chanong
学习和人工智能领域独立顾问
在当今世界，科技正以惊人的速度发展，有一个前沿领域具有重塑行业、企业和职业的潜力，那就是AI。曾经只有一小部分技术人员可以使用，现在新的引擎和工具正在使AI民主化，并使所有人都可以使用。但是，虽然AI的前景是巨大的，但理解其能力、细微差别和局限性的责任也是巨大的。
对于那些从事人才发展的人来说，AI不仅仅是另一个流行语。这是一个紧急的行动呼吁。复杂的AI技术——本质上是生成和非生成的——即使不能取代我们曾经依赖的传统工具和方法，也正在迅速增强。
在这种转变中，我们不能做被动的旁观者。我们必须成为积极的参与者——塑造叙事，解读行话，弥合AI的愿景与现实应用之间的差距。
从通过律师资格考试到在奥林匹克竞赛中取得优异成绩，再到调试代码，AI显而易见的能力所带来的诱惑是不可否认的。然而，将炒作与现实区分开来是至关重要的，也是一项长期任务。我们面临的挑战是如何明智地利用AI的潜力，确保它能增强而不是取代作为技术开发核心的人性化服务。
驾驭这一新的、快速发展的领域需要的不仅仅是技术敏锐度。它需要好奇心、批判性思维和不断学习的决心。
AI谱系
在当代技术领域，大型语言模型（LLM）既是工程学的奇迹，也是激烈争论的主题。然而，尽管最近人们对这项技术十分兴奋，但AI一词所涵盖的范围并不只是这些巨大的计算模型，它们是在所有现有的数字化人类文本上训练出来的。AI是一个由不断涌现的工具组成的丰富织锦，每个工具都有其独特的优点、缺点和应用，可分为两大类：生成型AI和非生成型AI。
生成式AI。顾名思义，生成模型就是创造者。它们的创建过程基于大量数据，并在这些数据的基础上进行训练。与人类的学习过程相似，这些模型吸收信息、处理信息，然后生成输出，这些输出反映了它们之前遇到的模式。
在人才发展领域中，这可以转化为根据个人需求量身定制培训内容的工具——基于学习者以往的互动和反馈，更普遍、更长远；或者更短期，在需要的时候，提供绩效支持。
然而，任何工具都有其局限性。有时大型语言模型提供的答案听起来不错，但实际上是错误的，就好像是模型编造出来的一样。这就强调了对输出结果进行严格检查以防止潜在错误的必要性。
非生成式AI。非生成模型往往被其生成模型所掩盖，它们是AI世界中默默无闻的主力军（我们习惯称其为机器学习）。它们的优势在于分析、模式识别和决策制定，使用特定的、完全可控的数据集。
在人才发展方面，可以考虑使用一些工具，根据技能框架或学习目标，快速、高效、大规模地自动规划学习内容和资源。
非生成模式的一个显著特点是依赖现有数据。它们不是创造，而是优化。它们对流程进行微调，使其更加高效、精简和有效。
对于希望部署AI工具的人才发展从业者来说，关键在于创造平衡。既要利用生成模型的创造力，又要将决策建立在非生成模型的分析优势之上。您必须理解其基本机制，注意潜在隐患，并利用这些工具来增强而非取代人类的直觉和专业知识。在有针对性的具体使用案例中部署AI工具，明确结果和目标，一步一个脚印。
人才领域的生成式AI
生成式AI在培训领域的变革潜力日益明显。其应用范围非常广泛，从自动完成重复性任务，如编写摘要、大部头文章的简短解释、复习用的闪存卡、练习和期末考试用的选择题，到创建完全个性化的自适应学习体验，包括模拟练习。
新员工入职培训。考虑到入职流程，新员工的学习曲线往往非常陡峭。生成式AI以聊天机器人的形式提供了一种独特的解决方案，它可以实时回答询问，提供更具互动性和吸引力的入职体验。
AI可以根据个人的角色、现有背景甚至新的个人发展计划自动生成培训模块。例如，销售主管可能会收到针对其特定产品线量身定制的内容，而工程师则可能会收到深入的技术内容。这种个性化可确保培训内容具有相关性和吸引力，并可全天候提供建议。
持续的学习与发展。生成式AI的作用不仅限于基本的培训。无论是提高现有技能还是开发新技能，它在持续学习中都发挥着关键作用。通过分析员工的进步、反馈和绩效指标，AI驱动的平台可以推荐新的课程、研讨会或资源。课程或研讨会可以是面授，也可以是混合式的。在数字领域，AI甚至可以提供整个课程。在各种培训和学习方式中，有很多选择，每种方式都取决于所涉及的情况和个人。
这种全面、个性化的方法可确保学习永不停滞，员工始终掌握或至少能够轻松获取最新的知识和技能。鉴于围绕企业绩效和数字化转型的数据具有无限性和不断发展性，可以对其进行监控和制定战略。从技能角度来看，未来工作的变化速度也在加快，因此，拥有一款能实时适应这两种变化的工具就显得弥足珍贵。
绩效支持。除了正式培训，生成式AI的范围还包括在需要时提供绩效支持。想象一下，一个聊天机器人可以直接提供建议、推荐资源，并汇集公司之前为类似用例或客户部署的信息和流程。
虽然AI无法完全取代人类指导的深度和细微差别，但它可以增强在公司工作时间比其他员工长很多、可以分享关键信息的同事的能力，确保员工能够不断获得此类指导和支持。而且在许多自发的办公室互动中，同事们可以互相回答问题（非正式但非常有效），在这种情况下，AI至少可以部分解决员工在远程工作世界中缺失的一些问题。
然而，生成式AI的整合并非没有挑战。AI模型中的偏见可能会导致错误信息，或者在某些使用情况下，导致不公平或歧视性做法。因此，过度依赖AI驱动的内容可能会导致缺乏人情味和直觉的非个性化学习环境。质量控制是另一个令人担忧的问题；如果没有严格的检查，就有可能传播不正确或过时的信息。
这里的答案不是回避AI，而是谨慎地拥抱它。
驾驭人工智能融合的复杂性
多年来，我与TD、L&D和人力资源部门的资深专业人士以及高管们的对话，为AI在组织中不断演变的动态角色提供了丰富的见解。他们的观点、希望和担忧生动地描绘了未来的挑战和机遇。
在这些讨论中，一个反复出现的主题是“AI所带来的效率诱惑”——人们甚至会忍不住使用“silver bullet”这个词。领导者们可能会憧憬这样一种未来：各部门与AI工具无缝集成，AI技术将琐碎的任务自动化，实时生成绩效指标，并根据实时反馈即时改进培训模块。
然而，与这种追求高效率的愿景相对应的，是对人情味根深蒂固的敬畏。领导者们还强调，TD、L&D和人力资源的精髓在于同理心、直觉和真正的人际关系。
除了超长期愿景和过于谨慎的方法这些哲学争论之外，还有将AI工具以平衡的方式整合到现有系统中的实际挑战。人才管理者经常分享这一过程的复杂性，强调需要克服的文化、后勤和技术障碍。毕竟，AI工具既不能（至少目前还不能）即开即用，也不能在一开始就与组织的特定精神或文化、现有产品或独特客户相匹配。
考虑到大型语言模型（LLM）的潜力和隐患，AI融合之路是多方面的。这不仅是一次技术转型，也是一次文化、伦理和后勤转型。
随着AI不断重塑工作的未来，我们TD行业有责任时刻关注这些不同的观点。我们必须开辟一条既有创新又脚踏实地的道路，确保我们的战略是先进的，但又植根于定义我们职业的永恒价值观。
持续学习的必要性
在这样一个以技术飞速发展为标志的时代，持续学习的任务从未像现在这样突出。尤其是在人才发展领域，我们的行业工具正在发生翻天覆地的变化，因此必须跟上时代的步伐。
AI与技术开发工具的融合正在重新定义我们的职业。AI驱动的模块可提供个性化的学习体验，是对传统课堂培训的补充，在某些情况下甚至会取而代之。反馈系统正变得更加动态，AI分析可实时洞察学员的参与度和理解力。
要驾驭这样一个不断变化的世界，我们必须未雨绸缪。
今天的前沿技术也许明天就会过时。拿出时间来不断学习，订阅以AI为重点的时事通讯，参加网络研讨会，参加讲习班，加入以AI为重点的贸易发展论坛和实践社区。
此外，与公司内外的AI专家合作，可以更深入地了解如何有效利用AI工具。参与企业内部的战略对话。了解更广泛的目标，看看AI如何与这些目标保持一致。对外，与客户、合作伙伴以及实践社区中的同行接触。分享自己的观点，向他人学习，建立集体理解。
实验——不要羞于尝试新的AI工具。无论是用于学员互动的聊天机器人，还是用于衡量培训效果的分析工具，都要潜心探索。
随着我们整合更多的AI工具，道德方面的考虑也凸显出来。确保AI驱动的流程透明、公正并尊重个人隐私至关重要。在这种情况下，持续学习就是要了解最新的AI工具及其更广泛的社会影响。
在这个AI时代，实验精神能够并将使我们脱颖而出。尝试新工具、征求反馈意见和改进我们的方法至关重要。这个过程是动态的、迭代的，既要求我们谦虚地承认错误，又要求我们坚韧不拔地不断完善我们的方法。
拥抱未来
围绕未来工作一直是人才发展行业的讨论中反复出现的主题。我们一直沉浸在关于未来的讨论、辩论和审议中。但是，未来不再是遥远的地平线，它就在这里。AI的突飞猛进不仅仅是技术上的壮举，它还代表着我们处理技术发展问题的方式发生了范式转变。随着AI工具成为我们工具包中不可或缺的一部分，我们有责任掌握它们，了解它们的细微差别，并负责任地利用它们的潜力。
行动的号召是明确的：拥抱AI，不是将其视为挑战，而是将其视为重新定义培训和发展的机遇，使学习更加个性化、高效、吸引人和有效。未来的工作需要我们积极参与。是时候行动起来，不断创新，引领潮流了。
