在歷史的長河中，人類一直在不斷開發(fā)各種工具和系統(tǒng)，增強自身的能力。無論是印刷術還是流水線，這些創(chuàng)新拓寬了我們的能力，造就新的工作和職位，我們也在不斷調整自己來適應這些變革。這種變革的速度在過去一年急劇加快。云技術、機器學習以及生成式AI變得更加普及，從寫電子郵件到開發(fā)軟件，甚至是早期的癌癥篩查，這些技術幾乎影響到我們生活的方方面面。未來幾年，我們將迎來更多產業(yè)創(chuàng)新，推動技術的廣泛應用，幫助我們跟上日益加快的生活節(jié)奏，而這一切都將始于生成式AI。
生成式AI將逐漸具備文化意識
基于文化多樣性數據訓練的大語言模型（LLM），將能夠更細膩地理解人類體驗以及復雜的社會挑戰(zhàn)。這種"文化流利度"有望讓全球用戶更方便地使用應用生成式AI。
文化的影響體現在方方面面，從我們講的故事、吃的食物、穿著打扮，到價值觀、禮儀與偏見，以及我們處理問題和做出決策的方式。文化是我們在社會群體中存在的基礎，為我們的行為和信仰提供了規(guī)則和指南，而這些會隨我們所在的環(huán)境和接觸的對象而變化。
同時，這些差異有時也會導致混淆和誤解。例如，在日本，吃面時發(fā)出的大聲吸湯的聲音被視為享受美味的表現，但在其他文化中則被視為不禮貌的行為。在印度的傳統(tǒng)婚禮上，新娘可能會穿著精心設計、色彩鮮艷的藍嘎（lehenga，印度女性的傳統(tǒng)服飾）；而在西方，白色婚紗才是傳統(tǒng)；在希臘，人們會為了好運往婚紗上吐口水。作為人類，我們已習慣跨越多種文化展開協(xié)作，我們能夠將這些信息置于特定語境中，調整解讀方式并做出適當的回應。
所以，為什么不對我們在日常生活中使用和依賴的技術有同樣的期望呢？在未來幾年，文化將在技術的設計、部署和使用方式中發(fā)揮關鍵作用，其中最顯著的影響將體現在生成式AI中。
基于大語言模型的系統(tǒng)要觸達全球用戶，它們需要達到與人類自身相似的文化流利度。佐治亞理工學院的研究人員在今年早些時候發(fā)布的一篇論文中證實，即使給一個大語言模型提供了明確提及伊斯蘭禱詞的阿拉伯語提示詞，它生成的回復仍然是建議與朋友一起飲酒，這在伊斯蘭文化中顯然是不當之舉。這很大程度上與可用的訓練數據有關。用于訓練許多大語言模型的Common Crawl數據集大約有46%的內容是英語，而且無論是哪種語言，更大比例的內容以西方文化為基礎（明顯傾向于美國）。而如果使用專門針對阿拉伯語生成的預訓練模型并使用阿拉伯語進行預訓練，提供相同的提示詞，就能生成更符合相應文化背景的回復，比如建議喝茶或咖啡。非西方語境的大語言模型在過去幾個月里已經開始出現：例如基于阿拉伯語和英語數據訓練的Jais、中英雙語模型Yi-34B，以及使用大量日語網絡語料庫進行訓練的Japanese-large-lm。這些跡象表明，具有文化準確性的非西方模型將把生成式AI帶給數億人，并影響從教育到醫(yī)療的方方面面。
需要注意的是，語言和文化并不相同。一個模型即使能夠提供完美的翻譯，也并不代表其具備文化意識。隨著大量的歷史和經驗被嵌入到模型中，我們將看到大語言模型開始形成更廣泛的全球化視角。正如人類從辯論探討和思想交流中學習一樣，大語言模型也需要類似的機會來拓展它們的視野并理解文化。在這種文化交流中，有兩個研究領域將發(fā)揮關鍵作用：一是基于AI反饋的強化學習（RLAIF），即一個模型可以吸收另一個模型的反饋，不同的模型之間可以相互影響，并根據這些影響更新其對不同文化概念的理解；二是通過多智能體辯論進行協(xié)作，即一個模型的多個實例生成響應，之后針對每個響應的有效性及背后的推理展開辯論，最后基于辯論過程得出一致的響應。這兩個研究領域都能夠降低訓練和微調模型所需的人力成本。
大語言模型在相互之間交互和學習的過程中，將從不同文化的視角獲得對復雜社會挑戰(zhàn)的更為細致的理解。這些進步還將確保模型提供更具韌性和技術準確性的反饋，涵蓋如科技等廣泛的領域。該影響將是深遠的，并在不同地理區(qū)域、社區(qū)和不同時代中為人們所感知。
女性科技終于崛起
隨著女性科技（FemTech）投資的激增、混合醫(yī)療的發(fā)展以及豐富的數據讓診斷和治療效果不斷改善，女性醫(yī)療健康領域迎來一個拐點。女性科技的崛起不僅將造福女性，還將推動整個醫(yī)療系統(tǒng)的發(fā)展。
女性醫(yī)療并非小眾市場。僅在美國，女性每年在醫(yī)療領域的支出就超過5,000億美元。她們占人口總數的50%，但在消費者醫(yī)療保健決策者中的占比則達到80%。然而，現代醫(yī)學一直默認以男性為基礎，直到1993年美國國立衛(wèi)生研究院(NIH)頒布的《振興法案》之后，女性才被納為臨床研究對象。歷史上，月經護理和更年期治療歷來被視為禁忌話題，而且由于女性被排除在臨床試驗和研究之外，她們的診療結果比男性要差得多。
平均而言，女性在許多疾病的診斷上要晚于男性，而且女性在心臟病發(fā)作后被誤診的風險比男性高50%。處方藥或許是最能體現不平等的例子：女性使用處方藥造成不良反應的比例明顯高于男性。盡管這些統(tǒng)計數據看起來令人擔憂，但在云技術和大數據的幫助下，對女性醫(yī)療（又稱"女性科技"）的投資正在不斷上升。
亞馬遜云科技一直與女性領導的初創(chuàng)公司密切合作，見證了女性科技的發(fā)展。僅僅在過去的一年，相關投資就增長了197%。隨著投資的不斷增加、機器學習等技術的不斷發(fā)展，以及專為女性設計的聯網設備的出現，我們正身處一個前所未有的轉折點，不僅關系到人們對女性護理的認知，也涉及到相應的管理方式。Tia、Elvie和Embr Labs等公司展示了利用數據和預測分析提供個性化護理的巨大潛力，無論是在家還是在旅途中都能給患者提供舒適的體驗。
隨著對女性健康需求的社會偏見逐漸消失，以及更多的資金流入該領域，女性科技公司將會繼續(xù)積極應對過去被忽視的各種醫(yī)療狀況和需求。與此同時，在線醫(yī)療平臺、便捷的低成本診斷設備以及按需獲取的醫(yī)療專家服務構成的混合醫(yī)療模式的發(fā)展，將大幅增加女性獲得醫(yī)療服務的機會。Maven等客戶已證明了在這一領域的領導地位，它們打破了心理健康和身體健康之間的界限，為用戶提供從情感咨詢到更年期護理的全方位服務。
這些平臺的成熟和普及將促使醫(yī)療服務的大眾化。借助應用程序和遠程醫(yī)療平臺，居農村和醫(yī)療資源匱乏地區(qū)的女性將更容易聯系到婦產科醫(yī)生、心理健康專家及其他領域的專家。例如NextGen Jane正在開發(fā)的智能衛(wèi)生棉系統(tǒng)，將幫助女性建立子宮健康檔案，識別潛在的疾病基因組標記物，并與臨床醫(yī)生共享這些信息?？纱┐髟O備將為用戶和醫(yī)生提供大量可分析的縱向健康數據。如今，超過70%女性的更年期癥狀無法得到有效治療，隨著教育水平的提升、數據的普及和非介入性解決方案的出現，將極大地改善治療效果，而這也遠遠超出了婦產科護理的范疇。
例如，在女足世界杯的備戰(zhàn)期間，約有30名運動員因十字韌帶撕裂而提前退賽。與傳統(tǒng)醫(yī)學一樣，女性的訓練模式也是基于男性的訓練方法，很少考慮到生理差異。因此，女性因十字韌帶受傷而退役的幾率是男性的6倍，而她們完全康復并重返球場的幾率則比男性低25%。這也是研究女性獨特的健康數據將產生重大影響的另一個領域，這樣不僅可以預防女性運動員受傷，還能全面提升她們的整體健康狀況。
我們正處于女性醫(yī)療的轉折點。獲取豐富多樣的數據，并結合計算機視覺和深度學習等云技術，將減少誤診并且有助于降低當前對女性影響較大的藥物副作用。子宮內膜異位癥和產后抑郁癥將得到應有的關注。我們終將看到女性醫(yī)療從邊緣走向前沿。由于女性主導的團隊解決廣泛健康問題的意愿要比男性主導的團隊更強，女性科技不僅讓女性受益，也將改善整個醫(yī)療系統(tǒng)。
AI助手重新定義開發(fā)者生產力
AI助手將從基礎代碼生成器，演變?yōu)閷熀筒恢＞氲暮献骰锇?，在整個軟件開發(fā)生命周期中提供支持。它們將用通俗語言解釋復雜的系統(tǒng)，提出有針對性的改進建議并處理重復性任務，讓開發(fā)者將注意力集中在最具影響力的工作上。
在2021年，我曾預測生成式AI將開始在軟件編寫中起到關鍵作用。它將拓展開發(fā)者的能力，協(xié)助他們寫出更安全、更可靠的代碼?，F在，這一預測正在變?yōu)楝F實。我們看到眾多基于自然語言提示，生成的函數、類和測試的工具和系統(tǒng)。事實上，在2023年Stack Overflow的開發(fā)者調查中，70%的受訪者表示他們在開發(fā)過程中已經使用或計劃使用AI輔助工具。
未來的AI助手不僅會理解和編寫代碼，它們還將是一位不知疲倦的合作伙伴和導師。無論你提出多少問題，它們都會不知疲倦地執(zhí)行任務，并且不厭其煩地解釋概念或重復工作。AI助手擁有無限的時間和耐心，協(xié)助團隊中的每個成員應對從代碼審查到產品策略過程中的各種挑戰(zhàn)。
產品經理、前端和后端工程師、數據庫管理員、UI/UX設計師、DevOps工程師和架構師之間的界限將逐漸模糊。AI助手將憑借對整個系統(tǒng)，而非對單一模塊的理解，提供一些能夠激發(fā)人類創(chuàng)造力的建議，例如將一張餐巾紙上的草圖轉換成框架代碼、根據需求文檔自動生成模板，或者為你的任務推薦最適合的基礎設施，如無服務器架構或容器技術。
這些AI助手將具有高度的可定制性，可以針對個人、團隊或企業(yè)級的需求進行個性化定制。它們能用簡單的術語解釋Amazon S3等復雜分布式系統(tǒng)的內部機制，成為極具價值的教學工具。初級開發(fā)者可以借助這些工具快速熟悉不了解的基礎架構并，而經驗豐富的工程師則可以使用它們快速理解新的項目或代碼庫，并做出實際貢獻?？赡苓^去需要花費數周的時間才能完全理解代碼更改的下游影響，而AI助手可以即刻對變更進行評估，概述對系統(tǒng)其他部分可能產生的影響，并根據需要提提供改進建議。
我們已經看到，在現代軟件開發(fā)中，很多之前被視為枯燥的工作內容正逐漸從開發(fā)者的日常工作中消失，例如編寫單元測試、樣板代碼和調試錯誤。那些通常被認為是"多余的"任務往往會被忽視。AI助手將有能力重構和遷移整個遺留應用程序，例如將應用從Java 8升級到Java 17，或者將單體應用拆分為微服務。
毫無疑問，開發(fā)人員仍然需要規(guī)劃和評估最終產出。但是AI助手將幫助他們篩選學術研究，為分布式系統(tǒng)選擇正確的算法，并決定如何更好地從主備模式遷移到雙活模式，甚至能夠理解資源如何影響效率，并據此制定定價模型。這將使更多的工作自動化，開發(fā)者不再需要手動執(zhí)行升級Java版本等繁重的任務，轉而可以專注于那些能推動創(chuàng)新的創(chuàng)意性工作。
在未來幾年中，隨著AI助手從軟件行業(yè)中的嘗鮮變?yōu)楸匦杵?，工程團隊將變得更加高效，開發(fā)出更高質量的系統(tǒng)，并縮短軟件的發(fā)布周期。
教育變革緊跟科技創(chuàng)新步伐
僅靠高等教育無法跟上技術變革的步伐。以行業(yè)為主導的技能培訓項目將會興起，這些項目會更接近于技術工人的職業(yè)道路，而持續(xù)學習的轉變將讓個人和企業(yè)實現雙贏。
我對過去的軟件開發(fā)周期還記憶猶新：一個產品可能要開發(fā)5年以上才能交付給客戶。直到90年代末，這仍是公認的做法。但在今天，用上述方法開發(fā)的軟件在真正投入使用之前就已經嚴重過時了。得益于云計算的普及、持續(xù)改進的文化以及最小化可行產品方法的廣泛采用，我們的軟件開發(fā)周期得到了大幅縮短，其影響力也極為顯著。企業(yè)將產品推向市場的速度，以及客戶對新技術的接受速度，比以往任何時候都快。在技術和商業(yè)都在快速旋轉的飛輪中，高等教育直到現在都尚未包含在內。
教育在世界各地存在著巨大差異，但人們普遍認為，企業(yè)要想雇傭優(yōu)秀的人才，或者自己要想找到理想的工作，擁有大學學位是最基本的要求，在技術領域尤為如此。然而，我們看到這種模式正在瓦解，無論是對個人還是對企業(yè)。對于學生而言，教育成本在不斷上升，許多人對傳統(tǒng)大學學位的價值產生了質疑，尤其是在實用培訓變得可行時。對于企業(yè)而言，新員工仍然需要在職培訓。隨著越來越多的行業(yè)要求員工具備專業(yè)化的技能，學校教育與雇主需求之間的差距正在擴大。就像數十年前的軟件開發(fā)過程，我們在科技教育領域也到達了一個關鍵點，我們將看到曾經為少數人量身定制的在職培訓逐漸演變成面向廣大人群的由行業(yè)驅動的技能教育。
多年來，我們已經見證了這種趨勢的轉變。像Coursera這樣最初專注于消費者的公司，已經與企業(yè)合作，加強了技能提升和再培訓力度。學位學徒制因為可以由雇主專門化而繼續(xù)流行，而學徒在學習的同時也能獲得收入。不過，目前企業(yè)自身也開始大規(guī)模投資于技能教育。事實上，亞馬遜剛剛宣布，已在全球培訓了2,100萬技術學習者。這在一定程度上得益于機械電子與機器人技術學徒計劃（Mechatronics and Robotics Apprenticeship），以及Amazon Cloud Institute等項目。所有這些項目都讓處于職業(yè)生涯不同階段的學習者能夠獲得他們需要入職熱門職位的精準技能，而無需承擔傳統(tǒng)多年制項目的承諾。
需要明確的是，這個概念并非沒有先例。例如電工、焊工和木匠等熟練工種，他們的大部分技能都不是在課堂上學到的。他們從初學者到成為學徒，再成長為熟練工，甚至可能成為技術專家。這樣的學習是在工作中持續(xù)進行的，而且有明確的技能提升路徑。這種終身教育的方式——學習并保持好奇心，對個人和企業(yè)而言都大有脾益。
所有這一切并不意味著傳統(tǒng)學位會消失。這不是一個"非此即彼"的情況，而是關乎選擇。在科技領域，傳統(tǒng)的學術學習仍然至關重要。但在許多其他行業(yè)中，技術的影響已經超越了傳統(tǒng)教育系統(tǒng)。為了滿足商業(yè)需求，我們將迎來一個行業(yè)主導的教育機會新時代，而這將是不容忽視的潮流。
（來源：美通社）
