在当今这样一个人工智能、大数据和自动化的时代,技术技能和数据素养显然非常重要。但是这并不意味着我们应该忽略工作中的人的因素——机器无法很好实现的各种技能。我相信,随着工作本质的发展变化,机器承担了更多容易实现自动化的工作,这些软技能对于成功来说将变得更加至关重要。换句话说,人类的工作从总体上来说将变得更多,是的,我说的就是人类的工作。
考虑到这一点,员工应该为了未来培养哪些技能呢?我认为,在未来,以下九种软技能将变得更加宝贵。
1.创造力
机器人和机器可以做很多事情,但是,就创造、想象、发明和梦想的能力而言,它们是很难与人类匹敌的。随着所有这些新技术的到来,未来的职场将需要新的思维方式——这就使创造性思维和人类的创造力变成了重要的资产。
2.分析(批判性)思维
除了创造性思维之外,进行分析思考的能力也将变得更加宝贵,尤其是当我们应对职场性质的变化以及人机之间劳动分工的变化时,更是如此。这是因为具有批判性思维能力的人可以提出创新的想法,解决复杂的问题并权衡各种解决方案的利弊——所有这些都要使用逻辑和推理,而不是依靠直觉或情感。
3.情商
情商也被称为EQ(也有人称之为情绪智商),它描述一个人意识、控制和表达自己的情绪,并意识到他人情绪的能力。因此,当我们谈论具有同理心并与他人相处融洽的人时,我们在描述的是一个情商高的人。鉴于机器无法轻松复制人类与其他人建立联系的能力,因此,在职场中,对具有较高情商的人的需求会更大,这是有道理的。
4.人际交往能力
和情商有关,与人成功交换信息的能力将是一项至关重要的技能,这意味着员工必须磨炼与他人进行有效沟通的能力——使用恰当的语气和肢体语言,以便清晰地传递信息。
5.以成长心态积极学习
具有成长心态的人知道他们的能力可以得到发展,而提升技能可以带来更高的成就。他们愿意接受新的挑战,从自己犯下的错误中吸取教训,并积极寻求扩大知识的途径。由于人工智能和其他快速发展的技术,未来的职场会对这种人才有大量的需求,因为在未来,技能会比现在更快地过时。
6.判断与决策
我们已经知道,计算机能够比人类的大脑更好地处理信息,但是最终,需要由人来负责组织中关键业务决策。必须由人类来考虑决策对业务和从事这些业务的人员的影响。因此,决策技巧仍然很重要。但是,毫无疑问,人类决策的性质将会发生变化——具体而言,技术将处理更多的琐碎和平凡的决策,使人们可以专注于更高级别、更复杂的决策。
7.领导能力
未来的职场将与今天的等级制组织大不相同。基于项目的团队、远程团队和灵活的组织结构可能会变得越来越普遍。但这不会削弱良好领导能力的重要性。即使在项目团队内部,个人仍将需要发挥领导作用来解决问题和制定解决方案——因此,激励和帮助他人成就最好的自己等通用的领导特质仍然至关重要。
8.多样性和文化智慧
职场正在变得越来越多样化和开放,因此员工将需要能够尊重、理解并适应其他那些可能以不同方式感知世界的人。显然,这将改善人们在公司内部的互动方式,但我认为,这也将使公司的服务和产品更具包容性。
9.拥抱变化
即使对于我来说,现在变化的步伐也令人惊诧,特别是在人工智能方面。这意味着人们将不得不变得敏捷,并且培养拥抱——甚至是庆祝变化的能力。员工们将需要变得更加灵活,适应不断变化的职场、期望和所需的技能要求。而且,至关重要的是,他们需要能够将变化看成是成长的机会,而不是一种令人讨厌的负担。
总而言之,我们不需要羡慕人工智能。人类的大脑令人难以置信。它比现有的任何人工智能都要更加复杂,也更加强大。因此,与其害怕人工智能、自动化及其将给职场带来的变化,我们每个人还不如着眼于利用我们独特的、身为人的能力,并且培养这些软技能——对于未来的工作来说,这些技能将变得更加重要。
好文章,需要你的鼓励
AIM Intelligence联合多所知名大学揭示了音频AI系统的重大安全漏洞,开发出名为WhisperInject的攻击方法。这种攻击能让看似无害的音频指令操控AI生成危险内容,成功率超过86%,完全绕过现有安全机制。研究暴露了多模态AI系统的系统性安全风险,对全球数十亿智能设备构成潜在威胁。
新加坡国立大学研究团队系统梳理了视觉强化学习领域的最新进展,涵盖超过200项代表性工作。研究将该领域归纳为四大方向:多模态大语言模型、视觉生成、统一模型框架和视觉-语言-动作模型,分析了从RLHF到可验证奖励范式的政策优化策略演进,并识别出样本效率、泛化能力和安全部署等关键挑战,为这一快速发展的交叉学科提供了完整的技术地图。
浙江大学研究团队通过OmniEAR基准测试揭示了当前AI模型在物理世界推理方面的严重缺陷。测试显示,即使最先进的AI在明确指令下能达到85-96%成功率,但面对需要从物理约束推断行动的任务时,成功率骤降至56-85%。研究发现信息过载反而降低AI协作能力,监督学习虽能改善单体任务但对多智能体协作效果甚微,表明当前架构存在根本局限性。
纽约大学和Aimpoint Digital Labs的研究团队首次揭示了Transformer模型训练中"大规模激活"的完整发展轨迹。这些影响力比普通激活大千倍的"超级激活"遵循可预测的数学规律,研究者开发出五参数公式能以98.4%准确率预测其变化。更重要的是,通过调整模型架构参数如注意力密度、宽深比等,可以在训练前就预测和控制这些关键激活的行为,为设计更高效、量化友好的AI模型提供了全新工具。