最近我對身為大學生的女兒說：如果你想從事工程領(lǐng)域的工作，除了學習傳統(tǒng)的工程課程，還應(yīng)當專注于研習哲學。為什么呢？因為這會提升你的編程能力。

這話出自一名工程師之口，或許看似有悖常理。但圍繞你想要解決的問題構(gòu)建清晰的思維模型，以及在著手思考 “如何做” 之前先理解 “為何做”，這些能力正變得愈發(fā)關(guān)鍵，尤其是在人工智能時代。

編程是人工智能最擅長的領(lǐng)域之一。通常情況下，人工智能編寫的代碼質(zhì)量比人類更高，而且其能力還在迅速提升。要知道，計算機語言所使用的詞匯量遠比人類語言有限。

然而，這里存在一個問題：人工智能生成的代碼在語法和語義上可能正確，但在功能上卻未必符合要求。也就是說，代碼可能運行良好，但卻無法達成你預(yù)期的效果。模型的輸出對提示的表述方式極為敏感。提示一旦出錯，人工智能生成的代碼往好里說是看似合理，往壞里說則是錯誤百出且存在風險。

在新興的 “提示工程” 領(lǐng)域——現(xiàn)階段它更像是一門藝術(shù)而非科學——使用者要學習如何精心編寫簡潔、富有表現(xiàn)力且能有效讓人工智能達成自己預(yù)期的提示。目前存在多種技巧，比如少樣本提示，即使用者在提示前添加若干示例，引導(dǎo)人工智能找到正確方向，有時還會附上問題和答案。例如，在使用少樣本提示進行情感分析時，使用者可能輸入這樣的提示：“分析財報電話會議中句子的情感傾向”，隨后附上諸如 “前景改善：積極” 或 “需求放緩：消極” 等具體示例，幫助人工智能理解模式和語境，從而依據(jù)這些示例生成準確的情感分析。

在管理工程團隊的數(shù)十年間，我學到的一項至關(guān)重要的技能就是提出恰當?shù)膯栴}。這與使用人工智能并無太大差異：大型語言模型（LLM）的輸出質(zhì)量對提示的質(zhì)量極為敏感。模糊或表述不當?shù)膯栴}會讓人工智能試圖猜測你真正想問的內(nèi)容，進而增加得到不準確甚至完全編造答案的概率（這種現(xiàn)象常被稱為“幻覺”）。正因如此，為了充分發(fā)揮人工智能的作用，人們首先必須掌握推理、邏輯和第一性原理思維——所有這些都是通過哲學訓練培養(yǎng)出的基礎(chǔ)技能。“你會編程嗎？” 這個問題將演變?yōu)?“你能通過提出恰當?shù)膯栴}，從人工智能那里獲取最佳代碼嗎？”

從更宏觀的角度來看，人工智能的表現(xiàn)依賴于使用者提示中所表達的思維模型的質(zhì)量，這意味著作者與讀者之間的關(guān)系，乃至我們與知識的關(guān)系，發(fā)生了根本性轉(zhuǎn)變。從某種程度上說，這類似于印刷機的發(fā)明，印刷機通過大規(guī)模生產(chǎn)書籍、創(chuàng)建圖書館和大學，實現(xiàn)了信息的普及。在印刷機出現(xiàn)之前，比如你若想學習數(shù)學，可能需要親自接觸數(shù)學家，或者獲取手抄文本，而這往往要花費不菲。印刷書籍極大地降低了這一門檻，互聯(lián)網(wǎng)更是將其幾乎降至零。不過，作者與讀者之間的知識差距這一障礙依然存在。你可以獲取世界上的任何論文或書籍，但如果你無法理解，它們就毫無用處。

在使用人工智能時，這種關(guān)系以及創(chuàng)作的概念都發(fā)生了變化。大型語言模型會根據(jù)讀者的知識和理解水平調(diào)整內(nèi)容，從他們的提示中獲取線索。讀者的提示就像一顆種子，觸發(fā)人工智能生成內(nèi)容，它會借鑒訓練數(shù)據(jù)中的作品，為該用戶量身打造一篇新文本——從某種意義上說，讀者既是消費者也是創(chuàng)作者。以學習數(shù)學為例，如果你想理解微積分中的極限概念，可以找一本針對高中生或大學生的教科書，或者嘗試在互聯(lián)網(wǎng)上找到與你當前理解水平相符的資料。而人工智能模型則可以根據(jù)你的理解水平和學習風格，提供個性化、適應(yīng)性強的指導(dǎo)。或許在未來，個性化輔導(dǎo)這一學習的黃金標準將惠及每一個人。其影響將難以想象。

生成式人工智能改變了我們與知識的關(guān)系，它不僅消除了獲取知識的障礙，還以定制化的方式對知識進行解讀。它在你現(xiàn)有的知識水平與攻克特定主題所需的知識水平之間搭建了一個平緩的過渡。但是，獲取經(jīng)過恰當定制，且更為關(guān)鍵的——準確的知識，其能力的發(fā)揮始于用戶，也取決于用戶。隨著知識越來越容易獲取，推理變得愈發(fā)重要。然而，一旦你得到自認為所需的輸出，這些哲學思維技能的運用并未就此結(jié)束——任務(wù)尚未完成。如我們所知，人工智能可能會犯錯，而且它們尤其擅長讓錯誤的輸出看似合理，因此辨別真?zhèn)蔚哪芰Τ蔀榱硪豁棙O為重要的技能。為了以負責任的方式運用這項技術(shù)，獲取我們想要的恰當且準確的信息，我們必須始終秉持哲學思維，保持適度的懷疑態(tài)度和常識。

曾經(jīng)有一段時間，為了創(chuàng)建一個計算機程序，我必須親自撥動開關(guān)或在穿孔卡片上打孔。那時的創(chuàng)作過程直接涉及計算機內(nèi)存位數(shù)或寄存器的復(fù)雜細節(jié)。隨著計算機擁有數(shù)十億個晶體管和數(shù)萬億個存儲單元，我們的軟件開發(fā)過程借助計算機語言不斷提升層次，這些語言將底層硬件的復(fù)雜性抽象化，使開發(fā)者幾乎可以完全專注于算法質(zhì)量，而非二進制的 0 和 1。

如今，我們正處于這樣一個階段：計算機（即人工智能）無需在我們所說的語言與它們能理解的語言之間進行這種中間層面的轉(zhuǎn)換。我們可以拋開 “羅塞塔石碑”（在歷史上是破解古埃及象形文字的關(guān)鍵工具，起到了語言轉(zhuǎn)譯、溝通不同語言信息的作用），直接用英語與計算機交流。它們很可能像理解 Python 語言一樣理解英語。這隨即帶來了兩種選擇：我們可以變得懈怠，也可以提升我們的思維。

當語言不再是障礙，我們可以運用人類語言的全部表現(xiàn)力，以最簡潔有效的方式向人工智能傳達更高層次的概念和邏輯，這種方式是聲明式的（專注于我們想要獲得的結(jié)果），而非命令式的（專注于實現(xiàn)結(jié)果的步驟）。命令式表述：向左轉(zhuǎn)，然后直走，再向左轉(zhuǎn)，然后（重復(fù) 1000 次）。聲明式表述：帶我回家。我在社交媒體上看到，有人僅用幾條精心編寫的提示就創(chuàng)建出了完整的游戲，而就在不久前，這可能需要花費數(shù)月時間來開發(fā)。

這又回到了我最初的觀點：圍繞一個問題構(gòu)建清晰的思維模型，能夠?qū)⑵浞纸鉃橐子谔幚淼牟襟E，具備完美的第一性原理思維，有時還要準備好（并且有能力）與固執(zhí)的人工智能展開辯論——這些技能將造就未來的優(yōu)秀工程師，而且這一考量很可能同樣適用于許多職業(yè)。

我們不能失去在必要時深入探究并修正人工智能可能遺漏之處的能力，或者（至關(guān)重要的是）對人工智能的成果進行審核的能力。這對人類來說將是一個真正的問題，而且我們不太可能讓這種情況發(fā)生——至少我們?nèi)匀恍枰_發(fā)人工智能。然而，這只能解決部分問題。將代碼創(chuàng)建的機制自動化，并專注于我們的批判性思維能力，才能讓我們創(chuàng)造更多、更快，對世界產(chǎn)生巨大影響。讓人工智能幫助我們更具人性，而非更像計算機。

馬可·阿金蒂（Marco Argenti）| 文

馬可·阿金蒂是高盛集團的首席信息官。

周強 | 編校

聯(lián)系方式

投稿、廣告、內(nèi)容和商務(wù)合作

newmedia@hbrchina.org