播放器可选择2倍速。阅读与两倍速完整观看合计约40分钟;你也可以先读文章,再选择片段回顾。
先问交付了什么,再问用了哪个工具
在这次和薛老师的交流里,我谈到自己已经把短视频切片的工作交给人工智能处理。它并不完美,但能够持续产出可以发布的内容。对我而言,值得讨论的不是工具名字有多新,而是这件原本需要自己动手的工作,怎样逐渐变成一个能够运转的过程。这个变化让我兴奋,也让我更清楚地看到,人仍然有很多功课要做。
不少人听到类似经验,会希望得到一套明确步骤,照着操作就能得到同样结果。我能理解这种期待,但实际过程往往没有那么整齐。某一次输出出了问题,我要指出哪里不符合要求;另一次结果可以使用,我也要知道为什么可以。许多判断来自具体材料和具体用途,很难脱离任务,压缩成一份对所有人都有效的说明。
因此,我不愿意把一次成功描述成以后都不需要检查。能够完成某类切片,不意味着能够处理所有内容;能够发布,也不意味着每一处表达都已经最好。对于我目前的工作,先让一个范围明确的流程稳定运行,有实际价值。接下来可以继续改进,但不能因为看见了效率,就忽略质量标准和使用条件。
回看人工智能创业者大会上的讨论,我感觉很多人的问题仍然围绕自己熟悉的那一块。原来的工作怎样更快,已有技能会不会被替代,这些当然重要。但我的兴趣还在另一边:能否把不熟悉的环节接进来,让一个人有机会理解更完整的工作过程。短视频只是其中一个具体入口,它让我看到自己可以怎样重新分配精力。
所谓训练,首先是把要求说明白
我们在节目里反复使用训练这个词,更多是在描述持续给出材料、说明要求、观察结果和反馈的过程。它不等同于每次都在重新训练一个基础模型。对日常使用者来说,关键问题是能否把任务说清楚,能否提供足够的上下文,以及是否愿意花时间检查输出,而不是只发出一个宽泛要求,等待系统自动理解所有隐含标准。
我自己的技术背景,会让我在理解接口和工作衔接时相对熟悉一些。但这并不意味着其他领域也同样容易。对薛老师熟悉的市场传播和经营判断,我未必能够马上理解。我们在对话中谈到这种差别,正是想说明过往经验仍然发挥作用。工具降低了一些操作门槛,却没有让每个人的认识突然变得相同。
当一个结果不符合需要,首先值得检查的是任务描述、输入材料和判断方式。是目标没有说清楚,还是提供的资料不足?是工具当前能力有限,还是我们把一个需要多步完成的任务交成了一句话?这些可能性需要分开。只说人工智能不好用,无法帮助下一次调整;只说一定是使用者的问题,同样会掩盖工具本身的限制。
这一点也和教练工作相通。我们不会因为一次对话没有产生预期结果,就立刻把原因归到某个人不够努力。需要回到具体过程,理解发生了什么。与工具合作也一样,反馈越具体,越有机会找到可改进的地方。耐心不是无限重复同一句要求,而是愿意观察差异,让下一次尝试比上一次多一点依据。
数据不是附属品,而是判断的基础
节目里我分享了同学群的一段讨论。有人拿着人工智能生成的交易相关回答,指出其中出现了没有发生过的内容。继续追问后,大家发现他没有提供相应的数据,却期待系统自行找到并理解全部材料。这个例子让我想强调,要求一个系统辅助判断之前,需要先知道它到底依据什么进行回答。
这不意味着给足数据就能消除所有错误。模型仍然可能误读、遗漏或者产生不准确的解释,尤其涉及重要决定时,更不能把流畅的表达当成核实过的事实。那次讨论对我的提醒,是把输入与输出之间的关系重新摆到面前:如果资料缺失、时间范围不清、来源没有确认,后面的分析就很难凭空变得可靠。
对于独立经营者,自己的材料可能包括真实项目记录、已经确认的需求、服务反馈以及过往内容。整理这些东西看起来不如追逐新工具热闹,却会影响工具能否理解具体任务。没有这些材料,系统只能面对一个抽象的要求;有了材料,仍然需要人检查它是否正确使用,是否把推测说得过于确定。
我愿意把这部分工作看成专业积累的延伸。以前专业人士依靠经验判断什么值得关注,现在仍然需要这种能力,只是可以借助工具更快组织和比较。人工智能提供帮助,不会取消我们对来源、条件和结论的责任。尤其不能因为一个回答符合自己的期待,就跳过本来应该进行的核对。
人的审美与标准,不会从操作速度里自动长出来
薛老师谈到短剧时说,真正需要投入的不只是生成内容,还包括理解分镜、表达和相关语言。我很认同其中关于判断的部分。一个人可以不亲手完成每项操作,但如果不知道自己希望得到什么,也不知道什么结果值得保留,就很难把工具带向更好的方向。操作被简化之后,标准反而更容易成为关键差别。
我们也谈到一些优秀视频背后的专业性。观众看见的是一段成片,背后可能有表达设计、镜头处理、节奏判断和团队协作。不能只截取某个表面效果,就认为已经掌握了完整能力。参考优秀作品可以帮助学习,但需要理解自己在借鉴哪一部分,以及它为什么适合那个情境。
对我来说,跨领域学习不必一开始就追求成为专家。先建立基本语言,知道一个领域有哪些重要问题,能够向专业人士提出更具体的询问,就已经有价值。但够用和精通不是同一件事。理解得越多,越容易知道别人做得好在哪里,也越能承认哪些工作值得交给更合适的人。
这种认识会改变合作方式。不是因为有了人工智能,我就不再需要任何人;而是我可以更好地描述任务,理解对方的建议,也判断合作是否回应了需要。专业之间有了共同语言,协作才不必停在模糊期待里。工具可以辅助搭桥,桥两端的人仍然需要认真沟通。
产品完成以后,还要回到客户面前
技术背景容易让人对做出来产生强烈满足感。我自己也经历过先设计课程和产品,再寻找客户的阶段。问题是,制作过程越顺利,越容易把完成误认为成立。人工智能可以进一步加快制作,却不会自动告诉我别人为什么需要,也不会保证他们愿意投入时间、注意力或者费用。
在这次对话里,薛老师讲到一位已经做出人工智能产品,却苦于市场推广的朋友。我想到自己的类似经验:先做一把锤子,再去找钉子。这个比喻不是否定产品开发,而是提醒需求理解不应永远排在制作之后。即使只是一个早期尝试,也需要尽早接触真实使用情境,而不是只在熟悉的技术圈里获得肯定。
这也是一人公司带给我的训练。需求、表达、交付和反馈不再是互不相干的部门职责,我需要理解它们怎样连接。某一环节做得很好,不能替代其他环节。例如视频能够持续产出,是执行上的进展;它是否吸引合适的人,是否让别人理解服务,又是不同的问题。把这些差别看清楚,才知道下一步应该改哪里。
教练能力在这里可以帮助我检查自己的假设。我为什么相信这个产品有人需要?我是在听客户描述问题,还是等待他认可我的方案?面对没有回应,我是否立刻把它理解成对自己的否定?这些问题不会替我完成经营,却能让我少一点被既有投入绑住,多一点重新观察的空间。
从单一专长,走向能够连接专长的人
我在节目里使用梳子的比喻,描述多个深入领域与横向连接之间的关系。过去的专业能力不是负担,它是我理解某些问题的基础。但如果只允许自己在原来的领域里行动,新的工具也可能只是加速旧习惯。对我而言,更值得尝试的是利用已有长处,逐步接触过去不了解的环节。
这个过程不要求所有方向同时展开。一个具体项目就可能带来新的学习任务:为了把内容发出去,需要理解平台和传播;为了让服务被理解,需要学习表达和需求;为了与伙伴合作,需要说清责任和预期。宽度不是搜集许多名词,而是不同知识能够在真实工作里发生关系。
我参加大会后更加感到,人与人的连接会影响这条学习路径。如果只与相同背景的人讨论,很容易得到相似解释。通过教练学习认识不同行业的人,与创始人和高管交流,让我接触到更多问题。客户不只是接受我的支持,他们的处境也不断提醒我,世界并不按照我的经验排列。
因此,做中学并不是拒绝系统学习,而是让学习回应已经发生的任务。先做一点,发现自己不懂什么,再寻找资料或请教别人,随后回来检查效果。这种方式对我越来越重要。它允许我在不完备时开始,同时要求我对不足保持诚实,不把第一次能运行当成最后的专业标准。
未来可以想象,今天仍然需要一个可验证的动作
大会中关于招聘和智能体协作的讨论,引出了许多未来可能的工作方式。我和薛老师也谈到一人公司之间按项目合作的设想。这些话题能打开思路,却仍然是趋势观察与设想,不能直接当成所有企业已经采用的现实。对个人更有用的,也许是从中找到一个当下能够验证的问题。
例如,在自己熟悉的工作里选一个边界清楚的任务,提供必要资料,明确什么结果可以使用,再观察工具实际完成到哪一步。若结果不理想,就记录问题属于信息、表达、能力还是流程,而不是急着宣布全面成功或者彻底失败。这样的尝试不一定宏大,却能够逐步形成属于自己的判断。
我相信主动性很重要,但主动并不是无限加速。独立经营者的时间和精力有限,需要决定哪些尝试值得继续,哪些暂时放下。人工智能让可做的事情变多,更需要人选择,而不是把所有可能都变成必须完成的任务。能够停下来检查投入与目标是否一致,也是对自己负责的一部分。
这次交流结束时,我更想带走的是一种工作习惯:把问题说具体,把材料准备清楚,把结果放回真实需要中检查,然后继续学习。短视频流程只是一个例子,背后真正可以迁移的,是愿意跨出熟悉范围,又保留判断和修正的能力。工具会变化,我希望自己保留下来的,是能够与变化共同工作的方式。
本文根据《铁林想聊》薛铁鏻与蓝华峰(Frank)的对话整理,呈现录制时的经验与观点,并结合教练实践展开。