摘要：当前，为工作日开发人员打造实用、可靠的人工智能应用程序，似乎需要一种对原始工具情有独钟的技术高手才能胜任。2024年，人工智能展现了无限可能；而2025年，我们的任务则是将这些可能转化为现实成果。

当前，为工作日开发人员打造实用、可靠的人工智能应用程序，似乎需要一种对原始工具情有独钟的技术高手才能胜任。2024年，人工智能展现了无限可能；而2025年，我们的任务则是将这些可能转化为现实成果。

为此，我们期望云公司能够转变策略，不再仅仅推出大型语言模型（LLM）等“原始”工具，而是为开发人员提供切实可行的解决方案。早在2024年年中，我就曾提议，我们需要一个“人工智能红帽”——这样一家公司，能够提供“更多信任（基于开放模型）和更少的复杂组件（避免那些需要猜测才能选择和应用的、带有偏见的平台）”。

我至今仍然坚信，这正是我们所需要的。如果红帽未能担此重任，那么我希望AWS能够挺身而出，揭开人工智能的神秘面纱，消除那些人工智能供应商不断强加给开发人员的“繁琐且未分化的工作任务”。

如此繁多的可能性，伴之而来的是无尽的困惑

在2024年，试图紧跟人工智能的步伐似乎是一场徒劳。人工智能新模型层出不穷，每一个都比前一个更大、更快、更好或更廉价。这仿佛是对生成式人工智能领域现状的一个缩影。开发者们绞尽脑汁，试图破解各类大型语言模型（LLM）的最佳应用场景，但对于广大主流开发者而言，人工智能仍旧是一个巨大的“WTH?!?”（什么鬼？！）

在探索如何有效利用人工智能的道路上，少有人能比Simon Willison更为透彻。他在《我们在2024年学到的关于LLM的事情》一文中，既总结了这一年的风云变幻，又剖析了其中的困惑之源。我们被告诫要积极拥抱生成式人工智能，否则将被时代淘汰，然而，人工智能生成的“劣质内容”泛滥成灾，无人愿读。Willison还指出，尽管LLM被宣扬为通往人工智能财富的捷径，但实际上却是“伪装成菜刀的电锯”——表面看似简单易用，实则深藏玄机，唯有深入理解和丰富经验者，方能驾驭其力，规避其阱。

遗憾的是，2024年的这场混沌非但没有消散，反而愈发浓烈。聪明才智之士不断构建出愈发复杂的系统，让大多数开发者在如何有效利用这些系统面前感到手足无措。Willison比喻道：“默认的LLM聊天用户界面，就像是把全新的计算机用户直接丢进Linux终端，然后期待他们能自己搞清楚一切。”这不仅不美观，而且情况还在持续恶化，而非好转。

难怪，《麻省理工学院技术评论》记载，2024年人工智能领域的最大失败，很大程度上归咎于我们集体无法将人工智能转化为普通人愿意使用的应用程序。即便是像苹果试图总结用户传入的短信这样基本的功能，也更多地带来了困惑，而非便利。这既源于对人工智能一致性结果的缺乏信任，也源于我们不断向开发者堆砌人工智能原语（类似于云计算中的存储、网络和计算等原语），迫使他们承担将这些基础构件转化为实用应用程序的艰巨任务。

呼叫AWS和微软

我们可能需要AWS或微软来理解人工智能选项的过度。我说“也许是微软”，因为市场似乎需要类似于微软为网络新手所做的东西：清晰的文档、直观的用户界面等。AWS在云计算的头十年中大为开发人员提供了熟悉的原语，即他们在本地环境中拥有的相同LAMP构建块，但具有弹性的灵活性。

相比之下，通读亚马逊SageMaker的营销描述。AWS使用“用于模型开发、生成性人工智能、数据处理和SQL分析的熟悉AWS工具”（也很好；不要让开发人员学习新工具），谈论“对所有数据的统一访问分析和人工智能的集成体验”（听起来不错）。但随后AWS陷入了坚持开发人员想要和需要“专用工具”的陷阱。“目的构建”感觉像是“我们将为您提供一切”的委婉说法，事实上，弄清楚使用哪种模型可能开始看起来像是掷硬币，而不是一个明确的决定。

微软再次通过为主流IT管理员、开发人员等提供有主见的、易于使用的选项，在网络、操作系统和开发人员工具方面大獲全其来。这些从未吸引过阿尔法极客，但你猜怎么着？真正的钱不是为了安抚阿尔法极客对无限可配置性的神秘选项的渴望。真正的钱是为那些可能喜欢技术但更关心能够及时回家参加孩子的游戏、保龄球之夜或其他任何事情的人提供简单的选择。

请记住，是阿尔法在X（或者更有可能是Mastodon或Bluesky）上谈论最新和最伟大的模型。对他们来说，提供丰富的人工智能原语是一个好主意。但对于主流开发人员和数据科学家来说，对于停止将人工智能应用程序开发推给其准客户的云供应商来说，有一个真正的机会。当他们这样做时，人工智能将不再是一个充满希望但被广泛采用的市场。

来源：AI中国