📢📢📢📣📣📣
哈喽！大家好，我是「奇点」，江湖人称 singularity。刚工作几年，想和大家一同进步🤝🤝
一位上进心十足的【Java ToB端大厂领域博主】！😜😜😜
喜欢java和python，平时比较懒，能用程序解决的坚决不手动解决😜😜😜

✨ 如果有对【java】感兴趣的【小可爱】，欢迎关注我

❤️❤️❤️感谢各位大可爱小可爱！❤️❤️❤️
————————————————

如果觉得本文对你有帮助，欢迎点赞，欢迎关注我，如果有补充欢迎评论交流，我将努力创作更多更好的文章。

1.阿里巴巴：推出通义千问2.5，多项能力赶超 GPT-4。

2.港大：开源图基础大模型OpenGraph。

3.Dreamina更名为“即梦”，AI绘画和AI视频功能全量上线。

4.OpenAI：发布模型规范，深入了解AI行为。

5.微软：发布年度工作趋势指数报告。

6.AlphaFold 3：预测所有生命分子的结构和相互作用。

7.微软：计划为情报机构推出首个完全与互联网独立的AI模型。

8.Krea AI更新，可自定义视频首尾帧。

9.Vidda：发布X Ultra系列AI电视和C2系列三色激光投影。

10.OpenAI将推出新工具，检测DALL-E 3 生成的图像。

11.微软宣布在威斯康星州投资 33 亿美元，以刺激人工智能创新和经济增长。

12.WPS 被指套娃式收费，内部人士称“会员使用 AI 功能福利期已到。

13.华为智能眼镜 2 方框太阳镜新款 5 月 15 日发布。

14.OpenAI 人工智能搜索产品有望于下周一推出。

 15.TikTok 宣布将开始在人工智能生成的视频上添加数字水印，成为第一个这样做的主要社交媒体平台。

人工智能的未来

DeepMind 的“革命性”新 AlphaFold3 可以绘制生命的构建模块

 

当您想到生命中最大的奥秘时，您可能会想象广阔的外太空或黑暗的深渊。 DeepMind 的研究人员一直在试图解决一个离我们更近但同样令人困惑的谜题：不同的分子如何相互作用来为我们的身体提供动力。他们刚刚展示了一个新的人工智能平台，让我们更接近理解。

首先，我们快速回顾一下生物学：蛋白质非常重要，因为它们有助于实现各种功能，从修复受损组织到在血液中携带氧气。科学家希望了解不同蛋白质的形状，以便他们能够利用其独特的特性。以前，研究人员必须测试多种形状，直到找到一种有效的形状。 AlphaFold 的第一个版本于 2020 年发布，使用人工智能来预测每个结构，加快了曾经长达数年的过程。

但蛋白质并不是体内唯一重要的分子：还有 DNA 和 RNA。这就是 DeepMind 最新版本 AlphaFold3 的用武之地。新的人工智能平台可以预测每个构建块如何相互作用——就像掌握具有数百万个重叠关系的家谱。

科学家认为这项技术突破可以帮助我们：

1.治疗阿尔茨海默病、帕金森病和其他蛋白质折叠疾病；

2.预测药物如何与某些蛋白质相互作用，加速药物发现；

3.开发新疫苗；

4.打造更强、更轻、更耐用的材料。

谁可以使用它？目前，除了那些与 DeepMind 的姊妹公司 Isomorphic Labs 建立独家合作关系的公司之外，它还禁止营利性公司参与。与此同时，大学和非营利组织将可以完全访问该平台，并可以开始使用它来解决当今一些最大的分子之谜。

了解提示如何影响模型

您的提示将控制您的人工智能机器人

提示在影响AI语言模型生成的响应方面发挥着重要作用。它们就像语言模型的老板，告诉它们要做什么以及如何表现。

它们对模型所说的内容以及它们的表述方式有很大影响，从本质上指导模型的理解、上下文和行为。

以下是提示影响模型响应的一些方式：

给予指导

提示可以准确地告诉模型要做什么。他们对模型应该给出什么样的响应给出了明确的指示。通过指定所需的格式、内容或任务，提示可以引导模型的注意力并引导其生成与所提供的指令一致的输出。这有助于模型了解预期结果。

设置场景和背景

提示可以帮助模型了解正在发生的情况。他们提供相关的背景信息或构建对话，因此模型知道该谈论什么，并可以给出适合上下文的合理且连贯的答案。

用偏见和语气影响情绪

很明显，提示的措辞方式会影响模型的响应方式。它们可以使模型听起来快乐、悲伤或介于两者之间。提示的措辞和语气也会使模型的反应产生偏差。提示可以使用特定的语言或框架来影响生成文本的情感、风格或观点。它们本质上可用于在模型中产生偏差，并产生不需要的输出。

开始聊天（系统消息）

在对话开始之前，系统消息会向模型提供一些指示。这些基本上是对话开始之前向模型提供的初始指令或声明。 它们帮助模型了解聊天期间的期望以及如何表现。它们可以通过设置期望、提供上下文或指示模型所需的响应方式来影响模型的行为，以最终形成模型的后续输出。

长度和输出控制

提示可以告诉模型其响应应该有多长或使用什么格式。这有助于确保模型的答案适合任务或情况，并有助于控制生成的输出。

迭代提示

有时，提示是基于模型之前说过的内容。这有助于模型跟踪对话并每次给出更好的响应。因此，通过将先前的模型响应合并到后续提示中，模型可以维护上下文并生成更连贯和上下文感知的响应。

最好了解提示如何影响模型及其输出。因为这会指导您准确地生成您想要的内容，并使您成为更好的提示者。

进行实验、进行迭代更改以完善提示非常重要，最重要的是，请密切关注模型的内容，以确保其表现良好并且不会提供您不想要的任何输出。

人工智能与生产力

组织如何从生成式人工智能的采用中受益

根据 Scale AI 的一份新报告，超过十分之六的使用人工智能的组织表示它提高了效率，59% 的组织表示它改善了客户体验。此外，近一半的受访者表示法学硕士帮助他们提出了新产品或服务的想法——这证明了人工智能的集思广益能力。

只有大约三分之一的公司表示，由于人工智能，他们的利润和收入有所改善。这表明人工智能的赚钱潜力仍有改进的空间。尽管如此，只有 8% 的组织表示他们没有看到任何全面的改进。 7% 尚未以任何方式采用人工智能。

 

公司也开始采用不同类型的人工智能模型。 2023 年，只有 37% 的公司使用商业或闭源人工智能平台。但到 2024 年，这一数字上升了近 50 个百分点，大约 86% 的公司至少部分依赖闭源法学硕士。

与此同时，开源模型也变得越来越流行。如今，三分之二的组织使用开放平台，而去年这一比例仅为 41%。

当涉及到从头开始构建来执行特定任务的人工智能平台时，可能会有增长的机会。大约四分之一的组织正在训练自己的人工智能模型，仅比去年的 22% 略有增加。

人工智能将分三波取代大部分开发人员

作者：Christopher Saez 

本文章不代表订阅号以及部门或个人观点

我们到处都听到为什么人工智能永远不会取代开发人员。但客观地相信，人工智能将通过一些资料、演示和解释来间接代替。

注意：这里指间接代替开发人员时，指的是绝大多数，所以不是 100%，也不是一次性的。

导读概括

1.低代码/无代码——第一波；

2.最低流行语言和框架；

3.其余的开发者——最后一波；

4.为什么开发商不相信它。

 

Github 对 Copilot 的研究表明，用户接受了 Copilot 建议的 30% 的代码，而经验较少的开发人员在 AI 方面拥有更大的优势。这让一些人相信 genAI 可能意味着低代码平台的终结。

低代码/无代码——第一波（非常高的置信度）

LC/NC将是人工智能兴起背景下第一个消失的技术。原因有多种：

1.缺乏成熟度：这些技术非常年轻且有限。

2.专有： LC/NC 技术已封闭；语言是封闭的或不存在的，因为我们需要点击用户界面。人工智能无法被训练来生成文本、提供支持或提供建议。

3.昂贵：人工智能正在做汽车对马所做的事情或机器对人类重复/艰苦工作所做的事情；它降低了成本。 LC/NC 解决方案非常昂贵，并且只能在订阅的基础上使用。它每年让您花费几名开发人员，但没有直接结果，并且存在一种错误的灵活性感，例如无需签署合同或不需要人力资源。但所有开发人员都知道，这种情况只会持续几个月；一旦事情变得更加复杂，我们就需要人。

4.追赶潮流较晚：从设计上来说，它们就晚了。人工智能可以通过调整变量并不断训练模型来很好地适应。 AI系统可以自动插入开放语言的抽象语法树（AST）的演变、科技巨头发布的新API的文档（GAFAM）等。LC/NC编辑必须相应地翻译和更新他们的产品。

5.无法迁移到人工智能：因为他们必须接受他们所销售的产品可以被任何其他技术取代。我可以要求 GPT 使用 PHP、Node.js、Ruby、React、Vue，甚至是 AI 本身创建的新框架来编写网页（后/前）。因为使用什么技术并不重要；我们只是想让它发挥作用。

低代码在企业中正在消亡，人工智能将杀死它。” Crowdbotics首席执行官兼创始人 Anand Kulkarni 说道。 “最大的问题是，当你可以使用人工智能以同样的努力创建完整的代码时，为什么要使用低代码呢？

LC/NC 将首先消失，而且很快就会消失，最近的Github 对 Copilot 的研究表明，用户接受了 Copilot 建议的 30% 代码，而经验不足的开发人员在 AI 方面具有更大的优势。这让一些人相信 genAI 可能意味着低代码平台的终结。我鼓励您在这些文章中查看 LC/NC 布道者的观点，以发表您自己的观点

最低流行语言和框架——第二波

最不流行的语言/框架就像悬在公司头上的巨大达摩克利斯剑：

1.社区支持率低

2.完全以技术为导向

3.未维护/缺乏新模式

4.昂贵：可用人员较，只有专家

这些技术要么得到人工智能的全面支持，要么完全消失，被流行的技术取代。以下为例子

IBM 已经理解了这一点，并完全接受了 COBOL 关注的 AI 未来：他们正在将 COBOL 转换为 Java。这将它们置于第一波和第二波之间，转向第三波。COBOL 既不是开源语言也不流行，但银行业严重依赖这项技术。专家稀缺、昂贵，而且数量正在减少。 Java 是一个不错的选择：流行、开源、被众多专家所熟知、仍在维护和发展、安全等等……

其余的开发者——最后一波

到了 2035 年，大多数利基技术都已经消失，而人工智能模型的训练、强化和速度比以往任何时候都快。

人工智能可以毫不费力地生成大量样板代码，从而消除对实习生/初级职位的需求。双子座知道如何用普通技术编写网站或移动应用程序。人工智能可以生成干净、人类可读、高性能且安全的代码，并且会话几乎没有错误。这样一来，实习生这个职位就不再存在了；公司现在正在寻找调试员职位，因为人工智能无法解决复杂的环境感知问题。例如，时间图分辨率问题，例如实时寻路优化。

为什么大多数开发者不相信它

沉没成本效应？

大多数开发人员只是害怕，因为他们可能会被解雇，必须找到一份不同的新工作。而且他们受到一些与沉没成本效应无关的东西的偏见。无论如何，我们必须训练才能学习新东西。我们可能需要学习新事物，在激烈的竞争中循环利用我们的知识和思维方式，但我们希望保持现有的舒适感，因为“它有效”。

人工智能和趋势分析的知识有误/未知？

让我相信为什么开发人员对人工智能在我们工作中的未来的看法是错误的第二件事是（记住，不是 100%）：代码中的人工智能正是人工智能最好的地方：解决问题，我们应该只关注趋势和动态看看即将发生什么。 Chat GPT 三天内就打破了采用记录，Gemini 现在是多式联运的，有大量的专业模型，这正是淘金者的竞赛。资本主义和形式主义就是这样，无论如何我们都必须拥抱未来（比如 Neuralink 可以提高性能，但这是另一个故事了 😱）。

2024 年 4 月 24 日：Github Copilot 的竞争对手 Augment筹集了 2.27 亿美元：他们正在研究人工智能，在完整的代码库中拥有更好的上下文。

观点偏颇

我在任何地方读到的“人工智能不会取代开发人员”都是高级开发人员专门写的句子，不知何故我能理解。他们经验更丰富，可以更深入地挖掘代码库并进行创新。但青少年呢？老年人可以从人工智能中受益，因为他们可以通过不将任务和家务委托给年轻人来提高自主性和生产力（法语编辑）。此外，通过引入/使用复杂的技术堆栈、过度设计和尖端的闪亮炒作的框架和工具，初级人员甚至没有接受过这些框架和工具的培训，或者相反，只接受过专门的培训，这一点也被放大了。这是一个恶性循环，作为高级开发人员，我们必须解决这个问题：保持现有的愚蠢和简单，并投资于入职能力。

结论

我坚信（作为一名充满热情的开发者）人工智能将逐步取代我们。一些职位将在过渡期间发生变化；专家将是最后剩下的部分，尽管数量较少。此外，还将创建新的职位，例如AI代码馈送员、AI代码审查员、AI代码调试员、定制AI手工维护员等。然而，2024年的工作格局将在未来10年内不复存在。开发人员、QA、PM 等技术职位以及许多导师、教师、布道者等都将发生变化，许多人将不得不适应。正如斯蒂芬·奥金斯所说：智力是适应变化的能力。现在就投资您的未来，以确保：

如果开发人员仍然存在（大量）：太好了，我们将成为一把真正的瑞士刀

如果我们“消失”，谁知道我们将成为一家公司的所有者，该公司可以严重依赖人工智能以具有竞争力的成本销售产品。

还有什么吗？