關于AI取代人的討論一直很熱。不僅如此，人們對AI的擔憂也越來越多：它會不會被資本利用，加劇貧富分化？會不會固化社會偏見，甚至被武器化？當算法設計由特定群體主導時，是否會進一步忽視少數族裔的需求？

在《AI繁榮》中，作者拉維·巴普納和艾寧德亞·高斯指出：當前社會過度聚焦AI的潛在風險，忽視了它能帶來的巨大價值。我們應當認識到，AI本質上是一項能改善生活、助力普通人圓夢的技術。正如英偉達CEO黃仁勛在去年10月印度人工智能峰會上所言： “AI取代不了人，但不用AI的人會被善用AI的人取代。” 這句話點明了關鍵——不被AI淘汰的最好方法，就是主動學會駕馭它。

下文將結合《AI繁榮》和《大模型浪潮》的具體內容， 從“用算法發現自己的隱藏技能”和“有效訓練大模型”兩個角度切入，探討如何讓AI真正為你所用。

用AI發現自己的隱藏技能

利用AI算法優化簡歷，是極具前景的方法。AI算法既懂得包裝你的現有優勢，又擅長幫你發現新的可能。

算法的強大之處，在于能洞悉人類難以察覺的技能相似性。識別適合轉換的相近崗位，如從汽修轉向工廠設備維護相對簡單，但要判斷哪些技能組合更適合跨度較大的領域，如軟件開發或實驗室管理，人類的直覺和經驗往往只能是隨機猜測。

長期以來，招聘過程過度關注候選人是否任職過“對”的公司或擁有“對”的學位，卻忽略了核心問題:這個人是否具備崗位所需的真實技能?通過機器學習技術進行技能評估和匹配，正使雇主和求職者雙方受益。正如科坎強調:“關注技能，讓招聘人員能向擁有非典型經歷的申請者敞開大門。”

《哈佛商業評論》發表的一項研究，分析了2017—2020年的5100萬個職位發布數據，發現雇主正逐步淡化對學歷的要求，轉而更加關注技能，尤其是在IT和管理類職位中。

這意味著，企業可以從新的渠道獲取人才來滿足招聘需求，而在傳統招聘模式下被拒之門外的求職者，也獲得了邁入心儀領域的機會。

這種技術更能幫助個體實現跨領域職業轉型——這在快速變化的職場中至關重要。數百萬勞動者可能在職業生涯中被迫轉換賽道，如果自動化導致工作崗位消失，或者經濟變化引發行業衰退，那么求職者自然希望職業轉換過程能夠盡可能迅速、平穩。AI 技術正助力實現這種快速平穩的過渡。

2021年的一項研究揭示了AI在識別各種職業所需技能方面的能力。研究者利用澳大利亞招聘廣告數據與澳大利亞統計局的就業數據，首先“衡量2012—2020年澳大利亞800萬份實時招聘廣告所反映的技能集合之間的相似度”。

其基本邏輯是，若兩個技能組合高度相似(比如兩個職業所需技能相近)，則意味著技能差距較小，轉行的難度較低。換言之，若崗位A所需技能與崗位B高度相似，而與崗位C差異較大，那么具備崗位A技能的勞動者轉向崗位B會更為順暢。

這個概念可以用一個簡單的例子說明:假設麥克斯懂得修理汽車，而卡洛斯擁有餐廳檢查員的工作經驗。從技能匹配的角度來看，麥克斯的技能更容易轉移到工廠設備維護技術員的崗位，而卡洛斯則更適合從事其他行業的合規官員工作。然而，這種簡單的邏輯只是個起點。

在澳大利亞的這項研究中，機器學習技術分析了龐大的數據點，進行了數百萬次計算，以識別不同技能集合之間的相似性，其速度和規模遠超資深的人力資源經理。最終得出的相似度評分并非簡單的二維或三維比較，而是涵蓋了多個維度，遠超人類大腦可以輕松處理的范圍。

基于這些相對相似度評分，研究人員進一步利用機器學習構建了一套推薦系統，該系統能夠在數百萬種可能的職業轉換路徑中，預測哪些職業轉換最可能取得成功，哪些則難以實現。

澳大利亞的研究證明，數據驅動與AI賦能的方法最終將對數百萬勞動者的經濟前景產生積極影響，進而惠及周圍的社區以及整個市場。對身處轉型期的我們，在遭遇外部沖擊被迫離職，或者主動選擇新職業道路時，借助此類技術將顯著降低重返職場的難度。

綜上所述，AI算法正在為職場人帶來諸多機遇和好處。研究顯示，客服人員借助 AI 聊天機器人后，每小時解決問題的效率平均提升14%。其中，新員工與低技能員工受益最為顯著。而要釋放AI大模型的更大潛力，關鍵便在于精準的“提示工程”：用清晰指令讓AI準確理解人類意圖，這項能力已成職場新剛需。

有效訓練和應用大模型

那么如何訓練大模型，百度集團執行副總裁沈抖在《大模型浪潮》中提示詞優化的章節可以給我們答案。

提出一個問題往往比解決一個問題更重要，甚至有觀點認為，提問的藝術和科學是所有知識的來源。這句話也許有些夸大，但是對于大模型而言，卻非常契合。因為我們在使用大模型時，一個常見的方式就是使用各類GPT聊天工具，給予大模型指令的方式也是通過自然語言。

支撐向大模型提問的技術，就是提示詞工程。它是指通過創建指令或文本作為輸入，引導大模型的輸出，完成需求。提示詞的好與壞，非常影響大模型的輸出。這個開發方式的適用場景也非常廣泛。百度智能云千帆大模型平臺提供了一套開發、應用流程，以及指導方案。

提示詞的質量，會影響模型輸出的質量。接下來分享幾個提高提示詞質量的技巧。

1.明確指令通過細化表達，更加明確要獲取的信息或希望大模型執行的動作，從而避免、減少冗余信息的輸出。 如果指令是“把Hola翻譯為中文”，則會獲得較長的解釋，可以獲得信息，但并不能精確完成指令。因此，優化后的提示詞格式為“將以下西班牙語文本翻譯成中文:文本:‘Hola’”。

可以看到優化后的大模型輸出會精練、準確地執行指令，而不是提供多余信息。

2.細化詢問范圍

通過準確使用指導性詞匯來細化范圍，從而給大模型更精確的提示，得到更準確的輸出。提示越具體，結果就越好。提示詞為“請列舉增值稅的稅率”，這是比較寬泛的提問，而大模型的輸出也比較寬泛。不僅有稅率，還有稅率的適用情況。從表面來看，信息似乎更加全面，但在實踐中，也可能會比較冗余，尤其當需要的是用數字來完成Excel表格形式時，這個輸出就不能良好地匹配用戶的需求。

對提示詞的優化方案為，“列舉增值稅的稅率，并按如下格式直接返回結果。稅率:13%。你列舉的結果是:”。可以看到，大模型的輸出更加簡潔，格式也符合用戶需求。這個技巧在處理財務數據時非常有用。

把大模型想象成學生，它的一個優點就是“模仿能力很強”。因此在提問時，可以盡量提供一個或多個示例，這樣就會讓大模型更加理解任務和目標。示例可以包括足夠的背景信息、角色、約束等。

3.提示詞優化:鏈式思考

分步思考是人類常見的思考方式，例如數學運算中的分步計算、偵探推理中的環環相扣等。分步思考可以降低思考復雜度，提高思考質量。因此，這種方法也可以應用于大模型提示詞的設計中，通過引導大模型采用分步驟的方式來提高輸出質量。這就是鏈式思考，幫助大模型將復雜推理任務拆分為一系列子思考。

根據樣本量的不同，又可以細化為兩種方式。一是少樣本學習，即大模型僅通過提示詞中的幾個示例就能進行概括，并給出滿足用戶需求的輸出，也就是舉一反三。這種方式比較適合無法用語言精準描述任務時的場景。

二是零樣本學習，這個方法可以通過提示詞“請一步一步思考”，來提升大模型的能力。例如，在一個數學計算場景下，就可以在提示詞內要求大模型分步驟輸出內容。步驟清晰，符合用戶要求。可以發現，鏈式思考不僅輸出質量更高，也有助于用戶對提問內容的學習。

通過“明確指令”鎖定方向、“細化范圍”聚焦關鍵、“鏈式思考”拆解邏輯，這三步不僅能讓大模型精準理解需求，更能將其轉化為實在的職場競爭力。

當普通人也能用這套方法駕馭大模型時，AI便不再是少數人的專利，而成為每個人手中的“生產力杠桿”——撬動隱藏技能、放大職業價值、掌控技術變革的主動權，才是這個時代真正的“鐵飯碗”。