作为微软的首席科学家，我的使命是进行研究，让工作变得更好。获得这份工作是一个令人难以置信的激动人心的时刻。多项研究表明，人工智能的最新进展将使人们能够以新的、更高效的方式工作，而我们才刚刚开始探索人工智能的可能性。在Microsoft 的17 年里，我对计算机改善工作的机会从未如此乐观。
最新一代人工智能工具如此有前途的原因之一是，它们现在允许我们以数千年来与其他人互动的方式与计算机互动：使用自然语言。这是一个巨大的变化。以前，向计算机传达复杂想法的唯一方法是用专为计算机设计的语言准确填写电子表格公式、记住电子邮件搜索的确切关键字或学习编程。现在很多限制都消失了，你可以通过简单的自然语言提示告诉AI你想做什么。
虽然总体而言，使用提示与人工智能进行交流的能力是一个巨大的进步，但研究表明它还引入了一个可以理解的学习曲线。即使对我来说，能够用简单的英语与计算机交谈也是一件新鲜事。世界各地的科学家正在努力缩短这一学习曲线，并取得了巨大进展（例如，“提示优化”方面的工作）。然而，研究清楚地表明，如果您接受过如何编写良好提示的培训，您可以从人工智能中获得更多收益。例如，BCG 最近对管理顾问进行的一项研究发现，接受及时培训的顾问比未接受培训的顾问更擅长使用人工智能工具。
幸运的是，微软和学术界的研究已经产生了早期发现，可以帮助加速我们的提示之旅。这些发现中的大部分都可以归结为一个关键见解：即使使用自然语言，也要记住人工智能系统需要与人类不同的东西。
掌握人工智能语言
在提示中，计算机需要知道哪些人类可能不知道的信息？我如何使用此信息来改进我的提示？以下来自科学文献的理论和结果有助于回答这个问题。
提供更多背景信息。心理语言学长期以来一直告诉我们，语境在所有沟通中的核心作用，即通过对话相互理解的过程，即确保每个人都说同样的话。例如，如果会议中的人们对会议结束时需要采取的行动有共同的理解，并且知道他们有这种共同的理解，这可能是因为他们花了很多时间讨论下一步该做什么。
使用大型语言模型(LLM) 进行基础训练的过程与使用其他模型进行基础训练的过程不同，因为人类通常与该模型的上下文不太相同。在提示中明确上下文有助于获得更好的结果。例如，当我与团队中的研究人员交谈时，我们都知道过去所有关于该主题的头脑风暴会议、彼此拥有的技能等等，但法学硕士不知道，至少现在还不知道。因此，如果我使用人工智能给这个人写一封电子邮件，提供我知道法学硕士可能不知道的所有重要背景信息将会很有帮助。一个人可能会觉得被告知他们需要的所有背景信息有点冒犯，但法学硕士则不然。
得益于检索增强生成(RAG) 等技术和其他最新技术进步，需要提供的上下文量将显着减少。例如，人工智能可以搜索您过去的电子邮件和文档以获取有用的信息。当前的背景也可以提供基本材料。例如，某些系统会在会议纪要中记录您有关会议的问题。尽管如此，鉴于基本信息对于有效合作的重要性，为法学硕士提供正确的背景仍然至关重要。
运用“群众的智慧”。研究表明，人们可以通过从不同角度处理问题来捕捉“群体的智慧”，现在我们可以通过人工智能做到这一点。我发现我可以要求至少三个答复（例如，“生成至少三个标题”或“告诉我三种重写此段落的方法”），有时甚至要求对这个想法进行某种结构（“至少当你确切地知道你想要从你的模型中得到什么时，给它一些例子，这个过程被称为“少量样本学习”（FSL），它将帮助法学硕士根据你想要的做出回应。
依靠识别，而不是回忆。计算机交互的一个核心原则是，人们识别他们想要发出的命令比回忆它要容易得多。想想看，从列表中进行选择比从头开始考虑命令要容易得多。所以我们几乎所有人都使用图形界面而不是像DOS那样的“命令”；例如，双击图标打开应用程序比记住打开应用程序的特定命令然后记住应用程序的正式名称要容易得多。
帮助人们识别他们可能需要的提示，而不是从头开始编写提示，是许多新人工智能功能背后的驱动因素。在一些先进的人工智能系统中，您可以访问大量预先编写的提示库，保存最喜欢的提示等等。这些将反映在用户体验中，随着时间的推移，您和您的组织使用的最佳提示将开始包含在内。我还保存了一些我最喜欢的个人技巧的文件，这些技巧尚未包含在库中。例如，我经常使用的是：我是一名研究人员，我将这封电子邮件发送给与我合作的团队。请告诉我发送电子邮件时要注意什么。
让它成为一次对话，而不是一个单一的请求。文献中的一个重要发现是，将复杂的请求分解为多个步骤可以帮助人们更成功地从法学硕士获得他们想要的东西。有更正式的方法可以做到这一点（例如，“大模型思想链”技巧），但非正式的方法也可以成功。例如，我发现最好首先询问我想要理解的文章的摘要，然后询问个人观点。例如：
·使用大纲概述文章的内容，重点关注Microsoft 高管（对研究特别感兴趣）可能感兴趣的内容。
·关于这篇文章，主管会问什么问题？请附上您的答案并尽可能引用该文章。如果文本中没有参考内容，请回答：“文本中没有答案”或“只有部分答案”，并描述部分答案和提供完整答案所需的其他信息。
如果这不起作用，请尝试另一种方法。 LLM是一项相对较新的技术，我们仍然有很多不了解的地方。这意味着有时我们无法解释为什么提示的一种措辞效果很好而另一种措辞效果不佳，这可能会因同一人工智能模型的不同版本和应用程序而异。因此，如果您尝试了某个技巧但不起作用，请尝试重新措辞以找出有效的方法。你甚至可以直接询问它如何提出LLM问题。对人类来说从头开始并不容易，但对人工智能来说却可以。您可以尝试几次，看看不同的策略可能会产生什么效果。
利用及时的支持。如果说LLM代表了一种与计算机交互的新模式，那么良好的提示支持就像Word、Excel这样的命令“链接”，可以让人们解锁更多的功能。例如，我们正在研究如何自动推荐个性化提示，以帮助用户在工作流程中采取下一步，或处理其待办事项列表中的某个项目。还有很多有趣的研究等待着我们。随着新功能的出现，最佳的激励策略将随着时间的推移而改变，我们将开始释放将法学硕士融入我们工作的独特好处。例如，增加个性化将使背景变得不那么重要，而及时的支持将变得更加重要。
当今许多最佳的激励策略都是由研究人员开发的。他们的研究表明，一个好的提示所带来的好处不仅仅是改进底层模型。例如，微软最近的一篇论文表明，在医学领域，只需改变提示策略，就可以通过LLM实现巨大的改进，挑战了需要新模型训练过程的假设。但尽管研究人员很聪明，他们可以探索的空间仍然相对有限。我们将越来越能够从使用LLM 的数百万用户那里学习最佳策略。随着越来越多的人使用这些工具，并且随着这些工具的不断发展，我们将了解更多信息。
自然语言对话是我们工作方式的基础。从历史上看，这适用于我们的协作方式，现在也适用于我们使用计算机的方式。对话包含很多LLM将解锁的知识，例如，您与PowerPoint的对话现在可以成为精彩的演示文稿。但对话不仅仅涉及事实和数据，基础和结构也很重要。这是提示项目。随着我们开始发现使用LLM Unlock 的新方法，这种结构将会不断发展。我很高兴练习和学习能够继续下去，我希望你也是如此。
海梅·蒂万|文本
Jamie Tevin 是微软首席科学家，负责推动微软产品的研究和创新。她在Microsoft 的早期工作重点是使用AI 帮助人们实现目标，开发Bing 使用的第一个个性化搜索算法，并将微生产力引入Microsoft Office。杰米曾担任微软首席执行官的技术顾问，目前领导微软努力了解后疫情时代的工作实践。
飞书、DeepL |孙艳译|已编辑
如果你考虑今年之后转行，这五件事至关重要
人工智能驱动的销售决策有多可靠？
