在当今这样一个人工智能、大数据和自动化的时代,技术技能和数据素养显然非常重要。但是这并不意味着我们应该忽略工作中的人的因素——机器无法很好实现的各种技能。我相信,随着工作本质的发展变化,机器承担了更多容易实现自动化的工作,这些软技能对于成功来说将变得更加至关重要。换句话说,人类的工作从总体上来说将变得更多,就是人类的工作。
考虑到这一点,员工应该为了未来培养哪些技能呢?我认为,在未来,以下九种软技能对于雇主来说将变得更加宝贵。
1、创造力
机器人和机器可以做很多事情,但是,就创造、想象、发明和梦想的能力而言,它们是很难与人类匹敌的。随着所有这些新技术的到来,未来的职场将需要新的思维方式——这就使创造性思维和人类的创造力变成了重要的资产。
2、分析(批判性)思维
除了创造性思维之外,进行分析思考的能力也将变得更加宝贵,尤其是当我们应对职场性质的变化以及人机之间劳动分工的变化时,更是如此。这是因为具有批判性思维能力的人可以提出创新的想法,解决复杂的问题并权衡各种解决方案的利弊——所有这些都要使用逻辑和推理,而不是依靠直觉或情感。
3、情商
情商也被称为EQ(也有人称之为情绪智商),它描述一个人意识、控制和表达自己的情绪,并意识到他人情绪的能力。因此,当我们谈论具有同理心并与他人相处融洽的人时,我们在描述的是一个情商高的人。鉴于机器无法轻松复制人类与其他人建立联系的能力,因此,在职场中,对具有较高情商的人的需求会更大,这是有道理的。
4、人际交往能力
和情商有关,与人成功交换信息的能力将是一项至关重要的技能,这意味着员工必须磨炼与他人进行有效沟通的能力——使用恰当的语气和肢体语言,以便清晰地传递信息。
5、以成长心态积极学习
具有成长心态的人知道他们的能力可以得到发展,而提升技能可以带来更高的成就。他们愿意接受新的挑战,从自己犯下的错误中吸取教训,并积极寻求扩大知识的途径。由于人工智能和其他快速发展的技术,未来的职场会对这种人才有大量的需求,因为在未来,技能会比现在更快地过时。
6、判断与决策
我们已经知道,计算机能够比人类的大脑更好地处理信息,但是最终,需要由人来负责组织中关键业务决策。必须由人类来考虑决策对业务和从事这些业务的人员的影响。因此,决策技巧仍然很重要。但是,毫无疑问,人类决策的性质将会发生变化——具体而言,技术将处理更多的琐碎和平凡的决策,使人们可以专注于更高级别、更复杂的决策。
7、领导能力
未来的职场将与今天的等级制组织大不相同。基于项目的团队、远程团队和灵活的组织结构可能会变得越来越普遍。但这不会削弱良好领导能力的重要性。即使在项目团队内部,个人仍将需要发挥领导作用来解决问题和制定解决方案——因此,激励和帮助他人成就最好的自己等通用的领导特质仍然至关重要。
8、多样性和文化智慧
职场正在变得越来越多样化和开放,因此员工将需要能够尊重、理解并适应其他那些可能以不同方式感知世界的人。显然,这将改善人们在公司内部的互动方式,但我认为,这也将使公司的服务和产品更具包容性。
9、拥抱变化
即使对于我来说,现在变化的步伐也令人惊诧,特别是在人工智能方面。这意味着人们将不得不变得敏捷,并且培养拥抱——甚至是庆祝变化的能力。员工们将需要变得更加灵活,适应不断变化的职场、期望和所需的技能要求。而且,至关重要的是,他们需要能够将变化看成是成长的机会,而不是一种令人讨厌的负担。
总结
我们不需要羡慕人工智能。人类的大脑令人难以置信。它比现有的任何人工智能都要更加复杂,也更加强大。因此,与其害怕人工智能、自动化及其将给职场带来的变化,我们每个人还不如着眼于利用我们独特的、身为人的能力,并且培养这些软技能——对于未来的工作来说,这些技能将变得更加重要。
好文章,需要你的鼓励
这项研究由浙江大学、复旦大学等机构联合完成,提出了ReVisual-R1模型,通过创新的三阶段训练方法显著提升了多模态大语言模型的推理能力。研究发现优化的纯文本冷启动训练、解决强化学习中的梯度停滞问题、以及分阶段训练策略是关键因素。ReVisual-R1在各类推理基准测试中超越了现有开源模型,甚至在某些任务上超过了商业模型,为多模态推理研究开辟了新途径。
这项研究提出了一种名为"批评式微调"的创新方法,证明仅使用一个问题的批评数据就能显著提升大语言模型的推理能力。研究团队对Qwen和Llama系列模型进行实验,发现这种方法在数学和逻辑推理任务上都取得了显著提升,平均提高15-16个百分点,而且只需要强化学习方法1/20的计算资源。这种简单高效的方法为释放预训练模型的潜在推理能力提供了新途径。
新加坡国立大学研究团队开发了名为IEAP的图像编辑框架,它通过将复杂编辑指令分解为简单原子操作序列解决了当前AI图像编辑的核心难题。研究发现当前模型在处理不改变图像布局的简单编辑时表现出色,但在需要改变图像结构时效果差。IEAP框架定义了五种基本操作,并利用思维链推理技术智能分解用户指令,实验证明其性能显著超越现有方法,尤其在处理复杂多步骤编辑时。
Character AI的研究者开发出TalkingMachines系统,通过自回归扩散模型实现实时音频驱动视频生成。研究将预训练视频模型转变为能进行FaceTime风格对话的虚拟形象系统。核心创新包括:将18B参数的图像到视频DiT模型改造为音频驱动系统、通过蒸馏实现无错误累积的无限长视频生成、优化工程设计降低延迟。系统可让多种风格的虚拟角色与人进行自然对话,嘴型与语音同步,为实时数字人交互技术开辟了新可能。