先做个广告：如需代充值GP4会员及购买GPT帐号，请添加站长客服微信：gptchongzhi
不知道你有没有熬夜看WWDC24，过去想尽一切办法不提AI这个词的Apple终于憋出了大招，AI = Apple Intelligence 苹果智能，提到好像又没有提，全靠你自己体悟。
推荐使用ChatGPT中文版，国内可直接访问：https://ai.gpt86.top
Apple的设计很聪明，能够设备端搞定的“简单”任务统统在设备（edge端）完成，确保隐私（还有一堆配套技术）还快，最复杂的事情直接交给目前的王炸（GPT-4o）。好像未来已来，你有没有这么一个想法和冲动，AI这么聪明了，帮我把所有的活儿都干了吧！GPT-4o是目前最牛的模型了（在GPT5出来之前），那赶快让它做牛做马吧！别着急先看看这像不像你：
GPT-4o真实的“失败案例”问题出在哪里？
我们总算能从别人的失败中学到更多的东西。但这已经是最厉害的ChatGPT-4o哦! 是不是这位医生的错呢？其实我觉得不能怪人家，现在太多人在吹AI到底有多厉害，但不讲前提条件和用法，会造成AI的强项无法发挥出来。
那AI冤不冤枉呢？也非常冤枉，以ChatGPT-4o的能力处理这种任务是再简单不过了。当然，和所有事情一样，魔鬼都在细节里面。
LLM的命门？
关于这一点神人Stephen Wolfram分析的最清楚（但不好懂），LLM的神经计算总是在尝试像人脑一样找规律找捷径，而自然世界中的计算很多属于“不可约”的形式逻辑，没有任何可以提前推迟出结果的方法（比如著名的三体问题），必须老老实实一步一步计算。这就是LLM的命门。
所以LLM天生不擅长干什么？
LLM在直接执行精确的数学计算方面能力有限，这使得它们不适合需要对数据集进行精确定量分析的任务，例如：
1. 描述性统计：通过均值或方差等度量来定量总结数值列。 比如在进行员工满意度调查时，HR需要统计每个问题的平均得分和方差，以了解员工的整体满意度和意见分布 2. 相关性分析：获得列之间的精确相关系数。比如在分析培训效果时，HR需要计算培训参加率与员工绩效提升之间的相关系数，以评估培训的有效性 3. 统计分析：例如假设检验，以确定数据点组之间是否存在统计显著差异。HR示例：HR需要进行薪酬公平性分析，通过假设检验确定不同部门之间的薪酬差异是否显著 4. 机器学习：对数据集进行预测建模，如使用线性回归、梯度提升树或神经网络。HR示例：HR希望预测员工流失率，并找出影响流失的关键因素LLM非常擅长识别模式和趋势。这种能力源于它们在大量多样化数据上的广泛训练，使它们能够识别出可能并不明显的复杂模式。
这使得它们非常适合基于模式发现的数据集分析任务，例如： 1. 异常检测：基于一个或多个列值识别偏离正常范围的异常数据点。HR示例：在员工绩效管理中，LLM可以自动检测出异常的绩效数据点，例如某个季度中某些员工的绩效评分突然异常下降。这可以帮助HR及时发现潜在的问题员工或需要关注的团队，进行进一步的调查和干预。 2. 聚类分析：将具有相似特征的数据点分组。HR示例：利用LLM对员工敬业度和离职数据进行聚类分析，在某些创新性项目团队中，虽然员工对工作充满热情和投入（高敬业度），但由于项目周期短、工作压力大或职业发展空间有限，这些员工的离职率反而较高。另一个发现可能是，高敬业度的年轻员工在初期表现出很高的工作热情，但由于对更快职业发展的期望未得到满足，他们选择跳槽到其他公司 3. 跨列关系：识别跨列的组合趋势。HR示例：HR部门可以利用LLM分析员工的绩效和薪酬数据，识别出异常的薪酬分布情况。例如，分析结果可能显示，在一些长期任职的高层管理职位中，尽管这些员工的近期绩效评分不高，但他们的薪酬仍然维持在高水平。这可能是由于这些员工的历史贡献、职位的重要性或合同条款所导致的。另一个发现可能是，在特定技术岗位上，高薪酬的员工尽管近期绩效较低，但其过去的业绩突出且具备稀缺技能，因此仍然享有高薪 4. 文本分析（针对文本列）：基于主题或情感进行分类。HR示例：HR部门可以利用LLM对员工的敬业度调查进行情感和主题分析，识别出高绩效但对管理层反馈中包含较多负面情感的员工群体。例如，分析结果可能显示，这些高绩效员工虽然在工作上表现出色，但对管理层的决策、沟通方式或领导风格有较多不满。这种反直觉现象表明，高绩效并不一定代表对管理层的认可，反而可能因为对工作的高标准和高要求，使他们对管理层的期望更高。 5. 趋势分析（针对具有时间特征的数据集）：识别列中的模式、季节性变化或趋势。HR示例：在员工流失率分析中，LLM可以识别出随时间变化的模式和趋势，例如某个季节或特定月份的员工流失率特别高。这样HR可以提前采取措施，降低高流失率期间的员工流失为什么上面要强调“天生”两个字？
因为天生不行，后天就可以了，而且很简单...执行这些定量分析任务是OpenAI的高级数据分析插件存在的原因，它允许编程语言介入以对数据集进行代码运行，比如Wolfram Alpha对应插件，海量的数据和复杂计算都能搞定。不过这个过程中LLM扮演的是手拿计算器的人的角色，并不参与直接运算。
![]()
大语言模型笨到不能当计算器，我还怎么信任它？还是那句话，它非常像而且越来越像我们人类的大脑，非常擅长推理和联想，但是不能心算8位数乘以9位数，这不妨碍它学会使用各种复杂的工具，成为真正的操盘手。也许很快我们就可以看到AI自动识别出来这位医生的任务需要对应的某个模块甚至是第三方应用来搞定，提供精准无比的结果，ChatGPT 5应该就能搞定调用，其他看生态了。事实上这种模式已经有了个公认的名字：AI Agent也就是AI代理人，并成为国际顶级厂商们在预备发力的下一个战场了。AI Agent能干啥呢？举个HR场景的栗子?：
1.任务分解：AI代理人首先需要将复杂的任务分解成可执行的子任务。这涉及到理解任务的目标和要求，并将其拆解成更小、更易于管理的部分。任务分配是AI代理人的核心能力之一。它需要了解每个子任务的性质和要求，并将这些任务分配给最合适的工具或模块来执行。例如，在分析组织效能时，AI代理人可能会启动adhoc员工满意度调查，主动调用员工绩效数据，使用数据可视化工具来展示人员流动情况，并利用机器学习模型来预测培训对员工绩效的影响。
2.监控执行：AI代理人不仅要分配任务，还需要持续监控任务的执行情况。这包括跟踪任务进度、识别和解决执行过程中遇到的问题，以及确保所有任务按时完成。例如，在分析组织效能时，AI代理人可以监控数据质量，提醒HR团队可能存在的问题，并在执行瓶颈时提供解决方案。
3.理解汇总：在任务完成后，AI代理人需要汇总所有子任务的结果，并将其整合成一个全面的报告或解决方案。这包括验证结果的准确性、整合多方面的数据和信息，以及生成可视化的报告。例如，在市场分析任务中，AI代理人可以汇总各个市场调研结果，生成综合的市场趋势报告，帮助企业决策。例如，在分析组织效能时，AI代理人可以汇总员工绩效数据、满意度调查结果和培训效果评估，生成一个跨领域的综合的组织效能报告。这份报告可以帮助HR团队和管理层全面了解组织的现状，识别出需要改进的领域，并制定相应的策略来提升整体效能。
至于到底是AI长在应用（SAP）里面还是应用融合到AI（OpenAI的对话框）里面，会是一个长期的拉锯战，目前我的预测是：数据的远近会左右战局的走势。
关于作者
利益相关（skin in the game)：全球顶级HR云（就是你想那一家） 大中华区解决方案负责人，观点属于本人。个人兴趣：1)前沿HR产品 、2）AI（LLM）+HR建设和应用、3）云端安全和技术架构。提供轻松、有趣且富有洞察力的内容，帮助大家趟过HR前沿技术深水区。
本文链接：https://hengqin123.com/chatgpt_580.html
chatgpt注册好后怎么用ChatGPT充值ChatGPT plusgpt4ogpt4o openaichatgpt注册好了之后如何使用gpt4和gpt4ogpt4o检测情绪gpt4o怎么用openai推出gpt4o
