多年来，大型语言模型（LLM）的兴起要求用户学习一种新技能：提示工程。为了得到人工智能有用的回应，人们不得不精心设计他们的查询问题，学习人工智能如何理解语言的细微差别。但这种情况可能正在发生变化。随着自然语言处理（NLP）和多模态人工智能的进步，系统正在进化为更自然地与人类交互，从而消除了用户需要强制塑造高精度输入的要求。

Unisys副总裁兼全球人工智能实践负责人Brett Barton最近在接受媒体采访时讨论了这一转变，并指出了该公司最近的报告《2025年最佳IT见解：引领技术和商业的未来》中的发现。该报告强调了一种趋势，即人工智能正在被训练以适应人类，而不是人类正在被训练来适应人工智能。Barton表示，这一转变可能预示着提示工程作为一项关键技能的衰落。

提示工程：过时？

对于从制造业到医疗保健等行业的许多企业应用程序，用户需要人工智能在其环境中无缝运行，特别是在不可预测的条件下。制作长而详细的提示和回复也许是不可能的。

Barton说：“在制造业，员工处于一个疯狂、嘈杂、通常光线不足的环境中，他们试图创造一个能产生可用甚至有用反应的提示。”“我们发现，当你与ChatGPT或Claude等交互时，如果你没有给它足够的信息来具体关联并提取一些数据，你就处于一种模糊的中间状态，很难从中获得任何有价值的东西。”

这在很大程度上取决于LLM从其训练数据或外部来源检索相关和上下文信息的能力。如果没有足够的背景，人工智能很难产生有意义的反应，往往会产生模糊或不准确的结果。提示工程侧重于制作详细而精确的提示，使模型能够将查询与现有知识相匹配，提取相关细节，并生成符合用户需求的响应。

然而，随着NLP的进步，人工智能系统越来越擅长处理不精确的输入，使用户能够与人工智能进行更自然的对话。这些发展使人工智能能够从结构化程度较低的用户输入中推断上下文，从而减轻用户以高度具体的方式表达请求的负担。

NLP和多模态AI如何推动这一演变

随着NLP的不断进步，它与其他AI模式的集成正在创造更直观的用户体验。人工智能正在进化，以解释和响应从语音命令到视觉的多种形式的输入，而不仅仅依赖于基于文本的交互。Barton表示，这些发展正在为人工智能交互变得更加自然和自适应的未来奠定基础。

他说：“我看到NLP与多模态AI和GenAI相互作用，并表现良好。”“我们不仅看到了语音识别组件的进步，而且还看到了语言翻译的实时进步。此外，我们开始看到更准确的摄像头，处理速度更快，我们还有手势检测。我们即将看到一些相对准确的预测性人工智能，以实现更直观、更自然的用户交互。”

他补充道：“没有人会因为不必提出问题而感到沮丧。”他提到，这些改进将使我们能够超越键盘，在移动设备、自动驾驶汽车或其他任何尚未部署生成式人工智能的地方与人工智能进行交互。

Barton表示，NLP的成熟将带来更直观的人工智能应用程序，也将提高用户满意度。这对于传统的基于文本的交互不实用的行业尤其重要。例如，在医疗保健领域，医生经常口述笔记，而不是打字。使用NLP的人工智能系统可以监听、提取关键细节，并启动工作流程，如自动调用处方、安排随访和标记潜在的健康问题。目标是让人工智能作为幕后助手运行，预测需求，而不是要求用户不断改进。

如果提示工程师消失了，谁来接替他们的位置？

随着人工智能承担起更多有效沟通的责任，使用这些系统所需的技能无疑会发生变化。Barton预测，对语言学家和其他专家的需求将会增加，他们可以提高人工智能解释和生成自然人类语言的能力。Barton说：“我认为，你会看到来自语言领域的人真正帮助这些系统根据口头请求或提示实现更高水平的效率和功效。”

另一个关键的转变将是人工智能架构，它需要进化以支持快速的来回交互，而不是改进书面提示的较慢过程。他解释说：“你还必须考虑架构，因为如果系统没有生成他们第一次寻求的信息，人们能够更快地说话，更快地处理另一个请求。”

确保人工智能能够跟上自然语音和实时交互的步伐将需要协作。人工智能和云架构师需要设计可扩展的基础设施，能够处理语音驱动人工智能增加的数据流和计算需求。软件工程师和NLP专家将专注于优化模型，以加快响应时间，减少延迟，并提高交互中的上下文保留率。

部署语音驱动人工智能的挑战

随着人工智能转向语音驱动的交互，组织将需要解决几个挑战，包括安全和治理问题。经过训练以识别语音的人工智能模型必须在不同的环境中运行，处理背景噪声、加密以及如何安全地处理数据。设备兼容性也值得注意，因为许多工作场所允许员工使用个人设备，但人工智能驱动的交互引发了关于安全性和数据所有权的问题。

随着人工智能驱动的语音交互变得越来越普遍，治理和合规框架对于确保这些系统在法律和道德界限内运行也至关重要。医疗保健中的HIPAA等法规对如何收集、处理和存储患者记录等敏感数据提出了严格要求。Barton说，部署基于语音的人工智能的组织将需要实施强大的安全措施，如加密和访问控制，以防止未经授权的访问或违规。

此外，处理财务或个人数据的行业必须遵守欧盟GDPR等法规，该法规要求人工智能决策和用户数据的透明度。除了遵守法律，组织还需要制定内部治理政策，以解决人工智能偏见，并确保这些人工智能互动符合道德标准。

人工智能是一个不断发展的进程项目，而不是一次性项目

向理解人类的人工智能转变，而不是相反，代表了NLP和生成式人工智能进化的重大转变。随着这些系统变得更加直观，提示工程的僵化世界可能会成为过去的遗迹。

Barton说，成功的人工智能部署依赖于三个关键支柱：数据质量、安全性和组织变革管理。

高质量、结构化的数据是基础，因为人工智能系统只能与它们处理的信息一样有效。与低数据质量作斗争的组织通常会转向生成性人工智能用例，而不是传统的人工智能，但扩散策略等新兴技术正在帮助清理和验证遗留数据。

第二个支柱是安全性，确保人工智能驱动的查询快速安全地返回结果，需要强大的基础设施来处理高速数据流，而不会出现延迟问题。

最后，组织变革管理在采用中起着至关重要的作用。如果没有适当的培训和用户指导，即使是最先进的人工智能解决方案也无法实现投资回报率。

Barton说：“这不是一个项目。它没有终点。这是一个计划。就像孩子一样，它需要不断的照顾和喂养，否则它提供的价值就会开始下降。”他补充说，组织不应该被未来的挑战所吓倒。

他总结道：“让我们确保我们知道需要做什么来构建一个功能齐全的人工智能应用程序，以满足您的需求，该应用程序足够灵活，可以与您一起扩展，但也有助于您的员工了解如何最好地使用它，以便他们获得好处。”