读AI即未来：普通人用好人工智能的18大工作场景06未来适应性

1. 未来适应性

1.1. 小而美会成为趋势吗？

• 1.1.1. 已有越来越多的证据表明，小型开源模型的输出质量可与大型模型媲美，甚至更胜一筹

1.2. 我们会耗尽数据吗？

• 1.2.1. 人工智能模型的训练离不开数据

• 1.2.2. 按照当前的训练速度，​“人类生成的公开文本存量”可能在2026年至2032年间被耗尽，​“甚至可能更早”​

• 1.2.3. 2023年的一项研究表明，用合成数据训练的模型，其质量会显著下降

• 1.2.4. 可能的解决方案包括：改进合成数据质量、开发人机协同增强的合成数据，以及加大对新数据的开发、共享与协作力度

1.3. 人工智能会改变就业市场吗？

• 1.3.1. 人工智能几乎必然会催生出新职业（尽管它对就业人口的净贡献仍不明确）​，而且我们已经看到，人工智能相关学科已迎来爆发式增长

1.4. “偶然性”的重要作用

• 1.4.1. 那些突发且可能无法预见的生态、政治、人道主义或文化事件，都可能打破既有的认知与实践

1.5. 预测未来本身就充满不确定性

1.6. 技术发展与趋势

• 1.6.1. 随着各国扩大数据中心建设规模（尤其是绿色数据中心）​，计算能力将不断提升

• 1.6.2. 对新型训练数据集的争夺会愈发激烈

• 1.6.3. 新型可穿戴设备（如耳机、手表）将支持生成式人工智能在终端直接运行

1.7. 社会与政治变革

• 1.7.1. 全球供应链紧张将加剧图形处理器短缺问题

• 1.7.2. 各国在人工智能监管与引导方面的策略将日益分化

• 1.7.3. 技术将更深度地融入社会规范，为医疗护理、人际关系、政治活动等提供支持

1.8. 消费者预期变化

• 1.8.1. “按需经济”将持续发展，消费者对即时服务与近乎瞬时满足的需求会更强烈

• 1.8.2. 人工智能与自动化可能成为客户服务的主要一线响应方式，这一趋势将得到普遍认可

• 1.8.3. 消费者对数据访问权与自身数据控制权的要求会更高

1.9. 偶然性因素

• 1.9.1. 可能出现针对个人、企业及国家的大规模、高破坏性网络攻击

• 1.9.2. 气候危机加剧引发的气候变化，可能影响人们对数据计算碳排放的态度

• 1.9.3. 发达经济体若出现经济增长放缓的情况，将迫使人们直面一个棘手问题：在缺乏明确经济效益的情况下，是否仍要投资于人工智能相关技术？

1.10. 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

2. 创意与构思

2.1. 要解决的问题是什么

• 2.1.1. 人类向来以创造力为傲

• 2.1.2. 无论是达·芬奇（Leonardo Da Vinci）​、莎士比亚，还是爱因斯坦（Albert Einstein）​，他们在为人类发展做出卓越贡献时，都未曾借助过ChatGPT这类生成式人工智能工具

• 2.1.3. 我们过去常常认为，创造力，即通过发散性思维产生新颖且有用的想法，是基于规则运行的机器人所无法拥有的能力

• 2.1.4. 生成式人工智能的出现彻底改变了这一认知

• 2.1.5. 人工智能非常擅长生成有用、有趣且新颖的想法

2.2. 让人工智能模型发挥创造力并非难事，市面上任何一款主流的人工智能聊天机器人都能胜任

2.3. 要素

• 2.3.1. 背景信息

• 2.3.2. 目标定位

• 2.3.3. 评价标准

• 2.3.4. 回复数量

• 2.3.5. 启发线索

2.4. 航空公司的运营者

• 2.4.1. “高空”娱乐中心

• 2.4.1.1. 理念：不设置独立的座椅靠背屏幕，而是在机舱内打造一个中央“娱乐中心”​，配备大型高清屏幕

• 2.4.1.2. 经济性：省去了个人屏幕的采购与维护成本，更符合预算要求

• 2.4.1.3. 新颖性：营造集体体验氛围，鼓励乘客互动，同时以多样化内容满足乘客的不同偏好

• 2.4.2. “行前个性化”服务

• 2.4.2.1. 理念：允许乘客在出发前通过线上平台定制飞行体验，包括提前预订特定餐食、根据座位图选择心仪座位，甚至选定偏好的娱乐内容

• 2.4.2.2. 经济性：减少了临时请求和调整，简化了运营流程，可以节省时间和资源

• 2.4.2.3. 新颖性：提供个性化定制体验，满足乘客的个体需求与偏好

• 2.4.3. “飞行伙伴”计划

• 2.4.3.1. 理念：推出“飞行伙伴”服务，让乘客可基于共同兴趣、目的地或语言与同航班的其他乘客建立联系

• 2.4.3.2. 经济性：该计划无需大量额外投入，可整合到现有的数字平台中

• 2.4.3.3. 新颖性：鼓励社交互动，在乘客间构建社区感，让旅行体验更愉悦难忘

2.5. 人工智能的平均表现更优，并不意味着它能胜过最具创造力的人类

2.6. 人工智能未必是创意生成过程的终点，将其用于初始阶段以推动思路展开，同样能发挥出色作用

2.7. 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

• 2.7.1. 人工智能可以为创意工作者提供支持，但未必能取代他们

3. 文案撰写

3.1. 优质文案需精心构思，既要心中有受众，又要目标清晰

3.2. 生成式人工智能模型以文本数据为主要训练素材

3.3. 文本生成本就是其核心应用场景之一，这并不令人意外

3.4. 跨领域生成流畅文案

• 3.4.1. 自2023年起，领先的前沿模型在“大规模多任务语言理解”​（Massive Multitask Language Understanding,MMLU）测试中，性能已超越人类基准线。该能力指模型可围绕科学、工程、数学、人文社科等多个领域，创作具有实际意义的文本

3.5. 虽存在“幻觉”现象，但通常擅长生成真实内容

• 3.5.1. 尽管“幻觉”现象（模型生成不准确或虚构信息的情况）在这一维度的表现正持续优化，但仍是待解难题

• 3.5.2. 截至2023年末，ChatGPT生成的回复中，仍有约五分之一包含不准确信息，甚至是完全虚构的内容（即“幻觉回复”​）​

3.6. 生成内容易获受众认可

• 3.6.1. 麻省理工学院的一项研究显示，​“生成式人工智能及增强型人工智能生成的内容，被认为比人类专家及增强型人类专家创作的内容质量更高”​

• 3.6.2. 人们似乎已普遍接受人工智能能产出高质量内容这一理念

3.7. 在优质文案的另一核心特质—易理解性上，人工智能也展现出极强的能力

3.8. 定制化开源模型开发

• 3.8.1. 可以以Llama等开源模型为基础，利用企业内部的内容数据对其进行训练

3.9. 前沿模型微调

• 3.9.1. 通过付费订阅服务，你可以将自有文档库中的文本数据（输入标记）用于优化OpenAI等平台的基础模型，使其生成更贴合特定需求的定制化输出内容

3.10. 直接使用前沿模型

• 3.10.1. 这是成本最低的一种方式—只需通过优质的提示词，即可让性能出色的模型生成你所需的文案

3.11. 在人们的固有印象中，新闻业或许是最不可能接纳人工智能的领域之一

• 3.11.1. 事实上，它却是最早应用人工智能的领域之一

3.12. 对许多人而言，人工智能的发展可能威胁到其自我认同感，尤其是那些以独特写作风格为荣的人

3.13. 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

• 3.13.1. 在文案的优化、打磨与定稿环节，始终需要人类参与把控

3.14. 文案生成是人工智能应用场景中成本最低的一类

4. 图像创作

4.1. 仅靠文字，在吸引用户互动方面的效果相对有限

• 4.1.1. 要讲好一个故事，同样需要视觉元素的助力

4.2. 图像生成所依赖的算法

• 4.2.1. 核心并非大语言模型，而是以图像生成模型为主

4.3. 生成对抗网络（Generative Adversarial Network, GAN）

• 4.3.1. 它通过两个神经网络相互竞争实现功能—生成器神经网络负责创建图像，判别器神经网络则对生成的图像进行评估

• 4.3.2. 这一过程会反复进行，直至生成符合设定要求的图像

4.4. 扩散模型

• 4.4.1. 此类模型从随机的“含噪图像”起步，通过持续迭代优化，逐步将其提炼为符合需求的清晰图像

• 4.4.2. 整个过程能帮助模型学习如何生成具有真实感的视觉内容

4.5. Transformer模型

• 4.5.1. 与大语言模型原理相似，这类模型会先将图像像素转化为词元，再运用标准的Transformer处理流程完成图像生成

4.6. 微软设计器（Microsoft Designer）内置的图像生成工具、OpenAI的DALL·E、基于文本生成图像的Midjourney，以及采用残差神经网络（ResNet，原理与扩散模型相近）的Stable Diffusion，均是该领域的典型应用案例

4.7. 即便使用相同的提示词，不同模型生成的图像也会存在差异

• 4.7.1. 一方面源于模型的“随机性”本质（即设计时特意赋予其一定的功能随机性，这也是有人将生成式人工智能模型称为“随机鹦鹉”的原因—它们会从训练数据中随机“复述”所学内容）​

• 4.7.2. 另一方面，也与不同模型生成输出内容的技术路径差异有关

4.8. 许多模型还支持“以图生图”功能：你可上传一张个人照片，让模型对其进行优化（如生成专业写真风格）​、趣味改造（如“将我变成乐高玩偶形象”​）​，或实现其他你能想到的创意构想

4.9. 关键信息

• 4.9.1. 需求明确性

• 4.9.1.1. 图像的核心主体是什么？

• 4.9.1.2. 场景设定为哪类环境？

• 4.9.1.3. 是否有必须纳入画面的特定元素？

• 4.9.2. 细节描述

• 4.9.2.1. 是否有偏好的配色方案、艺术风格、质感表现或氛围基调？

• 4.9.3. 参考类比

• 4.9.3.1. 能否提供具体参考案例以辅助模型理解？

4.10. 坦诚地向消费者说明我们使用人工智能的方式与原因

4.11. 始终让专业人员全程参与

4.12. 当前的图像生成技术尚未达到完美水准，需留意生成内容中的瑕疵问题

4.13. 人工智能生成的图像可作为创意灵感来源，而非最终成品

• 4.13.1. 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

4.14. 图像生成技术也为不良行为者提供了可乘之机，其中深度伪造技术尤为令人担忧