培训团队在工作中使用人工智能让我站在了新的专业鸿沟的前排位置。

有些人把一切都交给机器，不再思考。其他人根本不会碰它。

但还有第三组。他们学会批判性地使用人工智能，把它当作一个聪明、热情的实习生，需要管理和支持才能做到最好。

区别？这很少是技术能力。这是好奇心。愿意尝试、犯错并找出人工智能真正擅长的领域。

这是迄今为止我所了解到的内容。

大多数人在人工智能方面失败是因为他们不明白它到底是什么

与我共事过的人往往在两个极端之间摇摆不定：将人工智能视为无所不知的神谕，或者在犯了一个错误后就完全抛弃它。

当前的人工智能与人脑的共同点就像鸟类与 A380 的共同点一样多。两者都会飞，但相似之处仅此而已。大型语言模型只是根据训练数据中的模式来预测单词。这就是为什么他们能够就广泛的主题写出流畅的散文，但当他们遇到不熟悉的情况时又会自信地编造故事。

一旦用户理解了这一点，他们的方法就会改变，为用户提供明确的目标和适当的背景。当有人告诉我他们从人工智能得到的一切都是垃圾时，结果几乎总是他们得到的是针对通用提示的通用答案。

获得最佳结果的人将人工智能视为一种技能，而不是捷径

成功的最大预测因素不是技术能力。问题在于是否有人将人工智能视为一项需要学习的技能，而不是一个要么有效要么无效的魔盒。最擅长使用它的人是那些每天进行实验并思考下次如何获得更好结果的人。我们的目标是让机器为我们工作，而不是为我们思考——这意味着以主动、批判和投入的方式使用它。

人工智能需要指导、反馈和纠正——就像人类一样

使用人工智能所需的技能是许多人已经具备的：沟通和授权。就像那个实习生一样，你不会在给他们一个项目后就消失。您可以将其分解、定期检查，并根据需要进行修正。这同样适用于人工智能。

就像实习生一样，作为他们的经理，你最终要对他们的产品负责。这就是“人在循环中”的真正含义：您的工作是让人工智能保持在正轨上并确保输出符合要求。

您不应该将判断外包给人工智能，也不应该向其提供敏感数据

几个月前，一家小型零售连锁店的经理自豪地向我展示了他使用人工智能编码的人力资源仪表板。不幸的是，他还导入了敏感信息，而没有考虑如果这些数据泄露会发生什么或他需要遵循的任何政策。我直接把他送去IT部门。

但风险超出了安全范围。人工智能系统接受人类创建的数据的训练，这些数据反映了我们的集体偏见。您应该避免要求人工智能做出高级主观判断，例如“我们是否应该让这位候选人接受面试”，这可能容易产生偏见。相反，应关注事实评估，例如“该候选人是否拥有适当的经验年限”。

忽视人工智能并不能阻止其影响

人工智能对环境、道德和社会的影响是巨大的，而且还在不断增长。在最近一次环境慈善机构的会议上，一位董事在作为一个组织做更多事情的能力和这样做的道德成本（例如运行人工智能系统的碳影响）之间左右为难。但人工智能并不会消失。拥有具备人工智能素养的公民，能够要求以负责任和民主的方式构建人工智能，效果要好得多。人工智能不是等待我们上车的火车；现在已经是旅程的一半了。唯一的问题是谁来掌舵。

人工智能的发展速度不允许缓慢决策

今天的人工智能版本是有史以来最糟糕的版本，而且它的改进速度比大多数人意识到的要快。一年前不可能完成的任务现在已成为例行公事。曾经，我花了很长的夜晚伏在键盘上试图找出为什么我的代码不能按预期的方式运行，现在我只需几个小时就可以创建整个应用程序，只需要几个提示。去年，当 Anthropic 首席执行官表示 90% 的代码很快将由人工智能编写时，许多开发人员都笑了。如今，许多人承认他离这个目标并不遥远。

与过去的技术革命不同，这次技术革命的发展速度快于我们的适应能力。从蒸汽机到机车花了一个世纪的时间，从法拉第感应器到成为爱迪生的发电厂花了五十年的时间。如今，突破与全球采用之间的差距只有几个月。我们没有机会进行长达十年的辩论；我们必须像技术一样快速地建立我们的社会和民主应对措施，否则就有可能被我们尚不了解的工具所统治。

塑造人工智能如何改变世界的人不一定是构建这些系统的技术人员。他们可以是那些愿意尝试、认真对待能力和风险的人。我们所有人都有责任不仅自己了解人工智能，而且有责任推动我们的雇主、社区和政府以确保没有人落后的方式使用它。

汤姆·休伊森 (Tom Hewitson) 是该公司的创始人和首席人工智能的官员通用型，一家总部位于伦敦的人工智能培训公司