嘗試了Chatgpt，Anthropic的Claude，Google Gemini，Microsoft Copilot，DeepSeek，Gelplexity，Meta AI，通過WhatsApp或Amazon Code Whisperer等企業(yè)平臺(tái)AI服務(wù)之一，他們會(huì)知道有一種正確的方式和錯(cuò)誤的方式來要求自動(dòng)化智能。

對(duì)您的請(qǐng)求非常具體，并以更精確的描述性術(shù)語來指導(dǎo)AI服務(wù)并縮小其選項(xiàng)的提示，通常是獲得更準(zhǔn)確結(jié)果的一種方式。然后是禮貌因素。

禮貌政治

盡管對(duì)這個(gè)空間和一定程度的研究表明，在與AI服務(wù)互動(dòng)時(shí)最好的方法是最好的方法（畢竟可能有助于成為更好的人類），但有一個(gè)更廣泛的論點(diǎn)說，實(shí)際上并不需要禮貌，因?yàn)樗加昧祟~外的“代幣”空間……而這對(duì)Planet的數(shù)據(jù)級(jí)碳纖維足跡沒有計(jì)算上的效率或有益。令牌是自然語言文本的核心單位或圖像，音頻剪輯或視頻的某些組成部分，具體取決于AI處理的“模式”；雖然“ Sullen”是一個(gè)令牌，但“ Sullenness”更可能是兩個(gè)令牌：“ Sullen”和“ Ness”總共。所有這些請(qǐng)感謝您和用戶與AI的“您只是很棒”的互動(dòng)不一定是一個(gè)好主意。

因此，讓我們問Chatgpt該怎么辦...

推理復(fù)雜度尺度長(zhǎng)度

熱衷于對(duì)此主題發(fā)表意見的是Apify的Ale?Wilk ，Apify的SEO專家，該公司以其平臺(tái)而聞名，允許開發(fā)人員構(gòu)建，部署和發(fā)布Web刮板，AI代理和自動(dòng)化工具。

威爾克說：“要進(jìn)一步了解這個(gè)不斷上升的對(duì)話話題，我們需要首先意識(shí)到，每個(gè)令牌用戶都將用戶提交給AI語言模型代表一個(gè)可以在計(jì)算成本中衡量的單元。” “這些模型起作用并依賴'變形金剛結(jié)構(gòu)'，其中推理復(fù)雜性尺度的序列長(zhǎng)度，尤其是由于自我關(guān)注機(jī)制的二次性性質(zhì)。使用諸如'please'''或'Thank You'之類的非功能性語言感覺就像是自然的對(duì)話對(duì)話對(duì)話水平。但是，它可以使迅速的長(zhǎng)度膨脹15-40％，而無需貢獻(xiàn)精度或任務(wù)相關(guān)性或任務(wù)相關(guān)性或任務(wù)相關(guān)性?！?/p>

從技術(shù)和效率的角度來看，這是一個(gè)隱藏的成本。威爾克（Wilk）解釋說，如果我們查看諸如gpt-4-turbo之類的平臺(tái)，例如，定價(jià)和計(jì)算是基于令牌的基于令牌，及時(shí)設(shè)計(jì)中的詳細(xì)性直接增加推理時(shí)間，能耗和操作支出。他還指出，經(jīng)驗(yàn)分析表明，根據(jù)模型大小，優(yōu)化和部署基礎(chǔ)架構(gòu)，最先進(jìn)的LLM上有1,000個(gè)令牌可以排放0.5至4克CO?。在更大范圍內(nèi)和數(shù)十億美元的提示中，不必要的令牌每年都會(huì)為數(shù)千噸額外的排放量貢獻(xiàn)。

“This topic has become widely discussed, as it not only concerns cost, but also sustainability. Looking at GPU-intensive inference environments, longer prompts can drive up power draw, increase cooling requirements and reduce throughput efficiency. Why? Because as AI moves into continuous pipelines, agent frameworks, RAG systems and embedded business operations, for example, the marginal ineffectiveness of prompt padding can aggregate into a big environmental impact,” underlined威爾克。

簡(jiǎn)化用戶輸入

威爾克本人是優(yōu)化專家，他說一個(gè)概念是開發(fā)人員和數(shù)據(jù)科學(xué)家可以創(chuàng)建類似于編寫性能代碼的及時(shí)設(shè)計(jì)的概念，例如刪除冗余，最大化功能實(shí)用程序并簡(jiǎn)化用戶輸入。就像我們使用襯里和剖面材料（代碼改進(jìn)工具）的方式一樣，我們需要自動(dòng)清潔和使得優(yōu)化提示的工具。

威爾克斯說，就目前而言，他鼓勵(lì)用戶在提示方面精確而最小。他說：“對(duì)人工智能說'請(qǐng)'和'謝謝'可能會(huì)感到有禮貌，但這是計(jì)算術(shù)語的禮貌污染。”

阿卡什（Akash）的創(chuàng)始人格雷格·奧瑟里（Greg Osuri）以其分散的計(jì)算市場(chǎng)銷售聞名，即AI的環(huán)境影響不再僅僅是外圍問題，而是這是一個(gè)核心設(shè)計(jì)挑戰(zhàn)。他指出的報(bào)告表明，AI推論成本占AI總能源消耗的80％以上。在過去的幾年中，該行業(yè)一直在推動(dòng)更大的模型，更好的性能和更快的部署，但是AI推斷是訓(xùn)練有素的LLM模型用于從全新數(shù)據(jù)中得出結(jié)論的過程，現(xiàn)在可能正在造成大部分損失。

語言模型與Google搜索

“Each user query on LLM models consumes approximately 10 to 15 times more energy than a standard Google search. Behind every response lies an extremely energy-intensive infrastructure. This challenge isn't just about energy usage in abstract terms, we're talking about a whole supply chain of emissions that begins with a casual prompt and ends in megawatts of infrastructure demand and millions of gallons of water being consumed,” detailed Osuri, speaking to a closed press gathering this month.

他同意，關(guān)于禮貌的提示以及對(duì)AI的粗魯（或至少直接和地點(diǎn)）是否更節(jié)能的提示，還有很多事情要高。但是，他說這些對(duì)話缺少更廣泛的觀點(diǎn)。

“當(dāng)今的大多數(shù)AI架構(gòu)都按設(shè)計(jì)效率低下。作為一個(gè)花費(fèi)數(shù)年來開發(fā)軟件和支持基礎(chǔ)設(shè)施的人，令人驚訝的是，我們對(duì)迅速效率的審查很少進(jìn)行。在傳統(tǒng)工程中，我們優(yōu)化了所有內(nèi)容。我們優(yōu)化了所有內(nèi)容，任何冗余，跟蹤績(jī)效并減少浪費(fèi)。實(shí)際上，當(dāng)前的集中式建筑是否適用于量身標(biāo)準(zhǔn)，這是一個(gè)越來越多的范圍。我們將繼續(xù)培訓(xùn)模型，并進(jìn)一步加速自己的局限性?！彼偨Y(jié)說。

這項(xiàng)討論將不可避免地談?wù)揂I本身是否已設(shè)法變得有知覺。發(fā)生這種情況時(shí)，AI將具有足夠的自我意識(shí)和意識(shí)，可以具有有意識(shí)的主觀感覺，因此能夠就如何管理禮貌與處理能力平衡做出執(zhí)行決定。在此之前，我們需要記住，我們基本上只是在使用語言模型來生成內(nèi)容，無論是代碼，單詞還是圖像。

如果我有AI錘

“禮貌或粗魯?shù)氖抢速M(fèi)寶貴的上下文空間。用戶試圖完成的工作是讓AI生成他們想要的內(nèi)容。我們?cè)谔崾痉矫?u>越簡(jiǎn)潔和直接，輸出就會(huì)越好?！?“當(dāng)我們編寫代碼時(shí)，我們不使用手續(xù)，那么當(dāng)我們?yōu)锳I編寫提示時(shí)，為什么要使用手續(xù)？如果我們將LLMS視為錘子等工具，當(dāng)我們用錘子撞到指甲時(shí)，我們不會(huì)說'請(qǐng)'。我們只是這樣做。我們只是為AI提示而做同樣的事情。您正在浪費(fèi)寶貴的上下文空間，而不會(huì)浪費(fèi)好處或無禮。”

問題是，人類喜歡同理心。這意味著，當(dāng)AI服務(wù)以一種充滿專門建造的熟悉和熟悉的方式回答以模仿人類的對(duì)話時(shí)，人類更有可能想要友好地回應(yīng)。一般規(guī)則是，您的提示越簡(jiǎn)潔，用戶越多，輸出就會(huì)越好。

史密斯斷言：“人工智能并不是有價(jià)值的……也不需要對(duì)其進(jìn)行對(duì)待?！蓖Ｖ篃龤в?jì)算周期，浪費(fèi)數(shù)據(jù)中心電力并用禮貌的提示加熱地球。我并不是說我們“零射”每個(gè)提示（用于定義何時(shí)向AI LLM提出問題或在不提供任何上下文或示例的情況下提出任務(wù)的術(shù)語），但是用戶可以簡(jiǎn)潔，直接和可能考慮閱讀一些及時(shí)的工程指南。使用上下文空間來生成內(nèi)容。從軟件工程的角度來看，禮貌是浪費(fèi)資源。最終，您用完上下文，模型會(huì)忘記您告訴過它“請(qǐng)”和“謝謝”。但是，從長(zhǎng)遠(yuǎn)來看，您可能會(huì)從與LLM交談時(shí)變得更加禮貌，因?yàn)檫@可能會(huì)導(dǎo)致您在與人類的個(gè)人互動(dòng)中變得更好。”

SAS的史密斯提醒我們，AI令牌不是免費(fèi)的。他還設(shè)想了他所謂的“搞笑假設(shè)情況”，我們請(qǐng)我們的提示被軟件本身所采用，并且在談?wù)摯砩虒?duì)代理商時(shí)，代理商最終會(huì)增加益處。整個(gè)過程最終失控了，隨著代理到代理通信的增長(zhǎng)，系統(tǒng)廢物令牌，上下文空間和計(jì)算功率的速度。值得慶幸的是，我們可以大部分地針對(duì)這一現(xiàn)實(shí)進(jìn)行編程。

浪費(fèi)戰(zhàn)爭(zhēng)

穆斯塔法·卡布爾（Mustafa Kabul）表示，在管理更廣泛的業(yè)務(wù)層面（不僅在軟件和數(shù)據(jù)方面）謹(jǐn)慎的企業(yè)在管理企業(yè)供應(yīng)鏈方面已經(jīng)花費(fèi)了數(shù)十年的時(shí)間來消除每個(gè)流程中的浪費(fèi)，即多余的庫(kù)存，冗余接觸點(diǎn)，不必要的步驟。

喀布爾說：“同樣的操作學(xué)科必須適用于我們的AI互動(dòng)?！彼跊Q策情報(bào)公司AERA技術(shù)的數(shù)據(jù)科學(xué)，機(jī)器學(xué)習(xí)和AI的SVP身份說。

“When you're orchestrating agent teams across demand planning, procurement and logistics decisions at enterprise scale, every inefficient prompt multiplies exponentially. Inside operations we've managed, we have seen how agent teams coordinate complex multi-step workflows - one agent monitoring inventory levels, another forecasting demand, a third generating replenishment recommendations. In these orchestrated operations, a single 'please' in a prompt template used across thousands of daily decisions doesn't只是浪費(fèi)了計(jì)算資源，它引入了可以通過整個(gè)決策鏈級(jí)聯(lián)的延遲?！笨Σ紶柍吻逭f。

他說，正如我們（作為一個(gè)集體的商業(yè)技術(shù)社區(qū)）了解到，精益運(yùn)營(yíng)需要精確，而不是禮貌，有效的AI代理協(xié)調(diào)需要今天的“無情效率”。喀布爾堅(jiān)持認(rèn)為，以相同的運(yùn)營(yíng)嚴(yán)格處理與制造過程相同的操作嚴(yán)格處理的公司將在速度和可持續(xù)性上具有“決定性的優(yōu)勢(shì)”。

你會(huì)介意嗎？

盡管英國(guó)可能以其無禮的禮貌而聞名，但即使英國(guó)也可能需要學(xué)會(huì)放棄正常的空氣和恩典，我們通常會(huì)考慮正常的文明和社會(huì)交往的必要部分。聊天機(jī)器人不介意如果您不說請(qǐng)……而且，如果您的第一個(gè)AI響應(yīng)不是您想要的，那么不要那么英語，也認(rèn)為您也需要說對(duì)不起。

以上是的詳細(xì)內(nèi)容。更多信息請(qǐng)關(guān)注PHP中文網(wǎng)其他相關(guān)文章！