纵观历史，人类已经开发出各种工具和系统来增强自身能力。无论是印刷机还是装配线，这些创新拓宽了我们的能力范围，造就新的工作和职业，我们也不断适应着新生活。这种变化的速度在过去的一年里迅速加快，云技术、机器学习和生成式 AI 变得更为普及，从写电子邮件到开发软件，甚至是癌症早期筛查，这些技术几乎影响到人类生活的方方面面。创新将是未来数年各个领域的重要主题，旨在普及技术，帮助我们跟上日益加快的生活节奏，而这一切都将始于生成式 AI。
 

用文化多样性数据训练的大语言模型（LLM）将更加细致入微地了解人类经验和复杂的社会挑战。这种文化流利度有望让全球用户更便利地使用生成式 AI 。
 

从我们讲的故事、吃的食物和穿着打扮，到价值观、礼仪、偏见、处理问题和做决定的方式，文化影响着我们的一切。它是我们在社区中立足的基础，是我们的处事规则和信仰准则，是一种取决于我们身处何地、相伴何人的契约。

与此同时，文化差异有时也会造成混淆与误解。日本文化将吃面时大声吸汤视为一种享受，但其他文化认为此举很不礼貌；印度传统婚礼习俗要求新娘身穿精巧艳丽的蓝嘎（lehenga），西方传统则是让新娘身穿白色婚纱，在希腊甚至有往婚纱上吐口水以求好运的习俗。作为人类的我们已经习惯跨文化环境，因此我们能综合各种文化信息，调整解读方式并做出适当回应。

所以，为何不期望我们赖以生存的技术也能实现这一点呢？在未来几年里，文化将在技术的设计、部署和使用方式中发挥至关重要的作用，其影响将在生成式 AI 中体现得淋漓尽致。

大语言模型要想触达全球用户，必须达到与人类自身相同的文化流利性。佐治亚理工学院（Georgia Institute of Technology）的研究人员在今年早些时候发布的论文中证明，即使向一个大语言模型提供明确提及伊斯兰祈祷词的阿拉伯语提示词，生成的回复依然是建议与朋友们一起喝酒，而喝酒在伊斯兰文化中是不当之举。这种情况在很大程度上与可用训练数据有关。目前被用于训练众多大语言模型的 Common Crawl 数据集大约有 46% 的内容是英语，而且无论何种语言，更大比例的可用内容以西方文化为基础（明显倾向于美国文化）。如果将相同的提示词输入用阿拉伯语文本预训练且专门生成阿拉伯语响应的模型，就会得到更符合文化背景的回复，比如建议喝茶或咖啡。近几个月开始出现一些非西方语境的大语言模型：用阿拉伯语和英语数据训练的 Jais，中英双语模型 Yi-34B，以及用大量日语网络语料库训练的 Japanese-large-lm。这些迹象表明，具有文化准确性的非西方模型将向数亿人提供生成式 AI，其影响将会涉及教育、医疗等方方面面。

要记住，文化和语言并非完全相同，一个模型即便能给出最完美的翻译，也未必具有文化意识。随着无数历史和经验被融入模型，我们将会看到大语言模型开始形成更广泛的世界性视角。正如人类从辩论探讨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视野、了解文化。有两个研究领域会在这种文化交流中发挥关键作用：一是基于人工智能反馈的强化学习（RLAIF），即一个模型吸收另一个模型的反馈，由此让不同模型相互影响，并根据这些影响更新其对不同文化概念的理解；二是通过多智能体辩论进行协作，即一个模型的多个实例生成响应，然后辩论每个响应的正确性及理由，最后通过这一辩论过程得出一致响应。这两个研究领域都能降低训练和微调模型所需的人力成本。

女性科技（FemTech）投资的激增、混合医疗的发展以及丰富的数据让诊断和治疗效果不断改善，促使女性医疗迎来一个拐点。女性科技的崛起不仅将造福女性，还将推动整个医疗系统的发展。
 

女性医疗并非小众市场。仅在美国，女性每年在医疗方面的开支就超过五千亿美元。她们占人口总数的 50%，而在医保消费决策者中的占比达到 80%。不过，现代医学一直默认以男性为基础，甚至直到 1993 年美国国立卫生研究院（NIH）颁布《振兴法案》之后，美国的临床研究才会纳入女性研究对象。月经护理和更年期治疗历来被视为忌讳话题，而且由于女性被排除在临床试验和研究之外，她们的治疗效果往往比男性糟糕得多。

平均而言，女性有多种疾病的确诊时间晚于男性，而且女性心脏病发作后被误诊的风险要比男性高出 50%。处方药或许是最能体现不平等的例子：女性使用处方药造成不良副作用的比例明显高于男性。尽管这些数据可能从表面上看来令人担忧，但在云技术和大数据的协助下，对女性医疗（又称女性科技）的投资正在逐步上升。

亚马逊云科技一直与女性领导的初创企业密切合作，亲眼见证了女性科技的发展。仅在去年，相关投资就增长了 197%。随着资金、机器学习等技术以及专为女性设计的联网设备不断普及，我们正面临前所未有的变革，这不仅关系到人们对女性护理的看法，也涉及管理方式的转变。Tia、Elvie 和 Embr Labs 等公司展现出利用数据和预测分析提供个性化护理的巨大潜力，无论是居家还是外出，这些公司能为患者随时提供服务。

随着对女性健康需求的偏见逐渐消失，以及更多资金流入该领域，女性科技公司将会继续积极应对以前被忽视的各种医疗状况和需求。与此同时，利用在线医疗平台、便捷可用的低成本诊断设备、以及按需获得的医疗专业服务的混合医疗模式的发展，将大大增加女性获得医疗服务的机会。

Maven 等客户已经证明自己是该领域的佼佼者，这些公司打破了心理健康和生理健康之间的界限，向用户提供情感咨询、更年期护理等各种服务。这些平台的不断成熟与普及将促成医疗服务的大众化，借助应用程序和远程医疗平台，农村地区和医疗服务历来不足的地区的女性能更容易地联系到妇产科医生、心理健康专家和其他专家。

NextGen Jane 等智能卫生棉条系统正在开发中，这些系统能让女性建立子宫健康档案，确定潜在的疾病基因组标志物并与临床医生无缝共享该信息。可穿戴设备则会为女性用户及其医生提供大量可分析的纵向健康数据。当前，超过 70% 的女性的更年期症状无法得到治疗，加强教育、提供数据和采用非介入性解决方案将极大地改善治疗效果，而这远远超出了妇产科护理的范畴。

例如，在女足世界杯前夕，约有 30 名运动员由于备战造成前十字韧带受伤。与传统医学一样，女性训练模式也是以男性训练模式为蓝本，并没有过多考虑到生理因素。因此，女性因前十字韧带受伤而退役的几率是男性的六倍，完全康复并重返赛场的几率也比男性低 25%。这也是研究女性特征健康数据将产生重大影响的另一个领域，这样做不仅能预防女运动员受伤，还能全面改善她们的健康状况。

我们正处在女性医疗的拐点。获取大量多样化数据结合计算机视觉和深度学习等云技术将减少误诊，并且有助于最大限度地降低药物副作用，这些副作用对当今女性的影响尤为严重。子宫内膜异位和产后抑郁也将得到应有的重视。我们最终将见证女性医疗从边缘走向前沿。由于女性主导的团队解决众多健康问题的意愿要比男性主导的团队更强，女性科技不仅将惠及女性，也将改善整个医疗系统。

AI 助手不再局限于基础代码的生成，它们正在演变为指导性的导师和不知疲倦的合作伙伴。在软件开发的整个生命周期中，AI 助手能够提供支持，用通俗易懂的方式阐释复杂的系统结构，并提供定制化的优化建议，同时自动处理繁杂的重复任务。这使得开发者能够将注意力集中在最具创新性和影响力的工作上。
 

2021 年，我曾预测生成式 AI 将在编码实践中起到关键作用，并将拓展开发者的能力，协助他们写出更安全、更稳定的代码。目前，这一预测正在变为现实。我们看到了市场上涌现出众多基于自然语言提示，能够生成函数、类和测试的工具与系统。实际上，在 2023 年 Stack Overflow 的开发者调查中，有 70% 的受访者表示他们已经在使用或打算使用 AI 辅助的工具来进行软件开发。

未来的 AI 助手不仅能够理解和编写代码，还将作为一位永不厌倦的合作伙伴和导师。无论您提出多少次问题，它们都能不知疲倦地执行任务，并且始终耐心解释概念或重复工作。AI 助手能够提供无限的时间和耐心支持，协助团队成员应对从代码审查到产品策略的各项挑战。

产品经理、前后端工程师、数据库管理员、UI/UX 设计师、DevOps 工程师和架构师之间的界限将逐渐模糊。AI 助手将凭借对整体系统，而非单一模块的深刻理解，为提升人类创造力提供建议，比如将草图转化为框架代码、根据需求文档自动生成模板，或为您的任务推荐最适合的基础设施，如无服务器架构或容器技术。

这些助手将高度可定制，能在个人、团队或整个企业级别进行个性化设置。它们能用简单的术语来解释像 Amazon S3 这样的复杂分布式系统的内部机制，使之成为极具价值的教学工具。初级开发者可以借助这些工具快速熟悉不了解的基础架构，而经验丰富的工程师则可以使用它们迅速理解新的项目或代码库，并开始做出实际贡献。在过去，可能需要花费数周的时间来完全理解代码更改的下游影响，而 AI 助手可以即刻进行评估，概述这些更改对系统其他部分可能产生的影响，并根据需要提供改进建议。

我们已经看到，在现代软件开发中，许多以前被认为是乏味的工作——如撰写单元测试、编写样板代码以及调试错误——正逐渐从开发者的日常工作中消失。那些通常被视为“额外”的任务，往往会被忽视。AI 助手即将有能力重构和迁移整个遗留应用程序，例如将应用从 Java 8 升级到 Java 17，或是将单体应用拆分为微服务。

毫无疑问，开发者们仍然需要策划和评估最终产出，但 AI 助手将协助他们筛选学术研究，为分布式系统选择合适的算法，并决定如何从主备模式迁移到双活模式，并且能够深入了解单个资源如何影响效率，并据此制定定价模型。这将使得更多的工作自动化，开发者将不再需要手动执行升级 Java 版本等繁重的任务，而可以专注于那些能推动创新的创意性工作。

在未来几年内，随着 AI 助手在整个软件行业从尝鲜变成必需品，工程团队将变得更加高效，开发出更高质量的系统，并缩短软件的发布周期。

仅靠高等教育无法跟上技术变革的速度，以行业为主导的技能培训项目将会兴起。这些项目会更接近于技术工人的职业道路，而持续学习的转变将让个人和企业双赢。
 

我对过去的软件开发周期还记忆犹新：一个产品可能开发 5 年以上才能交到客户手中。在 90 年代末，这是公认的做法，但在今天，这样的软件在投入实际使用之前就已大大过时了。得益于云计算的普及、持续改进的文化，以及最小化可行产品方法的广泛采用，我们的软件开发周期已经大幅缩短，其影响极为显著。企业将产品推向市场的速度，以及客户采纳新技术的速度，都比以往任何时候都快。在技术和商业快速发展的背景下，直到现在，高等教育领域尚未包含在内。

尽管世界各地的教育差异巨大，但广泛认为要雇佣最优秀的人才，或者自己找到顶尖的工作，大学学位是基本门槛，在技术领域尤其如此。但我们开始见识到这一模式的崩溃。无论是对个人还是企业来说，学生面临着学费上涨的压力，越来越多的人开始质疑传统大学学位的价值。当实用培训变得可行时，对于公司来说，即便是新员工也需要接受在职培训。随着越来越多行业对员工的专业化需求不断提高，学校教育和雇主需求之间的差距正在不断扩大。就像数十年前的软件开发过程一样，我们在技术教育方面来到了一个关键时刻。我们将会看到，原本为少数人设计的定制化在职培训演变成面向广大人群的行业驱动的技能教育。

多年来，我们已经见证了这种趋势的转变。像 Coursera 这样的公司，最初专注于消费者，现在已与企业合作，加强他们的技能提升和再培训力度。学位学徒制因为可以由雇主专门化而继续流行，学徒在学习的同时也能获得收入。但现在，企业自身开始认真投资于大规模技能教育。事实上，亚马逊刚刚宣布，已在全球培训了 2100 万技术学习者，部分得益于像机械电子与机器人技术学徒计划以及 Amazon Cloud Institute 等项目。所有这些计划都让处于职业生涯不同阶段的学习者，获得他们需要入职热门职位的确切技能，而无需承担传统多年项目的长期承诺。

我们必须明确，这个概念并不是没有先例。例如电工、焊工和木匠这些熟练技工，他们的大部分技能并不是在教室里获得的。他们从培训生过渡到学徒，然后成为熟练工人，甚至可能成为行业大师。学习是在工作中持续进行的，有明确的路径提升自己的技能。这种终生教育的模式——学习和保持好奇心，对个人和企业都是利好消息。

所有这些并不意味着传统学位会消失，这不是“非此即彼”的局面，而是关于多元化的选择。在技术领域的某些领域 传统的学术学习依旧至关重要。但在许多其他行业中，技术的影响已超越传统教育体系。为了满足商业需求，我们将迎来一个行业主导的教育机会新时代，这是一个无法忽视的潮流。

转自：https://www.amazonaws.cn/social-media-post/202312/werner-vogels-2024-four-tech-qushi/