如何判断 AI 将优先自动化哪些任务?

思考 AI 将优先自动化哪些任务,有一个独特的视角,那就是 "描述-执行鸿沟":描述一个任务的难度,与亲手完成该任务的难度相比,差距究竟有多大?

那些"描述-执行鸿沟"巨大的任务,将是自动化的沃土。因为给这类任务创造训练数据相对容易,而且即便执行过程本身并不简单,自动化它们所带来的价值也极为可观。例如:

  • 修正长文中的语法错误:描述"请修正语法"非常简单,但手动检查并修改一篇长文则相当耗时。

  • 提交发票进行报销:描述"把这些发票报销了"很简单,但手动填写表格、上传、提交等一系列流程很繁琐。

  • 训练一个在标准评估基准上达到特定性能的模型:描述"训练一个模型,在某个数据集上达到 95% 的准确率"这个目标很明确,但实现它的过程涉及大量工作。

  • 构建一个应用程序:检查一个 App 的用户界面(UI)是否符合设计稿很容易,但要实现其背后复杂的后端功能则需要大量代码和调试。

反之,当任务的背景信息极其复杂(high-context),而技术挑战性又不高时,"描述-执行鸿沟"往往很小。自动化这类任务的价值本身就有限,而且为其创建训练数据也更加困难。例如:

  • 编写数据处理脚本:在很多情况下,直接用代码来处理数据,比用自然语言去描述处理规则更简洁、更精确。

  • 在高度定制化的代码库中进行消融研究:要在一个为特定模型、需要大量背景知识的代码库里进行实验,口头或书面描述你想要做的修改,可能比直接自己动手改代码更费劲。

  • 以特定风格剪辑视频:很多时候,与其费尽口舌描述每一个镜头的切换、调色、配乐的具体要求,还不如自己动手剪辑来得更快、更直接。

  • 帮我妈妈买中式杂货:她对要买的品牌、规格、数量都有非常具体的要求,而且还要懂得如何挑选最新鲜的蔬果。对她来说,亲自跑一趟比对我详细描述所有细节要容易得多。

这个概念与"判别器-生成器鸿沟"(discriminator-generator gap)有些相似,但又不完全一样。有些任务,比如上面提到的"以特定风格剪辑视频",可能评价一个视频剪辑得好不好很容易(判别器-生成器鸿沟大),但描述清楚如何剪辑却很难(描述-执行鸿沟小)。

相关推荐
A-刘晨阳4 小时前
Linux安装centos8及基础配置
linux·运维·服务器·操作系统·centos8
恒雨田4 小时前
解决 jenkins 用户 SSH 连接目标服务器时的 Permission denied 问题
运维·ssh·jenkins
I'm a winner4 小时前
护理+人工智能研究热点数据分析项目实战(五)
人工智能·数据挖掘·数据分析
蒋星熠4 小时前
TensorFlow与PyTorch深度对比分析:从基础原理到实战选择的完整指南
人工智能·pytorch·python·深度学习·ai·tensorflow·neo4j
qq_340474024 小时前
0.1 tensorflow例1-梯度下降法
人工智能·python·tensorflow
X.Cristiano4 小时前
MinerU2.5:一种用于高效高分辨率文档解析的解耦视觉-语言模型
人工智能·mineru
金井PRATHAMA4 小时前
产生式规则对人工智能中自然语言处理深层语义分析的影响与启示研究
人工智能·自然语言处理·知识图谱
迎風吹頭髮4 小时前
UNIX下C语言编程与实践14-UNIX 文件系统格式化:磁盘分区与文件系统创建原理
运维·c语言·unix
AI浩4 小时前
大型语言模型的门控注意力:非线性、稀疏性与无注意力沉没
人工智能·语言模型·自然语言处理
Saniffer_SH4 小时前
【高清视频】CXL 2.0 over Fibre演示和答疑 - 将内存拉到服务器10米之外
运维·服务器·网络·人工智能·驱动开发·计算机外设·硬件工程