多年來，大型語言模型（LLM）的興起要求用戶學習一種新技能：提示工程。為了得到人工智能有用的回應，人們不得不精心設計他們的查詢問題，學習人工智能如何理解語言的細微差別。但這種情況可能正在發生變化。隨著自然語言處理（NLP）和多模態人工智能的進步，系統正在進化為更自然地與人類交互，從而消除了用戶需要強制塑造高精度輸入的要求。

Unisys副總裁兼全球人工智能實踐負責人Brett Barton最近在接受媒體采訪時討論了這一轉變，并指出了該公司最近的報告《2025年最佳IT見解：引領技術和商業的未來》中的發現。該報告強調了一種趨勢，即人工智能正在被訓練以適應人類，而不是人類正在被訓練來適應人工智能。Barton表示，這一轉變可能預示著提示工程作為一項關鍵技能的衰落。

提示工程：過時？

對于從制造業到醫療保健等行業的許多企業應用程序，用戶需要人工智能在其環境中無縫運行，特別是在不可預測的條件下。制作長而詳細的提示和回復也許是不可能的。

Barton說：“在制造業，員工處于一個瘋狂、嘈雜、通常光線不足的環境中，他們試圖創造一個能產生可用甚至有用反應的提示。”“我們發現，當你與ChatGPT或Claude等交互時，如果你沒有給它足夠的信息來具體關聯并提取一些數據，你就處于一種模糊的中間狀態，很難從中獲得任何有價值的東西。”

這在很大程度上取決于LLM從其訓練數據或外部來源檢索相關和上下文信息的能力。如果沒有足夠的背景，人工智能很難產生有意義的反應，往往會產生模糊或不準確的結果。提示工程側重于制作詳細而精確的提示，使模型能夠將查詢與現有知識相匹配，提取相關細節，并生成符合用戶需求的響應。

然而，隨著NLP的進步，人工智能系統越來越擅長處理不精確的輸入，使用戶能夠與人工智能進行更自然的對話。這些發展使人工智能能夠從結構化程度較低的用戶輸入中推斷上下文，從而減輕用戶以高度具體的方式表達請求的負擔。

NLP和多模態AI如何推動這一演變

隨著NLP的不斷進步，它與其他AI模式的集成正在創造更直觀的用戶體驗。人工智能正在進化，以解釋和響應從語音命令到視覺的多種形式的輸入，而不僅僅依賴于基于文本的交互。Barton表示，這些發展正在為人工智能交互變得更加自然和自適應的未來奠定基礎。

他說：“我看到NLP與多模態AI和GenAI相互作用，并表現良好。”“我們不僅看到了語音識別組件的進步，而且還看到了語言翻譯的實時進步。此外，我們開始看到更準確的攝像頭，處理速度更快，我們還有手勢檢測。我們即將看到一些相對準確的預測性人工智能，以實現更直觀、更自然的用戶交互。”

他補充道：“沒有人會因為不必提出問題而感到沮喪。”他提到，這些改進將使我們能夠超越鍵盤，在移動設備、自動駕駛汽車或其他任何尚未部署生成式人工智能的地方與人工智能進行交互。

Barton表示，NLP的成熟將帶來更直觀的人工智能應用程序，也將提高用戶滿意度。這對于傳統的基于文本的交互不實用的行業尤其重要。例如，在醫療保健領域，醫生經常口述筆記，而不是打字。使用NLP的人工智能系統可以監聽、提取關鍵細節，并啟動工作流程，如自動調用處方、安排隨訪和標記潛在的健康問題。目標是讓人工智能作為幕后助手運行，預測需求，而不是要求用戶不斷改進。

如果提示工程師消失了，誰來接替他們的位置？

隨著人工智能承擔起更多有效溝通的責任，使用這些系統所需的技能無疑會發生變化。Barton預測，對語言學家和其他專家的需求將會增加，他們可以提高人工智能解釋和生成自然人類語言的能力。Barton說：“我認為，你會看到來自語言領域的人真正幫助這些系統根據口頭請求或提示實現更高水平的效率和功效。”

另一個關鍵的轉變將是人工智能架構，它需要進化以支持快速的來回交互，而不是改進書面提示的較慢過程。他解釋說：“你還必須考慮架構，因為如果系統沒有生成他們第一次尋求的信息，人們能夠更快地說話，更快地處理另一個請求。”

確保人工智能能夠跟上自然語音和實時交互的步伐將需要協作。人工智能和云架構師需要設計可擴展的基礎設施，能夠處理語音驅動人工智能增加的數據流和計算需求。軟件工程師和NLP專家將專注于優化模型，以加快響應時間，減少延遲，并提高交互中的上下文保留率。

部署語音驅動人工智能的挑戰

隨著人工智能轉向語音驅動的交互，組織將需要解決幾個挑戰，包括安全和治理問題。經過訓練以識別語音的人工智能模型必須在不同的環境中運行，處理背景噪聲、加密以及如何安全地處理數據。設備兼容性也值得注意，因為許多工作場所允許員工使用個人設備，但人工智能驅動的交互引發了關于安全性和數據所有權的問題。

隨著人工智能驅動的語音交互變得越來越普遍，治理和合規框架對于確保這些系統在法律和道德界限內運行也至關重要。醫療保健中的HIPAA等法規對如何收集、處理和存儲患者記錄等敏感數據提出了嚴格要求。Barton說，部署基于語音的人工智能的組織將需要實施強大的安全措施，如加密和訪問控制，以防止未經授權的訪問或違規。

此外，處理財務或個人數據的行業必須遵守歐盟GDPR等法規，該法規要求人工智能決策和用戶數據的透明度。除了遵守法律，組織還需要制定內部治理政策，以解決人工智能偏見，并確保這些人工智能互動符合道德標準。

人工智能是一個不斷發展的進程項目，而不是一次性項目

向理解人類的人工智能轉變，而不是相反，代表了NLP和生成式人工智能進化的重大轉變。隨著這些系統變得更加直觀，提示工程的僵化世界可能會成為過去的遺跡。

Barton說，成功的人工智能部署依賴于三個關鍵支柱：數據質量、安全性和組織變革管理。

高質量、結構化的數據是基礎，因為人工智能系統只能與它們處理的信息一樣有效。與低數據質量作斗爭的組織通常會轉向生成性人工智能用例，而不是傳統的人工智能，但擴散策略等新興技術正在幫助清理和驗證遺留數據。

第二個支柱是安全性，確保人工智能驅動的查詢快速安全地返回結果，需要強大的基礎設施來處理高速數據流，而不會出現延遲問題。

最后，組織變革管理在采用中起著至關重要的作用。如果沒有適當的培訓和用戶指導，即使是最先進的人工智能解決方案也無法實現投資回報率。

Barton說：“這不是一個項目。它沒有終點。這是一個計劃。就像孩子一樣，它需要不斷的照顧和喂養，否則它提供的價值就會開始下降。”他補充說，組織不應該被未來的挑戰所嚇倒。

他總結道：“讓我們確保我們知道需要做什么來構建一個功能齊全的人工智能應用程序，以滿足您的需求，該應用程序足夠靈活，可以與您一起擴展，但也有助于您的員工了解如何最好地使用它，以便他們獲得好處。”