随着 AI 时代的到来,我们必须要认识到 AI 技术将对我们的工作和生活带来巨大的影响,我们也需要积极学习了解 AI 技术,成为 AI 时代的原住民 - AI Native。
前两天微软发布了 Microsoft 365 Copilot,它的定位很清晰:
有了 Copilot,你就能掌控一切,您可以决定保留、修改或丢弃什么。现在,您可以在 Word 中更具创造性,在 Excel 中更具分析性,在 PowerPoint 中更具表达力,在 Outlook 中更具生产力,在 Teams 中更具协作性。
也让大家看到了产品背后的 The Copliot Systm:
这场 AI 技术的革命,对科技公司来说非常重要:
- AI 技术可以帮助提供更加智能化的产品和服务,提高竞争力,增强用户体验和忠诚度 - 提高产品和服务的竞争力
- AI 技术可以帮助自动化和优化一些工作流程,减少人力投入和时间成本,提高生产效率和质量 - 提高效率和降低成本
- AI 技术可以帮助从海量数据中挖掘出有价值的信息,洞察用户需求和行为,从而更好地满足市场需求 - 深度挖掘用户需求和行为
- AI 技术是一项前沿技术,了解 AI 技术可以帮助稿定抓住技术趋势,及时调整产品和战略布局,赢得更多市场份额 - 推动技术创新和发展
同时对个人开发者来说,由于 AI 技术是一个快速发展的领域,开发者了解 AI 技术的最新趋势和发展方向,可以更好地调整自己的技术方向和职业规划。
先通过一个问题想想怎样才算是 AI Native 中的原住民:如何将 AI 能力添加进我们的系统?
有三种典型的方法:
- 第一种方法是用 AI 技术替换已有的功能模块,比较方便对比替换前后的收益
- 第二种方法是添加一个全新的基于 AI 的模块,这种模块没有任何历史包袱,适合在探索性项目中应用
- 第三种方法是添加一个基于 AI 的模块,由它驱动传统模块,就像一个 Sidecar,在传统模块之上,提供基于 AI 的自动化、优化或额外的功能
但无论是简单地使用 AI 替换一个、多个或所有模块中的现有功能,甚至添加新功能,这些并不能实现严格意义上的 AI Native,我要承认,我也不知道 AI Native 应该是怎样的,只是隐隐有个感觉,如果想让 AI 无处不在,整个系统应该是围绕 AI 建立起来的,比如我们围绕代码建立了 DevOps 系统,那 AI 是不是会有 AIOps;我们围绕数据建立的可观测系统,在 AI 上也要有针对模型准确率、召回率、精度等指标的观测,以实现模型的持续改善。
类比到软件架构中:
AI 应该和代码、数据一样成为一等公民,即无代码、不编程;无 AI、不工作。一等公民可以在整个架构中横向、纵向使用,而不仅限于某一层,数据基础设施也是如此,数据和知识需要跨层共享,AI 技术也可以应用于每一层甚至跨层,以实现架构中无处不在的智能。
除了软件架构,我们的开发流程也应当 AI 驱动:
比如在应用层面,low-code/no-code 会结合 AI 技术,甚至通过创造性的 Conversation UI 改变界面设计语言;类似 Lighthouse 这种,通过 AI 为运行质量提供报告和修复建议;还有所有软件都有的「问题反馈」、「客服」功能,完全可以用 ChatGPT 替代。这一切都体现了**流程中无处不在的智能**。
Cloud Native 在过去几年形成了比较完整的成熟度模型:
可以想象得到,AI Native 也会在架构、协作流程等方面提出自己的成熟度模型。
一些有用的资料:
- 动手学深度学习: 面向中文读者的能运行、可讨论的深度学习教科书
- 【翻译】Stable Diffusion prompt: a definitive guide: Stable Diffusion 视觉生成快速了解
- 腾讯研究院AIGC发展趋势报告2023: 看看 AIGC 如何打造更美好的未来
- Hugging Face: 一个自然语言处理(NLP)平台,提供了各种先进的NLP模型和工具,如BERT、GPT等模型,可用于文本分类、情感分析、机器翻译等任务
- Learn Prompting: 学习如何向人工智能提问
- Python: 这是机器学习生态中每个人所熟知的语言,Python-first
现在的 AI 生态可以说对新手异常友好,写几行代码就能自己跑起模型,非常有成就感。身处这个紧跟科技发展脚步的时代,我们有幸能与 AI 技术并肩前行,虽然 AI 技术在很多应用场景中尚不清晰,但这正是我们勇敢探索的契机,我们不能等着业界将答案送到我们面前,我们需要更主动一点,保持关注和学习,不断地提高自己,以便在这场科技革命中存活下来,甚至担当重要角色。💪