Instruktioner och exempel

Vi har med de stora språkmodellerna (LLM:er) lyckats automatisera språket, men det betyder nödvändigtvis inte att vi har automatiserat intelligensen. Denna distinktion är viktig att göra, eftersom vi människor ofta likställer språklig förmåga med genuin förståelse.

En LLM är i grunden en extremt avancerad motor för mönstermatchning som genom träning på enorma mängder data har lärt sig de statistiska sannolikheterna för hur ord och koncept hänger samman. När den formulerar ett svar, genererar den den mest sannolika ordsekvensen som bör följa på en given input, utan en djupare förståelse för varför svaret är korrekt, eller inte korrekt.

Den kan liknas vid ett oändligt minne då den kan perfekt återge och kombinera allt den har "läst", men saknar medvetande, logiskt tänkande och den inre världsbild som definierar mänsklig intelligens.

Genom automatisering av språket har vi dock fått ett verktyg som ger oss två förmågor vi tidigare saknat i våra verktyg. Den första är förmågan att förstå naturligt språk, vilket fundamentalt förändrar hur vi interagerar med teknologi. Tidigare var människan tvungen att kunna maskinens språk – vare sig det var kod, kommandon, knappar eller komplexa menysystem. Nu har maskinen istället lärt sig vårt. Detta tillgängliggör tillgången till avancerad teknologi, då vem som helst som kan formulera en tanke i ord plötsligt kan ge komplexa instruktioner. Gränssnittet är inte längre knappar, utan en konversation.

Verktyg som Lovable, Bolt och Magic Pattern illustrerar detta bäst. Dessa verktyg använder naturligt språk för att förstå instruktioner och sedan generera kod. Ett annat exempel är verktyg som tar emot naturligt språk och skriver SQL, R eller Python för att utföra analyser.

Visst, alla Lovable-produkter kan kanske inte tas i produktion, och det finns alltid en risk att LLM:er genererar felaktig SQL- eller Python-kod vid analys. Men det går inte att blunda för att människor nu snabbare kan experimentera inom dessa domäner och utforska idéer. De behöver inte längre först lära sig grunderna. Istället kan vi använda det vi behärskar bäst, vårt eget språk, för att ge komplexa instruktioner.

Men här kommer en viktig sak att tänka på.

Den andra, och kanske mest djupgående, förmågan är att dessa verktyg agerar utifrån exempel snarare än enbart instruktioner. Detta markerar ett paradigmskifte från ett traditionellt "recept-tänk" till ett "exempel-tänk".

Traditionell kod liknar ett detaljerat recept, med exakta, deterministiska steg-för-steg-instruktioner. Samma input ger alltid samma output. Systemet är precist men begränsat. Det slår mot en vägg så fort en situation inte exakt matchar en förprogrammerad regel. Därför har vi utvecklat en hel disciplin, kallad UX, för att möta användarens behov i en värld där väggarna inte kan flyttas.

Språkmodeller, å andra sidan, arbetar utifrån ett exempelparadigm. Istället för att ge dem ett recept visar vi dem en serie goda exempel – till exempel "här är tio svar med en hjälpsam ton" – och ber dem att agera i samma anda. Modellen tar då till sig essensen av dessa exempel och generaliserar för att skapa något nytt som följer mönstret. Det den skapar kan vara nästan oändligt varierande och anpassningsbart, vilket är oerhört kraftfullt.

Språkmodellernas förmåga att generalisera gör dem otroligt effektiva och flexibla. Detta gäller särskilt i situationer där instruktionerna är för många, för varierande eller för komplexa att formulera.

Det är nästan omöjligt att skapa en komplett instruktionslista för hur en kundservicemedarbetare ska agera i alla situationer, eller hur man skriver en text med en specifik kreativ ton. I sådana komplexa domäner, där mänsklig variation dominerar, fungerar exempel bättre än steg-för-steg-instruktioner. Det är därför vi låter nya kollegor skugga mer erfarna, för att lära av exempel.

Vi betraktar A som ett helt nytt verktyg som hanterar komplexa problem genom exempelbaserade instruktioner. Den nya färdigheten för människan handlar alltså inte enbart om att skriva exakta instruktioner längre. Snarare handlar det om att bli expert på att identifiera när ett komplext verktyg som AI ska introduceras för att lösa ett problem, och hur man styr dessa kraftfulla AI-modeller mot önskat resultat.

Detta öppnar i sig nya möjligheter för automatisering som förr inte var möjliga. Nu ska vi bara hitta dem.