智能审问涉及以能够产生更好推理和结果的方式提示LLM（或通俗来说，给他们指令），也就是用AI思考的能力，例如金融服务公司的客服可能会用它寻找复杂问题的答案回复客户，药理学家用它协助研究药物化合物和分子相互作用，营销人员用来挖掘数据集找到最优的零售定价。
**判断整合是指当生成式AI模型不确定该怎么做，或者在推理中缺少必要的商业或道德背景时，引入人的判断。
**这样做的目的是让人机交互的结果更加值得信赖。判断整合需要我们知道介入的时间、地方和方式，其有效性是通过AI输出的可靠性、准确性和可解释性来衡量的。
互惠互学方面，你可以通过将丰富的数据和组织知识融入给出的提示，帮助AI了解业务任务和需求，从而训练AI成为合作创造者。这是一种根据公司具体业务背景定制生成式AI的技能，这样它就可以得出理想的结果。这样做时，你自己也能学会如何训练AI来应对更复杂的挑战。曾经只有数据科学家和搭建架构的数据分析师才需要这种能力，现在互惠互学在非技术岗位上变得越来越重要。
为什么你需要系统地发展这些思考、建立信任和定制的新技能？实证研究一致表明，临时指令——今天大多数员工提示LLM的方式——会导致不可靠或糟糕的结果，尤其是在复杂的推理任务中。从客户服务、市场营销、物流到研发等，各个职能部门中都是如此。对我们所有人来说，在工作中更加严格地使用生成式AI至关重要。本文将介绍如何做到这一点。
…
将AI变成学徒
随着LLM规模和复杂性的增加，它们可能会表现出“涌现性质”(Emergent properties），比如高级推理，即它们没有受过训练，但在你提供上下文数据或知识后，这些技能就会出现。为了推动这一技能的发展，我们可以采取以下步骤。
为模型提供“思维演示”。在给LLM提出一个要解决的问题之前，可以先让它以某种方式进行思考。例如，你可以教它“从少到多”的推理方法，向AI展示如何将一个复杂难题分解成几个更小、更简单的难题，先解决难度最小的问题，将答案作为解决下一个问题的基础，以此类推。谷歌DeepMind的Denny Zhou及其同事已经证明，“从最少到最多”的方法可以将AI输出的准确率从16%提高到99%。
想象一位需要构思新系列的健身服装品牌的营销经理，他可以把这个问题分解成以下几步：
1. 受众。找出可以成为潜在客户的健身爱好者——这是一项相对容易的任务，特别是对于一个根据公司客户数据训练的模型。
2. 消息传递。在之前确定受众的基础上，强调性能、舒适度和风格的信息。这是一个更具挑战性和创造性的问题。
3. 渠道。选择社交媒体、健身博客和网红伙伴，这些人会将信息传递给受众。
4.资源。根据渠道的选择分配预算（这往往是所有组织中最有争议的问题）。
训练LLM学习新流程。你可以通过让它在提示的上下文中浏览一组示例，教会AI如何执行任务。这叫作“上下文学习”（in-context learning），这样你就可以调整预训练的LLM，如GPT-4、Claude和Llama，而跳过调整参数这一偶尔费时费力的过程。例如，研究人员在《自然》杂志发文称，他们利用放射学报告、病人提问、进展记录和医患对话的例子给出提示，向LLM演示了如何总结医疗信息。之后他们发现，81%的LLM生成的摘要会等同或优于人类生成的摘要。
当用户从使用简单的问题或指令开始，逐渐以越来越复杂和细微的方式描述任务时，互惠学习随之产生。用户可以添加上下文，调整措辞，看看模型如何回复，进行测试，直到得出理想结果。
获得新的融合技能
要广泛掌握生成式AI，不仅需要企业的大量投资，还需要个人的主动性、学习和努力。虽然少数公司正在提供相关培训，但大多数公司还没有制定出健全的计划。事实上，2024年对七千名专业人士的调查中，我们发现，虽然94%的人表示他们准备学习与生成式AI合作的新技能，但只有5%的人表示，自己的雇主正在积极开展大规模的员工培训。因此，我们中的许多人还是要自力更生，跟上LLM的快速发展，以及将高水平研究转化为各种工作和行业实践的步伐。
接下来：获得为实际工作流程和多模态大型语言模型(MLLMs)进行思想链提示的技能，这些模型集成了不同类型的数据，如文本、音频、视频和图像，同时还提供了这些格式的输出。一组研究人员发现，思想链提示将MLLMs的性能最高提高到了100%。早期采用者已经在测试这些方法，不过还不够成熟，无法广泛采用。
AI革命不是正在到来，而是已经到来。领先的公司正在利用这项技术重新构想跨行业、跨职能和跨岗位的流程。生成式AI大大提高了标准，要求我们用AI思考，保证我们信任它，并不断对其进行量身定制，来使自己表现得更好。尽管生成式AI是在人与机器间建立更多共生关系的延伸，但它在技术史上也是独一无二的。没有任何一项重大创新能以这样的速度发展。知识工作的变革速度之快、力度之大，甚至超出了我们许多人的想象。做好准备，未来商业的驱动力将不仅是生成式AI，更是懂得如何最有效使用这一工具的人。
感谢阅读！如果您对AI的更多资讯感兴趣，可以查看更多AI文章：GPTNB。
{ width=60% }
{ width=60% }
{ width=60% }