當智慧不再稀缺，專家還重要嗎？霍夫曼談AI如何重塑專業與知識門檻
前言：AI會取代專家，還是讓每個人更接近專業？OpenAI早期推手雷德・霍夫曼（Reid Hoffman）與葛雷格・比托（Greg Beato）在新書《超級代理效應》（Superagency）指出，當智慧不再稀缺，AI將使專業知識變得可對話、可個人化；專家能更深地運用AI，新手也能從自身目標出發，取得過去難以觸及的知識與判斷。
我們正進入一個「智慧不再是稀缺資源」的新時代。透過自動化與網路化，智慧變得隨手可得，就和今天的GPS 一樣，成為數十億人日常生活中無所不在且不可或缺的一部分。
正如我們在陌生的地方會下意識拿出手機找路，或是在金融交易中仰賴GPS 進行精準的時間同步，未來我們也會以類似的方式運用AI，徹底改變我們在個人與專業領域中解決問題及做決策的方式。這場轉變能讓所有人受惠，但對於那些因各種因素導致資訊導航能力受限的人而言，AI 為生活帶來的全新能力與自由，其影響將尤其深遠。
以Google 地圖為例：放大與縮小特定區域只是第一步。你還可以透過不同圖層查看其他資訊，包括：地形、即時路況、空氣品質，或是單車路線。當你在不同圖層之間切換、縮放，或是轉換到街景模式時，你會看到新的角度與細節，以及這片地景的不同樣貌。同樣地，透過與對話式LLM 一來一往的對話，你可以根據當下的需求與意圖，「描繪」出某個主題或情境在事實、情感、政治、文化、經濟與歷史等各個層面的樣貌。
我們可以用一個簡單的方式來說明。試著輸入一連串提示詞，例如：
「向一位6 歲小孩解釋相對論。」
「向一位高中物理課學生解釋相對論。」
「向一位沒有專業背景的成年人解釋相對論。」
接著，你可以要求LLM 依據更詳細的指示來處理你的請求，為不同特質的6 歲小孩量身制定答案：
「向一位喜歡消防車的6 歲小孩解釋相對論。」
「向一位母語是西班牙語、但正在學習英語的6 歲小孩解釋相對論。」
「向一位熱愛外太空與行星、偏好用說故事方式學習的6 歲小孩解釋相對論。」
從這個角度來看，LLM 既會加速，也會獎賞一個人在特定領域中的熟練程度。你能運用的知識與細微判斷愈多，就愈能善用華頓商學院教授伊森・莫里克（Ethan Mollick）提出的LLM「潛在專業知識」（latent expertise）。所謂「潛在專業知識」，指的是LLM 在訓練過程中隱性吸收的所有知識。這些知識不會立刻顯現出來，呈現方式也不完全可預測。莫里克在他的文章中寫道：「因此，專家擁有許多優勢。他們更能看穿LLM 的錯誤與幻覺；更能判斷AI 在其感興趣領域中的輸出品質；更能指示AI 完成所需任務；也更有機會進行反覆試驗。這使得他們能以其他人做不到的方式，解鎖LLM 內部的潛在專業知識。」
OpenAI 推出文字轉圖像生成器DALL-E 2後不久，專業級指令的威力就展現得淋漓盡致。攝影師、插畫家，以及其他精通影像創作語法及詞彙的人，率先透過精準的提示詞，釋放DALL-E 隱藏的專業知識。許多早期使用者只能依賴廣泛的提示詞來生成圖像（例如「一名太空人在火星上騎馬」），但視覺專業人士則會指示DALL-E 2 模仿特定的相機鏡頭與光源，並告知構圖方向（例如「一名太空人在火星上騎馬，使用50mm 鏡頭、f/2.8 光圈，由火衛一反射的夕陽餘暉照亮，主體略為偏離畫面中央」）。正因為有了人類專業人士的輸入，DALL-E 2 潛藏的所有能力才得以被挖掘出來。
無論你的專業領域為何，「潛在專業知識」這個概念對你及所有LLM 使用者而言，都具有重大意義。在任何情況下，精確度都至關重要，唯有透過具體明確的指令，才能最有效地運用LLM 所繪製的資訊地圖。即使你是某個領域的新手，對該領域的專業術語、規則與細節一竅不通，但對於「當下想達成什麼目標」以及「預計往什麼方向前進」，你本身就是專家。這就是很好的切入點，你可以從這裡開始，挖掘LLM 的潛在專業知識。
當你與LLM 互動時，提供愈多「座標」愈有幫助：你想學什麼？（「我想了解量子運算的基礎知識。」）這個請求背後是否有具體的目標或意圖？（我正在準備某家科技公司的求職面試。」）哪些與你有關的細節可以幫助LLM 生成個人化的回應？（「我有古典物理學背景，但缺乏量子力學相關經驗。」）在這次互動中，LLM 是否需要扮演某種特定角色或人物？（「請以一位有耐心的高中科學老師的口吻來解釋。」）有哪些因素能夠讓它的回應更貼近你的需求？（「對我來說，利用日常物品作類比，學習效果最好。」）你愈清楚告訴LLM 你的現況與想達成的目標，它就愈能精確地幫你規劃達成目標的方法。