计算机曾经是一份工作，现在是一台机器；接下来是分析师

今年伊始承诺进行更多实验。这在一定程度上也是为什么在过去的几周里我写了很多关于 AI 和各种思考它的方法的原因。但我认为了解它的实际运作方式很有用。所以我做了一堆关于我现在可以用它做什么的实验，下面是我认为可能会发生的事情！

在计算时代的黎明，昔日的微处理器开始并创造了一场确定性革命1 。逻辑门在他们允许的范围内是严格的。您输入的内容决定了输出的内容，并且可以证明并且可重复地相同。

事实上，直到最近，这才是将 AI 应用于事物的问题。虽然你在广告或新闻源等领域看到了大量应用，但在没有更高准确度就无法生存的领域中，应用要少得多。就像医学或执法一样。需要多个 sigmas 精度的事情过去是，现在仍然是 AI 的致命弱点。

那是因为它试图像一个黑盒计算器一样工作，以足够的准确性重复进行类似机械的操作。相反，我喜欢将 LLM 概念化为模糊处理器。一个在分析方面做得更好的人，这是一项服务工作。它在其阶段的许多部分已经没有很高的准确性，但它确实需要大量信息的巧妙组合2 。

我们可以从小事做起，像对待乐高积木一样对待他们。可以说langchain和其他人开始提供帮助。但是乐高积木必须手动构建。尽管人们建造了月球大小的战舰，但制造它们的复杂程度是有上限的。诀窍是尝试让零件自行组装。

如今，他们会产生幻觉，有时还会产生奇怪的输出，尤其是在对话模式和零镜头模式下完成时。但我们今天对待这些产品及其变体就像对待计算机一样。询问 Bing、Sydney、ChatGPT。让它写诗，问它关于历史奥秘的问题。

我认为这可能就是为什么我们尝试将其拟人化的原因。相反，如果我们将它们视为我们将部分思维外包给的处理器，那么错误就会变成需要纠正的错误。这就是为什么我喜欢模糊处理器类比3的原因。法学硕士的力量，在今天看来令人惊叹，并不局限于按需创作诗歌。当您将其中的 10,000 个链接在一起时，就像处理器一样，真正的魔法就会发生！

您每天进行多少次 Google 搜索？ ChatGPT 请求怎么样？ 100？ 500？一切以人为本。在最后一分钟，您的处理器可能在没有做很多事情的情况下获得了大约 25,000 次 ping。

这是近 20 年来第一次有可能构建真正史诗般的东西，一个操作系统来构建一个全新的类别。让我们从我所说的三个示例开始，记住这些就像我们在 DOS 上编写的 Hello World 程序！

三个例子

一个简短的回避步骤，看看我们如何创建乐高积木。以下是我尝试尝试并自己稍微测试一下功能类型的三个示例。 （如果您不觉得这很有趣，请随意跳到下一节，或者如果您需要更多屏幕截图，请在脚注中找到。）

1. 通过创建搜索条目找到答案，找到最重要的条目和与您的问题相关的主题，然后总结最热门的搜索链接

我们现在可以迭代查询并实时了解我们喜欢的任何事情，并将处理器与真实世界的信息联系起来。

我是根据家人的旅行计划做的，对我们喜欢的东西有限制。但想象一下这里有什么可能。我们可以搜索特定的数据库，比如只搜索科学论文，我们可以根据特定的属性进行预选，比如作者机构或引用，然后让 LLM 为你总结。或者 YouTube 视频并在总结之前转录它们。

今天，有时搜索不是很好。我找到的解决方案是使用另一个 LLM 调用来首先提取任何关键实体或相关信息，然后进一步优化查询。这意味着从搜索引擎和 LLM 开始，我们现在基本上可以使用它们来创建、研究和分析多个假设，并从中进行选择4 。

更多这里5 ！

1. 上传文档或目录，找出文件类型，并将它们编入索引以进行问答，或递归总结任何查询的答案

我尝试的另一件事是找到越来越复杂的偷懒方法。在编写 Strange Loop 的过程中，我阅读了一些论文、书籍和许多无聊的网站。

其中大部分内容当然是试图找出文档实际所说内容的要点，并进行相当多的来回询问。因此，我尝试了递归摘要（将文本切成块并分别对每一位进行摘要，然后对摘要进行摘要）并创建嵌入来搜索文本，这很有用！我们可以对整个目录做同样的事情，在那里我们可以读取里面的所有文件并做完全相同的事情6 。

如果启动得当，它甚至可以进行比较，并对每个块进行签名以确保我们有引用！

（如果你是那种阅读 Strange Loop Canon 的人，这就是它认为你喜欢的人才选择7 。）

1. 将问题分解为核心元素，分离每个实体，使用 Wolfram Alpha 进行计算并总结结果

对于大量查询，很难从 GPT-3 的文本自动完成中获得直接答案，因为预测下一个标记与实际计算某物的工作原理是两码事。

为此，您可以提取实体或要求 LLM 以计算形式表达特定问题，然后将其传递给 Wolfram Alpha 让它回答问题。

困难主要是因为我想知道的问题类型并不是特别计算性的，计算元素在许多问题中是“固有的”，而不是要点。

更多在这里8 ！

还缺什么

在我的探索中有趣的是，如果不经过大量的反复试验，要弄清楚这些新的模糊处理器什么是可能的，什么是不可能的并不是那么容易。为了处理通过它们传入的数据，它们必须“了解”我们所生活的世界。

这意味着它不是一个简单的处理器，而是一个内部有迷你世界的处理器。到目前为止，大多数处理器将它们正在处理的内容与它们使用的方法分开，但在这里它们错综复杂地联系在一起。

如果您真的愿意，这就是人们假设 GPT-3 内部存在麦克斯韦妖的地方，拉动它的矩阵弦使答案成真。但唯恐我们拟人化太多，这也是我们可以将其用作小型模块化堆栈的原因。

处理这些迷你世界很困难，因为我们还没有它们的操作码，没有关于如何使用它们的手册，也没有超越过去几年我们共同创造的试错猜测的途径.

就像，对于我问的大多数问题，包括许多总结和问答问题，需要的是一个“持续监控”模块，它可以提取答案中需要计算的方面。

“持续监控”模块需要来自备用 LLM 的更多常规输出 <> 输入，在今天并不容易，但很快就会变得可行。

建造它需要我们几年的时间，但这是值得的！

所以，建立你自己的个人分析师

就像原来的处理器很弱，不能做很多事情一样，只有将一大堆处理器结合在一起，你才能获得魔力。

当我们以前这样做的时候，我们有个人电脑。当我们现在这样做时，我们会得到个人分析师。

将所有这些联系在一起，我们已经可以看到它栩栩如生，尽管形式更简单。可以：

• 阅读并总结任何文档

• 创建可以聪明地获得答案的问题，然后对其进行问答

• 如果需要，对照另一组文本检查答案

• 根据需要计算事物，如果答案需要的话

• 上网查查不熟悉的东西，总结答案

• 以最有影响力的各种格式编写它们

如果您想扩展它以创建更聪明的分析师，我们可以进一步添加模块：

• 添加 LLM 模块以测试答案和摘要，并检查它们是否“叠加”到任何任意能力

• 使这些模块针对特定任务进行微调——检查答案的模块不必与创建答案的模块相同，监控性能的模块不必与充当“图书馆员”进行搜索的模块相同并从谷歌中提取信息

• 使模块特定于您的输入，从个性到特定数据集，并“允许”代表您采取某些行动

• 是的，一个模块可以接受任何产生的答案，并在它的末尾创建一个美丽而令人回味的书面输出——一篇文章、一张图片、一首诗、一首挽歌等等！

想想这些能做什么！在业务环境中，它可以处理编码、客户交互、编写报告、分析仪表板、创建几乎任何类型的内容或对其进行编辑，并采取措施读取/编辑/写入您选择的数据库或发送 Slack 消息或者 …..

这让我得出了最令人惊讶的结论：LLM 的大多数错误都可以通过添加更多的 LLM 调用来改善。

模糊处理器是我们一直在做的下一个计算块的解锁，即使我们将计算卸载到机器上也是如此。随着成本下降 90% 并再次成倍下降，这些更接近现实。

我们今天开始看到这一点。今天，像Consensus和Elicit这样的公司正在将各个部分连接在一起，以创造出真正有价值的输出，这在以前需要一名研究助理——帮助研究总结、搜索、找出要问的新问题等等！

像大多数自动化一样，它大大增加了个人做更多事情的潜力。

曾经有“计算机”，由女性组成的团队计算复杂的数值问题，帮助我们登上月球，现在被我们贺卡中存在的计算量所取代。

这里的一台新机器可能会取代“分析师”——分析复杂问题的人员团队，他们帮助产生了世界上许多伟大的创新，他们将慢慢被取代。

当“计算机”被计算机取代时，就有了分工。计算机的计算部分实现了自动化，而计算的思考部分却没有。它慢慢迁移到我们创建和应用算法以帮助理解世界的方法中。

同样，当分析师被“分析师”取代时，就会出现分工。公司内部和外部将开始出现责任转移的趋势。我认识的每个分析师都认为他们的大部分工作都是“胡说八道的工作”，即使边界扩大，这也会变得自动化。

也许这是一份需要开公司的工作。或者一个新的Homebrew Analyst Club来试验和开发这项技术。

谁的游戏？

如果您喜欢这篇文章，您可能还喜欢：

1. “哦，冰，请不要作恶”

2. 生成式 AI：任何机器的任何东西

3. 不要惊慌：反对 AI 上的巴特勒圣战

原文： https://www.strangeloopcanon.com/p/computer-used-to-be-a-job-now-its