迎接AI新时代：你是经理，AI是助理

编者按：LLM 的兴起要颠覆很多白领工作。坏消息是你有可能被解雇。好消息是你可以临时被提拔为经理，并且配备了一位 AI 助理。如果你试用期表现出色，就有可能比之前更进一步，否则的话，你的饭碗有可能保不住。在 AI 崛起的新时代，你必须弄清楚自己的核心优势是什么。文章来自编译。

图片来源：由无界 AI工具生成

对于白领来说，大型语言模型 (LLM) 的兴起写出了一场新的开场白，亚历克·鲍尔温（Alec Baldwin）在《拜金一族》（Glengarry Glen Ross）的那种演讲开场白，极客版的。坏消息是，你可能要被解雇了。好消息是，你有一个临时的试用期，你被提拔了，现在你有一位直接下属，它的注意力广度不受限制，知识面广泛，尽管有点肤浅，但它有个令人沮丧的特点，即容易犯些很基本的错误，需要密切监督。跟这样的下属一起工作可能会让你感到沮丧，但它的“薪资”每月只要 20 美元——对方的要求并不高。

鉴于很多白领工作从根本来说都属于符号操作——接收一段比特流，进行一些分析，然后输出另一段比特流——这些都可以在一定程度上被自动化掉。另一方面，如果你是一位领薪水的人而不是一个由 cron 作业执行的脚本，你的工作可能还不能完全被自动化掉。

那么，思考这类任务的方法之一是提出一个由两部分组成的问题：

1. （请注意，自动化的一部分是设置类似脚本之类的东西，去下载你的电子邮件，并对其中一些执行部分批量处理操作——这样不仅你对数据可以做的事情变得更多了，而且获取数据的开销也变少了。)
2. 有些形式的自动化可以减少特定类型开销的时间成本，比方说，将笔记转换为要点，或将要点转换为文章。但是，在其他情况下，要想把成本降低 90%，最好的办法是将产出提高 10 倍。

与 LLM 共事，部分意味着要弄清楚你的比较优势在哪里，机器的比较优势又在哪里。在编码方面很容易看得出来，要么要求 ChatGPT 根据文本描述替你编写代码，要么使用一款代码补全工具。大致地设计好一个项目非常容易，对于大多数的样板组件而言，实际上你只需写个描述性的函数名称，然后模型就能帮你干完剩下的工作。

但你不能只是盲目地用人工智能取代这个过程。你很快就会遇到结构不好的烂摊子 — 在 AI 的强大功能的帮助下，你一个下午就能制造出要你用一年时间偿还的技术债务！但这里有一个已经存在了很长一段时间的问题：每一种更高级的语言都会提高编写代码的效率，但同时也可能会降低运行它的效率。[1] 对于 LLM 辅助代码来说，有一个重要的权衡取舍要牢记，那就是在写得快和能维护之间进行权衡。（有趣的是，这会赋予可读性强的语言甚至更高的价值，因为你会把相对更多的时间花在看不是你写的代码、并确保理解了它是如何工作上面。）

LLM 也许不会告诉你要重构你的代码，但它们可以让它变得更快；在最近的一个项目里，我注意到 ChatGPT 给三个不同的函数都生成了相同的样板，于是我就把那部分粘贴进去，要求 ChatGPT 写成一个单一用途的函数，然后再换成那个函数。LLM 对更复杂的决策没有帮助，但对实现此类任务确实有帮助。“重写以下函数，生成一个时间戳，重写另一个函数，让它接受时间戳作为其输入之一”，类似这样的任务 ChatGPT 颇为驾轻就熟。

大型语言模型的一个限制是它们的上下文窗口，或者它们每次实际可以考虑到的文本量。老模型容易忘，新模型记性好点，但都有这个局限。人类也是如此；在文字记忆方面，我们大概也就能记住 7 +/- 2 个标记（编者注：token，文字的基本单位）。但是当我们用结构化的方式去记忆东西时，我们的有效语境窗口就要比 LLM 的要宽得多。我们可以将记忆的相关概念组合在一起，使用类比来避免偏离方向，当这些概念再次变得相关时突然就能记起语境，即便在一段时间内不相关也不要紧，我们还有 GPT-5 级别的注意力表现。这是使用 LLM 意味着人晋升为管理角色这个观点的核心，因为经理的语境应该要更广泛，这样才可以管理信息不对称的个人贡献者那些并行进行的工作。

从另一个角度来说，利用 LLM 可以帮助将项目与人类记忆联系在一起。对于在家工作并且不太相信“工作/生活平衡”理念的父母来说，这一点尤为重要。如果你在 ChatGPT 与代码编辑器之间来回切换，那么被打断的程度就会轻得多，因为你按下 alt-tab 就能马上准确地记住你在做什么——只需看看你询问 ChatGPT 的最后几个问题即可。这从根本上扩大了你在注意力不能 100% 集中的情况下可以处理的项目范围。（AI助理）就像一个闪烁的光标，标记住你思路走到了什么位置。