斯坦福大学教授、前谷歌大脑科学家Andrew Ng近期表示，在某些情况下，向大型语言模型（LLM）提供“懒惰提示”（lazy prompting）可以是一种更高效的方法。通常情况下，使用LLM时，最佳做法是提供详细背景信息和具体指令，以确保模型能够准确响应。然而，Ng通过X（前Twitter）发文指出，如果用户提供的信息已经足够明确，简化提示不仅能够加快处理速度，还能节省时间和精力。 他以开发人员调试代码为例，解释了这一观点。许多开发人员在遇到错误时，直接将错误消息复制粘贴到LLM中，而无需进一步说明其意图。Ng表示，大多数LLM已经足够智能，能够理解用户的需求并提出解决方案。这种方法的原理在于，LLM能够在有限的上下文中快速识别问题并提供有用的回答。 不过，Ng也强调了“懒惰提示”的适用条件。首先，LLM必须具备足够的预先背景知识。其次，模型需要能够推断用户的真实意图。最后，用户需要能够通过LLM的网页或应用程序接口快速进行迭代。Ng指出，如果任务需要大量背景信息才能得到详细回答，或者模型无法识别隐藏的错误，那么“懒惰提示”可能并不合适。 如今，AI正在彻底改变人们编写代码和与软件交互的方式。最近在硅谷和全球范围内流行的“Vibe编程”就是其中一个例子。Vibe编程指的是开发人员使用自然语言指令来让AI编写代码，这种技术能够大幅提高编程效率。Ng上周推出了一门名为“Vibe Coding 101”的简短课程，旨在帮助初学者掌握如何利用生成式AI工具编写和管理代码。 Ng的观点得到了业内人士的支持。许多技术专家认为，随着LLM的发展，这些模型的推理能力和理解用户意图的能力将越来越强，这将使得“懒惰提示”等技术更加实用。Andrew Ng不仅是人工智能领域的知名学者，还是一位成功的创业家，他创办的多个公司都致力于推动AI技术的应用和发展。他的这一观点不仅反映了技术的进步，也为未来AI的应用提供了新的思路。