我的书架上有很多书,涵盖从网络到人工智能到安全到基础知识的方方面面。 虽然我的大部分大学教科书早已不见踪影,但有两本还留存着: 《龙书》和《算法导论》 。
我保留前者是为了感伤。 我一生中只编写过两个编译器,并且我希望永远不要再编写另一个。 我保留后者,因为它永恒。 你知道,算法并不与任何操作系统或语言相关联。 它们是解决常见问题所遵循的逻辑规则(模式)。
这就是为什么有时我在开车出去时会说“Dijkstra”我的差事。 Dijkstra 算法是一组寻找最短路径的规则,它既适用于执行多项任务,也适用于通过网络路由数据包。
考虑到这一点,让我们考虑一下即时工程的发展空间。 一个简单的定义是“为生成式人工智能工具设计输入以产生最佳输出的实践。” (麦肯锡)
在过去的几个月中,我们看到了许多即时工程“技术”的出现,每一种技术都是为了解决一类特定问题而设计的:如何从生成式人工智能中产生最佳输出。
《福布斯》在推广这些技术方面做得非常出色:
还有许多其他的,但它们都具有相同的特征。 每个模型都描述了一组与生成式人工智能交互以产生所需结果的规则或模式。 从工程角度来看,这与描述如何对二叉树进行排序、反转链接列表或通过图找到到达目的地的最短路径的算法并没有太大区别。
从设计和目的上来说,它们是自然语言算法。
现在,我不会鼓励工程师成为敏捷工程师。 但正如当今许多工程师发现的那样,使用自然语言算法来设计更有效的生成式人工智能解决方案是可行的。 如果您阅读这篇关于减轻 AI 幻觉的博客,您会发现在解决方案的背景下,包括思路链和反射式 AI在内的多种自然语言算法被用来指导 GPT 的响应,从而生成最佳答案。
认识到这一点很重要,因为随着快速工程技术的出现,并最终获得可识别的名称,它们将成为利用生成式人工智能的解决方案的基石。今天的快速工程技术就是明天的自然语言算法。
我们最好不要忽视它们,或认为它们的价值低于传统算法而忽略它们,也不要认为它们仅适用于家人和朋友使用的聊天界面。
我们可能依赖 API 将生成式 AI 集成到解决方案中,但我们交换的数据是自然语言,这意味着我们可以在正在构建的解决方案中利用那些提示工程技术(那些自然语言算法),从生成式 AI 中产生更好、更清晰、更正确的答案。
这也意味着技术领导者不仅应该允许而且应该鼓励工程师花时间研究生成式人工智能,以发现那些能够带来更优解决方案的模式和算法。
你永远不知道,你的某位工程师将来可能会拥有一种以他们的名字命名的算法。