注意力、背景和思想深度
在电影《社交网络》中，有一个场景是，律师询问马克·扎克伯格的角色是否在注意谈话。
他的回答是这样的：“是的，我在听，但不是 100%。对于这次谈话来说就足够了。”
这个场景说明了我们每天都会经历的事情：并非每项任务都需要我们的心理能力的最大。
有一些简单的任务，我们可以用部分的注意力来解决，也有复杂的任务，需要全部的注意力。
差异从这里开始，因为人工智能始终关注，但有一个不同的参数。
就人类而言，还有一个额外因素：我们分心。
我们改变任务，中断我们正在做的事情，这种上下文切换是有成本的。
人工智能不会分心，不会自行在任务之间切换。
人工智能的任务切换并不具有与人类相同的注意力切换成本。
据估计，一个人在受到干扰后可能需要几分钟才能重新集中注意力。
这不仅仅是一个注意力的问题，这是一个思想的连续性的问题。
当你给人工智能一项任务时，它此时正在使用所有可用能力。
但这并不意味着所有人工智能“思维”都具有相同的深度。
我们可以想到两种类型的人工智能思维：
- 肤浅的想法：快速回答，很少阐述，肤浅的分析。
- 深刻的思考：答案详细、结构合理，有更大的发展。
决定这个深度的不仅是AI模型的智能，还有两个因素：AI能够考虑多少信息以及有多少空间来发展推理。
这就是两个重要概念发挥作用的地方：上下文和令牌。
人工智能与“上下文窗口”一起工作，这是当时人工智能“头脑”中适合的所有内容：你提出的问题、你给出的指令、对话历史记录、你提供的文档。
所有这些都占用空间，而空间是有限的。
这个限制以令牌来衡量，令牌是人工智能用来处理信息的文本片段。
换句话说，令牌代表可用空间，而上下文是这个空间的使用方式。
现在，对于作为管理者的你来说最重要的一点是：当你使用人工智能时，你不仅仅是选择智能。
在实践中，你还要决定人工智能有多少空间来“思考”，以及它将在多大程度上得出答案。
这就像你在购买“想法”。
您可以完成许多简单的任务并获得快速答案，或者投资于更深入、更详尽的答案。
让我们考虑两个例子：
- 一个简单的任务：对客户反馈是正面还是负面进行分类。
这是一项低复杂度的任务。
在这种情况下，您不需要极其智能的模型，也不需要大量上下文，也不需要长答案。
- 复杂的任务：分析法律、财务或运营策略。
这里你需要更多的背景、更多的阐述、更多的推理空间。
深度需要与问题的复杂性相匹配。
然而，即使对于复杂的任务，最好的解决方案并不总是使用单个、非常智能且具有大量注意力的代理。
在许多情况下，将任务分配给多个代理，组建多学科人工智能团队可能会更有效，正如我们将在本书后面看到的那样。
这就是两个（或几个）头比一个头更好的想法。
这里有一个重要的战略要点。
正如您不仅仅聘请医生来履行公司的所有职能一样，您也并不总是需要使用最昂贵的情报来完成所有任务。
您通常可以对特定任务使用上下文较少的更简单的情报，并为关键任务保留具有更多上下文和更多详细信息的更高级情报。
这是一个优化游戏。
您需要平衡成本、质量和速度，这根据流程的不同而有很大差异。
在重复任务中，您可以测试、测量和优化。
您可以弄清楚要使用什么级别的智能、要提供多少上下文、需要多少响应开发，并随着时间的推移进行调整。
没有单一的规则。
这是练习、测试和调整。
另一个重要的一点是：即使是最昂贵的人工智能，在许多情况下，与人力成本相比仍然非常便宜。
但也有一些任务人工智能尚未取代人类。
因此，比试图找到固定规则更重要的是理解心智模型。
您正在利用智慧、背景和思想深度进行工作，而您作为经理的角色就是尽可能有效地协调这些要素。
将其视为管理水流。
你有不同质量的水（智力水平）和不同数量的水（代币、思考空间）。
您的任务是为每项任务提供正确数量的正确水。
有时你会需要大量中等质量的水（来自普通人工智能的许多代币）。
其他时候，你需要的水很少，但纯度很高（来自高级人工智能的很少的代币）。
在某些情况下，你需要大量高质量的水（来自高级人工智能的大量代币）。
秘诀在于了解每项任务的需求并战略性地分配资源。