【人工智能】AI浪潮来袭：未来将遭遇剧烈变革的行业揭秘

博客主页： [小ᶻZ࿆] 本文专栏: 人工智能 | AIGC

文章目录

AI浪潮来袭：未来将遭遇剧烈变革的行业揭秘

• 随着人工智能技术的快速发展，社会各行各业正在经历一场深刻的变革。企业越来越多地引入AI技术，旨在降低运营成本并提升工作效率，特别是在客服、编程和文案创作等领域，AI的应用已经使得许多重复性工作实现了自动化，从而显著提升了业务表现。

• 尽管AI技术在白领工作中的应用越来越广泛，但对于需要高度现场操作和判断的蓝领工作，AI的替代能力目前仍然有限。然而，在翻译、客服和艺术创作等领域，AI技术的进步带来了新的挑战。AI翻译服务凭借其高效和准确，改变了传统的人工翻译模式；AI客服通过深度学习技术，提升了服务质量，接近于人类的水平，对传统客服岗位产生了影响。此外，AI创作的艺术作品开始在某些场合得到认可，引发了关于原创性和版权问题的讨论。

• 特别是像ChatGPT这样的AI工具，在编辑、编程和信息检索方面展现了强大的能力，不仅提高了工作效率，还降低了这些领域的入门门槛，进一步推动了技术创新和行业变革。与此同时，AI技术正在广告、教育、游戏等多个领域产生深远影响，推动这些行业的转型和升级。

• 总体来看，人工智能技术的发展正在逐步重塑工作流程和商业模式，尽管它带来了许多便利和效率提升，但也引发了对传统职业价值和未来教育方向的深刻思考。在这一趋势下，社会各界需要积极应对，接受变化，同时思考如何培养出更具创新能力和适应性的未来人才。

• 目前很多公司已经普遍认可并采用了ChatGPT等AI工具。《财富》杂志的相关报道提到，大约55%的受访企业对ChatGPT的表现给予了“优秀”的评价。此外，有48%的企业表示，自从使用了ChatGPT后，公司节省了超过5万美元的成本，另有11%的企业表示节省下来的费用高达十多万美元。
• 在劳动力市场方面，ChatGPT的引入也带来了一些影响。例如，一些公司开始减少员工人数，并将内容创作等工作交由ChatGPT完成。亚马逊等大公司已经将ChatGPT用于客户服务、编写软件代码和创建培训文档等多个领域。这些变革显示了AI工具在提高效率和降低成本方面的潜力，同时也引发了对未来就业市场的深刻讨论。

• 这张图表展示了AI技术对不同职业替代率的分析，其中替代率最高的职业包括翻译、保险核保专员、剧作家、统计调查员等，这些多为白领工作。相反，替代率最低的职业则是模具设计工程技术员、园林绿化工、安全员、缝纫工等，多为蓝领工作。
• 从这个图表中可以看出，当今AI技术与过去的机械自动化有一个显著的不同：过去的机械自动化更多地取代蓝领工人，而现在的AI更多地取代白领工人。这主要是因为许多蓝领工人的工作涉及非标准化任务，AI在处理这些任务时还存在很大难度。这些工作往往需要现场的物理操作和复杂的判断，例如清洁工人需要根据不同情况决定如何清洁，这些工作充满了变数和不可预测性，目前AI还难以有效替代人类完成这些任务。
• 那么接下来我们看一下在可预见的未来，具体受冲击的哪些行业。

翻译行业

• 翻译行业正在经历首波冲击，尤其是那些与语言文字密切相关的工作。在这些领域中，翻译首当其冲受到影响。如今，已有基于ChatGPT开发的翻译软件，可以在短时间内将任何外语电子书翻译成地道的版本。

客服行业

• 在客服行业，传统的客服人员主要负责为客户提供服务和解答问题。然而，随着GPT-4等先进技术的出现，这些任务现在可以由AI来完成。AI不仅能够像人类一样与客户互动，还能通过深度学习不断优化其回答的准确性和效率。这种技术的发展正在颠覆传统的人工客服模式。
• 想象一下，当你与淘宝客服聊天时，你怎么确定对方是真人呢？或许因为对方的语气不像机器。这表- 明，现有的AI虽然已经很先进，但仍然有可识别的特征。然而，ChatGPT则不同，它能够通过图灵测试，也就是说，你无法分辨对方是机器还是人类。这使得AI成为取代人工客服的理想选择，因为它不需要休息、不需要加班费，甚至接口是免费的。站在老板的角度来看，这样的选择无疑更具吸引力。

绘画行业

• 在绘画行业，AI技术也开始展现出其强大的影响力。例如，这张名为《太空歌剧院》的作品，获得了美国科罗拉多州艺术博览会数字艺术类的第一名。这幅作品由美国游戏设计师杰森·艾伦在今年8月使用AI技术创作，画面中展现了身着中世纪欧洲宫廷服饰的人物站在华丽的宫殿中，背后是穹顶之外的广袤宇宙，场景极其震撼。
• 然而，这一作品的获奖引发了广泛的争议。很多人认为AI是人类艺术的剽窃者，一些画家甚至公开声明，要求禁止AI程序学习他们的作品。但这样的禁止措施实际上难以奏效。因为AI并不是直接剪辑和拼贴人类的作品，而是在学习了海量的训练数据后，以像素为单位重新创作出这些作品。这种过程类似于人类艺术家的创作，他们在学习其他作品后也可能会产生新的灵感和作品。如果一个人类画家在学习了别人的作品后创作出新的作品，那么版权依然属于他本人。那么，当AI在学习了数千亿张作品后创作出新作品时，版权应该归属于谁？这个问题正在引发越来越多的讨论。

编辑行业

• 在编辑行业，AI技术也正在产生巨大的冲击。今年1月，美版今日头条BuzzFeed宣布将使用ChatGPT来生成内容，并因此裁员12%，股价在短时间内翻倍。那么，为什么ChatGPT能够对传统编辑行业产生如此大的影响呢？
• • 首先是高效性。与人类编辑相比，ChatGPT能够在更短的时间内生成和修改大量文本。举例来说，当你在撰写新闻稿件时，人类编辑可能需要几个小时才能完成一篇文章，而ChatGPT几分钟内就能生成一篇质量相当的文章。据统计，使用ChatGPT的编辑人员在新闻撰写方面的生产效率提高了大约60%。
• • 其次是成本的降低。使用ChatGPT可以显著降低编辑和撰写内容的成本。比如，出版社如果使用ChatGPT进行图书的编辑和校对工作，能够使人力成本降低大约40%。同时，由于AI的高效性和准确性，编辑的质量也得到了保障。这些优势使得ChatGPT成为传统编辑行业中强有力的竞争者。

程序员行业

• 在程序员行业，ChatGPT等AI工具正展示出颠覆性的潜力。一个典型的场景是，当用户在白纸上绘制了一个网页布局，并附上一句话“这是一个讲笑话的网页”，然后用手机拍照并上传给GPT-4时，GPT-4几乎在秒级别的时间内生成了完整的网页代码，并且运行效果良好。这一过程展示了AI在编程中的高效性和准确性。
• 黄奕萱在一次访谈中提到，ChatGPT的出现可以被称为“iPhone时刻”，它消除了数字和技术的鸿沟，成为AI行业的一次重大事件。与iPhone不同的是，ChatGPT让每个人都能进行编程，从而使技术的使用不再局限于专业人员。这项技术第一次真正实现了民主化，使得技术不仅易于使用，还可以让每个人参与到编程中来。 复旦大学计算机学院教授黄萱菁：ChatGPT将拉近我们与通用人工智能间的距离

• 有意思的是，访谈下方有人评论说，认为程序员会被取代的人显然不懂这个行业。这个评论还调侃道，如果真的明白这一点，那么他应该知道NVIDIA的重要性。这个场景和讨论反映了AI技术在编程领域的潜力和争议，尽管AI可以帮助人们更快地完成编程任务，但它是否能完全取代程序员仍然是一个有待探讨的问题。

搜索行业

• 在搜索行业，ChatGPT曾表示自己并非搜索引擎，其目的不是提供信息搜索。与搜索引擎通过索引网页并匹配搜索词来提供信息的方式不同，ChatGPT是通过自然语言处理来回答用户的问题，因此它认为与搜索引擎没有直接竞争关系，也不会互相颠覆。
• 事实上，搜索引擎的功能并不仅仅是为了搜索而搜索，而是为了帮助用户解决未知的问题。搜索只是实现这个目标的一种手段，而非最终目的。随着技术的发展，越来越多的替代方式正在减少人们对传统搜索的依赖。举例来说，个性化推送已经成为一种有效的替代手段。自从抖音等内容平台出现后，人们对搜索的需求显著减少，因为推送内容已经解决了许多他们可能想搜索的问题，甚至是那些他们尚未想到的问题。
• 这就像共享充电宝的竞争对手并不是其他共享充电宝，而是一切可以满足用户延长手机使用时间的工具或方法，比如别人帮你充电、携带充电线、使用快充、更大的电池或者省电模式等等。从这个角度来看，ChatGPT虽然声称不是搜索引擎，但它的功能和影响确实正在改变我们获取信息的方式，这种变化对传统搜索引擎构成了潜在的威胁。

广告行业

• 在广告行业，传统的广告人员需要投入大量时间和精力来创作文案和策划活动。然而，随着ChatGPT等AI工具的发展，通过对大量文案和数据的学习，AI可以生成高质量的广告文案，这将以极低的成本蚕食广告市场的份额。
• 最近，蓝色光标公司发布了一封内部邮件，内容提到为了避免核心能力的空心化，并为迎接AIGC（AI生成内容）奠定基础，公司管理层决定无限期全面停止创意设计方案撰写、文案撰写和短期雇员四类相关外包业务。这意味着，许多基础的文案和设计工作将逐步被更高水平的AI创意所取代。 GPT真开始抢工作了！蓝色光标全面停止创意设计、文案撰写等四类外包支出

笔记类APP

• 此外，笔记类APP也面临威胁。传统的笔记应用，如印象笔记或网易云笔记，主要依赖于复制粘贴和简单的搜索功能。当存储的内容越来越多时，用户可能会面临难以找到特定内容的问题，特别是当搜索词输入不精确时，搜索效率会大大降低。然而，AI的普及可以通过理解用户的意图来提高搜索效率，使得这些应用在面对新的AI驱动的搜索和管理工具时，可能面临更大的挑战，甚至有可能被取代。

教育行业

• 在教育行业，AI的应用也正在逐步扩大。2024年3月15日，语言学习应用程序多邻国宣布推出名为“Duolingo Max”的订阅服务，该服务整合了GPT-4的大语言模型。此服务包含两个新功能：一个是“Explained Answer”，另一个是“Replay”。
• 在“Explained Answer”功能中，用户可以与多邻国的吉祥物进行对话，并获得对答案正误的简单解释，甚至还能查看更多示例和说明。这使得学习过程更加互动化和个性化。而“Replay”功能则允许学生与AI角色直接互动，模拟真实情境中的对话练习，帮助学生更好地掌握语言。 整合 OpenAI 的 GPT-4 模型，语言学习应用多邻国推出 Max 订阅
• 与此同时，知名的可汗学院也宣布开始采用GPT-4来提供在线一对一的辅导服务，旨在帮助学生更好地学习。与传统教学不同的是，这个系统不会直接告诉学生答案，而是像一位循循善诱的老师一样，引导学生通过思考和推导得出正确答案。这种方式不仅能够帮助学生理解知识点，还可以培养他们的独立思考能力。 可汗学院创始人Khan最新TED演讲：GPT-4作为AI学习私教，可能带来教育史上最大变革（双语版本，人机共创）

游戏行业

• 在游戏行业，AI技术的迅速发展正逐渐改变游戏开发的方式。像Midjourney，DELL等主流AI绘画平台的技术升级，已经让一些游戏公司开始认真考虑将这些技术应用于游戏开发中。
• 在游戏开发过程中，原画和UI设计是最先受益于AI技术的领域。特别是在前期研发阶段，通常需要设计师花费一周时间才能提出两套方案，然后再进行评估。而有了AI技术后，只需输入所需的效果和风格，AI在一个小时内就能生成多种草图方案。这使得制作人、策划人员和美术设计师可以从中挑选最符合项目需求的草图，然后交给设计师进一步完善。
• 这种方式特别适合独立游戏制作者或初创公司，因为他们通常资金有限，培养新人才的成本很高。同时，游戏行业本身风险极高，AI的应用可以有效降低开发成本。如果使用得当，AI甚至能够替代五个设计师的工作量。
• 这种AI技术的应用不仅加快了游戏开发进程，还为游戏公司节省了大量成本，特别是在资源有限的情况下，这种技术的优势更加明显。

法律行业

• 在法律行业，AI技术的进步也开始对传统上具有较高知识门槛的法律工作构成挑战。在GPT-4的发布会上，OpenAI的CEO展示了该模型如何处理复杂的法律问题。他向GPT-4提供了美国个人所得税的相关法规，并给出了一对夫妻的收入和个人信息，然后开始提问这对夫妻的具体税务问题。
• GPT-4不仅能够准确回答这些问题，还能详细说明其答案背后的法律依据。这种表现几乎就像一位真正的律师在为你提供咨询，能够娓娓道来法律条款，并解释适用的法律规则。
• 在演示过程中，GPT-4并没有直接提供答案，而是通过逐步解释相关的税法条文，展示了其在法律领域的理解能力。虽然OpenAI的CEO强调了GPT-4并不是法律顾问，用户仍应与专业税务顾问核实信息，但这次演示显示出AI在处理复杂法律问题时的潜力。
• 这表明，法律行业也可能面临来自AI的挑战，尤其是在处理标准化法律问题和文书工作方面，AI能够大幅提高效率并降低成本。这种趋势可能会改变法律服务的提供方式，使得法律咨询更加普及和自动化。

金融行业

• 在金融行业，AI技术也正在快速渗透并带来显著的效率提升。此前在GPT-4的发布会上，展示了这样一个例子：AI被提供了A公司的财报，并被要求提炼出其中的要点。几秒钟之内，GPT-4就完成了这项任务，提取出包括毛利、净收入等关键信息。接着，AI被要求对比A与B & C两家公司的财报，GPT-4迅速搜集了这些公司的第三季度财报，并立即生成了对比表格。整个过程的速度和效率几乎是人类手动操作的100倍。
• 这样的效率提升表明，短期内AI可以为现有的理财顾问赋能，帮助他们提升工作效率，减少培训成本。比如，摩根士丹利的财富管理部门已经开始利用GPT-4为其理财顾问提供服务，以更好地满足客户需求。
• 从长期来看，AI可能会替代部分初级理财师，直接为大众提供财富管理建议。随着AI技术的进一步发展，越来越多的金融服务可能由AI来提供，尤其是在处理数据分析和财务对比等重复性高的任务时，AI能够显著降低人工成本并提高服务质量。

摄影行业

• 在摄影行业，AI技术正在从另一个维度颠覆传统摄影。例如，现在许多AI生成的图像几乎可以达到以假乱真的效果，生成这些图像所需的指令也非常简单，通常只需输入一段特定的自然语言描述即可。例如，你可以输入“90年代的北京背景下，一对穿着夹克和牛仔裤的年轻中国情侣坐在屋顶上”，AI就能够生成符合这一描述的图像。
• 特别是随着AI图像生成技术的不断进步，尤其是像MidJourney的V5版本，它能够克服一些早期版本的局限性，例如以往AI生成图像时常被诟病的手指问题。在V5版本中，这些问题已经得到显著改善，生成的图像不仅质量更高，而且风格更加多样化，输出也更加丰富，甚至支持更广的纵横比和动态范围。
• 从V1到V5的进步仅用了短短一年时间，这表明AI图像生成技术的发展速度之快。现在，很多AI生成的图像如果不告知观者，很难分辨其是否为摄影作品，这充分展示了AI在视觉艺术领域的潜力和影响力。

社会教育体系的发展

• 在当前的教育体系中，一个令人担忧的问题是，按照现有模式培养出来的学生，未来5到10年内是否还能找到合适的工作，是否能够适应不断变化的就业市场。这种担忧源于AI技术的迅猛发展，特别是大语言模型的普及，使得人类传统教育中教授的许多知识变得更加容易获取。
• AI的趋势是不可逆的，它的效率只会越来越高，未来只会变得更加出色、快速且便宜。这意味着，未来每个人都可能拥有一个熟知人类所有既有知识的“外挂大脑”。在这种情况下，如果学校继续只教授这些可通过AI轻易获取的知识，那么这些学生在未来是否能够应对市场的需求就成了一个巨大问题。
• 目前，许多学生对学习的理解仅停留在分数上，他们努力的目标往往只是为了提高成绩，而忽视了培养创造力的重要性。这种结果导致许多学生在学习过程中只是进行机械的重复，没有进行真正的创造性思考。毕业后，许多学生丢掉书本，欢呼雀跃，反映出他们缺乏终身学习的概念，更多的是条件反射般地依赖老师和他人的总结，而很少主动思考知识的来源和应用。
• 市场环境就像一片真正的森林，充满了不可预测的挑战和竞争。对于学生来说，真正重要的是培养独立学习的能力和创造性的思维框架，而不仅仅是掌握具体的操作技能。这种能力将帮助他们在充满不确定性的未来就业市场中生存和发展。

import numpy as np;import pandas as pd;import matplotlib.pyplot as plt;from tensorflow.keras.models import Sequential;from tensorflow.keras.layers import LSTM, Dense, Dropout;from sklearn.preprocessing import MinMaxScaler;from sklearn.metrics import mean_squared_error;defgenerate_time_series_data(n, steps, noise=0.1): time = np.arange(steps); data = np.sin(0.1* time)+ np.cos(0.2* time)+ noise * np.random.randn(steps);return data;defprepare_data(series, n_steps): X, y =[],[];for i inrange(len(series)): end_ix = i + n_steps;if end_ix >len(series)-1:break; seq_x, seq_y = series[i:end_ix], series[end_ix]; X.append(seq_x); y.append(seq_y);return np.array(X), np.array(y);defpreprocess_data(data, n_steps): scaler = MinMaxScaler(); data = scaler.fit_transform(data.reshape(-1,1)).flatten(); X, y = prepare_data(data, n_steps); X = X.reshape((X.shape[0], X.shape[1],1));return X, y, scaler;defbuild_lstm_model(input_shape): model = Sequential(); model.add(LSTM(100, activation='relu', input_shape=input_shape, return_sequences=True)); model.add(Dropout(0.2)); model.add(LSTM(100, activation='relu')); model.add(Dropout(0.2)); model.add(Dense(1)); model.compile(optimizer='adam', loss='mse');return model;deftrain_lstm_model(model, X_train, y_train, epochs=50, batch_size=32): history = model.fit(X_train, y_train, epochs=epochs, batch_size=batch_size, validation_split=0.2, verbose=2);return history;defevaluate_model(model, X, y, scaler): predictions = model.predict(X); predictions = scaler.inverse_transform(predictions); y = scaler.inverse_transform(y.reshape(-1,1)); mse = mean_squared_error(y, predictions);return predictions, mse;defplot_predictions(time, actual, predictions, title): plt.figure(figsize=(12,6)); plt.plot(time, actual, label='Actual'); plt.plot(time, predictions, label='Predictions', linestyle='--'); plt.title(title); plt.xlabel('Time'); plt.ylabel('Value'); plt.legend(); plt.show();defmain(): steps =300; n_steps =10; epochs =100; batch_size =32; data = generate_time_series_data(1, steps); X, y, scaler = preprocess_data(data, n_steps); split =int(len(X)*0.8); X_train, X_test = X[:split], X[split:]; y_train, y_test = y[:split], y[split:]; model = build_lstm_model((n_steps,1)); train_lstm_model(model, X_train, y_train, epochs, batch_size); train_predictions, train_mse = evaluate_model(model, X_train, y_train, scaler); test_predictions, test_mse = evaluate_model(model, X_test, y_test, scaler);print(f"Train MSE: {train_mse:.4f}");print(f"Test MSE: {test_mse:.4f}"); plot_predictions(range(len(train_predictions)), y_train, train_predictions,'Train Data Predictions'); plot_predictions(range(len(test_predictions)), y_test, test_predictions,'Test Data Predictions');if __name__ =="__main__": main()