关于AI取代人的讨论一直很热。不仅如此，人们对AI的担忧也越来越多：它会不会被资本利用，加剧贫富分化？会不会固化社会偏见，甚至被武器化？当算法设计由特定群体主导时，是否会进一步忽视少数族裔的需求？

在《AI繁荣》中，作者拉维·巴普纳和艾宁德亚·高斯指出：当前社会过度聚焦AI的潜在风险，忽视了它能带来的巨大价值。我们应当认识到，AI本质上是一项能改善生活、助力普通人圆梦的技术。正如英伟达CEO黄仁勋在去年10月印度人工智能峰会上所言： “AI取代不了人，但不用AI的人会被善用AI的人取代。” 这句话点明了关键——不被AI淘汰的最好方法，就是主动学会驾驭它。

下文将结合《AI繁荣》和《大模型浪潮》的具体内容， 从“用算法发现自己的隐藏技能”和“有效训练大模型”两个角度切入，探讨如何让AI真正为你所用。

用AI发现自己的隐藏技能

利用AI算法优化简历，是极具前景的方法。AI算法既懂得包装你的现有优势，又擅长帮你发现新的可能。

算法的强大之处，在于能洞悉人类难以察觉的技能相似性。识别适合转换的相近岗位，如从汽修转向工厂设备维护相对简单，但要判断哪些技能组合更适合跨度较大的领域，如软件开发或实验室管理，人类的直觉和经验往往只能是随机猜测。

长期以来，招聘过程过度关注候选人是否任职过“对”的公司或拥有“对”的学位，却忽略了核心问题:这个人是否具备岗位所需的真实技能?通过机器学习技术进行技能评估和匹配，正使雇主和求职者双方受益。正如科坎强调:“关注技能，让招聘人员能向拥有非典型经历的申请者敞开大门。”

《哈佛商业评论》发表的一项研究，分析了2017—2020年的5100万个职位发布数据，发现雇主正逐步淡化对学历的要求，转而更加关注技能，尤其是在IT和管理类职位中。

这意味着，企业可以从新的渠道获取人才来满足招聘需求，而在传统招聘模式下被拒之门外的求职者，也获得了迈入心仪领域的机会。

这种技术更能帮助个体实现跨领域职业转型——这在快速变化的职场中至关重要。数百万劳动者可能在职业生涯中被迫转换赛道，如果自动化导致工作岗位消失，或者经济变化引发行业衰退，那么求职者自然希望职业转换过程能够尽可能迅速、平稳。AI 技术正助力实现这种快速平稳的过渡。

2021年的一项研究揭示了AI在识别各种职业所需技能方面的能力。研究者利用澳大利亚招聘广告数据与澳大利亚统计局的就业数据，首先“衡量2012—2020年澳大利亚800万份实时招聘广告所反映的技能集合之间的相似度”。

其基本逻辑是，若两个技能组合高度相似(比如两个职业所需技能相近)，则意味着技能差距较小，转行的难度较低。换言之，若岗位A所需技能与岗位B高度相似，而与岗位C差异较大，那么具备岗位A技能的劳动者转向岗位B会更为顺畅。

这个概念可以用一个简单的例子说明:假设麦克斯懂得修理汽车，而卡洛斯拥有餐厅检查员的工作经验。从技能匹配的角度来看，麦克斯的技能更容易转移到工厂设备维护技术员的岗位，而卡洛斯则更适合从事其他行业的合规官员工作。然而，这种简单的逻辑只是个起点。

在澳大利亚的这项研究中，机器学习技术分析了庞大的数据点，进行了数百万次计算，以识别不同技能集合之间的相似性，其速度和规模远超资深的人力资源经理。最终得出的相似度评分并非简单的二维或三维比较，而是涵盖了多个维度，远超人类大脑可以轻松处理的范围。

基于这些相对相似度评分，研究人员进一步利用机器学习构建了一套推荐系统，该系统能够在数百万种可能的职业转换路径中，预测哪些职业转换最可能取得成功，哪些则难以实现。

澳大利亚的研究证明，数据驱动与AI赋能的方法最终将对数百万劳动者的经济前景产生积极影响，进而惠及周围的社区以及整个市场。对身处转型期的我们，在遭遇外部冲击被迫离职，或者主动选择新职业道路时，借助此类技术将显著降低重返职场的难度。

综上所述，AI算法正在为职场人带来诸多机遇和好处。研究显示，客服人员借助 AI 聊天机器人后，每小时解决问题的效率平均提升14%。其中，新员工与低技能员工受益最为显著。而要释放AI大模型的更大潜力，关键便在于精准的“提示工程”：用清晰指令让AI准确理解人类意图，这项能力已成职场新刚需。

有效训练和应用大模型

那么如何训练大模型，百度集团执行副总裁沈抖在《大模型浪潮》中提示词优化的章节可以给我们答案。

提出一个问题往往比解决一个问题更重要，甚至有观点认为，提问的艺术和科学是所有知识的来源。这句话也许有些夸大，但是对于大模型而言，却非常契合。因为我们在使用大模型时，一个常见的方式就是使用各类GPT聊天工具，给予大模型指令的方式也是通过自然语言。

支撑向大模型提问的技术，就是提示词工程。它是指通过创建指令或文本作为输入，引导大模型的输出，完成需求。提示词的好与坏，非常影响大模型的输出。这个开发方式的适用场景也非常广泛。百度智能云千帆大模型平台提供了一套开发、应用流程，以及指导方案。

提示词的质量，会影响模型输出的质量。接下来分享几个提高提示词质量的技巧。

1.明确指令通过细化表达，更加明确要获取的信息或希望大模型执行的动作，从而避免、减少冗余信息的输出。 如果指令是“把Hola翻译为中文”，则会获得较长的解释，可以获得信息，但并不能精确完成指令。因此，优化后的提示词格式为“将以下西班牙语文本翻译成中文:文本:‘Hola’”。

可以看到优化后的大模型输出会精练、准确地执行指令，而不是提供多余信息。

2.细化询问范围

通过准确使用指导性词汇来细化范围，从而给大模型更精确的提示，得到更准确的输出。提示越具体，结果就越好。提示词为“请列举增值税的税率”，这是比较宽泛的提问，而大模型的输出也比较宽泛。不仅有税率，还有税率的适用情况。从表面来看，信息似乎更加全面，但在实践中，也可能会比较冗余，尤其当需要的是用数字来完成Excel表格形式时，这个输出就不能良好地匹配用户的需求。

对提示词的优化方案为，“列举增值税的税率，并按如下格式直接返回结果。税率:13%。你列举的结果是:”。可以看到，大模型的输出更加简洁，格式也符合用户需求。这个技巧在处理财务数据时非常有用。

把大模型想象成学生，它的一个优点就是“模仿能力很强”。因此在提问时，可以尽量提供一个或多个示例，这样就会让大模型更加理解任务和目标。示例可以包括足够的背景信息、角色、约束等。

3.提示词优化:链式思考

分步思考是人类常见的思考方式，例如数学运算中的分步计算、侦探推理中的环环相扣等。分步思考可以降低思考复杂度，提高思考质量。因此，这种方法也可以应用于大模型提示词的设计中，通过引导大模型采用分步骤的方式来提高输出质量。这就是链式思考，帮助大模型将复杂推理任务拆分为一系列子思考。

根据样本量的不同，又可以细化为两种方式。一是少样本学习，即大模型仅通过提示词中的几个示例就能进行概括，并给出满足用户需求的输出，也就是举一反三。这种方式比较适合无法用语言精准描述任务时的场景。

二是零样本学习，这个方法可以通过提示词“请一步一步思考”，来提升大模型的能力。例如，在一个数学计算场景下，就可以在提示词内要求大模型分步骤输出内容。步骤清晰，符合用户要求。可以发现，链式思考不仅输出质量更高，也有助于用户对提问内容的学习。

通过“明确指令”锁定方向、“细化范围”聚焦关键、“链式思考”拆解逻辑，这三步不仅能让大模型精准理解需求，更能将其转化为实在的职场竞争力。

当普通人也能用这套方法驾驭大模型时，AI便不再是少数人的专利，而成为每个人手中的“生产力杠杆”——撬动隐藏技能、放大职业价值、掌控技术变革的主动权，才是这个时代真正的“铁饭碗”。