神译局是36氪旗下编译团队，关注科技、商业、职场、生活等领域，重点介绍国外的新技术、新观点、新风向。
编者按：又到了年末的时候，按照惯例，也是进行新年预测的时候了。总的来说，明年的趋势预测没有那么困难，因为最大的影响因素是生成式人工智能的崛起。今年是生成式人工智能普及大众认知之年，而明年，生成式人工智能将渗透到各个行业，改变一些已经很久没有变化的领域。文章来自编译。
纵观历史，人类开发出工具和系统来增强和放大自己的能力。不管是印刷机还是流水线，创新让我们能做到的事情超过了过去单打独斗。工作发生了变化，新的职业出现了，人们也在不断适应。在过去一年的时间里，变化的速度一下子变得快了许多。使用云技术、机器学习与生成式人工智能变得更加便利了，从写电子邮件到开发软件，甚至在早期阶段检测癌症，新技术几乎影响到我们生活的方方面面。未来几年，在目标是实现技术普及并帮助我们跟上日常生活节奏的领域将充满创新——而这一切都始于生成式人工智能。
基于不同文化的数据训练的大语言模型（LLM）将更加理解人类经验与复杂社会挑战的微妙之处。熟悉文化有望让全球用户使用生成式人工智能变得更加容易。
文化影响着一切。我们讲的故事、吃的食物、装的衣服、秉持的价值观、行为举止、我们的偏见、我们处理问题与做出决定的方式。文化是我们每个人如何在社区生存的基础。文化提供了指导我们的行为和信仰的规则和指南，而这份契约会随我们的居住地以及与谁在一起而变化。与此同时，这些差异有时候会导致混乱和误解。在日本，吃面条的时候吮吸汤水被认为是一种享受的表现，但其他文化会当作不礼貌的行为。在印度的传统婚礼上，新娘可能会身穿设计复杂、色彩缤纷的长袍，而在西方世界，白色礼服才是传统。在希腊，人们有对着裙子吐口水以祈求好运的习俗。作为人类，我们习惯于跨文化工作，因此，我们可以将这些信息语境化，进行综合，调整我们的理解，并做出适当的反应。那么，为什么我们对日常生活使用和依赖的技术的期望要降低呢？未来几年，文化将会对技术的设计、部署和消费方式发挥至关重要的作用。而它的影响在生成式人工智能方面体现得最为明显。
为了让基于大语言模型的系统能够接触到世界各地的受众，它们需要实现属于人类本能的文化流畅性。在今年早些时候发表的一篇论文里，佐治亚理工学院的研究人员证明，即便用阿拉伯语给大语言模型提供提示，明确提到了祈祷，人工智能依然会生成建议跟朋友去喝一杯的回应，这是不符合文化要求的。这种情况很大程度上与可用的训练数据有关。 用来训练众多大语言模型的Common Crawl，里面的数据约 46% 为英语，而且更大比例的内容（不管是什么语言）在文化上是偏西方的（明显偏向美国）。用基于（特别针对阿拉伯语生成的）阿拉伯语文本进行预训练的模型，给它提供同样的提示，则可以生成符合文化规范的响应，比方说喝茶或喝咖啡。过去几个月，非西方的大语言模型开始出现：Jais，接受的是阿拉伯语和英语数据的训练，Yi-34B，属于中英双语模型，还有 Japanese-large-lm，接受了广泛的日语网络语料库的训练。这些迹象表明，文化上准确的非西方模型将为数亿人打开接触生成式人工智能的大门，其影响范围广泛，从教育到医疗保健不一而足。
请记住，语言跟文化不是一回事。就算翻译能够做到完美，也不能赋予模型文化意识。随着无数的历史和经验融入到这些模型之中，我们将看到大语言模型开始形成更广泛的、全球性的视角。正如人类在讨论、辩论和思想交流中学习一样，大语言模型也需要类似的机会来拓展自己的视角，理解文化。有两个研究领域会对这种文化交流发挥关键作用。一个是基于人工智能反馈的强化学习（RLAIF），也就是一个模型会吸收来自另一个模型的反馈。在这种场景下，不同的模型可以互相交互，并根据这些交互更新自己对不同文化概念的理解。其次是通过多智能体（multi-agent）辩论进行协作，具体说法是模型的多个实例会生成响应，就每个响应的有效性及其背后的推理进行辩论，并最终就这个辩论过程的答案达成一致。这两个领域的研究的作用是都减少了训练模型和对模型进行微调所需的人力成本。
随着大语言模型相互交流和学习，其对不同文化视角下的复杂社会挑战的微妙之处将会有更深入的了解。这些进步还将确保模型为技术等领域的广泛主题提供更强大、技术上更准确的响应。这种影响将十分深远，可跨地理区域与社区，让我们的子孙后代都能感受到。
随着女性科技投资的激增、护理走向混合化以及大量数据改善了诊断与患者治疗结果，女性医疗保健已经达到拐点。女性科技的崛起不仅将让女性受益，还将提升整个医疗保健系统的水平。
女性保健不是小众市场。光是在美国，女性每年在护理方面的支出就超过了 5000 亿美元。女性占人口的 50%，并负责了 80% 的消费者医疗保健决策。但是，现代医学的基础默认却是男性主导。直到 1993 年 NIH 振兴法案颁布之后，美国女性才被纳入到临床研究之中。月经护理和更年期治疗等常见需求历来被视为禁忌，而且由于女性被排除在试验和研究之外，她们的结果往往要比男性糟糕。平均而言，女性在许多疾病上的确诊时间要比男性晚，而且女性心脏病发作后被误诊的可能性要高出 50%。也许这种不平等最明显的例子是处方药，女性报告不良副作用的比率明显高于男性。尽管这些统计数据表面上看起来令人担忧，但在云技术与数据可得性加大的帮助下，对女性医疗保健（又名女性科技）的投资正在增长。
在 AWS 这里，我们一直与女性主导的初创企业密切合作，并亲眼目睹了 FemTech 的蓬勃发展。仅在去年一年，融资额就增加了 197%。随着资本、机器学习等技术以及专为女性设计的互联设备的普及，我们正抵近一场前所未有的转变的前沿，不仅是在女性保健的看法方面，而且在其如何管理方面都将发生转变。 Tia、Elvie 和 Embr Labs 等公司展示了利用数据和预测分析提供个性化保健，同时在患者感到舒适的情况下（在家中和在旅途中）满足患者需求的巨大潜力。
随着围绕女性健康需求的污名逐渐消失，以及更多的资金流入到该行业，我们将会看到女性科技公司继续积极改善以前被忽视的条件和需求。与此同时，由于利用了在线医疗平台、低成本诊断设备的普及以及按需获得医疗专业人员的混合护理模式，女性获得医疗服务的机会将大幅增加。像 Maven 这样的客户已经证明自己是这个领域的领导者，他们打破了心理健康与身体健康之间的界限，提供从关系咨询到更年期护理的一切服务。随着这些平台的成熟和渗透，我们将看到医疗服务的大众化。农村地区以及历史上服务不足地区的女性将可以更轻松地通过app和远程医疗平台与妇产科医生、心理健康专业人员和其他专家取得联系。像 NextGen Jane 正在开发的智能卫生棉条系统可让女性建立子宫健康档案，并能识别出潜在的疾病基因组标记，同时无缝共享给临床医生。可穿戴设备将为用户和医生提供大量可供分析的垂直健康数据。目前，有超过 70% 的女性因更年期症状而未得到治疗，加强教育、提供数据和非侵入性解决方案将显著改善结果，而且其应用将远远超出妇产科护理的范畴。
比方说，在女子世界杯备战期间，大约有 30 名运动员因 ACL （前交叉韧带）损伤而被迫退赛。与传统医学一样，女性的训练是仿照男性的训练方式，并没有太多考虑生理学差异。其结果是，女性因 ACL 受伤倒下的可能性增加了 6 倍，而完全康复并重返赛场的可能性则降低了 25%。这是了解独特的健康数据会产生影响的又一个领域，这些数据不仅可以防止受伤，还可以全面改善女运动员的健康。
我们正处在女性医疗保健的拐点。获取大量不同的数据，在计算机视觉与深度学习等云计算技术的加持下，将可减少误诊，并有助于最大限度地减少对当今女性影响尤为严重的药物副作用。子宫内膜异位症和产后抑郁症将得到应有的关注。我们最终将看到女性保健从边缘走向前沿。与仅由男性组成的团队相比，女性领导的团队解决广泛的健康问题的倾向更强烈，因此我们将看到女性科技不仅让女性受益，整个医疗保健系统的水平也会得到提升。
人工智能助手将从基本的代码生成器发展成为教师和不知疲倦的合作者，在整个软件开发生命周期都能提供支持。它们可以用简单的语言解释复杂的系统，提出有针对性的改进建议，并承担重复性任务，让开发者得以专注于影响最大的工作。
2021 年时，我曾预测生成式人工智能将开始对软件的编写方式发挥重要作用。生成式人工智能将增强开发者的技能，帮助他们编写出更安全、更可靠的代码。现在这种情况正在上演，可以根据自然语言提示生成整个函数、类以及测试的工具和系统以及比比皆是。事实上，在 2023 年 Stack Overflow 对开发者的调查当中，70% 的受访者表示已经在或计划在开发过程中使用人工智能支持的工具。
即将出现的人工智能助手不仅能理解和编写代码，还将成为不知疲倦的合作者和老师。任何任务都不会耗尽这些助手的精力，你让这些助手解释一个概念或者返工，它们永远都不会不耐烦——不管你问多少次。它们会用无限的时间和无限的耐心来支持团队的每个人，并为从代码审查到产品策略的一切做出贡献。
产品经理、前端与后端工程师、DBA、UI/UX 设计师、DevOps 工程师与架构师之间的界限将变得模糊。通过对整个系统（而不仅仅是孤立的模块）有了上下文级的理解，人工智能助手将提供可增强人类创造力的建议，比方说可将餐巾纸草图翻译为脚手架代码，将需求文档生成模板，或为任务推荐最佳基础设施（比方说，是用serverless还是用容器）。
这些助理将是高度可定制化的——个人、团队或公司层面均可进行个性化。助理可以用简单的术语解释复杂的分布式系统（比方说 Amazon S3）的内部结构，从而成为宝贵的教育工具。初级开发者将利用助理来快速熟悉基础设施。高级工程师将利用它们来快速理解新项目或代码库，并开始做出有意义的贡献。以前可能需要数周时间才能完全掌握代码变更的下游影响，但助理可以立即评估变更，总结其对系统其他部分的影响，并根据需要提供其他变更建议。
我们已经看到开发者已经摆脱了现代软件开发当中某些最乏味的工作：编写单元测试、样板代码，调试错误。这些任务通常被认为是“额外工作”，完美体育而且往往会半途而废。这些助理可以对整个遗留应用进行重新架构设计和迁移，比方说从 Java 8 升级到 17，或将整体分解为微服务。毫无疑问，开发者仍然需要进行规划并对输出进行评估。但这些助理可以帮助筛选学术研究，并为分布式系统选择正确的算法，确定如何最好地实施从一主一备转向双活方案，甚至能了解不同资源如何影响效率并开发定价模型。因此，助理能干的事情会比以往更多。开发者无需承担升级 Java 版本等无差异化的繁重任务，从而专注于可推动创新的创造性工作。
未来几年，随着人工智能助手在整个软件行业从新鲜玩意儿变为必需品，工程团队将变得更加高效，可开发出更高质量的系统，并缩短软件发布生命周期。
光靠高等教育已无法跟上技术变革的速度。行业主导的技能培训计划将会出现，这种教育与熟练技工的学习旅程将更加类似。这种向持续学习的转变会让个人和企业受益。
我记得，在过去的软件开发周期里，产品可能需要开发 5 年以上才能到达客户手中。在 20 世纪 90 年代末，这种做法还是可以接受的。但在当今世界，等到软件投入实际使用早就已经严重过时了。由于云计算、持续改进的文化以及最小可行产品方法的广泛采用，我们的软件开发周期已经缩短。这种影响十分巨大。公司将产品推向市场的速度比以往任何时候都快，客户采用新技术的速度也是以前难以想象的。在这个高速旋转的技术与商业飞轮里，高等教育是迄今为止还没投身进去的领域之一。
世界各地的教育截然不同，但大家普遍认为，要雇用最优秀的人才，要给自己找到最好的工作，而大学学位则是赌注。在技术领域尤其是这样。但我们开始看到这种模式在个人和企业两端都崩溃了。对于学生来说，学习成本不断在攀升，在有实践培训的情况下，很多人开始质疑传统大学学位的价值。对于公司来说，新员工仍然需要在职培训。随着越来越多的行业要求员工专业化，学校教授的内容与雇主需要的内容之间的鸿沟在逐步扩大。跟过去几十年软件开发的过程类似，技术教育也已经达到了关键点，我们将会看到曾经为少数人定制的在职培训演变成为由行业主导为很多人提供的技能型教育。
这些年来，我们已经看到这种转变正在发生。像 Coursera 这样最初专注于消费者的公司已经开始与企业合作，扩大技能提升与再培训方面的努力。学位学徒制越来越受欢迎，因为雇主可以将教育专业化，学徒则可以边学边赚钱。但现在，公司本身也开始大规模地对技能教育进行投资。事实上，亚马逊刚刚宣布，自己已经在全球范围内为 2100 万名科技学习者提供了科技技能培训。这在一定程度上要归功于Mechatronics and Robotics Apprenticeship 与AWS Cloud Institute等培训计划。这些计划让处在职业生涯不同阶段的学习者获得了进入职位所需的确切技能，而不用像传统那样需要经过多年地学习。
需要明确的是，这种想法并非没有先例：想想看，电工、焊工以及木匠等技工，他们的大部分技能都不是在课堂上获得的。这些人经历了从见习生到学徒，再到熟练工，乃至于大师的过程。在工作中的学习是持续的过程，而且有提升技能的清晰途径。这种不断学习保持好奇的终身教育方式对于个人和企业来说都是好兆头。
但这并不意味着传统学位就会消失。这不是“有你没我”的局面——而是一个选项。在科技领域，这种学术学习仍然至关重要。但在许多行业，技术的影响将超越传统教育体系。为了满足商业需求，我们将看到行业主导的教育机会出现，这样一个新时代不容忽视。
