者引尤瓦尔·诺亚·赫拉利（Yuval Noah Harari）《智人之上》（Nexus）的论述问：有了这么多数据和算力，我们的决策就更好了吗？他认为答案几乎肯定是没有。

生成式人工智能，即扩散模型和大语言模型，在预测方面非常出色，无论预测的是像素、文本、视频还是音频。但在一些更传统的人工智能模型擅长的功能上，也就是计数和数字处理方面，它们未必表现出色。

第32章 人工智能可以提供哪些帮助

所以它的独特价值在于理解杂乱的非结构化数据（文本、图片、音频、社交媒体内容）。作者沿着分析的链条列了五种用法：清洗和标准化数据，找出异常值、补齐缺口；给非结构化数据打标签、分类，例如英国国家统计局的 ClassifAI 用检索增强生成（RAG，先从资料库里查出相关内容，再让模型据此回答）把职位描述这类自由文本归到职业类别；用一句话发起分析，例如上传数据集后让它“找出该数据集中的关键相关性”；从文本中提取见解，尤其是情感分析；把结果做成动态的可视化（第 32 章）。

案例：英国每年多达 800 次公众咨询，分析反馈向来费时费力。首相府的人工智能孵化器开发了 Consult：用自然语言处理找出反馈里反复出现的主题，用大语言模型生成主题标签和摘要，用仪表盘呈现给政策制定者。孵化器估计，每年 8000 万英镑的咨询开支中可以省下很大一部分。它最初是卫生与社会保健部的试点，后来推广到多个部门（第 32 章）。

作者的提醒：先弄清在做哪种分析、分哪些步骤，再定人工智能怎么帮；它擅长语言，特别适合非结构化数据；数据会被模型接收处理，要清楚存在哪里，必要时单独建一个云环境（第 32 章）。

教育领域（第 31 章）：1984 年，芝加哥大学的本杰明·布卢姆（Benjamin Bloom）发表了著名的“2西格玛问题”论文：一对一辅导加定期反馈的学生，平均成绩比约 30 人一班的传统教学高两个标准差，大致是 C 和 A 的差别。后来的研究发现效果没有这么大，但仍可观。在这轮人工智能浪潮中，以可汗学院（Khan Academy）为代表的教育科技公司，把人工智能看作让人人用得上辅导的工具。另一头是教师的负担：英国教育部 2023 年的报告显示，72% 的教师认为工作量高到难以承受，三分之二说因为行政事务多，教学时间不到工作时间的一半。

作者说，大语言模型擅长语言，很适合减轻教师的行政负担、帮忙备课：把课文改写得适合某个年龄、列出关键术语、出测验、写邮件和报告、排座位表。微调开源模型对多数学校太贵，所以学校多用基于前沿模型的产品：英国橡树学院（Oak National Academy）的备课助手 Aila，用学院自己的教材微调；可汗学院的 Khanmigo 被专门调成不直接给答案，而是一步步拆解问题；Progressay、Graide 等辅助批改。书中提到，研究表明无论人还是人工智能，都无法可靠判断一段文字是不是人工智能写的，所以许多考试回到了手写（第 31 章）。

案例：多邻国以不到 1000 名员工，提供 40 多种语言的课程，2023 年起用大语言模型扩大课程内容的生产。过去每道练习都由专家编写、编辑、审核、翻译；现在分四步：学习设计师定好主题、语法、词汇和练习类型；把这些要求输入一个填词式的生成程序；模型一次生成 10 个练习方案；设计师挑出最合适的 3 个，改好后上线。首席执行官路易斯·冯·安（Luis von Ahn）对作者说，人工智能帮他们规模化地复刻出贴近人类导师的教学体验（第 31 章）。

多邻国堪称人工智能在创造力激发、内容生成和语言翻译领域提供支持的绝佳范例。但重要的是，人工智能的存在始终是为了让人类从中受益。

第31章 案例研究：多邻国借助人工智能生成课程计划——以不足1000名员工服务3700万用户

作者的提醒：技术型教育服务的一大挑战是“数字鸿沟”，并非人人都能随时用上智能手机和高速网络；学习者的数据很敏感，要清楚存在哪里、怎么存，并取得使用许可；这是新兴领域，要持续跟踪最新研究（第 31 章）。

医疗健康（第 33 章）：经济学家威廉·鲍莫尔（William Baumol）早就指出，劳动密集型产业的成本必然上升，除非技术有大突破，医疗就是如此；因此医疗一直是人工智能投资最多的行业之一。但作者说他差点删掉这一章：人工智能在医疗上的价值毋庸置疑，尤其是看影像做诊断，但这些成功主要靠传统的神经网络，不是生成式人工智能。伦敦一家医疗人工智能中心的乔·张（Joe Zhang）说：“相较于其他行业，医疗领域的风险要高得多。”

作者列了生成式人工智能在医疗的四个研究方向：减少医生的行政事务（录入、转写、少在软件之间来回切换）；辅助临床诊断，谷歌的 Med-PaLM 2 是这类模型；分析和改善医学影像；药物研发，AlphaFold 在蛋白质折叠上的突破表明人工智能可能加快新药研发（第 33 章）。

案例：《医学经济学》（Medical Economics）的研究显示，美国十分之一的医疗从业者已在工作中用 ChatGPT。斯坦福的一项综述发现，即使用检索增强生成来减少幻觉，核查链接和引用后，近一半的医疗回答仍有至少一处没有依据的说法。被问到怎样用单相除颤器抢救心脏骤停时，模型把单相和双相除颤器的推荐能量弄混了，给出的电流强度比推荐值高了近一倍（第 33 章）。

人工智能在医疗领域应用的最重要的经验之一是，在风险与回报的权衡上存在本质差异：在临床护理方面，错误的诊疗可能致命；而在客户服务领域，人工智能的错误回应可能会产生一点成本，但更可能只是引发不满。

第33章 实用技巧与指导建议

所以作者建议，想在医疗领域找人工智能的用武之地，不妨从非临床用途入手，那里机会多，风险和回报更容易把握（第 33 章）。

正在发生的事（结语）：作者说结语很难下笔：通用技术这几年的进展非凡，更多突破就在前方，但还无法预知会带来什么。当时投资和探索集中的领域有药物研发、机器人、脑机接口、悲伤机器人、语音助手、数字孪生、人形伴侣等。他引穆斯塔法·苏莱曼（Mustafa Suleyman）的看法：最大的收益很可能出现在多项人工智能技术协同、或与合成生物学等新发现结合的地方。

怎样跟上（结语）：跟着钱走，例如读内森·贝奈奇（Nathan Benaich）和风投机构 Air Street Capital 发布的《人工智能现状报告》（State of AI Report），重大突破多半出在投资集中的领域；可以在组织里设一个小组定期汇总动态；融入社区，开发者在 GitHub，模型提供商会定期发布更新，学术界不断出新论文。

先打好地基（结语）：作者认为，人工智能的好处会先落到早期采用者手里，数字化转型越成熟的组织越可能率先获益。

除非你已经将数据妥善存储在安全的云端环境中，否则人工智能能发挥的作用十分有限，最多只是在一堆令人困扰、成本高昂且难以调取的遗留系统上做些表面修补。

结语 保持敏锐洞察

先把基础工作做好，回报自然随之而来。人工智能专家保罗·威尔莫特（Paul Willmott）对他说，领先者会带着已有的收益继续领跑，落后者要应付大量遗留问题，会被越甩越远。所以作者要读者保持灵活和好奇，一定要扎实推进数字化转型的基础工作（结语）。

他也鼓励读者做下一波浪潮的参与者：写博客、在社交媒体分享实践，和产业界、学术界合作解决具体问题（结语）。

请记住，你手中或许正掌握着驱动人工智能发展的关键：数据。

结语 成为下一浪潮的参与者

致谢里的两句话（致谢）：作者说生成式人工智能的工作方式和写书的人很像：吸收海量的访谈、对话和出版物，面对良莠不齐的输入都会犯错，再尽力输出有用的东西；不同的是，人能看清自己的不足，并感谢帮助过自己的人。

当然，有一点在此必须强调：书中所有谬误均由我一人负责。在人工智能时代，这句通常被轻描淡写的话比以往任何时候都更重要。

致谢

被问到对人工智能时代的未来是乐观还是悲观，他说担心孩子们沉溺于智能手机带来的“即时满足”文化，但和孩子玩耍、和妻子相伴时，心便安定下来（致谢）。

生成式人工智能固然神奇，却永远无法、也不可能与挚爱相伴的纯粹快乐相提并论。

致谢