Sure, here's the translation: ```html 关于信息抗体 ```
在碰到脚趾头时增加性格的磨练。
```html
许多我的朋友和同事报告说，他们的企业正在尝试安装大型语言模型。这是非常令人兴奋的消息。（我们已经从上一轮的人工智能热潮走了多远啊！）经济活力是我们最重要的文明承诺，看到这股浪潮搅动我们的工作场所是令人振奋的。然而，市场已经很繁荣，我认为我们在采用这项技术时需要建立一些抗体。特别是，我们（至少是未来有利可图的企业）有望学会与企业记录更健康的互动方式。
```Sure, here's the translation of the text you provided into simplified Chinese while keeping the HTML structure intact: ```html
我使用术语信息抗体来描述从LLM混乱中产生的学习。我喜欢这个比喻，因为它包含了整个免疫系统激活以抵抗感染的动作，这正是应该从数据运营重新评估中产生的整体运动。
``` This translation keeps the structure of the HTML paragraph intact while providing the Chinese translation of the text.Sure, here's the translated text in simplified Chinese: ```html LLM世界在2024年 ```
Sure, here's the translated text in simplified Chinese, while keeping the HTML structure: ```html
我们知道有一个泡沫，也知道原因。有很多GPT包装公司。其中许多与YCombinator几乎一模一样，我们知道这要归功于与Sam Altman的联系，它在很大程度上是OpenAI的市场研究部门。用500k美元资助大量种子阶段公司并观察什么有效果，什么无效果。这是分散式摸索的最佳体现。
```在采用LLMs本身方面，让我们查阅一下Gartner的炒作图表：
Sure, here's the translation of the provided English text into simplified Chinese, keeping the HTML structure intact: ```html
我们似乎已经接近顶峰。真正的推动者正在降落到失望的低谷中。由于这是一个主要依赖时间的问题，更多的是保持心理模型的理解，而不是纠缠于经验上的争论。
``` This HTML snippet contains the translated text in simplified Chinese.在过去一年里，我在工作场所看到的通常是以下两种情况之一：
- 在与一家试图为复制编辑或图像生成等任务增加生成力量的GPT初创公司合作。
- 尝试实现一个在专有商业信息上微调的LLM，成为某种预言机。
```html
我认为，第一类是直接的资产升级，将导致许多文案和设计师的失业。他们将被提示工程师和能够以流程工程思维创造文案和营销资产的人所取代。这是正常的和好的创造性破坏，应该不会让人感到意外的是，我们的劳动社会通常会偏好工业化的流程，而不是手工制作。在我（同样接受过大学教育）的观点中，文案和设计师拥有许多经济上有价值的技能，我们的低失业率表明，他们应该能够找到其他生计，即使一开始可能不太舒服。我对这一点和富裕社会还有其他一些想法，但我偏题了。
```Sure, here's the translation of your text into simplified Chinese while keeping the HTML structure: ```html
第二类是我更感兴趣的。有几个例子说明了LLM如何被用来试图增强企业：
- 在我以前的工作中，我们对工程文档进行了GPT-4的优化，以加快工程师在Slack上提问的速度。
- Certainly! Here is the text translated to simplified Chinese while keeping the HTML structure:
```html
一个朋友的交易公司对市场新闻上的LLL进行微调，以提高投资组合表现，并使用它来指导他们的销售团队。
``` This HTML code will display the translated text in simplified Chinese. - 大型企业正在尝试推出经过其代码库训练的副驾驶，以帮助工程师进行模式匹配和保持编码风格。
Sure, here's the translated text in simplified Chinese: ```html
我认为所有这些用例都存在明显的问题，并且由于YCombinator/OpenAI等公司推动的热潮，这个问题被忽视了。并不是LLM会产生幻觉，即使我们似乎已经忘记了这一点。而是语料库本身不太可能是一致的。这导致LLM传播误解。
```Sure, here's the translation in simplified Chinese: 混乱的数据操作是一种特性，而不是错误。
以下是HTML结构的简化中文翻译： ```
组织已经擅长传播误解，鼓励它们使用神谕将会使情况变得更糟。即使您告诉普通员工，请检查从聊天机器人得到的结果，他们也不会忘记它建议的内容。行为心理学充满了研究，表明图像会在被引导的头脑中持续存在，无论听众是否被告知它们可能具有误导性。所以，在最糟糕的情况下，一个在不一致的专有数据语料库上训练的LLM将把一个现有的问题——我不知道什么是真的，我需要找出谁知道——变成一个更糟糕的问题，其中没有一个人类利益相关者甚至对事实的混淆负有个别责任。
好的，为什么不任命这样的利益相关者呢？让一个人负责在进入LLM之前审核语料库，并负责从用户那里收集和解决事实更正票证。简而言之，一个数据管理员。当然，听起来不错，我同意对于紧凑的语料库，这可能是一个有效的解决方案。今天，在一些大型公司，如洛克希德·马丁公司，都存在图书管理员，他们可以用来强制执行某些类型的语料库的数据正确性协议。但我认为这仅在利益相关者在生成数据或记录时首先对质量负责的情况下才能起作用。例如，如果GPT正在训练新闻提要或来自各种供应商的定制信息流，或者记录必须按照银行或军火承包商的监管协议进行保存的情况下。
以下是保留HTML结构的简体中文翻译： 对于大多数企业来说，我敢打赌，信息是以不应该被规范的方式生成和收集的。在我上一份工作中，作为销售工程师，我听到过多少次有人建议我们应该跟踪客户经理并审计他们在会议中说过的一切，或者我们应该利用人工智能记录潜在客户在一些探索会议上关于他们需求的一切想法。请原谅我：这些是创造性的对话。我们可以做笔记，但头脑风暴并不应该被认真对待。从诸如销售会议或内部产品讨论等来源获取信息实际上需要批判性和排除性思维。这应该是让机器人远离的明确指示：记住，LLM是生成型人工智能，而不是“排除型”人工智能。要求它们做数学证明，你会被提醒的。
Sure, here's the translated text in simplified Chinese, while keeping the HTML structure: ```html
一个来自个人经验的例子：我曾试图为销售工程师在我之前的雇主使用LLM，因为了解客户如何使用产品将会带来巨大的好处。销售的飞轮一旦产品有了社会认可，就会启动。但我们没有客户如何使用产品的信息库，并且不清楚如何引导一个生成这样信息库的过程。这很像加密货币中的oracle问题。我们有一个基于工程文档的LLM，但这对实际查询使用案例没有好处，而我的销售工程师同事们避免使用它，因为工程师编写的文档完全误解了实际使用案例，但没有在任何地方声明这一点。
``` This translation maintains the structure of the HTML and provides the text in simplified Chinese.```html
所以，结果实际上是对企业聊天机器人产生了一种赚得的不信任。这是一种抗体。最终，将人们迅速拉入失望的谷底是件好事，所以我建议组织继续尝试他们的数据。但会有一些踩到脚趾的情况发生。坐在我旁边的那个家伙经常抱怨这种新潮的技术，以及我们实际上只需要构建一个我们已经知道人们想购买的产品。我相信许多公司已经因为类似的原因而停滞不前他们基于LLM的数据操作。没关系 —— 如果他们不能适应信息技术的发展，那就是为那些能够的人提供自由的市场份额。创造性的毁灭，宝贝。
```Sure, here's the translation in simplified Chinese while preserving the HTML structure:
```html
如何使用信息抗体
```
Sure, here's the translated text in simplified Chinese: ```html 如果您是企业家或企业内的变革代理人，您自然会希望第一次就成功。我对这类事情的直觉是将痛点转化为资产。如果您真的能够运用一个LLM项目出错的威胁，您突然间就给了人们一个避免必须执行该项目的授权！这就是抗体的美妙之处。 ```
创业者可以利用混乱的威胁来缩小潜在解决方案的范围，使其仅限于逻辑语言模型（LLMs）有意义的任务：需要生成能力并能吸收无限量人力资源的任务。我怀疑，在接下来的几年里，我们都将努力培养一种直觉，以确定在哪里构建这些解决方案。
这是我关于将LLMs作为诊断工具使用的粗略建议，抄袭自埃隆·马斯克的自动化战略：
- Sure, here's the translated text in simplified Chinese while keeping the HTML structure: ```html 降低需求要求的愚蠢程度。利用仅仅威胁可能导致LLM混乱的威胁来简化数据操作需求。例如：询问LLM是否应该帮助生成销售文稿（可怕！）还是团队是否应该只使用市场部批准的静态模板。 ```
- Sure, here is the translated text in simplified Chinese, maintaining the HTML structure: ```html 删除部分或过程。使用仅仅潜在的LLM混乱威胁作为实际必要数据操作精简的诊断工具。修剪不必要的真实来源，直到决策过程对失败的表面积较低。例如：强制工程团队淘汰糟糕的文档，否则机器人开始使用它来混淆每个人。 ``` This HTML structure preserves the translation of the text into simplified Chinese.
- Sure, here's the text translated into simplified Chinese, keeping the HTML structure intact: ```html 简化或优化设计。利用LLM混淆的威胁迫使团队将他们的流程书面化。例如：如果你不能告诉我从售前到售后如何交接需求的那个据称复杂的过程，我会使用机器人来开始为你进行推理。 ``` This HTML code contains the translated text in simplified Chinese.
- 加快周期时间。利用LLM混乱的威胁来迫使流程加速。例如：如果你的团队不能在十五分钟的专心工作中简单地修改幻灯片，我们将考虑使用机器人来替代。
- Sure, here's the translated text in simplified Chinese, maintaining the HTML structure:
```html
最后，自动化。
如果流程实际上需要在语料库中进行精细搜索，需要一段时间，并且没有明显的机械程序，则实际上正在测试人类带宽，并且LLM实际上可能是一个有用的生成辅助工具。例如：我不知道从哪里开始向一个对投资组合表现感到好奇的客户解释上周的市场事件。LLM可能会帮助我获得灵感，并且检查事实是快速的。
```
Sure, here's the translated text: 我们产生了大量的信息。这很杂乱，但没关系。让我们尝试用与我们在职业生活的其他方面期望的同样的关怀来对待机器人。而且，就像在我们职业生活的其他地方粗心带来的后果可以形成抗体和纠正直觉一样，LLM（大型语言模型）也会出现一些失误，这些失误会教会我们一些更好的信息时代习惯。
