生成式人工智能驅動生產力創新……薩蒂亞·納德拉：“我們需要為人工智能時代找到新的隱喻”
微軟首席執行官薩蒂亞·納德拉強調了生成式人工智能帶來的工作與生活轉變，並指出人工智能融合時代需要一種“全新的計算隱喻”。從編碼工具的演進到數字員工對知識工作結構的變革，他將人工智能的影響描述為一場意義深遠的結構性轉變，並將其比作個人電腦的問世。
納德拉在最近的一次採訪中表示：“編碼工具已經從簡單的編輯建議發展到人工智能聊天、執行功能，如今更具備了完全自主的代理能力。”他解釋說，這種發展正在顯著提高知識工作的生產力和效率。他強調需要一種新的範式，並指出：“現有的以Windows、鼠標和鍵盤為中心的模式不足以描述人工智能驅動的用戶體驗。”
宏觀委託與微觀竊取：一種高效的人工智能利用策略
納德拉提出“宏觀委託”和“微觀竊取”是提高編碼和知識工作效率的關鍵策略。這包括將大規模任務委託給人工智能代理，使人類能夠專注於瞬時性的創造性工作。他解釋說，這種框架“可以顯著提高效率和並行處理能力”，並將其描述為提升生產力的戰略方法。
在此背景下，微軟也在探索如何通過名為“Agent 365”的實驗項目，賦予人工智能代理獨特的數字身份。微軟解釋說，這將使數字員工能夠與公司內各個部門的人類員工進行協作。
知識型工作結構也在重組……“全棧構建者”的時代已經來臨。
納德拉指出，人工智能的引入正在改變知識型工作的根本結構。他稱之為“自個人電腦以來生產力方面最大的結構性轉變”，並解釋說，新的效率模式是將以前分散的角色整合到一個由人工智能驅動的單一工作單元中，從而實施“全棧構建者”模式。
尤其是在技術競爭日益激烈的今天，靈活性和速度對於企業的生存至關重要。他強調了通過競爭刺激創新的重要性，並指出：“每十年出現新的競爭者，這才是科技行業保持健康發展的根本。”
全球南方地區的技術擴散與機遇
納德拉強調，技術應用的關鍵影響源於“強有力的應用和推廣”。他解釋說，實現經濟價值最大化並非僅僅擁有或開發人工智能，而是要將其深度融入現實世界的各個行業。他分析指出，在醫療保健和金融等各個行業應用人工智能是一項關鍵挑戰。
在此背景下，他將“全球南方”（以發展中國家為中心的新興市場）視為全球經濟的新增長引擎，並指出這些國家可以通過利用人工智能提高公共服務效率，從而獲得顯著的GDP增長機遇。他還預測，成功將取決於市場份額以外的生態系統效應，並且新的公司可能在全球任何地方湧現，並依託美國技術平臺奠定的基礎。
人工智能產業的結構轉型……向多模型和數字資產中心化轉變。
微軟正致力於利用其雲基礎設施 Azure 構建“令牌工廠”，作為其人工智能戰略的核心組成部分。納德拉設想構建一個多模型環境，其中所有應用程序都將使用多個模型，而不是單一的人工智能模型。
他進一步強調，大規模語言模型（LLM）最終將像數據庫一樣普及，而只有當人工智能能夠反映企業內部的隱性知識（蘊含經驗和背景的知識）時，才能真正實現競爭力。他指出，企業採用人工智能應由“自上而下、權威驅動”和“自下而上、聚焦領域的競爭”共同推動。他還補充說，像Word和Excel那樣逐步普及，將是關鍵。
人工智能時代正在重塑產業結構，其意義遠不止於技術的引入。薩蒂亞·納德拉認為，這一轉型能否成功取決於技術的“深度利用”及其在組織內部的“戰略整合”。如今，企業和國家層面都需要採取全面的應對措施。
💡 “如果我們想讓生成式人工智能真正發揮作用……我們需要重新學習它的結構。”
人工智能如今已不再僅僅是工具，而是成為擁有身份的代理，在企業中扮演著“數字角色”。正如薩蒂亞·納德拉所言，這種轉變標誌著一個轉折點，需要一種超越“Windows-鼠標-鍵盤”時代的新隱喻。
問題是，我們如何才能真正駕馭這種複雜的轉變？我們是否真正有效地“利用”了人工智能，還是僅僅依賴它？
TokenPost Academy提供實用的大師班，培養學員解讀真實數據、理解數據結構以及在這個快速變化的時代做出戰略性反應的能力。
步驟 2：分析師：通過代幣經濟分析和鏈上分析瞭解項目的真正價值。
步驟 5：DeFi 用戶：學習 DeFi 的結構——從質押、流動性提供和 LTV 計算——從原理到實踐。
步驟 6：專業人士：涵蓋在熊市中使用期貨和期權保護投資組合的高級策略。
第七步：宏觀大師：培養解讀和分析市場情緒和宏觀趨勢的能力，成為數據驅動型投資者。
你準備好了解人工智能正在改變的結構，並乘上變革的浪潮了嗎？
課程設置： 7 步大師班，涵蓋從基礎知識到 DeFi、期貨/期權和宏觀分析的所有內容。
首月免費活動進行中！
請訪問： https://www.tokenpost.kr/membership
🔎 市場解讀
微軟首席執行官薩蒂亞·納德拉強調，生成式人工智能時代的本質是一種結構性創新，它超越了簡單的自動化工具，徹底改變了知識工作的運作方式。編碼工具正在演變為自主代理，這正成為打破以Windows、鼠標和鍵盤為中心的現有界面框架，並轉向以人工智能為中心的模式的關鍵時刻。
💡 策略要點
1. 我們需要將人工智能和人類的角色分開，並通過引入“宏觀委託”和“微觀竊取”策略來最大限度地提高並行處理能力。
2. 需要制定一項戰略，以增強組織內部的人工智能集成能力，並通過“Agent 365”等數字員工概念提供身份認同感。
3. 行業定製化人工智能應用對於提升企業乃至國家層面的競爭力至關重要。
4. 隨著多人工智能模型環境的引入，大型語言模型（LLM）的泛化能力及其反映隱性知識的能力正在成為關鍵的競爭因素。
📘 詞彙表
🔹 生成式人工智能：指一種能夠生成文本、代碼和圖像等創意輸出的人工智能技術。
🔹 宏觀委託：一種將大規模任務委託給 AI 代理的策略。
🔹 微型盜竊：一個簡短的、人為產生的、瞬間產生的想法或創造性的干預。
🔹 全棧構建者：一種將開發、設計和部署作為一個整體進行處理的新型勞動模式。
🔹 數字員工：被賦予獨特角色的 AI 代理與人類合作執行任務。
💡 常見問題解答 (FAQ)
問：
宏委託和微竊取究竟是如何使用的？
宏觀委託是指將重複性、結構化的任務（例如回覆電子郵件、撰寫報告和生成代碼）分配給人工智能。而微觀委託則涉及短暫的人工干預，人工干預可以提出創新性的想法或改進方案。將這兩種方法結合起來，可以優化人與人工智能之間的協作結構。
問：
什麼是全棧構建者？為什麼它很重要？
“全棧構建者”模式將規劃、開發和運維這三項原本獨立的任務整合到同一個人或人工智能系統中。這種勞動力結構正日益受到認可，因為它非常適合加速數字化轉型的時代，能夠實現快速執行和靈活部署。藉助人工智能，全棧能力已成為可能。
問：
將LLM用作數據庫意味著什麼？
大型語言模型（LLM）並非僅僅是生成文本的工具；它們能夠內化過往數據和隱性知識，從而構建一套可應用的知識體系。未來，預計每家公司都將定製化構建LLM，並將其作為寶貴資產積累起來，用於管理和戰略規劃。
TP AI 預防措施
本文使用基於 TokenPost.ai 的語言模型進行摘要。原文中的關鍵點可能被省略或不準確。
獲取實時新聞……請前往 TokenPost Telegram 頻道
版權所有 © TokenPost。未經授權，禁止複製和傳播。
