找到那个甜蜜点，在这个点上，生成式人工智能能够提升你的生产力，但又不会让你陷入无法区分好坏输出的困境。
很少有人能够以“务实和现实”的方式谈论通用人工智能，但这些正是赞誉交给AWS产品管理总监马西莫·雷·费雷跟随他的最近的生成式人工智能（GenAI）讨论不难找到相反的观点。我们继续堆积大量的炒作言论生成式AI而训练大型语言模型（LLM）的经济性则是疯狂的“基础模型训练的资本支出是‘历史上贬值最快的资产’，”迈克尔·艾森伯格说。要真正发挥其作用，生成式AI需要时间.
但那是别人的问题去解决。对你来说，问题是如何在工作中使用（或忽略）生成式人工智能。为此，雷·费雷引入了一个有用的框架来思考何时以及如何拥抱生成式人工智能。正如他所说，你可以租车并用那辆车撞墙或前往海滩一样，你也可以利用生成式人工智能产生糟糕的幻觉或作为开发者推动真正的生产力。这真的是一种选择。
惊叹时刻
雷·费尔在演讲中提到，偶尔你会遇到一种如此具有颠覆性的技术，当意识到行业中的某些东西真的在改变时，它会创造一个“哇时刻”，并且你认为“这是未来长期运作的方式。”他认为，像虚拟机、云计算以及生成式AI这样的技术都曾创造了类似的“哇时刻”。
最基本地说，生成式人工智能（genAI）“通过统计方法预测你想要的东西”，基于一组数据。大型语言模型会分析数据以发现模式，并以有趣的方式呈现这些模式。否则，你可以尝试自己了解所有内容并构建资产（比如编码中的边缘功能或作者撰写的文章），或者可以在网上搜索信息来指导你构建该资产。在这三种情况中，创建资产的责任都在你自己身上。生成式人工智能提供了一种第三种方法：你可以使用自然语言提示大型语言模型为你创建资产。
这种方法的问题在于信任。你如何相信生成式人工智能能够返回一致且可靠的结果？这是关于生成式人工智能最难解决的问题，而Re Ferrè在这方面提供了一些非常有用的指导。
学习区好
作为他的演讲的一部分（紧接着是一个）详细的博客文章)，菲雷（Re Ferrè）说出了一个关于技术的不便事实：一切都会失败。尽管供应商可能想将他们的软件或硬件推销为解决企业最难问题的万无一失的工具，但现实是大多数科技产品只有在合适的限制范围内才会有用。因为包括生成式AI在内的所有东西都可能会失败，“这仅仅是如何应对这种失败、如何减轻这种失败的影响以及你是否意识到潜在失败的风险的问题。”他建议道。
他说，关键是想办法在适当控制的前提下从存在缺陷的生成式人工智能助手那里获取价值。他将这种情况描述为要么处于“增强区”，要么处于“学习区”。
增强区是“你可以利用助手来完成那些接近你的技能水平的任务，并且你仍然可以完全掌控的地方，”他强调说。换句话说，你自己能够完成所有的工作，但你选择让生成式AI助手来补充这些工作（例如，你编写函数，然后让助手用三行描述文档化每个函数的作用）。因为你自己能够独立完成这项工作，所以很容易验证生成式AI机器人是否做得好。这节省了你的时间，但你仍然掌控全局。
学习区域会将你稍微推离舒适区。正如Re Ferrè所说，这里你会“利用助手在你不完全熟悉的复杂程度上帮助你”，但也不会远到让你感到完全陌生的领域。也许你知道如何用Java编写一个函数，但现在你需要将其转换为Rust语言，所以你询问助手这将会是什么样子。正如他所建议的，这大致相当于“2024年的在网络上搜索你不知道的东西”。
危险区域糟糕
他认为你不应该处于这种“危险区域”，即在你对某个领域一无所知的情况下，要求助手为你编写类似CRM系统的程序。在这个危险区域内，你没有好的方法来验证输出的结果是正确的还是错误的。他写道，理想的状态是在“提升区”附近（从而以一种非常可控的方式提高你的生产力），但你也应该适度地扩展自己的舒适区，去探索如何完成那些你不熟悉的任务（同时不要承担过大的风险）。
所以，生成式人工智能能否成为提高生产力的杰出资产？可以。但正如雷·费雷指出的那样，这实际上是在一定的限制范围内使用它的问题，而不是盲目地要求它做太多事情。
