当前位置: 首页 > article >正文

炸锅了!大语言模型直言能替代 20 种人类工作,你需不需要转行?速看!


最近推特上有一个例子引起了广泛的讨论,事情的起因是这样的:网友让 GPT-4o 预测一下自己未来将会替代人类哪些工作?

这听起来很有趣!GPT-4o会给出什么样的预测呢?

AI 心里有数

在这里插入图片描述

GPT-4o回复了一张表格,列出了GPT-4可能取代人类的20种职业,按可能性排序。表格包含三列:排名、职业、为何优于人类以及可能性:

  • 数据录入员:更快、更准确、不知疲倦,能全天候工作。取代概率:95%

  • 电话推销员:提供一致的服务,能处理大量电话,实时分析客户反应以改善话本。取代概率:90%

  • 客服 :能同时处理多个询问,提供一致的响应,全天候服务。取代概率:88%

  • 文案策划:快速生成高质量内容,能调整风格和语调以适合目标受众,成本效益高。取代概率:85%

  • 技术支持分析师:提供快速准确的解决方案,能处理复杂的故障排除,通过访问庞大的解决方案数据库。取代概率:83%

  • 医疗抄写员:在抄写医疗记录时更高的准确率,更快的处理速度,无需休息。取代概率:82%

  • 校对员:能处理大量文本,减少人为错误。取代概率:80%

  • 市场研究分析师:更高效地分析大数据集,快速识别趋势,提供实时洞察。取代概率:78%

  • 法律助理:能够起草文件,进行法律研究,快速组织文件。取代概率:75%

  • 预约调度员: 高效管理日程,减少调度冲突,提供全天候服务。取代概率:73%

  • 社交媒体经理:生成内容,安排帖子,分析管理数据,高效运营。取代概率:70%

  • 财务分析师 : 分析财务数据,识别趋势,提供更快更准确的洞察。取代概率:68%

  • 翻译 :提供快速准确的多语言翻译,能处理大量文本而不感到疲劳。取代概率:65%

  • 旅行代理:快速搜索并预订旅行住宿,根据数据分析提供个性化推荐。取代概率:63%

  • 内容审核员:持续监控和过滤内容,能处理大量数据,应用一致的准则。取代概率:60%

  • 招聘协调员:筛选简历,安排面试,高效管理候选人数据库。取代概率:58%

  • 新闻记者:快速生成新闻文章,能分析数据和趋势,提供实时更新。取代概率:55%

  • 研究助理:进行文献回顾,总结发现,高效组织研究数据。取代概率:53%

  • 销售代表:生成潜在客户,跟进潜在客户,提供一致的销售推介和客户跟进。取代概率:50%

  • 图书管理员:管理和编目信息,协助研究查询,提供数字资源的高效访问。取代概率:48%

原来GPT-4o真心里有数呢!

它不仅了解人类的能力,还深刻认识到自己在哪些工作领域能够逐步取代人类。通过它那独特的“电子眼”,GPT-4o对人类的职业世界进行了仔细的观察和分析。

自己过了一遍这个清单,看似很有道理,特别是那些目前GPT-4已经显示出明显能力优势的职业,替代的概率更高。

还有网友问了下Claude3:

Claude 3 列出来AI替代的20种职业,包括客服、数据录入、语言翻译、内容审核、撰写广告文案、校对与编辑、市场研究分析、基础代码开发、广告拷贝创作、预约调度、数据可视化、基础会计、社交媒体帖子生成、食谱创作、基础法律文件起草、个性化辅导、旅行行程规划、基础图形设计、歌词创作和健身训练计划创建。

那什么职业不会被替代呢?

GPT-4o同样回复了一张表格,根据替代可能性的低到高进行排序,每个职业旁边列出了为何人类在该领域不容易被替代的理由以及被AI替代的概率百分比:

  • 创意总监:需要独特的人类创造力、愿景以及领导和激励创意团队的能力(5%概率)。

  • 心理治疗师: 需要深厚的人类同理心、直觉和建立与病人的个人联系的能力(8%概率)。

  • 外科医生:需要复杂的实际操作技能、实时决策能力以及应对突发情况的适应力(10%概率)。

  • 教师: 涉及人际交往、情感智慧以及激励和指导学生的能力(12%概率)。

  • 首席执行官:需要战略性视野、领导力、复杂决策能力和建立人际关系的能力(15%概率)。

  • 演员/女演员:依赖独特的人类表情、情感以及与观众建立个人联系的能力(18%概率)。

  • 社会工作者 :需要深刻的同理心、人际交往能力和处理复杂情感问题的能力(20%概率)。

  • 警察:需要人类的判断力、身体存在以及处理不可预测情况的能力(23%概率)。

  • 消防员 :需要身体勇气、快速决策能力以及解决问题的实际操作技能(25%概率)。

  • 法官:需要复杂的法律推理、伦理判断和在决策中权衡人类因素的能力(28%概率)。

  • 活动策划者:涉及创造力、人际接触和管理动态、实时变化及人际互动的能力(30%概率)。

  • 记者:需要调查技能、人类判断力以及与消息来源建立信任和关系的能力(33%概率)。

  • 咨询师:涉及人际连接、同理心以及导航复杂的情感和心理问题的能力(35%概率)。

  • 艺术家:需要独特的人类创造力、表达以及通过艺术唤起情感的能力(38%概率)。

  • 外交官:需要高水平的谈判技巧、文化理解以及建立和维护关系的能力(40%概率)。

  • 人类学家:涉及田野工作、人际交往以及解读人类文化的能力(43%概率)。

  • 厨师:需要创造力、实际操作技能以及创造独特的烹饪体验的能力(45%概率)。

  • 建筑工人:需要体力劳动、解决问题的实际操作技能以及适应动态工作环境的能力(48%概率)。

  • 急救医疗人员:涉及实际医疗护理、快速决策和处理高压情况的能力(50%概率)。

  • 生活教练:需要深厚的人际联系、同理心以及激励和启发个人的能力(53%概率)。

根据GPT-4o给出来的名单,那些涉及深层人际互动、需要创造性思维、或者在复杂情况下需要迅速作出决策的工作,像是教师、心理治疗师、艺术家,这些都不太可能被AI替代。这些工作不仅需要理解人类的情感,还要有能力进行艺术表达或处理复杂多变的环境。

而那些重复性高、规范化流程明确的任务,比如数据录入或基于固定规则的分析工作,更容易被AI替代,因为这些工作AI已经可以高效完成。

要么是需要真实环境中的人际交往,或者需要一点非框架思维的地方,人类的独到之处仍然是AI所无法替代的。在虽然AI很强大,但某些人类独有的特质是无法被机器复制的。

拟人化的弊端

上个月,Google DeepMind发布了一篇论文,详细地阐述了拟人化人工智能的潜在弊端,称这类助手可能会重新定义「人类」和「其他」之间的界限。论文探讨了以下几个关键领域:

论文链接:
https://arxiv.org/pdf/2404.14068

  1. 误导感知的风险:拟人化的AI可能会使用户对系统的能力和限制产生误解,这可能导致过度信任或低估系统的功能界限。当AI以接近或模仿人类的方式表现时,用户可能会错误地赋予其超出其真实能力的信任,如过度依赖AI的决策支持功能。

  2. 伦理和社会影响:赋予AI人类特质可能会使伦理考虑更加复杂,如隐私、自主性和责任问题。例如,用户可能会错误地认为AI具有它实际上并不具备的决策能力,从而引发关于问责制和透明度的伦理问题。这种误解可能导致责任归属不清,当AI的决策导致负面后果时,难以确定责任。

  3. 设计偏见:拟人化AI的设计过程可能引入或加剧偏见。这在AI与不同用户群体互动时尤为关键,因为拟人化特征可能反映特定的文化、性别或社会规范,这些规范并非普遍适用或可接受。这可能导致某些群体在使用AI时感到不舒服或被边缘化。

  4. 对人类行为的影响:与类人AI的互动可能以意想不到的方式影响人类行为。例如,人们可能会改变他们的自然互动方式或变得依赖AI进行社交互动,这可能影响社交技能和情感福祉。长期依赖可能削弱人类处理复杂人际关系的能力。

  5. 监管和治理挑战:拟人化的AI在监管和治理上呈现独特挑战,因为类人的互动可能会模糊工具与代理之间的界限,使得管理AI使用和责任的法律框架变得复杂。确定如何以及何时对AI的行为进行监管变得更加困难。

这篇论文提到了用户可能会把重要决策委托给AI、向AI透露敏感信息,甚至在情感上过度依赖AI等现象。

随着AI技术日益进步,它们变得越来越像人类,这难免引发一些担忧。在科技高度发展的今天,只有每一步的前进都慎重考虑,才能确保技术的应用方向是正确、可持续的,避免潜在的负面影响。

而就在最近,OpenAI几大操作却引发了大量争议!

AI可以用来战争吗?

OpenAI的最新成果GPT-4o在上周的大会上引起了广泛关注,特别是其在情感依赖方面的应用,能够输出高度情绪化的语音回复,而且能够读取用户情绪健康状态。

这样的能力不仅令人惊叹,也不可避免地引发了一系列道德和安全上疑虑。

我们正见证一个人工智能可以解读甚至操纵人类情绪的新时代。但是如此深入地介入人类的情感生活,而对应的监管的规定和限制却是空白,AI被赋予的这项能力能力难道不是打开的潘多拉的盒子,将会释放一系列预料之外的后果吗?

更令人不安的是,OpenAI最近悄然撤销了限制将ChatGPT用于“军事和战争”应用的禁令,这一决策无疑为AI技术的军事利用打开了大门。

虽然目前的AI系统还不能直接控制执行致命任务的武器系统,如无人机或导弹发射装置,但它们可以在战争中扮演关键的辅助角色。

例如,AI可以用于优化战术决策,分析情报数据,协调物资和兵力的调配,甚至模拟敌对力量的行动以预测其战术。此外,AI技术也能够加速军事通信和文书处理,提高军事行动的效率和响应速度。

然后随着技术的进步,未来AI可能被整合进更直接的战斗系统中。例如,通过AI增强的目标识别系统可能会被用来自动化攻击决策过程,从而降低人类决策者的直接参与。

AI真的有权利参与战争吗?要知道,战争和杀戮是紧紧相连的。

当我们讨论AI参与战争的问题时,不仅需要探讨人类决策者如何、在何种范围内使用这些技术。而且还要探讨AI“拥有权利”参与战争吗,我们人类的世界要赋予AI这个权利吗?

AI本身作为工具,没有权利或意志,它的行动完全受制于人类的设计和指令。但是AI决策的责任归属问题非常复杂,如果发生错误,确定责任变得难以追踪。

其次,AI有没有权利作出致命的决策呢?AI可能难以准确执行战争法和国际人道法中的伦理限制,如区分平民和战斗人员,这可能导致不必要的伤害或损失。

小结

再结合我们开头提到的AI可以替代人类的工作这个话题,AI在模仿和执行人类任务方面的边界究竟在哪里?AI真的能够慢慢替代人类吗?

最后如果您也对AI大模型感兴趣想学习却苦于没有方向👀
小编给自己收藏整理好的学习资料分享出来给大家💖

在这里插入图片描述

👉AI大模型学习路线汇总👈

大模型学习路线图,整体分为7个大的阶段:(全套教程文末领取哈)
在这里插入图片描述

第一阶段: 从大模型系统设计入手,讲解大模型的主要方法;

第二阶段: 在通过大模型提示词工程从Prompts角度入手更好发挥模型的作用;

第三阶段: 大模型平台应用开发借助阿里云PAI平台构建电商领域虚拟试衣系统;

第四阶段: 大模型知识库应用开发以LangChain框架为例,构建物流行业咨询智能问答系统;

第五阶段: 大模型微调开发借助以大健康、新零售、新媒体领域构建适合当前领域大模型;

第六阶段: 以SD多模态大模型为主,搭建了文生图小程序案例;

第七阶段: 以大模型平台应用与开发为主,通过星火大模型,文心大模型等成熟大模型构建大模型行业应用。

👉如何学习AI大模型?👈

作为一名热心肠的互联网老兵,我决定把宝贵的AI知识分享给大家。 至于能学习到多少就看你的学习毅力和能力了 。我已将重要的AI大模型资料包括AI大模型入门学习思维导图、精品AI大模型学习书籍手册、视频教程、实战学习等录播视频免费分享出来。

这份完整版的大模型 AI 学习资料已经上传CSDN,朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费
在这里插入图片描述

一、全套AGI大模型学习路线

AI大模型时代的学习之旅:从基础到前沿,掌握人工智能的核心技能!
在这里插入图片描述

二、640套AI大模型报告合集

这套包含640份报告的合集,涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师,还是对AI大模型感兴趣的爱好者,这套报告合集都将为您提供宝贵的信息和启示。
在这里插入图片描述

三、AI大模型经典PDF籍

随着人工智能技术的飞速发展,AI大模型已经成为了当今科技领域的一大热点。这些大型预训练模型,如GPT-3、BERT、XLNet等,以其强大的语言理解和生成能力,正在改变我们对人工智能的认识。 那以下这些PDF籍就是非常不错的学习资源。
在这里插入图片描述

四、AI大模型商业化落地方案

在这里插入图片描述

作为普通人,入局大模型时代需要持续学习和实践,不断提高自己的技能和认知水平,同时也需要有责任感和伦理意识,为人工智能的健康发展贡献力量。
在这里插入图片描述


http://www.kler.cn/a/349864.html

相关文章:

  • 【云安全】云原生-K8S-搭建/安装/部署
  • mamba论文学习
  • WebSocket 详解:全双工通信的实现与应用
  • 开源 OA 办公系统
  • arkui-x 前端布局编码模板
  • 工业级 RAG 实现 - QAnything
  • 数制转换及交换机
  • 数据结构-顺序栈
  • 使用Illustrator软件打印,如何取消上面打印?
  • TCP/UDP通信协议
  • PHP-FPM和FastCGI
  • 用于混合集成的高功率InP单片集成宽带可调激光器和SOA阵列(一)
  • 2024版51单片机教程
  • leetcode 739.每日温度
  • GS-LRM: Large Reconstruction Model for 3D Gaussian Splatting 论文解读
  • 软考《信息系统运行管理员》- 5.2 信息系统数据资源例行管理
  • MySQL初识
  • SQL 自学:事务处理的COMMIT 和 ROLLBACK 语句的运用
  • PG 17 增量备份功能介绍
  • 等保测评实战:SQL Server数据库的安全评估
  • 弧度和角度
  • ARINC 429总线协议
  • Redis知识应用索引指南
  • 【LeetCode】动态规划—95. 不同的二叉搜索树 II(附完整Python/C++代码)
  • 数据特征工程:离散趋势指标分析
  • RAG(检索增强生成)面经(1)