共计 5379 个字符，预计需要花费 14 分钟才能阅读完成。
在历史的长河中，人类一直在不断开发各种工具和系统，增强自身的能力。无论是印刷术还是流水线，这些创新拓宽了我们的能力，造就新的工作和职位，我们也在不断调整自己来适应这些变革。这种变革的速度在过去一年急剧加快。云技术、机器学习以及生成式AI变得更加普及，从写电子邮件到开发软件，甚至是早期的癌症筛查，这些技术几乎影响到我们生活的方方面面。未来几年，我们将迎来更多产业创新，推动技术的广泛应用，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。
生成式AI将逐渐具备文化意识
基于文化多样性数据训练的大语言模型（LLM），将能够更细腻地理解人类体验以及复杂地社会挑战。这种“文化流利度”有望让全球用户更方便地使用应用生成式AI。
文化的影响体现在方方面面，从我们讲的故事、吃的食物、穿着打扮，到价值观、礼仪与偏见，以及我们处理问题和做出决策的方式。文化是我们在社会群体中存在的基础，为我们的行为和信仰提供了规则和指南，而这些会随我们所在的环境和接触的对象而变化。
同时，这些差异有时也会导致混淆和误解。例如，在日本，吃面时发出的大声吸汤的声音被视为享受美味的表现，但在其他文化中则被视为不礼貌的行为。在印度的传统婚礼上，新娘可能会穿着精心设计、色彩鲜艳的蓝嘎（lehenga，印度女性的传统服饰）；而在西方，白色婚纱才是传统；在希腊，人们会为了好运往婚纱上吐口水。作为人类，我们已习惯跨越多种文化展开协作，我们能够将这些信息置于特定语境中，调整解读方式并做出适当的回应。
所以，为什么不对我们在日常生活中使用和依赖的技术有同样的期望呢？在未来几年，文化将在技术的设计、部署和使用方式中发挥关键作用，其中最显著的影响将体现在生成式AI中。
基于大语言模型的系统要触达全球用户，它们需要达到与人类自身相似的文化流利度。佐治亚理工学院的研究人员在今年早些时候发布的一篇论文中证实，即使给一个大语言模型提供了明确提及伊斯兰祷词的阿拉伯语提示词，它生成的回复仍然是建议与朋友一起饮酒，这在伊斯兰文化中显然是不当之举。这很大程度上与可用的训练数据有关。用于训练许多大语言模型的Common Crawl数据集大约有46%的内容是英语，而且无论是哪种语言，更大比例的内容以西方文化为基础（明显倾向于美国）。而如果使用专门针对阿拉伯语生成的预测训练模型使用阿拉伯语进行预训练，提供相同的提示词，就能生成更符合相应文化背景的回复，比如建议喝茶或咖啡。非西方语境的大语言模型在过去几个月里已经开始出现：例如基于阿拉伯语和英语数据训练的Jais、中英双语模型Yi-34B，以及使用大量日语网络语料库进行训练的Japanese-large-lm。这些迹象表明，具有文化准确性的非西方模型将把生成式AI带给数亿人，并影响从教育到医疗的方方面面。
需要注意的是，语言和文化并不相同。一个模型即使能够提供完美的翻译，也并不代表其具备文化意识。随着大量的历史和经验被嵌入到模型中，我们将看到大语言模型开始形成更广泛的全球化视角。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它们的视野并理解文化。在这种文化交流中，有两个研究领域将发挥关键作用：一是基于AI反馈的强化学习（RLAIF），即一个模型可以吸收另一个模型的反馈，不同的模型之间可以相互影响，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，之后针对每个响应的有效性及背后的推理展开辩论，最后基于辩论过程得出一致的响应。这两个研究领域都能够降低训练和微调模型所需的人力成本。
大语言模型在相互之间交互和学习的过程中，将从不同文化的视角获得对复杂社会挑战的更为细致的理解。这些进步还将确保模型提供更具韧性和技术准确性的反馈，涵盖如科技等广泛的领域。该影响将是深远的，并在不同地理区域、社区和不同时代中为人们所感知。
女性科技终于崛起
随着女性科技（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，女性医疗健康领域迎来一个拐点。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，女性每年在医疗领域的支出就超过5,000亿美元。她们占人口总数的50%，但在消费者医疗保健决策者中的占比则达到80%。然而，现代医学一直默认以男性为基础，直到1993年美国国立卫生研究院(NIH)颁布的《振兴法案》之后，女性才被纳为临床研究对象。历史上，月经护理和更年期治疗历来被视为禁忌话题，而且由于女性被排除在临床试验和研究之外，她们的诊疗结果比男性要差得多。
平均而言，女性在许多疾病的诊断上要晚于男性，而且女性在心脏病发作后被误诊的风险比男性高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反应的比例明显高于男性。尽管这些统计数据看起来令人担忧，但在云技术和大数据的帮助下，对女性医疗（又称“女性科技”）的投资正在不断上升。
亚马逊云科技一直与女性领导的初创公司密切合作，见证了女性科技的发展。仅仅在过去的一年，相关投资就增长了197%。随着投资的不断增加、机器学习等技术的不断发展，以及专为女性设计的联网设备的出现，我们正身处一个前所未有的转折点，不仅关系到人们对女性护理的认知，也涉及到相应的管理方式。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护理的巨大潜力，无论是在家还是在旅途中都能给患者提供舒适的体验。
随着对女性健康需求的社会偏见逐渐消失，以及更多的资金流入该领域，女性科技公司将会继续积极应对过去被忽视的各种医疗状况和需求。与此同时，在线医疗平台、便捷的低成本诊断设备以及按需获取的医疗专家服务构成的混合医疗模式的发展，将大幅增加女性获得医疗服务的机会。Maven等客户已证明了在这一领域的领导地位，它们打破了心理健康和身体健康之间的界限，为用户提供从情感咨询到更年期护理的全方位服务。
这些平台的成熟和普及将促使医疗服务的大众化。借助应用程序和远程医疗平台，居农村和医疗资源匮乏地区的女性将更容易联系到妇产科医生、心理健康专家及其他领域的专家。例如NextGen Jane正在开发的智能卫生棉系统，将帮助女性建立子宫健康档案，识别潜在的疾病基因组标记物，并与临床医生共享这些信息。可穿戴设备将为用户和医生提供大量可分析的纵向健康数据。如今，超过70%女性的更年期症状无法得到有效治疗，随着教育水平的提升、数据的普及和非介入性解决方案的出现，将极大地改善治疗效果，而这也远远超出了妇产科护理的范畴。
例如，在女足世界杯的备战期间，约有30名运动员因十字韧带撕裂而提前退赛。与传统医学一样，女性的训练模式也是基于男性的训练方法，很少考虑到生理差异。因此，女性因十字韧带受伤而退役的几率是男性的6倍，而她们完全康复并重返球场的几率则比男性低25%。这也是研究女性独特的健康数据将产生重大影响的另一个领域，这样不仅可以预防女性运动员受伤，还能全面提升她们的整体健康状况。
我们正处于女性医疗的转折点。获取丰富多样的数据，并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降低当前对女性影响较大的药物副作用。子宫内膜异位症和产后抑郁症将得到应有的关注。我们终将看到女性医疗从边缘走向前沿。由于女性主导的团队解决广泛健康问题的意愿要比男性主导的团队更强，女性科技不仅让女性受益，也将改善整个医疗系统。
AI助手重新定义开发者生产力
AI助手将从基础代码生成器，演变为导师和不知疲倦的合作伙伴，在整个软件开发生命周期中提供支持。它们将用通俗语言解释复杂的系统，提出有针对性的改进建议并处理重复性任务，让开发者将注意力集中在最具影响力的工作上。
在2021年，我曾预测生成式AI将开始在软件编写中起到关键作用。它将拓展开发者的能力，协助他们写出更安全、更可靠的代码。现在，这一预测正在变为现实。我们看到众多基于自然语言提示，生成的函数、类和测试的工具和系统。事实上，在2023年Stack Overflow的开发者调查中，70%的受访者表示他们在开发过程中已经使用或计划使用AI辅助工具。
未来的AI助手不仅会理解和编写代码，它们还将是一位不知疲倦的合作伙伴和导师。无论你提出多少问题，它们都会不知疲倦地执行任务，并且不厌其烦地解释概念或重复工作。AI助手拥有无限的时间和耐心，协助团队中的每个成员应对从代码审查到产品策略过程中的各种挑战。
产品经理、前端和后端工程师、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助手将凭借对整个系统，而非对单一模块的理解，提供一些能够激发人类创造力的建议，例如将一张餐巾纸上的草图转换成框架代码、根据需求文档自动生成模板，或者为你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AI助手将具有高度的可定制性，可以针对个人、团队或企业级的需求进行个性化定制。它们能用简单的术语解释Amazon S3等复杂分布式系统的内部机制，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并，而经验丰富的工程师则可以使用它们快速理解新的项目或代码库，并做出实际贡献。可能过去需要花费数周的时间才能完全理解代码更改的下游影响，而AI助手可以即刻对变更进行评估，概述对系统其他部分可能产生的影响，并根据需要提提供改进建议。
我们已经看到，在现代软件开发中，很多之前被视为枯燥的工作内容正逐渐从开发者的日常工作中消失，例如编写单元测试、样板代码和调试错误。那些通常被认为是“多余的”任务往往会被忽视。AI助手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，或者将单体应用拆分为微服务。
毫无疑问，开发人员仍然需要规划和评估最终产出。但是AI助手将帮助他们筛选学术研究，为分布式系统选择正确的算法，并决定如何更好地从主备模式迁移到双活模式，甚至能够理解资源如何影响效率，并据此制定定价模型。这将使更多的工作自动化，开发者不再需要手动执行升级Java版本等繁重的任务，转而可以专注于那些能推动创新的创意性工作。
在未来几年中，随着AI助手从软件行业中的尝鲜变为必需品，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。
教育变革紧跟科技创新步伐
仅靠高等教育无法跟上技术变革的步伐。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实现双赢。
我对过去的软件开发周期还记忆犹新：一个产品可能要开发5年以上才能交付给客户。直到90年代末，这仍是公认的做法。但在今天，用上述方法开发的软件在真正投入使用之前就已经严重过时了。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得到了大幅缩短，其影响力也极为显著。企业将产品推向市场的速度，以及客户对新技术的接受速度，比以往任何时候都快。在技术和商业都在快速旋转的飞轮中，高等教育直到现在都尚未包含在内。
教育在世界各地存在着巨大差异，但人们普遍认为，企业要想雇佣优秀的人才，或者自己要想找到理想的工作，拥有大学学位是最基本的要求，在技术领域尤为如此。然而，我们看到这种模式正在瓦解，无论是对个人还是对企业。对于学生而言，教育成本在不断上升，许多人对传统大学学位的价值产生了质疑，尤其是在实用培训变得可行时。对于企业而言，新员工仍然需要在职培训。随着越来越多的行业要求员工具备专业化的技能，学校教育与雇主需求之间的差距正在扩大。就像数十年前的软件开发过程，我们在科技教育领域也到达了一个关键点，我们将看到曾经为少数人量身定制的在职培训逐渐演变成面向广大人群的由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这样最初专注于消费者的公司，已经与企业合作，加强了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，而学徒在学习的同时也能获得收入。不过，目前企业自身也开始大规模投资于技能教育。事实上，亚马逊刚刚宣布，已在全球培训了2,100万技术学习者。这在一定程度上得益于机械电子与机器人技术学徒计划（Mechatronics and Robotics Apprenticeship），以及Amazon Cloud Institute等项目。所有这些项目都让处于职业生涯不同阶段的学习者能够获得他们需要入职热门职位的精准技能，而无需承担传统多年制项目的承诺。
需要明确的是，这个概念并非没有先例。例如电工、焊工和木匠等熟练工种，他们的大部分技能都不是在课堂上学到的。他们从初学者到成为学徒，再成长为熟练工，甚至可能成为技术专家。这样的学习是在工作中持续进行的，而且有明确的技能提升路径。这种终身教育的方式——学习并保持好奇心，对个人和企业而言都大有脾益。
所有这一切并不意味着传统学位会消失。这不是一个“非此即彼”的情况，而是关乎选择。在科技领域，传统的学术学习仍然至关重要。但在许多其他行业中，技术的影响已经超越了传统教育系统。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，而这将是不容忽视的潮流。
亚马逊云的服务还不错！