DeepSeek的R1：一个有用的提醒

作为一名大学教育工作者和前IT行业老兵，我发现围绕中国DeepSeek R1模型的炒作是一个有用的提醒，提醒我们三件事。

首先，生成式AI不再仅仅是处理大量内容以生成相关响应；它还涉及认知推理（R1中的“R”）。

大型语言模型（LLM）的承诺是，巨大的知识检索和认知处理能力——曾经是超级计算机和天才们的专属领域——现在已经落入了几乎每个人的手中。多亏了新一代提高效率的技术进步，有些模型足够小，可以在传统笔记本电脑上运行，支持多个智能代理，可以自主执行复杂的交互任务。

其次，生成式AI革命首先是关于创新和创造力——它不仅仅是关于最强大的硬件、最大的训练数据集或最多的模型参数。这些技术的成功采用将不会由拥有大量能耗的超级计算机和数十亿美元模型的巨型科技公司决定，而是由投资于人力资本以使他们为这一新浪潮做好准备的国家和组织决定。

第三，也是基于上一点，美国似乎并没有为即将到来的经济和社会的巨大变化做好准备。我将举出两个例子：高等教育和企业美国。

高等教育

在大多数高等教育机构中，大学一年级的第一大决定是选择是否追求文学学士（BA）学位，这与更广泛、更跨学科的教育相关，或者选择理学学士（BS）学位，这更侧重于特定领域的技能和实践经验。

在AI时代，这种二元对立已经过时，因为两种学科都变得在职场中必不可少。

事实上，大多数一年级学生对不同类型工作的知识或见解几乎为零，也不知道自己的优势、劣势、技能和天赋。然而，大多数一年级学生被要求宣布专业，这对于那些知道（或以为知道）自己想要追求哪个领域的学生来说将是一个容易的决定：工程、科学、医学、法律等。

我们需要一个完全不同的、职业准备、更广泛、跨学科的高等教育方法，承认大学毕业生的第一份全职工作可能与他们获得的学位或专业无关；他们的大学经历将代表终身学习的第一阶段——提升技能、认证、重塑、职业转换——对于我们现在无法想象的角色。

另外，作为教育者，我们需要开发新的策略来处理AI抄袭，并应对聊天机器人成为知识捷径或“认知外包”的危险——依赖外部工具而不是发展内部能力的倾向。

在一个知识与理解分离的时代，很容易简单地提示AI以获得立即的答案或解决方案，而不是努力理解概念或解决问题。

企业IT

大多数公司似乎也没有意识到这些新技术的组织影响。

当前的IT角色和结构反映了上一次数字革命的组织需求。这些功能源于人类与计算机交互所需的专业知识——编程、数据工程、计算机架构、网络管理、信息安全等。

相比之下，生成式AI（以及之前的自然语言处理领域）是关于设计和训练计算机以与人类交互。

因此，普通员工正在想出创造性（有时危险）的方法来使用这些技术。组织正在努力制定可行的政策、程序和控制，以最大限度地提高生产力收益同时最小化风险。

一个关键问题是，大多数公司的数据科学专业知识往往集中在IT部门，大多数IT部门仍然作为秘密行会运作，拥有自己的神秘语言和实践，与核心业务单位组织上和功能上隔离。我认为即将到来的生产力革命需要新的组织角色和结构，其中数据专业知识不是被隔离在一个专门的功能中，而是与几乎每个方面的运营相连。

还有数据挑战。在大多数组织中，采用AI是关于使用专有数据定制LLM来执行专门的用例。业务线中的数据用户希望完全准确、干净和管理良好的数据，但IT中的数据所有者没有预算、财务激励或组织权威来确保这种水平的质量和透明度。

因此，内部数据集在整个企业中没有被很好地发现/管理。通常，存储在不同地方的不同类型的数据。对业务用户的请求，IT提供了数据的不同视图，制作了数据的不同副本（和副本的副本），并为各种不同的原因创建了数据的暴露和抽象……到这一点，没有人知道哪些版本是过时的、不完整的、重复的、不准确的或其上下文。

结论

​生成式AI有潜力改变所有形式的知识工作。在其核心，这项技术是关于专业知识的民主化（无论是好还是坏）——消除编码器、摄像师、插画师、作家、编辑和几乎所有类型的知识工作者或“专家”的中间人。人类以前从未处理过一项与他们自己的认知处理和推理能力相媲美的技术——仅仅是他们的身体力量、耐力、精确的灵活性和处理大量数据的能力。

这种令人兴奋的新生产力革命需要新的技能、能力和组织结构，其中数据专业知识是几乎每个业务流程的重要组成部分。

讽刺的是，当机器获得更大的分析能力时，员工在组织等级中的地位和价值可能变得不再是专门的专业知识、经验和证书的函数，而是他们的创造力、跨学科和人际交往能力的函数。

现在是时候开发和投资这些能力了。