最新动态：
2025-08-08 20:32
推荐内容
夏敬华：生成式人工智能如何进化才能帮助人们成为问题解决高手？
作者：
夏敬华
来源：
知识管理就在夏博
发布时间：
2025-03-12 02:26
波士顿咨询公司（BCG）开展的一项具有深远意义的研究揭示了一个令人瞩目的现象：在众多常见任务的执行过程中，借助人工智能技术的顾问展现出了相较于未使用者的显著优势。对于那些在工作绩效方面处于较低水平的员工而言，当引入人工智能辅助后，在任务完成时间的缩短幅度、总体任务完成数量的增长幅度，以及产出质量的提升程度等关键衡量指标上，绩效提升比例竟然高达 43%。这一确凿的数据无疑为那些对生成式人工智能的强大力量仍抱有疑虑的人们提供了极具说服力的证据，清晰地表明人工智能必将对我们所熟知的问题解决这一学科领域带来翻天覆地的重塑变革。
当下，尽管市场上出现形形色色的各类大模型应用，但不得不承认的是，真正能够实现端到端自主解决问题的完备工具在现阶段仍处于缺失状态。这不禁引发了我们深刻的思考：机器是否真的能够凭借自身能力自主创造并切实有效地执行问题解决方案呢？在人工智能迈向能够独立自主地处理复杂问题的征程中，究竟还欠缺哪些至关重要的要素呢？
一、问题解决方法与人工智能优势
在问题解决这一充满挑战与机遇的领域中，从业者常常需要应对那些具有创新性的棘手难题。其中相当一部分问题无法简单地依靠既定的常规程序来加以解决，其涵盖范围广泛，涉及管理咨询、战略规划以及设计等诸多重要职业领域。尽管这些职业在表面上听起来可能存在着显著的差异，但深入探究其本质便会发现，它们在解决问题的基本步骤上存在着惊人的相似性。这一过程通常包括精准地提出问题，构建能够准确反映问题本质和关键要素的模型，通过各种渠道广泛地收集相关数据，充分发挥创造力构思切实可行的解决方案，精心制作解决方案的原型以便进行直观的评估和验证，以及对初步形成的解决方案进行严格的测试，并依据测试结果不断地进行迭代优化。
在以往的传统模式下，这些关键步骤几乎完全依赖于人类的智慧和努力来完成。然而，随着科技的持续进步，生成式人工智能的出现为这一领域带来了全新的变革契机。如今，生成式人工智能已经成功地介入到问题解决的部分关键环节之中，并且创造出了前所未有的新价值。这种新价值主要体现在以下三个核心方面：
（一）效率提升：工作效能的加速器
生成式人工智能在提升问题解决效率方面发挥着极为关键的作用，它如同一个强大的效能引擎，助力问题解决者在工作中实现更快的速度、更高的质量，并且能够同时并行处理多项复杂工作任务。在具体的应用场景中，例如在自动化数据收集和聚类分析方面，人工智能凭借其高效的数据处理算法和强大的计算能力，可以在短时间内快速筛选、整理和分析海量的数据信息，大大节省了人力和时间成本。在利用生成式 AI 工具进行原型设计和初稿编制时，它能够依据预设的规则和大量的历史数据及案例经验，迅速生成具有一定可行性的初步方案和设计草图，为后续的优化工作提供坚实的基础。通过这些方式，不仅显著缩短了项目从启动到交付的整个周期，而且有效地降低了对人力资源的依赖程度和成本投入，使得问题解决的效率得到了质的飞跃。
（二）增加多样性：创意源泉的倍增器
在问题解决过程中的创意构思阶段，我们深知 “数量优先于质量” 这一原则的重要性。生成式人工智能的出现，恰如为创意的源泉注入了一股强大的活力，使其能够源源不断地涌现出丰富多样的创意想法。它通过对海量数据的深度挖掘和学习，能够突破人类思维的固有局限，生成数量呈倍数增长的创意方案。在原型设计和测试环节，这种丰富的创意资源为我们提供了更多的选择可能性，使得我们能够从众多的方案中筛选出更具潜力和创新性的设计思路。更为重要的是，它为实现解决方案的无限定制化尝试提供了技术支撑，能够根据不同的问题背景、用户需求和实际应用场景，灵活地调整和优化解决方案，从而更好地满足多样化的实际需求。
（三）专家知识普及：专业智慧的传播者
生成式人工智能的另一个重要价值在于它有望实现专家知识和经验的广泛传播与复制。在传统的模式下，专家的专业技能和宝贵经验往往受到时间、空间和个人精力的限制，难以在更广泛的范围内得到充分的应用和共享。而借助人工智能技术，这些专家的 know - how 能够被 “复制” 无数次，打破了地域和时间的壁垒，使得解决问题的专业知识能够更加便捷地按需提供给需要的人。无论是身处偏远地区的小型企业，还是面临复杂问题的个体从业者，都能够通过人工智能平台获取到来自世界各地专家的经验和智慧，从而极大地提升了整个社会解决问题的能力和水平。
当我们充分发挥这三个价值杠杆的作用时，问题解决的方式和流程将发生深刻的变革。在这一新型的问题解决流程架构中，从一个单一的问题陈述出发，借助人工智能强大的计算和分析能力，能够投射出近乎无限多种可能的解决方案。这意味着我们在解决问题时不再局限于传统的思维模式和有限的路径选择，而是拥有了更为广阔的探索空间。从范围层面而言，人工智能的低边际成本特性以及其强大的通用性，使得我们能够将问题解决的方法广泛应用于大大小小、各种类型的新问题领域。无论是规模宏大的企业战略规划问题，还是微观层面的产品设计细节问题，任何用户都能够根据自身的实际需求，便捷地将人工智能技术部署到特定的问题场景中，从而获得具有针对性解决方案。
在当前的市场环境中，并不缺乏能够助力企业获取部分人工智能价值的解决方案。以 ChatGPT 为例，它作为一款通用性极强的工具，凭借其强大的语言理解和生成能力，能够在大部分问题解决的示例场景中发挥重要作用。而像 Dall-e、Midjourney 等工具，则在快速制作一系列产品和界面的原型方面展现出了独特的优势。
此外，市场上还存在着大量的专用工具，它们各自专注于不同的功能领域。其中，一部分工具致力于提升生产力，通过采用自然语言实现搜索和动作触发的方式，摒弃了传统的复杂语言和操作界面，使得用户能够更加便捷地获取所需信息和执行相关操作。另一部分工具则专门针对问题解决过程中的特定阶段进行优化，例如 Stormz 在头脑风暴阶段能够激发团队成员的创新思维，帮助他们产生更多富有创意的想法；Diagram 在原型设计阶段能够提供高效的绘图和设计功能，助力用户快速构建出高质量的解决方案原型。还有一些工具能够模拟用户的思维和行为模式，如通过最新的 ChatGPT GTPs 功能创建的各种机器人，它们既可以作为合成用户用于测试目的，也能够扮演潜在的问题解决者角色，为我们提供全新的解决问题视角和思路。
然而，尽管市场上的这些应用工具在一定程度上为问题解决提供了帮助，但我们也必须清醒地认识到，目前大多数应用程序都未能充分挖掘出生成式人工智能在解决问题方面所蕴含的巨大潜力。经过深入的研究和分析，我们发现这主要与三个关键挑战密切相关，即问题框架构建、问题类型分类和Agent串联方法应用。这三个挑战犹如横亘在人工智能实现自主问题解决道路上的三座大山，亟待我们去攻克和突破。
二、从提示工程到问题框架构建
提示工程目前在人工智能领域引起了广泛的关注和热议，许多人将其视为未来发展的关键技能之一。然而，如果我们从更为宏观和深入的角度来审视这一现象，就会发现提示工程实际上仅仅只是整个问题解决体系中的冰山一角。正如奥古兹・阿卡尔（Oguz Akar）在著名的《哈佛商业评论》上所深刻指出的那样，在人工智能驱动的问题解决过程中，制定一个高质量的问题陈述才是最为基础和核心的人类输入环节。
这一关键技能涵盖了多个重要方面。首先，依据现有的各种证据对问题进行准确的诊断是至关重要的第一步。这需要问题解决者具备敏锐的观察力和严谨的分析能力，能够从纷繁复杂的现象和数据中识别出问题的本质和根源。例如，在企业管理咨询中，面对业绩下滑的问题，顾问需要通过对市场趋势、竞争对手动态、企业内部运营数据等多方面信息的综合分析，准确判断出是产品质量问题、营销策略失误，还是内部管理流程不畅等因素导致了业绩的下降。
其次，将复杂的问题分解为一系列具体的子问题是解决问题的关键步骤之一。通过这种分解方式，能够将一个庞大而复杂的问题转化为多个相对简单、易于处理的子问题，从而降低问题的解决难度。比如，在解决城市交通拥堵问题时，可以将其分解为车辆增长趋势分析、道路基础设施评估、交通管理政策效果评估、公共交通系统优化等多个子问题，分别进行研究和解决。
再者，用不同的术语重新构建问题也是一项重要的技能。这有助于我们从全新的视角来看待问题，避免陷入传统思维的定式。例如，将传统的 “提高产品销售量” 问题重新表述为 “如何提升产品在目标市场的市场占有率和客户忠诚度”，这种新的表述方式能够引导我们关注到更多影响产品销售的因素，如品牌形象塑造、客户服务质量提升等。
最后，设计解决方案的约束条件能够确保我们在探索解决方案时更加具有针对性和可行性。这些约束条件可以包括时间限制、资源预算、技术可行性等方面。例如，在开发一款新的软件产品时，需要考虑到项目的交付时间、开发团队的技术能力和可用的资金预算等约束条件，从而制定出符合实际情况的解决方案。
这些能力在确定问题解决的方向和路径方面发挥着举足轻重的作用。因此，对于任何有志于将人工智能应用于问题解决领域的从业者来说，有意识地将这些技能融入到问题解决的流程和界面设计中是必不可少的。然而，令人遗憾的是，在当前的实际应用中，我们很少看到有人能够真正做到这一点。
在设计领域，设计师们常常运用一种名为挑战映射的简单而有效的练习方法来分解和重构问题。具体操作过程如下：从最初的问题陈述开始，作为主持人需要反复询问两个关键问题。第一个问题是 “是什么阻碍了我们”，通过不断追问这个问题，能够将原始问题逐步分解为一系列具体的子问题，深入挖掘问题的深层次原因。例如，在设计一款新型智能手机时，如果最初的问题是 “如何提高手机的用户体验”，那么通过追问 “是什么阻碍了用户获得更好的体验”，可能会发现电池续航能力不足、操作界面不够简洁直观、拍照效果不佳等多个子问题。第二个问题是 “为什么需要解决这个问题”，这个问题的目的在于帮助我们缩小问题的范围，将注意力聚焦到更具战略层面和实际价值的问题上。继续以上述智能手机设计为例，通过思考 “为什么要提高手机的用户体验”，我们可以明确这是为了增强产品的市场竞争力、满足用户日益增长的需求、提升品牌形象等重要原因，从而在后续的设计过程中更加注重这些关键因素。
对于人工智能Agent或其与人类用户的交互而言，至少存在以下几种方法可以重现这种挑战映射练习：
一种方法是借助某种特定的模板来实现。通过这种模板，我们能够以一种结构化的方式明确地告知机器它所需要了解的关键信息，包括问题的背景、分析的层次、问题空间中已知的约束条件等。例如，某创新委员会的战略建议机器人就是采用了这种方法。在使用该机器人时，用户需要按照预设的模板格式填写相关信息，如企业所处的行业背景、当前面临的主要战略问题、可利用的资源和技术条件等，机器人在获取这些信息后，能够基于其内部的算法和模型进行分析和推理，为用户提供具有一定参考价值的战略建议。
另一种方法是让Agent在用户设置问题的过程中主动向用户询问有关问题，从而协助用户进行挑战映射练习。麻省理工学院的 Ideator 就是这种方法的一个典型代表。当用户在 Ideator 平台上输入一个问题时，系统会自动生成一系列相关的问题，引导用户进一步思考和完善问题陈述。例如，当用户输入 “如何提高公司的创新能力” 时，Ideator 可能会询问 “公司目前在创新方面采取了哪些措施”“哪些因素阻碍了创新的推进”“期望在多长时间内实现创新能力的提升” 等问题，通过这种互动式的问答过程，帮助用户更加清晰地界定问题，明确问题的关键要素和约束条件。
三、问题类型分类的重要性
在现实世界中，问题的类型丰富多样，各不相同。我们不妨以优化制造流程、制定公司战略和应对像 COVID - 19 这样的突发危机这三个典型场景为例，来深入探讨它们之间存在的显著区别。
在优化制造流程方面，通常会涉及到对生产设备的性能提升、工艺流程的改进、原材料的优化选择等一系列具体的技术和管理问题。这一过程往往需要对大量的生产数据进行详细的分析和挖掘，以找出影响生产效率和产品质量的关键因素，并通过精确的数学模型和工程技术手段来制定优化方案。例如，在汽车制造企业中，通过对生产线的各个环节进行数据监测和分析，发现某个装配工序的时间过长，影响了整体的生产效率。于是，企业可以运用工业工程的方法，对该工序进行重新设计和优化，调整设备布局、改进操作流程，从而提高生产效率，降低生产成本。
制定公司战略则是一个更为宏观和综合性的问题。它需要考虑到企业所处的市场环境、竞争对手的动态、自身的核心竞争力、未来的发展方向等众多因素。在这个过程中，企业管理者需要运用战略分析工具和模型，如 SWOT 分析、波特五力模型等，对企业的内外部环境进行全面的评估和分析，从而制定出符合企业长期发展目标的战略规划。例如，一家互联网科技公司在制定战略时，需要分析当前的市场趋势，如移动互联网的发展速度、人工智能技术的应用前景等；研究竞争对手的优势和劣势，如其他同类企业的产品特点、市场份额、技术创新能力等；评估自身的核心竞争力，如技术研发团队的实力、用户基础、品牌影响力等。在此基础上，企业可以选择聚焦于某一细分市场，加大研发投入，推出具有差异化竞争优势的产品和服务，或者通过并购等方式拓展业务领域，实现多元化发展战略。
而应对突发危机，如 COVID - 19 疫情，情况则更为复杂和紧急。在这种情况下，时间紧迫、信息不完整且充满不确定性是主要的特点。决策者需要在极短的时间内做出关键决策，以保障公众的生命健康和社会的稳定。这可能涉及到医疗资源的调配、疫情防控措施的制定和实施、社会经济的稳定等多个方面。例如，政府部门需要迅速组织医疗力量，增加医疗物资的生产和供应；制定严格的社交隔离措施，限制人员流动，以减缓疫情的传播速度；同时，还需要出台一系列经济扶持政策，帮助受疫情影响的企业渡过难关，稳定就业市场。
根据时间限制、信息可用性以及问题系统中是否存在反馈回路等关键因素，解决问题的正确方法也会存在很大的差异。在某些情况下，可能需要快速应用现有的最佳实践经验，迅速采取行动，以应对紧急情况。例如，在火灾发生时，消防人员会按照既定的灭火流程和战术，迅速展开救援行动，争取在最短的时间内控制火势，减少损失。而在另一些情况下，可能需要通过快速测试多种不同的解决方案，从中筛选出最有效的方法。比如在新产品研发过程中，研发团队可能会同时尝试多种不同的设计方案和技术路线，通过实验和测试，比较它们的优缺点，最终确定最佳的产品设计方案。还有一些情况下，可能需要全力以赴地采用一种解决方案，并在实施过程中不断地学习和调整。例如，在探索新的商业模式时，企业可能会选择一种具有创新性的商业模式，并在实践过程中密切关注市场反应和用户需求，根据实际情况不断地优化和改进商业模式。
戴夫・斯诺登（Dave Snowden）通过其具有开创性的 Cynefin 框架，对这些不同类别的问题进行了系统而深入的阐述，将问题分为简单、复杂、繁杂和混乱四个类别。在自主创新过程中，能够准确地区分问题类型并采取与之相适应的正确行动，或者为决策者提供相应的正确路径建议是至关重要的。虽然像 ChatGPT 之类的工具在一定程度上可以对这种问题分类和解决路径选择进行模拟，但从目前的实际情况来看，它似乎并没有被有效地整合到大多数现有的问题解决工具中。
展望未来，我们可以预见，人工智能解决问题的工具可能会朝着专门针对某一特定类型的问题（如简单、复杂、繁杂或混乱）进行深度开发的方向发展，或者通过内置硬编码的 if-then 条件逻辑，根据问题的特征自动将解决流程引导至正确的步骤集合，从而提高问题解决的效率和准确性。
四、Agent串联方法：范式转变
在人工智能驱动问题解决的发展进程中，实现从当前主流的 AI 作为副驾驶的辅助范式向将 AI 视为一组串联Agent的全新范式转变，是一个具有重要意义的关键方向。
这种范式转变的第一个关键区别在于，Agent在新的范式下具有更高程度的独立性，相对减少了对人类输入的依赖。具体而言，这些Agent配备了自己的传感器，这些传感器能够使其敏锐地感知周围的环境信息。在满足给定的一组特定条件时，传感器所获取的信息能够触发代理自动采取相应的行动。同时，Agent还拥有执行器，这是它们与外部世界进行交互和干预的重要手段。
尽管目前这些Agent在感知的内容和行动的方式上还存在一定的局限性。例如，它们主要的感知来源仍然集中在用户的聊天输入和网页信息等方面，而而其行动方式也主要局限于触发各种软件中的操作。但可以肯定的是，随着技术的不断进步，我们有充分的理由期待在不久的将来能够看到这方面功能的显著拓展。例如，未来的 AI 代理可能具备实时摄像头感应能力，能够直接获取现实场景中的图像信息，并据此做出决策和行动；它们或许还能够与 3D 打印设备相连接，根据所处理的问题结果直接进行实物模型的打印输出；甚至可以与物联网工作流程进行深度融合，实现对各种智能设备的远程控制和协同工作，从而更加全面地参与到问题解决和实际操作的各个环节中。
差异的第二个方面体现在串联机制上。在实际的问题解决过程中，我们深知这通常是一项需要集体协作的努力，往往涉及多个人的参与，并且这些人会根据不同的角色分工发挥各自的作用。这种角色分工有时基于个人所具备的专业技能，比如在一个软件开发项目中，程序员负责编写代码、设计师负责界面设计、测试人员负责查找漏洞；有时则基于个性特点，例如性格开朗善于沟通的人员可能更适合担任与客户沟通需求的角色，而思维严谨、逻辑性强的人员则更适合从事系统架构设计等工作；还有些时候是故意安排的，类似于角色扮演的方式。
就像著名的六顶思考帽创意构思技术所体现的那样，不同的人分别扮演白色帽子（代表客观事实和数据）、红色帽子（代表情感和直觉）、黑色帽子（代表谨慎和批判性思维）、黄色帽子（代表乐观和积极的思维）、绿色帽子（代表创新和创造力）、蓝色帽子（代表整体的掌控和协调）等不同角色，通过这种方式从多个角度全面地思考和解决问题。这种多元化的协作机制对于成功解决问题至关重要，因为不同的角色对不同的首 选结果进行优化，能够确保最终开发出更强大、更具创新性的解决方案。
人工智能同样可以对这种复杂的协作机制进行模仿。在未来，我们与人工智能的互动模式将发生显著的变化，看起来更像是在见证不同人工智能Agent之间创新过程的逐步展开，而不再仅仅是与单个Agent进行简单的聊天交流。在这个过程中，一些相互作用可能是连续的。例如，创意Agent首先利用其强大的算法和丰富的数据资源生成大量的创意想法，并将这些结果反馈给创意选择Agent。创意选择Agent则根据预设的筛选标准和策略，对这些创意进行评估和筛选，挑选出具有较高潜力的创意，并将其传递给原型设计Agent。原型设计Agent再依据这些创意，运用专业的设计软件和工具，快速构建出相应的解决方案原型。而另一些相互作用可能是并行的，比如几个Agent可以同时尝试根据单个提示进行创意构思或原型设计。在这个过程中，每个Agent还可以在程序上 “注入” 随机突变，从而实现创意的发散和多元化。此外，不同的Agent之间还可以相互批评和补充，例如两个Agent分别生成了不同的解决方案，它们可以相互评估对方的优缺点，而第三个Agent则可以综合它们的结果，提取精华，形成更完善的解决方案。
五、结语
离人工智能实现真正意义上的自主处理问题的那一天或许已经不再遥远。本文探讨了在这一发展道路上所面临的一些关键挑战，包括问题框架的构建、问题类型的准确分类以及Agent串联方法的有效应用等。当然，除了这些挑战之外，模型质量的整体提升、幻觉现象的减少以及 “执行器” 接口的进一步增加，即人工智能与现实世界之间互动方式的不断丰富和完善，也必将为这一领域带来翻天覆地的巨大变化。
鉴于人工智能所蕴含的巨大潜在商业潜力以及目前已经吸引的巨额投资，我们有理由认为其发展趋势在很大程度上是不可阻挡的，除非即将出台一些极为严格的监管措施。
然而，尽管人工智能的发展前景看似一片光明，但仍有许多重要的问题亟待解决。例如：这一变革对于现有的学科和职业体系会产生怎样的影响？是否会导致公司大量减少战略师、工程师和设计师等专业人员的数量，进而用人工智能全面取代大多数初级专业人员？还是说人工智能的浪潮将为所有人带来福祉，通过极大地扩展我们所认为的可能性范围，催生出越来越多新的人力需求，尽管这些需求的形式和内容可能与我们现在所熟悉的方式存在很大的不同，但最终能够有效地促进整个经济的持续增长？这些问题都需要我们在未来的研究和实践中不断地探索和思考，以便能够更好地应对人工智能时代所带来的机遇和挑战。