知识工作者如何在工作中使用大模型？

关注

原创 2024-05-28 17:09:14 650 阅读 AI 写同款· GEO 优化 ›

大模型在医学上的应用和思考 大模型正在革命性的重塑制药这个行业，将传统药物长达10年的研发周期缩短到几个月。‍‍‍多模态大模型(visual-languange)在临床上的应用可以有效提高临床医生的效率，是一个有前景的技术路径。大模型应用在实际临床上面对的困难：1）不可解释性；2）训练模型的过程中引入的偏见；3）将AI集成到临床点护理中也是一个时间消耗巨大的过程。‍‍‍‍‍‍‍‍‍‍大模型训练在医学应用上的未来发展趋势：通用医学AI（GMAI）。GMAI模型将能够使用极少量或无需特定任务的标记数据来执行多种任务。‍‍。阅读详情

自 2022 年 11 月 OpenAI 发布 ChatGPT 以来，人们对生成式人工智能（GenAI，以下简称“生成式AI”）的兴趣激增，同时也对其安全性表示担忧。

（译者注：生成式人工智能，即用 AI 生成文本、图像、音乐、音频、视频等，大模型通常是指训练这些生成式 AI 的庞大且复杂的神经网络模型）

鉴于这一转折点，我们必须重新关注生成式AI对专业人士工作的影响。这是因为与早期的 AI 相比，生成式 AI 更接近专业人士的核心工作内容，即为客户提供诊断和治疗。

然而，专业人士的工作将如何以及多快改变，尚不清楚。与其让这个问题成为“意外后果”的一部分，我们可以影响生成式 AI 如何融入专业人士的工作。

各个领域的专业人士，例如医学、审计、会计、法律和数据科学等从业者，工作内容本质上都是进行诊断和治疗，并通过推理将连接两者。

简单来说，专业人士对问题进行分类（诊断）、进行推理（推理）并采取行动（治疗）。

目前为止，大模型已经影响了专业人士的所有工作，但主要是诊断环节。例如，如在放射学中分析医学数据；在尽职调查中，分析财务和法律数据。

生成式 AI 正在向影响专业人士所有工作环节迈进。这既令人兴奋，也对专业人士的工作构成威胁。

本文首先解释专业人士的工作内容。然后，我将重点放在生成式 AI 及其在专业工作中的使用案例。最终提出解决大模型比专业人士做得更好的关键问题，以及如何使用大模型。大部分人机交互方式由专业人士自己掌握。

01 专业人士的工作内容

专业人士（也称知识工作者）以思考谋生。他们利用专业知识和批判性思维创造价值。其中一部分人，即专业人士的工作内容，因时间地点、行业领域不同，有所不同。

但不同领域的专业工作都有三个环节：诊断、推理和治疗。以医生为例，在诊断环节，医生询问病人的问题并进行检查，以诊断患者的症状。在推理环节，医生利用医学知识得出解决方案。在治疗环节，医生开药和/或进行手术。

其他领域的专业人士的工作，基本也包括这三个环节。

诉讼律师可能首先进行诊断（诊断案件中的相关事实），运用法律知识推导出最好的辩论方式（推理），并在法庭上代表客户辩解（治疗）。

投资银行家帮助他们的客户在尽职调查中收集相关财务信息（诊断），然后使用他们的财务知识（推理）推荐并购的最佳财务结构（治疗）。数据科学家清理和探索数据（诊断），构建模型进行分析和解释（推理），然后为特定受众呈现数据分析结果（治疗）。

在所有这些专业背景下，连接诊断和治疗的推理，基于具有理论和实践成分的专家知识。一位医生之所以优秀，不仅因为她在一流的医学院学习，还因为在多年的实践中，她从病人案例中改进她的诊断和治疗。

专业工作中的熟练表现，不仅取决于正式培训期间获得的理论知识，还取决于难以或无法完全表达的隐性知识和直觉。

正如多面手迈克尔·波兰尼所说：“我们知道的比我们能说的要多。”就像骑自行车、在水中保持浮力和拉小提琴一样，隐性知识在许多专业判断方面都是必不可少的。

02 生成式 AI 的使用案例

《通信》的读者不需要提醒，就知道生成式 AI 激增背后的技术进步。特别是发现了一种基于纯粹注意力机制的网络架构 Transformer，完全摒弃了递归和卷积。借助巨大的计算能力和大数据，大模型可用于生成基于文本的数据。

运用生成式 AI 的案例不断增多，包括知识检索、临床决策支持以及在医学中总结关键发现；法律研究以及生成合同和其他文件，如生成法律陈述摘要；以及在数据科学中共同编写代码。

许多使用案例，需要专业人士同时使用多种工作技能才能完成。例如，在审计和会计中，大模型可能会标记异常和税法不合规的实例。这只是诊断到治疗的一小步，不合规实例可能会被提前阻止。

提示词工程也让得诊断和治疗同时发生更有可能，例如在健康管理中自我诊断和自我护理。

03 我们所了解的

尽管大模型仍处于初级阶段，但一些模式正在浮现——如何在有或没有人类参与的情况下，提高生成式 AI 的性能，超越人类。

首先，在比较大模型和人类的能力时，随着模型版本的更新，差距正在缩小。具体来说， GPT-3.5 已经通过了医学、法律和商学院的考试，尽管表现平平。GPT-4 在通过律师资格考试方面做得更好，并且有机会通过金融专业人士的 CFA 考试。

虽然 GPT-4 在完成各种考试的定量分析部分还有不少挑战，但这可以通过使其具备执行 Python 代码的能力来解决。通过考试，就像检测非常小的癌症肿瘤一样，是提高准确性的问题，AI 可以做得很好。

其次，由专业人士参与人类反馈强化学习（RLHF）训练的领域，特定大模型的性能优于仅在通用文本语料库（如维基百科）上训练的大模型。

例如，在法律领域，汤森路透的 WestLaw Precision 和 LexisNexis的Lexis+ 由领域专家——这些案例中的律师提供支持。RLHF 也可以用于进一步训练通用大模型。例如，Allen & Overy 律师事务所用公司内部律师的数据集训练了 GPT-3.5 模型，律师的和大模型的对话被保留在事务所内。