关于AI应用的思考

与IA共创

1. 梯人纵发展

目前的速度AI工具及应用层出不穷，几乎每天都会有新的style出来，从应用的角度来看有点应接不暇。从单纯的chat聊天模式开始，会发现有一部分的内容AI其实处理的不是很好，即使用到了一些先进的prompt词也不一定会有效果。这个可以想象AI技术能力的提升也是依赖于海量的知识数据，如果现行互联网的数据维持在一个相对静态的状态下，单纯靠AI在此基础上升华创造，不是说不肯能，只是需要的时间会更长。其实反过来如果在AI的加持下，通过人类的思维创造出更高维度的知识或者解决问题的思路，把这些方式公开到网络上，让AI进行提取学习，可能这种发展离真正的“智能”会更近一步。这种模式就是左脚踩右脚的模式，一步步靠近终极目标方向。

2. 企业应用AI Accessibility

现在AI应用无处不在，日常文案的优化、生活和工作中遇到问题会先用AI进行科普扫盲、AI Coding、代码review、调研报告等。但是可以看看真正企业与AI的结合程度如何？按照目前阶段来说还在初级阶段，目前使用的模型都是基于现有公开的网络的数据进行训练的，那么对于企业本身的数据在公网是无法被访问到的，这里面包括企业运过程中产生的数据、文档、知识库、业务领域知识、企业文化、日常工作流程等。

成本角度

大多数企业不太可能基于开源的模型进行训练自己的私有模型，这个训练时需要额外的开销。当然大公司或者一些医院机构在使用AI的时候，会考虑用模型进行训练，给AI投喂的都是私有数据，在这种情况下进行使用的。

安全角度

数据安全是目前企业考虑的一个方面，担心敏感隐私数据泄漏。这也是目前AI与企业业务结合相对慢的一个原因。这个当时也是可以解决的，就是把敏感数据排除在外进行脱敏处理，再让AI访问。

从未来的角度看，如果那一天公司的相关数据能够被AI学习，那么有一天可能会出现的几个场景如下：

企业文化深度融入AI，大家日常工作中的行为、态度如果做的有不符合企业文化方面，系统会通过即时通讯工具进行提醒、在做决策时如果违反企业文化同样会被提醒，并给出对应的解决方案。
在软件研发时当一套方案出来时，AI会结合历史业务、业务代码、产品文档、知识库等直接给出方案是否可行（给打一个分），对于决策者只需要根据AI给出的结论再一次思考及决策。
日常的事物处理流程、会议形成、事情准备、日常团队沟通、培训这些，变成了AI每天或者提前规划一个人的事情，并给出重要性及优先级设定等。

以上虽然目前还做不到，但是在不久的将来一定会如期而至。

效率提升不等于生产力提升

1. 效率提升

当前AI coding是发展的非常迅猛，几乎头部公司都在开源自己的模型，从AI coding 模型的演进、AI IDE、围绕产研环节的产品非常众多（从0到1打造一款产品）。甚至在早期在国外有一些团队只有几个人凭借AI产生出几倍的ROI（这不是噱头）。对于AI从业者来说，效率的确是提升了，以工作为例，效率提升后是不是会有一些空闲时间去做其它的事情。从工作和个人方面来说可以借此机会去触达AI目前还不能涉及到的方面，例如个人成长、个人能力提升、AI实践方法论、以及使用AI过程的盲点梳理。代码编写提升效率60%，项目单侧覆盖80%，这些是AI现阶段的强项，利用这些的时候多一些自己的思考见解。

2. 生产力提升

效率的提升对于单次产出的确很明显。但是如果需要从生产力提升方面将，还需要多探索。例如这种效率的提升是否可以产生规模效用，使用过程中的SOP是否具有通用性，是否可以复制。这次是AI Coding的提升，那么下一次是否可以从需求理解开始到最终的交付，这个过程中如何让AI参与80%以上，真正达到AI工具在”干苦力“，对于这个过程中的使用者来说就有更多精力花在项目稳定性、安全性、可拓展、以及技术架构演进，相当于把效率本身做了一次升华及放大。生产力提升的同时，对于AI使用者来说也是能力的升华及迭代，提升AI从业者的竞争力。

使用技巧

在日常Al使用时，可以使用过程中的问题分为两类，待解决问题库和已验证问题库。

1. 待解决问题库

就是把工作中通过Al解决的，但是现在的模型还做不到的硬骨头，全部记下来，“例如根据这张草图直接生成可用代码”、“根据产品方案直接生成业务代码，达到可交付的目的”、“参考某款App的UI及业务进行复刻”等。

2. 已验证问题库

把你那些能够用尽AI潜力的，好的提示次（prompt）和交互技巧分门别类记录好，方便下次继续使用。

当新的模型发布之后，不要只光看测评、不要迷信测评，可以直接用待解决问题库的问题，扔给新模型或者新工具，看看之前的问题是否能够得到解决（是骡子是马拉出来溜溜）。