DeepMind科学家：LLM没有过度炒作！亲身分享50个AI用例让工作效率飞升50%

谷歌DeepMind的研究科学家Nicholas Carlini近期撰写了一篇长达8万字的文章，详细分享了他如何使用AI（特别是大语言模型LLM）来显著提升工作效率。他明确表示，尽管AI领域存在泡沫，但他认为LLM所取得的进展绝非仅仅是炒作。以下是他的主要观点和一些具体实例的改写。
开篇观点

Nicholas在文章开篇就鲜明地亮出自己的观点：“我不认为AI模型（LLM）被过度炒作了。”他承认，许多公司声称自己正在使用人工智能，但往往只是跟风炒作，就像他们以前炒作区块链一样。然而，通过过去一年的亲身体验，他发现LLM能够胜任越来越复杂的工作，并为他带来了实实在在的提升。
具体实例

Nicholas分享了50个使用LLM的实例，这些只是他所有AI应用的冰山一角（不到2%）。以下是一些关键实例的改写：

构建网络应用程序：他利用从未使用过的技术，借助LLM的帮助，成功构建了一个完整的网络应用程序。

学习新框架：LLM教他如何使用以前从未接触过的各种编程框架，极大地扩展了他的技能边界。

代码转换与性能提升：他将数十个程序自动转换为C语言或Rust语言，性能提高了10-100倍。这不仅简化了代码，还显著提升了运行效率。

缩减代码库：通过LLM的协助，他大幅缩减了大型代码库，简化了项目结构，使代码更加清晰易懂。

实验代码编写：几乎每一篇研究论文的初始实验代码都是由LLM编写的，大大节省了时间，让他能够更专注于研究本身。

自动化单调任务：LLM几乎完全取代了网络搜索，帮助他自动化了几乎所有单调的任务或一次性脚本，显著提高了工作效率。

分类与总结

Nicholas将这些实例分为两大类：一类是“帮助我学习”，另一类是“自动化无聊的任务”。这些应用虽然看似平凡，却正是LLM魅力的所在——自动化完成那些工作中枯燥无味的部分。
个人体验与观点

作为一名拥有20年编程经验的安全研究员，Nicholas对新技术持谨慎态度。他亲眼见证了人工智能模型在面对未经训练环境时的失败，也深刻理解这些系统的局限性。然而，通过实际使用，他毅然决然地宣称：“大语言模型为我的工作效率创造了自互联网诞生以来的最大提升。”

他以自己发起的“GPT-4能力预测挑战赛”为例，整个应用程序的初始版本几乎全部由GPT-4编写，页面浏览量超过一千万。这一成功不仅证明了LLM的能力，也让他深刻体会到自动化带来的便利。
写作动机

Nicholas写作这篇文章的动机有两个：一是证明LLM已经为他提供了巨大价值；二是为那些喜欢使用LLM但不知道如何利用其提升工作效率的人提供示例。他坚信，尽管LLM目前只能解决简单的任务，但它们已经足够强大，能够显著提升工作效率，让程序员有更多时间去做更有价值的工作。

综上所述，Nicholas Carlini通过自己的亲身体验，有力地反驳了“LLM只是炒作”的观点，并展示了AI在提升工作效率方面的巨大潜力。