expertise

本文批评了软件开发中对 AI 的过度依赖，认为 AI 缺乏代码可维护性和架构方面的智慧，这可能会阻碍开发者的专业能力并导致长期问题。

这篇文章强调了AI研究人员在讨论复杂话题时常常表达不确定性，与自信但过于简化的公众叙述形成对比，并强调了在AI讨论中专家参与的必要性。

文章讨论了AI解决重大数学问题如何促使数学家质疑其对专业知识的影响，强调了数学中解题与创意生成的区别。

文章探讨了构建AI代理的安全风险，强调专家可能在自己的领域过度信任模型，而在其他领域则因未知的未知而持谨慎态度。

软件基础在使用AI智能体时仍然至关重要，因为像延迟、一致性和成本这样的权衡必须被管理。专业知识包括理解这些权衡并指导智能体为系统做出适当选择。

论文《Immiserizing Automation》认为，自动化入门级工作可能会干扰经验积累，长期来看可能导致经济萎缩。

本文讨论了AI编程工具可能导致的悖论：这些工具需要专业知识才能有效使用，但却阻碍了新手开发者发展这种专业知识，从而可能导致编程能力的整体下降。

这篇arXiv论文探讨了人工智能如何通过影响认知公地来干扰专业技能的再生，从而可能削弱熟练从业者的培养。

文章认为，领域专业知识是有效使用LLM的最重要技能，并以陶哲轩的ChatGPT对话作为专家级提示词的示例。

Pascal Bornet讨论了一个悖论：随着AI改进决策，人类可能失去培养判断力和专业能力的机会，敦促领导者有意识地设计人类决策的实践。

Peter Norvig的一篇经典文章，认为成为编程专家需要大约十年的刻意练习，并批评了快速学习类书籍。

Aaron Levie 认为，AI是专家的力量倍增器，能让他们产出更高质量的工作，而缺乏专业知识则会导致低质量输出。Henry Shevlin补充说，内化的知识对于创意联想和筛选错误信息至关重要。

作者分享了一个观点：AI奖励的是那些拥有深厚领域知识的人，使他们能够将专业知识应用于多个领域，并反驳了AI将取代工作的说法。

这篇文章批评了AI公司的营销炒作，认为历史表明像编译器和电子表格这样的工具增强了专家而非取代他们，并指出当前AI的宣称是为了投资目的而被夸大。

探讨了AI的真正影响不是替代工作，而是通过消除瓶颈来扩展专业知识，引用了Perplexity、GitHub Copilot和Rilla等工具。

一位评论者指出，OBLIQ-Bench（recall@k）和 StudyBench（expertise）是少数可靠的长上下文基准测试中的两个。

Jacob X. Li 讨论了人工智能系统需要从文档库中自主发展专业知识的需求，并将此视为一种具有挑战性的持续学习形式。

提出了一种名为“Machine Studying”的新型持续学习框架，其中AI系统能够自主从语料库中发展专业知识，并引入了StudyBench用于评估。

探讨了让AI系统像人类阅读教科书一样从文档中发展深层专业知识的挑战，强调了一种持续学习的形式。

介绍“Machine Studying”作为一个问题，AI代理必须从语料库中自主发展专业知识，超越RAG或长上下文，并提出了StudyBench基准进行评估。