AI写码能力即将显著提高

delta42 发表于 2023-6-2 17:54
其实主要看一个行业有没有员工协会。很多医生简单的活，不少护士早就能干了，现在还干不了就是因为协会保 ...

的确很多医生的活护士能干, 所以有nurse practitioner, 薪资也跟physician差不了很多, 这个现象在麻醉科尤其明显, 麻醉医生干的活, 大部分麻醉护士也能干, 所以麻醉护士在所有的护士里薪资是差不多最高的, 不过归根结底还都是人和人在比较竞争, 所谓行业保护也都是在comparable candidate之间的选择, 未来AI在这个领域, 应该不会有类似竞争的, 所谓签证在这个过程中不会是一个variable, 甚至不会是一个comfounding.

照现在这个发展速度，再过20年，AI基本能做大部分工作了

RBUG 发表于 2023-06-01 20:18:46
所有hold accountability的决策者都不会受影响，比如医生律师system architect，但工作性质是给别人打杂的junior级别的人就危险了，比如秘书文员，只负责小模块的低级程序

想多了都一样
ai足够强大，失误率是人类医生律师的千分之一甚至万分之一的时候，在这个巨大利益驱动和效率驱动下必然不怕承担决策后果。且会有更大的赔偿buffer
看看turbotax的商业模式就知道了，报税是一个简单的例子。这个业务每年能营收几十亿美元

身为chatgpt 付费会员的码农这里说几句自己的体验。

我发现chatgpt特别适合帮我写最好最简洁的代码，因为chatgpt的知识库里有几乎所有技术文档的浓缩。

像 我会问“java 8 里假设我想用stream loop 一个list同时对每个item做xxxx然后xxxx然后再放到xxx怎么弄” chatgpt 可以帮我写个简单的逻辑 加上注释每个method call是怎么运作的原理，对我自己的编程能力都有提高。但对我来说仅限于部分时候的stackoverflow，geekforgeek这类编程知识网站的平替。

chatgpt的编程能力很强，但至少openAI的chatgpt还没法代替程序员。但是身为有ML背景的工程师，如果要代替工程师的话，对于以后的AI，这里有几个LLM跨不过的难点。

1.训练集问题：假设一个大公司想训练自己的LLM 代替工程师，那么它就必须要依赖公司内部的优质代码，很明显公司是不会拿屎山代码拿去练，那么手工数据筛选，以及强调公司多偏好的代码风格将非常重要。那么筛选优质代码的成本是巨大的，chatgpt本身也是花了大功夫人工标注，放到写代码上工作量就更大了。其次，大规模技术编程问题的复杂度可以比语言本身高出几个维度，同时也极其缺乏数据集，

.google  иchatgpt能成功是因为它的数据集很好创造，但对于编程，设计类，尤其是大规模high level的编程，仅凭公司内部的样本是绝对没法满足训练需求的。学过ML的都知道，数据集不达到基本bench mark是没法实现基础功能的。

对于SDE来说，代码层面的数据集都不一定够（低层级写码因为需要分拣屎山代码清理数据，而中大规模设计则缺乏数据集）光这两点就导致SDE至少近10年都不会被取代。这还只是我单纯从数据的角度来讲，还是站在半外行人角度来看的，更别说真的去训练LLM本身会撞上什么新问题。

这个思路可以延伸到其他行业，数据问题和答案本身越线性，结论和答案的数据集越好获取，则越容易被LLM取代。

理论上来说 律师会相对最容易被取代，因为法学文档 案例宣判 这类数据与答案的关联性太线性了。

医生的话则有点特殊，因为疗程与个体本身差异太大，而且也会碰上数据集的问题，因为人类本身的生理复杂性就导致很多疑难杂症没法被量化采集，但中低难度和常见病的诊断处理长期来看绝对可以被AI平替的。

但律师被替代也没有那么简单，所谓疑难杂案，LLM这个数据集里没有被考虑过的案件，LLM举一反三的结果不一定是我们想要的。

所以按照我的理解，SDE在某种意义上比医生和律师安全，但长期来看我认为谁都不安全，因为数据集本体是个很难的问题，但不是无解问题，因为用AI生成数据集再投入训练也是目前业界很正常的操作了，随着AI能处理的数据越来越复杂，创造数据的相关理论跟上也是迟早问题。

生产效率提高的本身不会给人带来问题，而是社会本身的问题，
一个充满社会问题的糟糕的社会 有没有AI 人都会很苦逼 不然为什么会有 赛博朋克科幻呢，本身就是一个警醒。

既然反面教材给出来了，人类社会还朝着那个方向走，那不能怪机器，怪人。

wuq443 发表于 2023-6-4 14:12
身为chatgpt 付费会员的码农这里说几句自己的体验。

我发现chatgpt特别适合帮我写最好最简洁的代码，因为c ...

前多少年, 各个所谓AI教父成名的lenet, alexnet, resnet, 哪个也不是堆叠大数据出来的, 多是算法的进步, chatGPT证明大力出奇迹可行之前, 大家更多是追随bert,

医学发展方向是personalized medicine, PM的基础是大数据和循证, 大多也是线性的, 少数所谓疑难杂症, 人类从来就没有攻克过, FUO永远是最难的诊断, 有一些是无法诊断, 有一些是没必要, 医学AI是否需要走大力出奇迹的路线, 存疑, 至少医学CV领域应该不是或者不全是
. Χ
AI本身没有壁垒, 本身就是去中心化的, 所以无法大规模的真正的限制或者控制, 以后政府鼓励的发展方向在于各个专业细分领域, 但是很难整体控制