DeepSeek 的 R1：一个有用的提醒

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

第一，生成式 AI 不再仅仅是处理大量内容以生成相关响应的能力；它还涉及认知推理（R1 中的“R”）.

大型语言模型（LLM）的承诺是，将巨大的知识检索和认知处理能力——曾经只属于超级计算机的天才——现在可以由几乎任何人使用。多亏了新的高效技术的出现，有些模型足够小，可以在普通笔记本电脑上运行，并支持多个智能代理，可以自主执行复杂的交互任务。

第二，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仅取决于拥有大量能耗的超级计算机的巨型科技公司；而是取决于投资于人力资本的国家和组织，以便他们为这一新浪潮做好准备。

第三，基于上述观点，美国似乎并没有很好地为即将到来的经济和社会变化做好准备。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，大学新生面临的第一个重大决定是选择是否攻读学士学位（BA），这是一种更广泛、更跨学科的教育，还是选择攻读理学士学位（BS），这更侧重于特定领域的技能和实践经验。

在 AI 的时代，这种二元对立已经过时，因为两种学科在工作场所都变得至关重要。

事实上，大多数第一年学生对不同类型的工作、甚至自己的优势、才能、技能和能力的相对优势和劣势知之甚少。然而，大多数第一年学生仍然需要宣布自己的专业，这对于那些知道（或认为自己知道）自己想要从事哪个领域的学生来说，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、面向职业的、更广泛的、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；他们的大学经历将仅仅是他们一生中持续学习的第一阶段——提升技能、获得证书、重塑自己、转换职业——为我们现在无法想象的角色做准备。

此外，作为教育工作者，我们需要开发新的策略来处理 AI 抄袭 和应对聊天机器人成为认知捷径或“认知卸载”的危险——即依赖外部工具而不是发展内部能力的趋势。

在一个知识与理解分离的时代，人们很容易被诱惑去寻求 AI 的立即答案或解决方案，而不是努力去理解一个概念或解决一个问题。

企业 IT

大多数企业似乎也没有意识到这些新技术的组织影响。

当前的 IT 角色和结构反映了前一次数字革命的组织需求。这些功能源于人类使用和与计算机交互所需的专门知识——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的。

因此，普通员工正在想出创造性的（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、程序和控制措施，以最大限度地发挥这些技术的生产力优势，同时尽量减少风险。

一个关键问题是，大多数企业的数据科学专业知识往往集中在 IT 部门，这些部门仍然像秘密行会一样运作，拥有自己的神秘语言和实践，与核心业务单位在组织和功能上隔离。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特殊功能中，而是与几乎每个方面的运营都相互关联。

还有数据挑战。在大多数组织中，采用 AI 是关于定制大型语言模型以执行专用用例，使用专有数据。业务线中的数据用户希望完全准确、干净、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一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管理和发现。通常，不同类型的数据存储在不同的位置。为了响应业务用户的请求，IT 提供了对数据的不同视图，创建了数据的不同副本（和副本的副本），并为各种原因创建了数据的暴露和抽象…… 到这一点，已经没有人知道哪些版本是过时的、不完整的、重复的、不准确的或上下文不明。

结论

生成式 AI 有可能改变所有形式的知识工作。其核心，这项技术是关于专家知识的民主化（无论是好还是坏）——消除了编码员、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”之间的中间人。以前，人类从未面对过一项能与其自身认知处理和推理能力相媲美的技术——仅仅是其身体力量、耐力、灵巧度和处理大量数据的能力。

这个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，随着机器获得更大的分析能力，组织等级结构中员工的状态和价值可能不再取决于他们的专门知识、经验和资格；而是取决于他们的创造力、跨学科和人际交往能力。

现在是时候发展和投资这些能力了。