AI-Based 应用是如何取代现有软件的？ 我们的传统软件正在被定制的人工智
AI-Based 应用是如何取代现有软件的？我们的传统软件正在被定制的人工智能模型、自然语言问题和自动化所取代。引言
人工智能在未来的数月和数年里将会进行许多有趣的事情，这要归功于GPT的发展。但其中最重要的变革之一将是取代我们现有的软件。我们过去通常是将我们的业务适应软件的限制。而在这种新的模式下，软件将会适应我们的业务方式。基于人工智能的应用程序将与我们今天所拥有的完全不同。新的架构将基于GPTs，构建一个更为优雅的名为SPQA的软件架构：状态 (Sta...我们的传统软件正在被定制的人工智能模型、自然语言问题和自动化所取代。引言人工智能在未来的数月和数年里将会进行许多有趣的事情，这要归功于GPT的发展。但其中最重要的变革之一将是取代我们现有的软件。我们过去通常是将我们的业务适应软件的限制。而在这种新的模式下，软件将会适应我们的业务方式。基于人工智能的应用程序将与我们今天所拥有的完全不同。新的架构将基于GPTs，构建一个更为优雅的名为SPQA的软件架构：状态 (State)，策略 (Plan)，问题 (Question) 和 行动 (Action)。本质上，这是从类似电路结构的架构转变为基于理解的架构。所谓电路结构，可以想象成是一系列刚性的管道和阀门，只能按照特定的方式流动和操作。而基于理解的架构，则更像是人类的大脑，具有灵活的、适应性强的、能够理解和应对各种情况的特点。换句话说，基于理解的架构可以更好地模拟人类的智能思考过程，而电路结构则相对更加僵化和受限。电路不是完美的比喻，但它已经足够有描述性了。我们现有的软件是基于电路的，这意味着应用程序具有明确而严格的结构，就像电路板上的刻线一样。输入和输出必须明确创建、路由和维护。任何偏离这种结构的行为都会导致错误，并且添加新功能需要组织的开发人员付出线性的努力。“电路”并不是一个完美的比喻，但它已经足够描述性了。 新的软件将是基于“理解”的。这些应用程序将具有几乎无限的输入，因为它们是基于自然语言发送到实际理解你在问什么的系统上的。添加新功能将像提出不同的问题和/或给出不同的指令一样简单。GPT能真正理解吗？也许你会质疑，“不！GPT没有真正的理解力…”。让我用60秒帮你证明，它具备真正的理解。⏱️ 60秒计时开始…首先，让我们定义一下相关术语。智能是“收集、分析和分享有关世界的信息，以实现优秀的决策"，其中数据是原始的：没有上下文的原始事实或数字信息是组织的：经过处理、组织或结构化的数据知识是有用的：已经被组合成有用的信息理解是应用的：能够将知识应用于新的情境和环境中所以，GPT能做到这一点吗？让我们通过一个例子来回答这个问题。让我们看看它是否足够理解《星球大战》、禁恋和莎士比亚等概念，能否写出以下这首诗？ 请用卢克的视角，写一首写给莉亚的情诗。 我让它这样做，这是它写的……（接下来是 GPT 生成的情诗）噢，莉亚，最美的女孩，你的美丽深深地吸引着我的灵魂。你闪耀的眼睛像照亮黑夜的星星，让我的内心充满了爱的甜蜜、闪耀的光芒。你温柔的触摸像羽毛轻拂我的皮肤，让我的心跳跃不已。你的声音像悦耳的音乐，它安慰了我的灵魂，平息了我最深的恐惧。虽然我们的爱可能是被禁止的，但它是真实的。我无法不将我的心交给你。因为你是我所追求的一切，我的莉亚，你点燃了我的心灵之火。所以，让我们在黑夜中偷偷溜走，让我们的爱起飞，展翅高飞。因为在你的怀抱中，我知道我会找到平静，所有世界的烦恼都将消失无踪。一个渴望的 GPT你自己试试，在现有的情境中加入新的元素。那是一个关于在《星球大战》的宇宙里，两个兄妹之间的禁恋的莎士比亚诗歌。而且，这首诗歌被应用到一个全新的、我刚刚想出来的情境/背景中。人们对 GPT（生成式预训练模型）是否“理解”事物是混淆的，即将理解与经验混淆了。“理解”是意外发现的结果。GPT能够理解事物吗？是的。这项技术的神奇之处在于，GPT基本上必须意外地深入学习概念，以便可以正确地预测序列中的下一个字母。然后，它可以将这些概念应用于新的情境中。但是，GPT知道什么是爱的感觉吗？或者思考宇宙？或人类的死亡？不知道。它们一点也不懂。它们没有感觉。它们不具有意识。它们也不能体验事物。如果你认为理解需要感觉，那么你就是在说理解需要意识，这比卢克和莱娅跳过的大峡谷还要难以跨越。但请记住——我们并不要求GPT体验事物。我们并不要求它们感受事物。问题是，它们是否能够从概念中推广出新信息，即将知识应用于新的情境和背景。那就是理解。而且，它们做得惊人地好。⏱️ 计时器停止。希望我已经说服了你。基于理解的软件传统软件和智能软件之间的差距很难想象。为了更好地理解这种差异，我们可以拿一个例子来说明，比如用AI-Based基于理解的 SPQA 架构，去对比现在的电路架构，做相同的任务，你就能发现显著的差别。假设我们有一家名为 Splice 的生物技术公司，位于加利福尼亚州的圣布鲁诺市。该公司拥有12,500名员工，他们即将迎来一位全新的首席信息安全官（CISO）。她要求团队立即开始构建以下内容：提供一份从业务和风险角度来看最关键应用程序的清单创建一个按优先级排列的威胁清单，并将其与我们的安全团队所花费的时间和金钱进行对比提出如何调整我们的预算、人数、OKR 和项目清单，以便与我们实际面临的威胁相适应的建议根据这种新方法编写一份调整后的安全策略确定我们将跟踪哪五个关键绩效指标（KPI），以显示我们朝着目标取得的进展根据我们的组织结构，构建从该策略流出的嵌套 OKR 结构为董事会创建一份描述新方法的更新演示文稿创建一份根据我们所受的法规缺乏的合规性方面的清单然后创建一个由接下来的四个季度组成的全面实施计划最后，编写我们的第一个季度安全报告，并更新该文档。需要多少人来完成这些工作？需要什么级别的人？需要多长时间？以上内容可以通过清晰而流畅的叙述来阐述。做好这些事情需要一个有组织和规划的团队，由高级别的信息安全专家和项目经理领导。这个团队将需要适当的时间来完成这项工作，因为它们需要深入分析业务需求、安全威胁和合规性要求，并根据这些结果制定详细的实施计划。如果资源不足，将会影响到项目的进展和质量。因此，应该确定一个合适的时间表和资源预算，以确保项目的顺利进行。如果你从事安全工作有一段时间，你就会知道，即便是第一版，它也需要几个月的工作时间。此外，还需要花费数百小时的时间进行会议讨论以及进行维护。实际上，有很多安全机构花费了数年的时间来开发这些方案，但他们仍然没有令人满意的成果。所以，需要几个月的时间来创建它，然后需要数百个小时的维护时间，使用安全组织中最好的几十个人进行维护，他们花费了大量时间来处理这些工作。一个使用SPQA的安全程序让我们看看它在新模型中的样子。在实际应用中，政策可能成为状态的一部分，但需要使用较小的模型来允许更频繁的更改。选择基础模型——首先选择最新的和最好的GPT模型，来自OpenAI、Google、Meta、McKinsey或其他公司。许多公司都会有这样的模型。比如OpenAI的GPT-4。它已经对安全、生物技术、项目管理、日程安排、会议、预算、事件响应和审计准备有了丰富的专家级了解，以至于你可能只用它就能生存下去。但你需要更多的个性化上下文信息。训练自定义模型——然后，你需要训练你的自定义模型，该模型基于你自己的数据，它将堆叠在GPT-4之上。这里涉及到状态部分中的所有内容。这是你公司的遥测和上下文信息。日志、文件、财务、聊天记录、电子邮件、会议记录等等。由于我们使用的自定义模型生成（CMG）产品中包含压缩算法，因此这是312TB的数据总量。你需要在这些数据上训练你的自定义模型。训练政策模型——现在，你需要训练另一个与你公司期望有关的模型。这包括使命、目标、反目标、挑战和战略。这是来自人类的指导，我们将使用它来引导体系结构中的操作部分。当我们要求它为我们制造东西并制定计划时，它将使用这里捕获的限制来完成任务。告诉系统执行以下操作——现在模型被结合在一起。我们拥有GPT-4，堆叠了我们的状态模型，同时也堆叠了我们的政策模型，它们共同了解我们比我们自己还要深入。我们现在需要给它一份与我们的CISO获得的工作清单完全相同的清单。给我一份从业务和风险角度来看最为关键的应用程序清单创建一个按优先级排序的最高威胁列表，并将其与我们的安全团队的时间和金钱支出相关联提出调整我们的预算、员工数、OKRs和项目列表的建议，以使其与我们的实际威胁相符合让我们使用这种新方法撰写一份调整后的安全策略确定我们将跟踪的前五个KPI，以展示我们朝着目标取得的进展根据我们的组织结构，建立从该策略中流动的嵌套式OKR结构创建一份更新的报告，描述我们的新方法列出我们缺乏哪些方面的合规性，以符合我们所属的法规然后创建一个完整的实施计划，按四个季度来分解最后，撰写我们的第一份季度安全报告，并保持该文件更新。现在我们需要根据上述工作清单进行逐项检查，确保我们按照正确的顺序完成每个步骤。我们将根据实际威胁来调整我们的预算、人员配备和项目列表，以确保我们的安全策略与我们的需求相符合。我们将跟踪前五个KPI以衡量我们的进展，并建立一个嵌套的OKR结构，以确保我们的目标得以实现。最后，我们将创建一份详细的实施计划，并定期更新我们的季度安全报告，以便我们可以始终了解我们的进展。假设我们的新组合SPQA系统称为Prima。请问自己以下两个问题：考虑到它已经了解了公司的所有信息，Prima需要多长时间来创建这些版本的第一个版本呢？每周、每月、每季度或每年更新这些版本需要多长时间呢？答案是几分钟。这不仅适用于初始版本的创建，也适用于以后的所有更新。为了让战略制定更高效，我们需要两个条件：一是使用最新数据的最新模型，二是从组织中来自人类领导者的正确问
非会员试读19%,加入社区后可阅读全文
页:
[1]
