纵观历史，人类一直在开发各种工具和系统来增强他们的能力。 无论是印刷机还是装配线，这些创新都拓宽了我们的能力并创造了新的就业机会和职位，并且我们不断适应这些变化。 在过去的一年里，这种变化的步伐急剧加快。 云技术、机器学习和生成人工智能正变得越来越普遍，几乎影响着我们生活的方方面面，从写电子邮件到开发软件，甚至早期癌症筛查。 未来几年，我们将迎来更多的产业创新，推动技术的广泛应用，帮助我们跟上日益加快的生活节奏，而这一切都将从生成式人工智能开始。
生成式人工智能将逐渐具有文化意识
在不同文化的数据上训练的大型语言模型（LLM）将能够更微妙地理解人类经验和复杂的社会挑战。 这种“文化的流畅性”预计将使世界各地的用户更容易应用生成式人工智能。
文化影响一切，从我们讲的故事、我们吃的食物、我们的着装方式，到我们的价值观、礼仪和偏见，以及我们处理问题和做出决定的方式。 文化是我们在社会群体中存在的基础，为我们的行为和信仰提供规则和指南，这些规则和指南根据我们所处的环境和我们接触的人而变化。
同时，这些差异有时会导致混乱和误解。 例如，在日本，吃面条时大声吸食面条被视为享受的表现，但在其他文化中这被认为是不礼貌的。 在印度的传统婚礼上，新娘可能会穿着精心设计、色彩鲜艳的lehenga（印度女性的传统服饰）； 在西方，白色婚纱是传统； 在希腊，人们会向婚纱吐口水以求好运。 水。 作为人类，我们习惯于跨多种文化进行合作，我们能够根据这些信息的背景，调整我们的解释，并做出适当的反应。
那么，为什么不对我们日常生活中使用和依赖的技术抱有同样的期望呢？ 未来几年，文化将在技术的设计、部署和使用中发挥关键作用，其中最显着的影响将体现在生成式人工智能中。
对于基于大型语言模型的系统来说，要接触全球用户，它们需要实现类似于人类本身的文化流畅性。 佐治亚理工学院的研究人员在今年早些时候发表的一篇论文中证明，即使向大型语言模型提供明确提到伊斯兰祈祷的阿拉伯语提示词，它仍然会生成建议与朋友喝酒的响应。 ，这在伊斯兰文化中显然是不合适的。 这很大程度上与可用的训练数据有关。 用于训练许多大型语言模型的 Common Crawl 数据集大约有 46% 是英语，而且无论哪种语言，更大比例的内容都是基于西方文化（明显向美国倾斜）。 如果使用专门用于阿拉伯语生成的预训练模型，并使用阿拉伯语进行预训练，并提供相同的提示词，则可以生成更符合相应文化背景的响应，例如建议茶或咖啡。 过去几个月，针对非西方环境的大型语言模型开始出现：例如，在阿拉伯语和英语数据上训练的 Jais、在大型日语网络上训练的中英双语模型 Yi-34B 和 Japanese-large-语料库。 流明。 这些迹象表明，文化上准确的非西方模式将为数亿人带来生成式人工智能，影响从教育到医疗保健的方方面面。
值得注意的是，语言和文化并不相同。 即使一个模型可以提供完美的翻译，也不意味着它具有文化意识。 随着丰富的历史和经验融入到模型中，我们将看到大型语言模型开始发展出更广阔的全球化视角。 正如人类从辩论和思想交流中学习一样，大型语言模型也需要类似的机会来拓展视野和理解文化。 在这种文化交流中，两个研究领域将发挥关键作用：一是基于AI反馈的强化学习（RLAIF），即一个模型可以吸收另一个模型的反馈，不同的模型可以相互影响，并更新其基于这些影响对不同文化概念的理解； 第二种是通过多主体辩论进行协作，即一个模型的多个实例生成响应，然后辩论每个响应的有效性及其背后的推理，最后根据辩论的过程产生一致的响应。 这两个领域的研究都可以减少训练和微调模型所需的劳动力成本。
在相互交互和学习的过程中，大型语言模型将从不同的文化角度对复杂的社会挑战有更详细的理解。 这些进步还将确保模型提供更具弹性和技术上准确的反馈，涵盖技术等广泛领域。 其影响将是深远的，不同地域、社区和时间段都能感受到。
女性科技终于崛起
随着女性科技投资的激增、混合医学的发展以及丰富的数据改善诊断和治疗，女性健康领域正面临一个拐点。 femtech的崛起不仅让女性受益，也将推动整个医疗体系的发展。
女性保健不是一个利基市场。 仅在美国，女性每年在医疗保健上的支出就超过 5000 亿美元。 他们占人口的 50%，但也占消费者医疗保健决策者的 80%。 然而现代医学一直默认以男性为主，直到1993年美国国立卫生研究院（NIH）颁布振兴法案才将女性纳入临床研究对象。 从历史上看，月经护理和更年期治疗一直被认为是禁忌话题，而且由于女性被排除在临床试验和研究之外，她们的结果比男性差得多。
平均而言，在许多情况下，女性的诊断时间比男性晚，而且女性心脏病发作后被误诊的可能性比男性高 50%。 处方药也许是不平等最明显的例子：女性因使用处方药而遭受不良影响的比例明显高于男性。 虽然这些统计数据可能看起来令人震惊，但在云技术和大数据的帮助下，对女性医疗保健（也称为“女性科技”）的投资正在增加。
亚马逊云技术一直与女性主导的初创公司密切合作，见证了女性技术的成长。 仅过去一年，相关投资就增长了197%。 随着投资的增加、机器学习等技术的进步，以及专为女性设计的互联设备的出现，我们不仅在女性护理的认知方面，而且在相应的管理方式方面都处于前所未有的拐点。 Tia、Elvie 和 Embr Labs 等公司正在展示使用数据和预测分析提供个性化护理的巨大潜力，无论患者在家还是在旅途中都能为患者提供舒适的体验。
随着社会对女性健康需求的耻辱逐渐消失，更多资金流入该领域，女性科技公司将继续积极解决过去被忽视的各种医疗状况和需求。 同时，发展由在线医疗平台、便捷、低成本的诊断设备和按需医疗专家服务组成的混合医疗模式，将显着增加女性获得医疗服务的机会。 像Maven这样的客户已经证明了在这个领域的领导地位，打破了心理健康和身体健康之间的界限，为用户提供从情绪咨询到更年期护理的全方位服务。
这些平台的成熟和普及将促进医疗服务的普及。 应用程序和远程医疗平台将使农村和服务欠缺地区的妇女更容易与妇产科医生、心理健康专家和其他专家联系。 例如，NextGen Jane 正在开发一种智能卫生棉条系统，该系统将帮助女性建立子宫健康状况、识别潜在的疾病基因组标记，并与临床医生分享这些信息。 可穿戴设备将为用户和医生提供大量可分析的纵向健康数据。 如今，超过70%的女性更年期症状无法得到有效治疗。 随着教育水平的提高、数据的普及以及无创解决方案的出现，治疗效果将会大大提高，而这将远远超出妇产科。 护理范围。
例如，在女足世界杯备战期间，约有30名运动员因十字韧带撕裂而提前退役。 与传统医学一样，女性的训练模式是基于男性的训练方法，很少考虑生理差异。 因此，女性因十字韧带损伤退役的可能性是男性的六倍，而她们完全康复并重返赛场的机会比男性低 25%。 这是研究女性独特健康数据将产生重大影响的另一个领域，不仅可以防止女运动员受伤，还可以全面改善她们的整体健康状况。
我们正处于女性医疗保健的转折点。 获取丰富多样的数据，结合计算机视觉和深度学习等云技术，将减少误诊，并有助于减少目前对女性影响尤为严重的药物副作用。 子宫内膜异位症和产后抑郁症将得到应有的关注。 我们最终将看到女性医疗保健从边缘走向前沿。 由于女性领导的团队比男性领导的团队更愿意解决广泛的健康问题，因此女性科技不仅将使女性受益，还将改善整个医疗保健系统。
AI助手重新定义开发者生产力
人工智能助手将从基本的代码生成器发展成为导师和不知疲倦的合作伙伴，在整个软件开发生命周期中提供支持。 他们将以简单的语言解释复杂的系统，提出有针对性的改进建议，并处理重复性任务，使开发人员能够专注于最有影响力的工作。
2021 年，我预测生成式人工智能将开始在软件编写中发挥关键作用。 它将扩展开发人员的能力，帮助他们编写更安全、更可靠的代码。 现在，这个预言正在成为现实。 我们看到许多基于自然语言提示生成函数、类和测试的工具和系统。 事实上，在 Stack Overflow 的 2023 年开发者调查中，70% 的受访者表示他们在开发过程中已经使用或计划使用 AI 辅助工具。
未来的人工智能助手不仅会理解和编写代码，他们还将成为孜孜不倦的合作伙伴和导师。 无论你问多少问题，他们都会孜孜不倦地进行，不厌其烦地解释概念或重复工作。 AI助理拥有无限的时间和耐心，协助团队每一位成员应对从代码审查到产品策略的各种挑战。
产品经理、前端和后端工程师、数据库管理员、UI/UX 设计师、DevOps 工程师和架构师之间的界限将逐渐模糊。 AI助手将依靠其对整个系统而不是单个模块的理解来提供能够激发人类创造力的建议，例如将餐巾纸上的草图转换为骨架代码、根据需求文档自动生成模板，或者创建模板为您的任务是推荐最合适的基础设施，例如无服务器架构或容器技术。
这些人工智能助手将是高度可定制的，可以根据个人、团队或企业级的需求进行个性化。 它们可以用简单的术语解释 Amazon S3 等复杂分布式系统的内部机制，使其成为有价值的教学工具。 初级开发人员可以使用这些工具快速熟悉他们不理解的基础设施，而经验丰富的工程师可以使用它们快速理解新项目或代码库并做出真正的贡献。 虽然可能需要数周时间才能完全了解代码更改的下游影响，但人工智能助手可以立即评估更改，概述对系统其他部分可能产生的影响，并根据需要提供改进建议。
我们看到，在现代软件开发中，许多以前被认为无聊的任务正在逐渐从开发人员的日常工作中消失，例如编写单元测试、样板代码和调试错误。 通常被认为“多余”的任务往往会被忽视。 AI助手将具有重构和迁移整个遗留应用程序的能力，例如将应用程序从Java 8升级到Java 17，或者将单体应用程序拆分为微服务。
毫无疑问，开发者仍然需要对最终的产出进行规划和评估。 但人工智能助手将帮助他们筛选学术研究，为分布式系统选择正确的算法，并决定如何更好地从主备模式迁移到主主模式。 他们甚至可以了解资源如何影响效率并相应地开发定价模型。 这将使更多工作实现自动化，因此开发人员不再需要手动执行升级 Java 版本等繁琐的任务，而是可以专注于推动创新的创造性工作。
未来几年，随着人工智能助手在软件行业从利基市场变成必需品，工程团队将变得更加高效，开发出更高质量的系统，并缩短软件发布周期。
教育改革与科技创新同步
仅靠高等教育无法跟上技术变革的步伐。 行业主导的技能培训计划将会增加，这些计划将与技术工人的职业道路更加紧密地结合起来，而向持续学习的转变将为个人和企业创造双赢。
我还记得过去的软件开发周期：一个产品可能需要5年以上的时间才能开发出来才能交付给客户。 直到 20 世纪 90 年代末，这种做法仍然被接受。 但如今，使用这些方法开发的软件在实际投入使用之前就已经严重过时了。 由于云计算的普及、持续改进的文化以及最小可行产品方法的广泛采用，我们的软件开发周期显着缩短，影响是巨大的。 公司正在将产品推向市场，客户正在以前所未有的速度接受新技术。 在技术和商业快速旋转的飞轮中，高等教育直到现在才被纳入其中。
世界各地的教育程度差异很大，但人们普遍认为，大学学位是公司雇用优秀人才或找到梦想工作的最基本要求，尤其是在技术领域。 然而，我们看到这种模式对于个人和企业来说都在瓦解。 学生的教育成本持续上升，许多人质疑传统大学学位的价值，尤其是在提供实践培训的情况下。 对于企业来说，新员工仍然需要在职培训。 随着越来越多的行业需要员工具备专业技能，学校教育与雇主需求之间的差距正在扩大。 就像几十年前的软件开发过程一样，我们的技术教育已经到了一个关键点，我们将看到曾经针对少数人的在职培训逐渐演变为面向广大群众的行业驱动的技能教育。 。
多年来我们已经看到这种趋势的转变。 像 Coursera 这样最初专注于消费者的公司已经与企业合作，加大技能提升和再培训力度。 学位学徒制仍然很受欢迎，因为雇主可以对其进行专门化，而学徒在学习的同时也能赚钱。 然而，企业本身现在也开始大力投资技能教育。 事实上，亚马逊刚刚宣布已在全球培训了 2100 万名技术学习者。 这部分归功于机电一体化和机器人学徒计划以及亚马逊云学院等计划。 所有这些计划都允许处于职业生涯不同阶段的学习者获得进入所需职位所需的精确技能，而无需传统的多年计划的承诺。
需要明确的是，这个概念并非没有先例。 例如，电工、焊工和木匠等技术行业的大部分技能并不是在课堂上学习的。 他们从初学者到学徒，再到熟练工，甚至可能成为技术专家。 这种学习是在工作中持续进行的，并且有明确的技能提升路径。 这种终身教育的方法——学习和保持好奇心——对个人和企业都大有裨益。
这并不意味着传统学位将会消失。 这不是一个“非此即彼”的情况，而是一个选择。 在技术领域，传统的学术学习仍然至关重要。 但在许多其他行业，技术的影响已经超越了传统的教育体系。 我们将迎来一个以行业为主导的教育机会来满足商业需求的新时代，这是一个不可忽视的趋势。
关于亚马逊云技术
自2006年以来，Amazon Web Services以其技术创新、丰富的服务和广泛的应用在业界享有盛誉。 亚马逊云技术一直在不断扩展其服务组合，以支持云上的几乎所有工作负载。 目前提供超过240种全功能服务，涵盖计算、存储、数据库、网络、数据分析、机器学习和人工智能、物联网、移动、安全、混合云、虚拟现实和增强现实、媒体等作为应用程序开发、部署和管理； 该基础设施覆盖32个地理区域的102个可用区，并已宣布计划在加拿大、德国、马来西亚、新西兰和泰国部署，新建5个区域和15个可用区。 全球数百万客户（包括快速发展的初创公司、大型企业和领先的政府机构）信任 Amazon 云技术来为其基础设施提供支持、提高敏捷性并降低成本。
搜虎网转载此文目的在于传递更多信息，不代表本网的观点和立场。文章内容仅供参考，不构成投资建议。投资者据此操作，风险自担。
Copyright © 2017-2018