Những câu lệnh giúp AI trở nên hữu ích hơn nhiều

Chuyển đổi từ trò chuyện sang ra lệnh

Hầu hết mọi người tương tác với trí tuệ nhân tạo như thể họ đang nói chuyện với một công cụ tìm kiếm hoặc một trò ảo thuật. Họ gõ một câu hỏi ngắn và hy vọng nhận được câu trả lời xuất sắc. Cách tiếp cận này chính là lý do khiến kết quả thường lặp lại hoặc hời hợt. Để nhận được kết quả chuyên nghiệp, bạn phải ngừng đặt câu hỏi và bắt đầu đưa ra các chỉ dẫn có cấu trúc. Mục tiêu là chuyển từ trò chuyện thông thường sang hệ thống ra lệnh dựa trên logic, coi mô hình như một cỗ máy suy luận thay vì một cơ sở dữ liệu. Khi bạn cung cấp một khuôn khổ rõ ràng, máy tính có thể xử lý thông tin với độ chính xác mà người dùng thông thường không bao giờ thấy được. Sự thay đổi này đòi hỏi một tư duy khác biệt về cách chúng ta tương tác. Vấn đề không phải là tìm từ ngữ đúng để đánh lừa máy tính trở nên thông minh, mà là tổ chức suy nghĩ của chính bạn để máy tính có một lộ trình rõ ràng để thực hiện. Đến cuối năm nay, khoảng cách giữa những người biết cách điều khiển các mô hình này và những người chỉ trò chuyện với chúng sẽ định nghĩa năng lực chuyên môn trong nền kinh tế tri thức.

Xây dựng khuôn khổ cấu trúc để đạt được sự rõ ràng

Việc hướng dẫn máy tính hiệu quả dựa trên ba trụ cột: bối cảnh, mục tiêu và các ràng buộc. Bối cảnh cung cấp thông tin nền tảng mà mô hình cần để hiểu môi trường. Mục tiêu xác định chính xác kết quả cuối cùng nên là gì. Các ràng buộc thiết lập ranh giới để ngăn mô hình đi chệch hướng vào những nội dung không liên quan. Người mới bắt đầu có thể tái sử dụng mô hình này bằng cách coi nó như một bản tóm tắt công việc cho nhân viên mới. Thay vì nói “viết một báo cáo”, bạn hãy nói “bạn là một chuyên gia phân tích tài chính đang xem xét báo cáo quý cho một công ty công nghệ. Hãy viết bản tóm tắt ba đoạn tập trung vào tỷ lệ nợ trên vốn chủ sở hữu. Không sử dụng biệt ngữ hoặc đề cập đến đối thủ cạnh tranh”. Cấu trúc đơn giản này buộc mô hình phải ưu tiên các điểm dữ liệu cụ thể hơn những điểm khác. Nền tảng bối cảnh đảm bảo rằng mô hình không tự tạo ra các chi tiết từ những ngành không liên quan. Nếu không có các ranh giới này, máy tính sẽ mặc định theo các khuôn mẫu chung chung nhất trong dữ liệu huấn luyện. Đây là lý do tại sao rất nhiều kết quả từ AI giống như bài luận của sinh viên đại học. Đó là con đường ít kháng cự nhất. Khi bạn thêm các ràng buộc, bạn buộc mô hình phải làm việc chăm chỉ hơn. Bạn có thể thấy logic này hoạt động như thế nào trong tài liệu chính thức từ OpenAI, nơi giải thích cách các thông báo hệ thống hướng dẫn hành vi. Logic rất đơn giản: bạn càng thu hẹp phạm vi khả năng, kết quả đầu ra càng trở nên chính xác. Máy tính không sở hữu trực giác, nó sở hữu một bản đồ thống kê về ngôn ngữ. Công việc của bạn là làm nổi bật lộ trình cụ thể trên bản đồ đó dẫn đến mục tiêu của bạn. Nếu bạn để lộ trình mở, máy tính sẽ chọn con đường đông đúc nhất.

Hệ quả kinh tế của đầu vào chính xác

Tác động toàn cầu của sự thay đổi này đã hiển hiện trong cách các công ty phân bổ lao động trí tuệ. Trước đây, một nhân viên cấp dưới có thể mất hàng giờ để soạn thảo phiên bản đầu tiên của một tài liệu. Bây giờ, nhân viên đó được kỳ vọng đóng vai trò là người biên tập các bản nháp do máy tạo ra. Điều này thay đổi giá trị của lao động con người từ sản xuất sang xác minh. Ở những khu vực có chi phí lao động cao, hiệu suất này là điều cần thiết để duy trì tính cạnh tranh. Ở các nền kinh tế đang phát triển, nó cung cấp cách để các nhóm nhỏ cạnh tranh với những gã khổng lồ toàn cầu bằng cách mở rộng quy mô đầu ra mà không cần tăng nhân sự. Tuy nhiên, điều này hoàn toàn phụ thuộc vào chất lượng của các chỉ dẫn được cung cấp. Một mô hình được hướng dẫn kém sẽ tạo ra rác thải. Nó tạo ra văn bản phải viết lại từ đầu, tốn kém thời gian con người hơn so với việc tự viết. Đây là nghịch lý của năng suất hiện đại. Chúng ta có các công cụ có thể làm việc với tốc độ ánh sáng, nhưng chúng đòi hỏi mức độ tư duy ban đầu cao hơn để trở nên hữu ích. Đến năm , chúng ta có thể sẽ thấy nhu cầu về kỹ năng viết cơ bản giảm xuống và nhu cầu về kiến trúc logic tăng vọt. Điều này không chỉ áp dụng cho các thị trường nói tiếng Anh. Logic tương tự áp dụng trên các ngôn ngữ khi các mô hình trở nên thành thạo hơn trong việc suy luận đa ngôn ngữ. Bạn có thể tìm hiểu thêm về bản chất thay đổi của công việc này trong báo cáo aimagazine.com/analysis/prompting-logic của chúng tôi, nơi trình bày chi tiết cách các công ty đang đào tạo lại nhân viên của họ. Khả năng điều khiển máy tính đang trở nên cơ bản như khả năng sử dụng bảng tính cách đây bốn mươi năm. Đó là một hình thức xóa mù chữ mới, nơi sự rõ ràng được khen thưởng và sự mơ hồ bị trừng phạt.

Thực thi thực tế và logic của phản hồi

Hãy xem xét một ngày làm việc của một quản lý dự án tên là Sarah. Cô ấy có bản ghi chép từ một cuộc họp lộn xộn kéo dài một giờ. Một người dùng thông thường sẽ dán văn bản và yêu cầu “ghi chú”. Sarah sử dụng mô hình ưu tiên logic. Cô ấy yêu cầu AI đóng vai trò là thư ký ghi chép. Cô ấy hướng dẫn nó chỉ xác định các mục hành động, người chịu trách nhiệm cho mỗi mục và thời hạn được đề cập. Cô ấy thêm một ràng buộc để bỏ qua bất kỳ cuộc trò chuyện nhỏ hoặc lỗi kỹ thuật nào được thảo luận trong cuộc họp. Cách tiếp cận ưu tiên logic này giúp cô ấy tiết kiệm hai giờ đánh giá thủ công. Sau đó, cô ấy lấy kết quả và đưa nó trở lại mô hình với một chỉ dẫn mới. Cô ấy yêu cầu mô hình xác định bất kỳ mâu thuẫn nào trong thời hạn. Đây là mô hình “Phê bình – Sửa lỗi”. Đây là một chiến thuật thiết yếu vì nó buộc AI phải kiểm tra công việc của chính mình dựa trên văn bản nguồn. Mọi người thường đánh giá quá cao khả năng làm đúng ngay lần đầu của AI. Họ đánh giá thấp việc nó trở nên tốt hơn bao nhiêu khi bạn yêu cầu nó tìm ra lỗi của chính mình. Quá trình này không phải là con đường một chiều. Nó là một vòng lặp. Nếu máy tính tạo ra một danh sách quá mơ hồ, Sarah không bỏ cuộc. Cô ấy thêm một ràng buộc mới. Cô ấy yêu cầu danh sách ở định dạng bảng với một cột cho “Rủi ro tiềm ẩn”. Đây là một mô hình có thể tái sử dụng cho bất kỳ người mới bắt đầu nào. Đừng chấp nhận bản nháp đầu tiên. Hãy yêu cầu máy tính phê bình bản nháp dựa trên một bộ tiêu chí cụ thể. Đây là nơi sự đánh giá của con người quan trọng nhất. Sarah vẫn phải xác minh xem thời hạn có thực sự khả thi hay không. AI có thể xác định chính xác rằng ai đó đã hứa nộp báo cáo vào thứ Sáu, nhưng nó không thể biết rằng người đó đang đi nghỉ. Máy tính xử lý dữ liệu, nhưng con người xử lý thực tế. Trong kịch bản này, Sarah không phải là người viết. Cô ấy là một biên tập viên logic. Cô ấy dành thời gian để tinh chỉnh các chỉ dẫn và xác minh kết quả. Đây là một bộ kỹ năng riêng biệt so với quản lý truyền thống. Nó đòi hỏi sự hiểu biết về cách thông tin được cấu trúc. Nếu bạn đưa cho máy tính một mớ hỗn độn, nó sẽ trả về một mớ hỗn độn nhanh hơn và lớn hơn. Nếu bạn đưa cho nó một khuôn khổ, nó sẽ trả về một công cụ.

Ma sát vô hình của tư duy tự động

Chúng ta phải đặt ra những câu hỏi khó về chi phí ẩn của hiệu suất này. Mỗi câu lệnh phức tạp đòi hỏi sức mạnh tính toán đáng kể. Trong khi người dùng chỉ thấy một hộp văn bản, phần phụ trợ liên quan đến hàng ngàn bộ xử lý chạy ở nhiệt độ cao. Khi chúng ta tiến tới các mô hình ra lệnh phức tạp hơn, dấu chân năng lượng của một tác vụ đơn lẻ tăng lên. Ngoài ra còn có vấn đề về quyền riêng tư dữ liệu. Khi bạn cung cấp bối cảnh sâu cho một mô hình, bạn thường chia sẻ logic kinh doanh độc quyền hoặc dữ liệu cá nhân. Dữ liệu đó đi đâu? Ngay cả với các biện pháp bảo vệ doanh nghiệp, nguy cơ rò rỉ vẫn là mối lo ngại đối với nhiều tổ chức. Hơn nữa, có vấn đề về sự thoái hóa nhận thức. Nếu chúng ta dựa vào máy móc để cấu trúc logic của mình, liệu chúng ta có mất khả năng tự suy nghĩ thông qua các vấn đề phức tạp không? Máy tính là tấm gương phản chiếu đầu vào. Nếu đầu vào bị thiên kiến, đầu ra sẽ bị thiên kiến theo cách bóng bẩy và thuyết phục hơn. Điều này làm cho thiên kiến khó phát hiện hơn. Chúng ta thường đánh giá quá cao tính khách quan của máy tính. Chúng ta đánh giá thấp việc cách diễn đạt của chính mình ảnh hưởng đến kết quả như thế nào. Nếu bạn yêu cầu AI “giải thích tại sao dự án này là một ý tưởng hay”, nó sẽ tìm lý do để ủng hộ bạn. Nó sẽ không nói cho bạn biết liệu dự án có thực sự là một thảm họa hay không trừ khi bạn chỉ định cụ thể nó phải là một nhà phê bình gay gắt. Thiên kiến xác nhận này được tích hợp vào cách các mô hình này hoạt động. Chúng được thiết kế để trở nên hữu ích, điều này thường có nghĩa là chúng được thiết kế để đồng ý với người dùng. Để phá vỡ điều này, bạn phải ra lệnh rõ ràng cho mô hình không đồng ý với bạn. Điều này tạo ra một sự ma sát cần thiết cho việc phân tích trung thực. Bạn có thể đọc thêm về những rủi ro hệ thống này trong nghiên cứu mới nhất từ Anthropic liên quan đến an toàn và căn chỉnh mô hình. Chúng ta đang xây dựng một thế giới nơi tốc độ tư duy nhanh hơn, nhưng hướng đi của tư duy lại dễ bị thao túng hơn.

Bên dưới nắp ca-pô của công cụ suy luận

Đối với những người muốn vượt ra ngoài các mô hình cơ bản, việc hiểu các giới hạn kỹ thuật là rất quan trọng. Mỗi mô hình đều có một cửa sổ ngữ cảnh. Đây là tổng lượng thông tin mà nó có thể “ghi nhớ” cùng một lúc. Nếu câu lệnh và văn bản nguồn của bạn vượt quá giới hạn này, mô hình sẽ bắt đầu quên những phần đầu tiên của cuộc trò chuyện. Đây không phải là sự phai nhạt dần dần. Đó là một sự cắt đứt cứng. Trong , các cửa sổ ngữ cảnh đã phát triển đáng kể, nhưng chúng vẫn là một nguồn tài nguyên hữu hạn. Việc ra lệnh hiệu quả bao gồm việc tối đa hóa tiện ích của mỗi token. Một token tương đương khoảng bốn ký tự văn bản tiếng Anh. Nếu bạn sử dụng các từ đệm, bạn đang lãng phí bộ nhớ của mô hình. Tích hợp quy trình làm việc là bước tiếp theo cho người dùng chuyên nghiệp. Điều này liên quan đến việc sử dụng API để kết nối AI với lưu trữ cục bộ hoặc cơ sở dữ liệu bên ngoài. Thay vì dán văn bản, mô hình lấy dữ liệu trực tiếp từ một thư mục an toàn. Điều này giảm bớt công việc thủ công là “cho máy ăn”. Tuy nhiên, giới hạn API có thể là một nút thắt cổ chai. Hầu hết các nhà cung cấp đều có giới hạn tốc độ hạn chế số lượng yêu cầu bạn có thể thực hiện mỗi phút. Điều này đòi hỏi một chiến lược để xử lý các tác vụ theo lô. Bạn cũng phải xem xét cài đặt nhiệt độ. Nhiệt độ thấp làm cho mô hình trở nên dễ dự đoán và theo nghĩa đen hơn. Nhiệt độ cao làm cho nó sáng tạo hơn nhưng dễ xảy ra lỗi. Đối với các tác vụ dựa trên logic, bạn nên luôn nhắm đến nhiệt độ thấp hơn. Điều này đảm bảo rằng mô hình bám sát các sự kiện được cung cấp trong bối cảnh của bạn. Phần kỹ thuật của việc ra lệnh là về việc quản lý các biến số này:

• Hiệu quả token để duy trì trong các cửa sổ ngữ cảnh.
• Kiểm soát nhiệt độ để đảm bảo tính nhất quán thực tế.
• Các thông báo hệ thống đóng vai trò là bộ quy tắc vĩnh viễn cho mọi tương tác.
• Tích hợp lưu trữ cục bộ để giữ dữ liệu nhạy cảm ngoài đám mây.
• Quản lý giới hạn tốc độ API cho các tác vụ khối lượng lớn.

Những ràng buộc kỹ thuật này xác định giới hạn của những gì có thể. Bạn có thể thấy cách các biến số này được xử lý trong các blog kỹ thuật từ Google DeepMind, nơi thường thảo luận về sự đánh đổi giữa kích thước mô hình và tốc độ suy luận. Hiểu những giới hạn này ngăn bạn yêu cầu máy tính làm điều gì đó mà nó không thể thực hiện được về mặt vật lý.

Vai trò vĩnh viễn của sự phán đoán con người

Điểm mấu chốt là AI là một bộ khuếch đại sức mạnh cho logic. Nếu logic của bạn đúng, máy tính sẽ khuếch đại nó. Nếu logic của bạn sai sót, máy tính sẽ khuếch đại những sai sót đó. Các mô hình được thảo luận ở đây không phải là phép thuật. Chúng là những cách để giao tiếp rõ ràng hơn với một hệ thống không hiểu sắc thái trừ khi bạn định nghĩa nó. Những câu lệnh hữu ích nhất là những câu lệnh coi máy tính như một trợ lý tốc độ cao thiếu khả năng suy xét thông thường. Bạn phải cung cấp khả năng suy xét thông thường dưới dạng các chỉ dẫn. Điều này đòi hỏi nhiều công việc hơn ở giai đoạn đầu, nhưng nó mang lại kết quả thực sự có thể sử dụng được trong môi trường chuyên nghiệp. Sự đánh giá của con người vẫn là bước cuối cùng, không thể thương lượng. Cho dù câu lệnh tốt đến đâu, máy tính vẫn là một mô hình thống kê. Nó không quan tâm liệu các sự kiện có đúng hay không. Nó chỉ quan tâm liệu các từ ngữ có đi theo nhau theo cách có ý nghĩa hay không. Bạn là phần duy nhất của quá trình hiểu được các rủi ro của công việc. Hãy sử dụng máy tính để xây dựng nền tảng, nhưng bạn phải là người ký duyệt cấu trúc đó.

Lưu ý của biên tập viên: Chúng tôi tạo trang web này như một trung tâm tin tức và hướng dẫn AI đa ngôn ngữ dành cho những người không phải là chuyên gia máy tính, nhưng vẫn muốn hiểu trí tuệ nhân tạo, sử dụng nó tự tin hơn và theo dõi tương lai đang đến gần.