一封电子邮件并不需要完整的市场分析的火力——好莱坞通过惨痛的教训吸取了这一教训。
当 Denis Villeneuve 的团队需要在《沙丘：第二部分》中的约 1,000 个镜头中保持 Fremen 的蓝眼睛保持一致时，他们并没有将整个问题交给通用 AI 系统。据 Foundry 称，他们在艺术家为特定工作（眼睛颜色连续性）创建的资产上训练了 Nuke 的 CopyCat 引擎，并留下了其他一切，从颜色分级到完整的 VFX 合成，再到为这些任务构建的各种工具。大约 40% 经过 AI 训练的照片不需要额外的清理。
这是好莱坞在整个行业悄悄采用的一种方法。 Netflix 价值 6 亿美元的人工智能电影制作合作伙伴关系将其工具按任务划分：用于视觉效果的自定义模型、用于自动颜色分级和对话清理的独立系统，以及另一套完全用于预可视化的工具。 Lionsgate 已在其 80% 以上的员工中部署了人工智能，但不是作为单一工具 – 它一起运行 Copilot、ChatGPT Enterprise 和 Snowflake，每个工具处理不同类型的工作。业内没有人试图用一种模型来做所有事情。
事实证明，这与许多 ChatGPT 日常用户所犯的错误相同。
电子邮件不是市场分析
任何经常使用 ChatGPT 的人都可能经历过这两种情况。听起来很复杂的任务将在几秒钟内完成。另一个提示起初看起来很简单，但在实施之前进行了一些调整。提醒并不总是问题所在。通常，问题取决于哪个模型正在处理任务。
这不仅要考虑 ChatGPT 的要求，还要考虑哪种模型可以提供答案，以及该模型是否真正适合这项工作。
考虑一个典型的工作日。早晨在收件箱中收到一条太长的消息，而真正需要的是三个最重要的点和一个简洁的答案。在这里，速度是最重要的问题，而为复杂推理而构建的模型对于这样的小工作来说通常是大材小用。到了下午，任务似乎有所不同：比较几个文档，找出它们之间的差异，并从变化的内容中得出结论。在这里，额外的几秒钟处理时间并不重要，重要的是模型是否真正理解如何连接信息。
这就是为什么值得测试差异 聊天GPT模型 而不是出于习惯默认最强的选择。更好的方法是根据任务本身进行选择：简短的摘要、较长的分析、代码工作或需要将多个步骤逻辑地构建在一起的内容。
ChatGPT 对于由许多较小步骤而不是一个大的、模糊的步骤组成的任务往往最有用。商业报告就是一个典型的例子。 “分析这份报告”的指令输入得很快，但未定义的内容太多。
较短的工作流程通常效果更好。首先，ChatGPT 提取关键指标和语句。接下来，它确定了与上一年相比发生的变化。只有在第三步中，它才会转向对这些数字提出的可能的解释或问题。
将工作分成阶段还有第二个好处：可以立即检查中期结果。在提取的数字中检测到的错误可以在进入全面分析之前修复，这与好莱坞视觉特效团队在进入后期制作之前检查人工智能训练的镜头是否需要手动清理的方式不同。
好的答案也可能是错误的答案
即使是能力很强的模型也不会被授予免费验证。数字、程序代码以及未来决策所依据的任何事物在完全依赖之前都值得仔细检查。
美国 美国国家标准技术研究院 采取相同的立场。其合成人工智能框架解决了组织如何可靠地部署人工智能，同时管理随之而来的风险——根据应用程序，可能包括对模型生成的任何内容进行人工审查、测试和验证。
外卖食品
事实上，规则很简单。一个简短、明确的任务可以从敏捷模型开始。但是，当工作涉及大量信息、更复杂的关系或必须通过多个步骤构建推理时，您应该寻找实际为此类工作设计的模型。
好莱坞不需要 6 亿美元的交易来实现这个想法 – 它只需要愿意使用正确的拍摄工具，而不是通过同一个系统运行所有内容。当 ChatGPT 打开时，同样的逻辑也适用于：需要快速回复的电子邮件的快速模型，真正需要调试的报告的更强大的模型。