@FinanceYF5: 1/7 很多人拿最强模型改邮件、润色文案；另一些人已经用它寻找新行星、制作音乐视频、探索新的数学结果。 差距不一定来自模型，而是人们对“AI 能做什么”的想象。 Anthropic 工程负责人 Felix Rieseberg 将更有野心地…

1/7 很多人拿最强模型改邮件、润色文案；另一些人已经用它寻找新行星、制作音乐视频、探索新的数学结果。

差距不一定来自模型，而是人们对“AI 能做什么”的想象。

Anthropic 工程负责人 Felix Rieseberg 将更有野心地使用 AI，分为四个方向：速度、层级、深度和广度。👇 https://t.co/EvTXVR2ZfY

1/7 Many people use the most powerful models to revise emails and polish copywriting; others are already using it to discover new planets, create music videos, and explore new mathematical results.

The gap doesn’t necessarily come from the model, but from people’s imagination of “what AI can do.”

Anthropic’s engineering lead Felix Rieseberg will use AI more ambitiously, divided into four directions: speed, hierarchy, depth, and breadth. 👇

2/7 【速度】是用更少时间完成同样的工作，也是目前最常见的 AI 用法。

但更大的机会来自另外三个方向：

层级：从执行单项任务，转向完成更高层目标 深度：使用顶尖专家的方法、工具和原始数据 广度：引入多个领域的知识与技术

原文：

3/7 【层级】不是让 AI“做一份季度汇报”，而是追问汇报背后的目标。

先让它分析本季度发生了什么、原因是什么；再找出最紧急的三个决策；最后，让它设计一套比季度汇报更早发现问题、调配资源的方法。

不要只告诉 AI 下一项任务，要告诉它最终希望发生什么。

4/7 【深度】不是让 AI 把任务做得更大，而是让它像领域内最优秀的专家一样工作。

不要满足于 Markdown 表格，让它使用数据库和统计模型；不要只给整理后的结论，让它检查原始数据；不要让模型自己评价结果，而要引入外部工具或真实数据验证。

5/7 Felix Rieseberg 给出了一个可以直接使用的提示词：

“需要的是这个任务更深入的版本，而不是更大的版本。先说明：

顶尖专家还会做什么？ 他们会从哪些原始材料开始？ 他们会使用哪些具体方法和工具？ 除了你和我，还有什么能证明结果正确？

然后据此重写任务。”

6/7 【广度】是用过去成本过高的跨领域方法解决问题。

不要把季度汇报理解成“一份幻灯片”，而要把它改写成一个动作：

“让一群忙碌的人在 30 分钟内相信一套因果解释，并在不确定性中作出决定。”

这样就能自然引入分析师、记者、编辑、动效设计师、空头研究员和法务会计的方法。

7/7 人类一直会被“自己认为不可能的事”限制。

心理学将这种信念称为自我效能感。研究发现，具体而困难的目标，往往比“尽最大努力”带来更好的表现。

当模型能力每隔几周就出现一次跃升，真正需要更新的不只是工具，而是目标的尺度：

不要只问 AI 能不能完成任务，也要问自己是不是把任务想得太小了。

以上就是全部

如果您喜欢这个主题：

1.关注我（@FinanceYF5） 2. 点赞+转发下面第一条帖子

Sam Altman 认为，在资源紧缺的环境下，本地推理其实是一种很糟糕的资源配置：

“很多人认为，有了开源模型，就能在自己的电脑上运行，不再需要数据中心。

但从全球资源配置的角度看，让每个人都在电脑里放着大量稀缺的 DRAM，却只使用 5% 的时间，是非常低效的。

当供应如此紧张时，真正需要的是让云端资源保持最高利用率。但很多人的直觉恰好相反。”