Amazon.com CTO：2024年及未来科技前瞻

参考：

纵观历史，人们一直在研发工具和系统，以增强和放大个人的能力。无论是印刷机还是流水线，这些创新都赋予了我们比以往更大的能力。职业发生了变革，新兴行业涌现，人们随之适应。

在过去的一年里，变革的速度迅猛加快。云技术、机器学习和生成式人工智能变得更加易于应用，几乎影响到我们生活的各个方面，从写电子邮件到软件开发，甚至是早期癌症的检测。未来几年将充满创新，专注于设计能够普及技术并帮助我们跟上日益加快的日常生活节奏的领域，而这始于生成式人工智能。

生成式人工智能变得具有文化意识

基于多元文化数据训练的大型语言模型（LLMs）将更深刻地理解人类经验和复杂社会挑战。这种文化流利度的提升承诺使生成式人工智能对全球用户更加易于应用。

文化对我们生活的方方面面都有深远的影响，涵盖了我们所讲的故事、吃的食物、着装风格、价值观、礼仪、偏见，以及我们解决问题和做决定的方式。它是我们每个人在社会中存在的基石。文化提供规则和指导，规范并塑造我们的行为和信仰，而这份契约会因我们身处之地和交往对象的不同而发生改变。然而，这些差异有时也可能引发混淆和误解。例如，在日本，吃面时发出声响被视为享受的象征，但在其他文化中可能被认为是不礼貌的。在印度的传统婚礼上，新娘可能会穿上有复杂设计和多彩斑斓的楞哈裙（lehenga），而在西方世界，传统上会穿一件白色的婚纱。在希腊，人们习惯在婚纱上吐口水以祈求好运。作为人，我们习惯于跨文化交往，因此能将这些信息置于背景中，综合考虑，调整我们的理解并做出适当的回应。那么，为什么我们不期望我们日常生活中使用和依赖的技术也能做到这一点呢？在未来几年，文化将在技术的设计、部署和使用方面发挥关键作用；其影响将在生成式人工智能中最为显著。

为了让基于大型语言模型（LLM）的系统能够触达全球受众，它们需要达到人类本能所具备的文化流利度。在今年早些时候发表的一篇论文中，来自乔治亚理工学院的研究人员发现，即使将一个LLM提供的提示明确用阿拉伯语提到伊斯兰祈祷，生成的回应却建议与朋友一起喝酒，这在文化上是不合适的。这一现象在很大程度上与可用的训练数据有关。Common Crawl，用于训练许多LLM，大约有46%是英语，而即使是不同语言的内容，文化上主要是西方的（在很大程度上偏向美国）。如使用相同的提示，预先在阿拉伯文本上训练的模型，专门用于阿拉伯语生成，会生成文化上适当的回应，比如喝茶或咖啡。在过去的几个月里，非西方的LLM开始出现：Jais，用阿拉伯语和英语数据进行训练，Yi-34B，一款中英双语模型，以及Japanese-large-lm，用广泛的日本网络语料库进行训练。这些都是文化准确的非西方模型将为数亿人开启生成式人工智能，对教育到医疗保健等方面产生深远的影响的迹象。

请注意，语言和文化是两个不同的概念。即使能够进行完美的翻译，也不能赋予模型文化意识。由于这些模型融合了无数的历史和经验，我们将看到大型语言模型（LLMs）开始形成更广泛、全球范围的观点。正如人类通过讨论、辩论和思想交流学习一样，LLMs也需要类似的机会来拓展其观点并理解文化。在这种文化交流中，两个研究领域将发挥关键作用。其一是从人工智能反馈中进行强化学习（RLAIF），即模型吸收来自另一个模型的反馈。在这种情况下，不同的模型可以相互交互，并根据这些交互更新对不同文化概念的理解。其二是通过多智能体辩论进行协作，其中模型的多个实例生成回应，就每个回应的有效性和背后的推理进行辩论，并最终通过辩论过程达成一致的答案。这两个研究领域都能减少训练和微调模型所需的人力成本。

随着LLMs之间的相互交互和学习，它们将能够更深入地理解复杂的社会挑战，这种理解将受到不同文化视角的深刻影响。这些进步还将确保模型在科技等领域提供更稳定且技术上更为精确的回应，涵盖范围广泛的主题。这些影响将在未来的地理区域、社会和世代中产生深远而持久的影响。

FemTech终获腾飞

随着 FemTech 领域投资的激增、医疗技术的混合化发展以及大量数据的开放与运用，女性健康迎来了一个转折点。FemTech的崛起不仅将使女性受益，还将提升整个医疗系统。

女性健康并非一个利基市场。仅在美国，女性每年在医疗保健方面的支出就超过5000亿美元。女性占总人口的50%，并负责80%的消费者医疗决策权。然而，现代医学的基础一直默认以男性为标准。直到1993年美国国立卫生研究院复兴法案通过，女性才被纳入临床研究。像月经保健和更年期治疗这样的常见需求在历史上一直被视为禁忌，因为女性被排除在试验和研究之外，她们的治疗结果通常比男性差。平均而言，女性对许多疾病的诊断比男性晚，而在心脏病发作后，女性被误诊的可能性比男性高50%。也许最明显的不平等例子之一是处方药物，女性报告不良副作用的比例明显高于男性。尽管这些统计数据在表面上似乎令人担忧，但在女性医疗保健（即FemTech）领域的投资正在增长，得益于云技术和更广泛的数据获取。

在AWS，我们一直与由女性领导的初创公司紧密合作，并亲眼见证了FemTech领域的蓬勃发展。仅在过去一年，该领域的投资增长了197%。随着资本获取的更广泛途径、机器学习等技术的进步，以及专为女性设计的智能设备的不断涌现，我们正身处一个前所未有的变革之中。这场变革不仅改变了对女性护理的看法，更改变了护理的执行方式。像Tia、Elvie和Embr Labs这样的企业，通过利用数据和预测分析为女性提供个性化护理，并能在患者需要的地方（家中或旅途中）满足他们的需求。

随着社会对女性健康需求的污名逐渐消退，同时有更多的资金涌入该领域，我们可以期待看到FemTech公司将继续积极应对以前被忽视的病症和需求。此外，由于在线医疗平台的利用、低成本诊断设备的普及以及对医疗专业人员的按需访问，女性对健康服务的访问将大幅增加。像Maven这样的公司已经在该领域展现出其领导力，模糊了心理健康和身体健康之间的界限，提供从关系咨询到更年期护理等一系列服务。随着这些平台的成熟和普及，我们将看到医疗保健的获取逐渐变得民主化。居住在农村地区和历史上被忽视地区的女性将更容易通过应用程序和远程医疗平台与妇产科医生、心理健康专业人员和其他专业人员取得联系。像NextGen Jane正在开发的智能卫生棉系统将使女性能够建立子宫健康的档案，并识别潜在的基因标记，这些标记可以轻松地与医生分享。可穿戴设备将为用户和医生提供大量的纵向健康数据，供进行分析。目前，超过70%的女性因更年期症状而未接受治疗，但随着教育的普及、数据可用性的提高以及无创解决方案的出现，这一状况将得到显著改善，而不仅仅局限于妇产科医疗领域。

例如，在女子世界杯足球赛前，有大约30名运动员因膝关节前交叉韧带（ACL）受伤而提前结束比赛。同传统医学一样，针对女性的训练也是基于对男性有效的模型，几乎没有考虑到生理学方面的差异。结果，女性患ACL损伤的可能性是男性的六倍，而完全康复并重返赛场的可能性则减少了25%。这是另一个需要理解独特健康数据会产生深远影响的领域，通过这些数据不仅可以预防伤害的发生，还可以全面改善女性运动员的健康状况。

我们正处在女性健康的重要转折点。通过获取丰富多样的数据，结合云技术以及计算机视觉和深度学习等技术，将能够减少误诊，帮助减轻当前对女性影响较大的药物副作用。子宫内膜异位症和产后抑郁症等女性特有健康问题也将得到应有的关注。我们终于将看到女性护理从边缘走向核心位置。由于女性领导的团队更倾向于解决广泛的健康问题，相较于仅由男性组成的团队，我们将看到FemTech不仅使认同为女性的人受益，而且推动整个医疗系统的发展。

AI助手重新定义开发者生产力

AI助手将从基本的代码生成器逐步转变为指导教师和不知疲倦的协作伙伴，为整个软件开发生命周期提供支持。它们将用通俗易懂的语言解释复杂系统，提出有针对性的改进建议，并承担重复性任务，使开发人员能够专注于对工作影响最大的部分。

我预测，在2021年，生成式人工智能将开始在软件编写方式中发挥主导作用。它将增强开发人员的技能，帮助他们编写更安全可靠的代码。现在我们正在认真地看到这一点，有了广泛的工具和系统，可以基于自然语言提示生成整个函数、类和测试。事实上，在2023年的Stack Overflow开发者调查中，70%的受访者表示他们已经在使用或计划在开发过程中使用AI支持的工具。

即将到来的AI助手不仅将理解并编写代码，还将是不知疲倦的合作者和教师。没有任务会耗尽它们的能量，它们永远不会因解释概念或重做工作而变得不耐烦——不管你问多少次。拥有无限的时间和无限的耐心，它们将支持团队中的每个人，并为从代码审查到产品战略的所有事物做出贡献。

产品经理、前端和后端工程师、数据库管理员、UI/UX设计师、DevOps工程师和架构师之间的界限将变得模糊。具有对整个系统的上下文理解，而不仅仅是孤立的模块，AI助手将提供增强人类创造力的建议，例如将草图翻译成脚手架代码，从需求文档中生成模板，或建议最适合您任务的基础设施（例如，无服务器与容器）。

这些助手将具有高度定制化的特点，可以在个人、团队或公司层面进行个性化定制。它们能够用简洁的语言解释复杂的分布式系统，如Amazon S3，使其成为无价的教育工具。初级开发人员将利用它们迅速了解陌生的基础架构。高级工程师将使用它们快速理解新项目或代码库，并开始做出有意义的贡献。在以前，要完全理解代码变更的下游影响可能需要数周时间，而助手可以即时评估修改，总结其对系统其他部分的影响，并根据需要建议其他更改。

我们已经看到现代软件开发中一些最繁琐的部分从开发者的工作中解脱出来：编写单元测试、样板代码和调试错误。这些通常被视为“额外”的任务，并被忽视。这些助手将能够重新设计和迁移整个传统应用程序，例如从Java 8升级到17，或者从单体应用拆分为微服务。毋庸置疑，开发人员仍然需要计划和评估输出。但这些助手将帮助筛选学术研究并为您的分布式系统选择合适的算法，确定从主备份方法转变为主动-主动实施的最佳方法，甚至理解资源如何单独影响效率并开发定价模型。因此，将会有比以往更多的工作。在没有进行类似升级Java版本这样繁重工作的束缚的情况下，开发人员可以专注于推动创新的创造性工作。

未来几年，随着AI助手从软件行业的新奇工具逐渐转变为不可或缺的一部分，工程团队将变得更加高效，能够开发出更高质量的系统，并缩短软件发布周期。

教育加速演变以匹配技术创新的速度

仅依赖高等教育已经无法跟上技术变革的脚步。行业主导的、基于技能的培训计划开始崭露头角，这种培训更类似于熟练工匠的学习过程。这种向持续学习的转变将使个人和企业受益。

回顾过去的软件开发周期，一个产品可能需要开发5年以上才能交给客户。在90年代末，这是一种可以接受的方法。但在当今世界，这款软件在真正使用之前就已经严重过时了。由于云计算的普及、持续改进的文化以及最小可行产品方法的广泛采用，我们的软件开发周期已经缩短。这产生了显著的影啊。公司比以往任何时候都快地推向市场，客户以前所未有的速度接受新技术。在这个技术和业务迅速旋转的飞轮中，尚未被纳入的一个领域是高等教育。

教育在各地存在根本性差异，但通常认为，为了雇佣最优秀的人才并获得最好的工作，大学学位是必备条件。然而，我们开始看到这种模式正在瓦解，无论是对个人还是对公司而言。对学生而言，费用不断上涨，许多人在实际培训可获得时质疑传统大学学位的价值。对公司而言，新员工仍然需要在职培训。随着越来越多的行业要求员工专业化，学校教授的内容与雇主需求之间的差距正在扩大。类似于几十年前的软件开发过程，我们在技术教育方面已经到达了一个关键点，我们将看到曾经为少数人提供的定制的在职培训演变为由行业主导的面向多数人的基于技能的教育。

多年来，我们已经看到这种转变的端倪。像Coursera这样最初专注于消费者的公司已经与企业合作，扩大了他们的技能提升和再培训工作。学徒制度由于教育可以由雇主进行专业化，学徒可以在学习的同时赚钱，因此继续增长。但现在，公司自己也开始大规模投资于基于技能的教育。事实上，亚马逊刚刚宣布已经在全球培训了2100万技术学习者，涵盖了技术技能。部分原因归功于Mechatronics和Robotics Apprenticeship以及AWS Cloud Institute等项目。所有这些项目使不同职业阶段的学习者能够获得他们进入需求旺盛的角色所需的确切技能，而无需参加传统的多年计划。

需要明确的是，这个概念并非没有先例。比如电工、焊工和木工等熟练工人，他们大部分的技能并不是在教室里获得的。他们从学徒做起，然后成为实习生，最终可能成为熟练工人或大师级工匠。他们是在工作中不断学习，并持续进步的。这种终身教育的模式——边学习边保持好奇心——对个人和企业都是有利的。

但这并不意味着传统学位将会消失。它不会完全被取代，因为并非所有的领域都看重学术学习。在技术领域，学术学习仍然是非常重要的。但在许多行业中，技术的影响已经超越了传统教育系统的范畴。为了满足业务的需求，我们将看到一个无法忽视的新时代的由行业主导的教育机会。

-----

Source: Werner Vogels, Tech predictions for 2024 and beyond, November 30, 2023

---【本文完】---

近期受欢迎的文章：

我们正处于数十年未见之大机遇中

新技术爆发式发展，催生新产品

然而，颠覆式创新并非简单的技术堆叠

而是异常复杂的系统工程

需要深度洞察

欢迎一起分享思考和见解