谷歌人工智能基础知识笔记-全-
谷歌人工智能基础知识笔记（全）
001：课程概述与AI简介
在本节课中，我们将要学习人工智能（AI）的基本概念，了解它如何改变现代工作方式，并介绍谷歌AI Essentials课程的目标与结构。
现代职场正在发生重大转变，而AI正处于这场激动人心变革的最前沿。正如互联网彻底改变了我们处理各项任务的方式，AI同样有潜力改变我们的工作和生活方式。
AI代表人工智能。它是一种实用的解决方案，旨在减少常规任务所耗费的时间。在工作中有效学习使用AI，能帮助你达成目标，并让你在不断变化的职场环境中为成功做好准备。
AI如何助力日常工作
以下是一些AI如何协助日常工作的具体例子：
- 数据分析：AI可以在几秒钟内帮助你分析电子表格中的信息，而无需耗费数小时进行人工审查。
- 报告撰写：AI可以起草详细的销售报告，并突出关键见解以便与团队分享。
- 日程管理：AI可以为你安排会议。
- 内容创作：AI可以创建引人入胜的演示文稿。
- 头脑风暴：AI可以增强你的头脑风暴环节。
- 任务处理：AI可以承担各种其他任务，从而缩短你的待办事项清单。
无论你是想学习AI基础知识，还是希望简化常规任务，或是专注于提升个人技能，我们设计的谷歌AI Essentials课程都能提供帮助。
课程介绍与导师
大家好，我是玛雅，现任谷歌研究院战略与运营副总裁。在我的职责中，我领导一个团队，通过加速研究进程和培育卓越的研究环境来帮助谷歌实现其使命。
我很高兴能作为你的向导，一同探索这项正在重塑商业世界的技术——AI。在整个课程中，你将有机会向谷歌内部多元化的AI专家们学习，他们的角色涵盖从项目管理到AI产品与服务总监。他们将分享各自对AI的见解，以及AI如何提升你的工作表现并推动职业发展。
课程结构与收获
谷歌AI Essentials课程旨在适应你的日程安排。你可以完全在线、按照自己的节奏完成学习，并且无需具备任何AI经验。
本课程将包含以下内容：
- 专家视频：来自谷歌AI领域员工的讲解。
- 阅读材料：帮助你深化对概念的理解。
- 互动活动：为你提供使用AI的实践经验。
在课程结束时，你将有机会获得一项技能徽章。此徽章可以展示在你的简历、社交媒体个人资料和电子邮件签名中。
课程将解答的核心问题
如果你对AI尚不熟悉，可能心中有许多未解的疑问。你可能会想：
- 我该如何使用AI工具来提高工作效率？
- 我该如何在工作中负责任地应用AI？
- 我该如何为职场中AI的未来做好准备？
在谷歌AI Essentials课程中，我们将逐一解答这些问题，并涵盖更多内容。
总结
本节课中，我们一起学习了AI在现代工作中的变革性作用，了解了它如何通过自动化常规任务来提升效率。我们还介绍了谷歌AI Essentials课程的设计初衷、结构以及你将从中获得的实际技能与认证。希望你能与我一同踏上这段旅程，探索AI如何提升你的职业生涯与生活。让我们开始吧。
002：AI与未来工作
在本节课中，我们将要学习人工智能的基本概念，理解它如何成为现代工作场所中的标准工具，并探讨如何有效利用AI来提升工作效率和决策质量。
什么是人工智能？
上一节我们介绍了AI在工作场所中的普遍性，本节中我们来看看“人工智能”这个术语的确切含义。
在当今快节奏的世界中，AI正迅速成为每个公司工具箱中的标准工具。应对工作场所中AI的出现，类似于在繁忙的街道上驾驶。正如了解交通规则能使你成为更好、更高效的司机一样，理解AI的基础知识能帮助你安全抵达目的地，并避开潜在的路障。
要开始这段AI之旅，让我们首先审视“人工智能”这个术语的真正含义。在此语境下，“智能”指的是人类执行认知任务的能力。认知任务是任何心智活动，例如思考、理解、学习和记忆。作为人类，我们拥有允许我们做出决策和解决问题的认知能力。然而，我们在同一时间能处理的信息量也存在限制。
AI能够扩展我们的认知能力，帮助我们做出更好的决策并更快地解决问题。基于这种理解，“人工智能”这个术语指的是能够完成通常与人类智能相关的认知任务的计算机程序。简而言之，AI程序可以通过使用数学从数据中学习来协助我们完成任务。
AI的潜力与局限
正如你所将很快发现的，AI有极大潜力改善我们的工作生活质量并简化业务流程。然而，AI并非解决所有业务问题的神奇方案。与任何先进工具一样，关键在于利用AI的优势，而这样做需要仔细思考和考虑该技术的能力。
你是否好奇AI是如何工作的？想了解AI如何能提升你的工作吗？那么，准备好和我以及《Google AI Essentials》课程一起探索这些问题吧。
核心概念总结
本节课中我们一起学习了人工智能的基本定义及其在工作中的应用。我们了解到，AI的核心是通过数学和数据分析来模拟人类认知能力的程序。它能够扩展人类的信息处理能力，辅助决策和解决问题。同时，我们也认识到AI是一种需要审慎思考其能力边界并加以合理利用的工具，而非万能解决方案。掌握这些基础知识，是我们在未来工作中有效驾驭AI的第一步。
003：学习AI成功案例 🏆
在本节课中，我们将通过几个具体的行业案例，了解人工智能如何在实际工作中被应用，以解决挑战并创造新的工作方式。这些案例将展示AI在不同领域的强大潜力。
概述
人工智能正在各个行业引入新的工作方法。各种类型的公司和组织都在AI的帮助下，为各种工作场所的任务和挑战开发创新的解决方案。接下来，让我们探索一些AI如何在全球范围内重塑人们工作方式的例子。
案例一：人力资源与工作管理
首先，我们来看人力资源领域。UKG是一家提供人力资源和工作管理解决方案的供应商。
通过将AI集成到其产品套件中，UKG正在改进员工分析和获取信息与洞察的方式。这使得员工能够更轻松、更快速地获得与工作相关问题的答案。
UKG的AI集成还使管理人员能够从用户交互中获得高级分析，帮助他们做出更明智的商业决策。
案例二：传统农业的革新
上一节我们看到了AI在企业管理中的应用，本节中我们来看看一个最古老的行业——农业。AI同样被用于应对该行业的诸多挑战。
以下是农民面临的一些常见挑战：
- 作物和牲畜产量的频繁变化。
- 不可预测的天气条件。
- 获取先进农业技术的途径有限。
这些不确定性使得农民难以做出有效的商业决策。
Geva是一家专注于帮助农村农民解决此类挑战的农业公司。作为其使命的一部分，Geva为农业社区提供AI解决方案，以协助他们实现可持续和可靠的农业实践。
Geva使用的AI工具可以诊断作物疾病并建议补救措施。农民还可以获得相关的、由AI驱动的建议，这些建议有助于他们生产更优质的作物并提高产量。在AI的帮助下，Geva帮助农村农民保持信息灵通，并获得更多可以改善其业务的洞察。
总结与思考
本节课中我们一起学习了AI在人力资源管理和现代农业中的成功应用案例。总的来说，AI可以成为各种商业活动的强大工具。无论哪个行业，AI都有潜力改变公司和组织开发创新性、前瞻性解决方案的方式。
在你继续探索AI世界的过程中，请思考这个问题：AI能以哪些方式对你的行业产生积极影响？你如何能成为这场变革的一部分？
004：成为AI赋能者 🚀
在本节课中，我们将跟随谷歌AI与未来技术总监Anoop的分享，了解如何利用AI工具提升个人生产力与专业能力，成为一名AI赋能者。
我叫Anoop，是谷歌的AI与未来技术总监。AI与未来技术总监意味着我的工作重点是思考AI及其他技术将如何用于改善未来的用户体验。20年前，我获得了人工智能与人机交互方向的博士学位。如果20年前有人告诉我，我们今天会看到如此先进的人工智能技术，我绝不会相信。
我认为，当前的AI发展就像一列高速列车，每周都有看似巨大的创新涌现。作为一名研究者，要跟上它的步伐实际上非常困难。有时，我甚至需要借助AI本身来帮助我追踪和总结正在发生的事情。很难说它是否堪比互联网的诞生，因为目前它还处于早期阶段。但我认为，AI在改变个人工作方式和学习方式方面带来的机遇是等同的。
上一节我们了解了AI发展的迅猛势头，本节中我们来看看AI工具如何具体地促进你的职业成长与发展。
AI工具是提升职业成长与发展的绝佳途径。以下是几个关键方面：
提升个人生产力
你可以借助AI工具来帮助你起草文件、综合研究成果。AI能用于帮助你创造新的内容和设计。如今，你可以使用图像生成工具，仅通过基于文本的提示词，就能将脑海中的想法创造出来。
辅助编程与解决问题
AI辅助编程能帮助你应对更困难的问题。它的作用是为你提供解决特定问题的方法建议，并帮助你掌握实际解决这些问题所需的技能。公式可以表示为：AI辅助 = 问题建议 + 技能提升。
易于使用与趣味性
如今的AI工具实际上非常容易上手使用，它们也很有趣，并能带来变革性的改变。特别是在大语言模型时代，我使用它们来帮助我起草、撰写甚至编辑我已经写好的内容。我确实发现这种能力有助于提高我的生产力，并帮助我成为更好的写作者。
在了解了AI工具的具体应用后，接下来我们通过一个具体案例，看看AI如何在实际工作中发挥作用。
我记得有一次需要撰写一篇文章，试图描述AI行业正在发生的事情。那天结束时我必须完成它。于是，我决定坐在大语言模型前获取一些灵感。它可能节省了我大半个晚上的时间，让我能与AI系统协作，快速获得初稿和初步想法。
所有这些工具并不能取代我的工作，因为我需要运用自己的专业知识来复核并与AI系统协作。但我确实发现，随着我能够更多地投入到创造性和深入的任务中——即我能做的深度工作——我对自己的工作就越满意。
本节课中，我们一起学习了如何成为一名AI赋能者。我们了解到AI工具在提升生产力、辅助创造性工作与解决问题方面的强大潜力。关键在于，我们应将AI视为协作伙伴，利用其能力放大我们的专业知识和创造力，从而更高效、更满意地完成深度工作。
005：探索AI如何运用机器学习 🤖
在本节课中，我们将要学习人工智能（AI）的核心驱动力之一——机器学习（ML）。我们将了解什么是机器学习，它如何工作，以及它在日常AI工具中的应用。
围绕AI的所有热议可能让它看起来像是最热门的新技术趋势，但事实是，AI已经存在一段时间了。例如，你是否曾想过流媒体平台如何推荐你可能喜欢的视频？这个功能就是由AI提供的。多年来，流媒体平台一直使用AI工具来提供诸如推荐系统等服务，以提升用户体验。
AI工具指的是由AI驱动的软件，可以自动化或协助用户完成各种任务。AI工具的例子无处不在，从建议快速路线的GPS系统，到实时翻译对话的翻译系统。各种规模和类型的公司都使用AI工具来简化运营并提高其产品和服务的质量。
虽然这些AI工具看起来天生智能，但重要的是要认识到它们并非自学成才。相反，它们是由所谓的机器学习驱动的。
什么是机器学习？🧠
上一节我们提到了AI工具背后的驱动力。本节中，我们来看看这个核心概念——机器学习。
机器学习（Machine Learning，简称 ML）是AI的一个子集，专注于开发能够分析数据以做出决策或预测的计算机程序。ML是更广泛的AI技术范畴下的一个专门层面。AI工具经常使用ML来快速有效地理解数据。
AI设计者使用训练集来构建ML程序。训练集是一个用于教导AI的数据集合。基本上，训练集为ML程序提供了预期内容和如何适当响应的示例。
机器学习如何工作？⚙️
了解了机器学习的基本定义后，我们通过一个具体的例子来看看它是如何实际运作的。
考虑一家食品分销商，它在工厂中使用AI工具来分拣和包装成熟的苹果。为了让这个工具工作，AI设计者必须首先训练一个ML程序来识别成熟的苹果。
他们会通过向ML程序提供一个训练集来实现这一点，该训练集包含数千张成熟和未成熟苹果的图像。当ML程序处理这些图像时，它最终学会识别成熟苹果的特征。
通过ML学会了这一点后，AI工具就能识别那些不在其训练集中的成熟苹果，并帮助工厂员工更高效地工作。
训练数据的重要性与潜在问题 ⚠️
正如前面提到的，许多AI工具使用ML来学习并提高其性能。然而，为了让ML程序有效执行，其训练数据的质量和相关性至关重要。
一个需要了解的基本问题是训练数据中潜在的偏见。这可能无意中导致AI工具产生不准确或非预期的输出。
例如，用于分拣成熟苹果的AI工具可能只从包含特定类型红苹果图像的数据中学习。这会无意中降低AI识别不同大小、形状或颜色的成熟苹果的准确性。食品生产商最终可能错误地分拣苹果，导致他们损失金钱并浪费完好的苹果。
总结 📝
本节课中，我们一起学习了机器学习（ML）作为AI核心组成部分的角色。我们了解到ML是AI的一个子集，它通过分析训练数据来学习并做出预测。我们看到了一个ML程序如何通过图像训练集学会识别成熟苹果。同时，我们也认识到训练数据的质量至关重要，有偏见的数据会导致AI工具输出不准确的结果。当被恰当地使用时，ML在推动AI迈向未来的过程中扮演着关键角色。它确实是一种具有无限应用的、令人惊叹且复杂的技术。
006：生成式AI基础
概述
在本节课中，我们将要学习生成式AI的基础知识。我们将了解什么是生成式AI，它是如何工作的，以及它如何通过自然语言与我们交互，从而为工作和创作带来新的可能性。
生成式AI简介
人工智能技术的进步正在重塑我们的工作方式。让我们来探索这一变革的核心发展之一：生成式AI。
顾名思义，生成式AI是一种能够生成新内容的人工智能，例如文本、图像或其他媒体。生成式AI工具的一个独特品质是你可以使用自然语言与它们交互。
自然语言指的是人们相互交流时说话或书写的方式。
生成式AI如何工作
以下是生成式AI工具如何使用自然语言工作的简化概述。
首先，你提供输入。输入是指发送给计算机处理的任何信息或数据。许多生成式AI工具接受文本和语音输入，有些也接受图像或视频文件。
接下来，数据由AI工具处理。然后，以文本、图像、音频或视频的形式生成输出。
生成式AI的可能性
生成式AI以及使用自然语言与计算机交互的能力，为人们利用AI进行创作开辟了无限可能的世界。
例如，假设你正在推广一项新业务。你需要新鲜、引人入胜的内容，比如一张宣传新产品的促销海报，但你没有创意团队来实现你的想法。
无需压力，只需几条指令，生成式AI就可以帮助你创建海报。如果生成的内容不符合你的期望，你可以提供额外的指令，直到它产出符合你需要的东西。
这只是生成式AI如何补充你技能的一个例子。但它还有许多其他方式可以使你和你的工作受益。
以下是生成式AI的一些主要优势：
- 提升生产力：帮助你完成诸如起草电子邮件回复等任务。
- 避免错误：协助你减少工作中的失误。
- 改善决策：通过回答问题并与你进行头脑风暴，来优化你的决策过程。
无论你从事医疗保健、教育、金融、零售还是任何其他领域，都有各种各样的生成式AI工具可以满足你的需求。
对话式AI工具示例
一个例子是对话式AI工具。对话式AI工具是一种处理文本请求并生成文本响应的生成式AI工具。你可以用它来进行头脑风暴、回答问题并提高生产力。
在Google AI Essentials课程中，你将获得使用Google开发的名为Gemini的对话式AI工具的实践经验。
当你思路受阻时，可以使用Gemini获取创意灵感，完善你的想法，并获得详细的解释，帮助你轻松探索主题。
例如，让我们请Gemini为我们的夏季工作静修会头脑风暴一份团队建设活动清单。AI工具会给出从有趣的海滩派对到轻松的陶艺课等一系列广泛的想法。Gemini还会分享一些在规划成功的工作静修会时需要考虑的额外建议。
总结
本节课中，我们一起学习了生成式AI的基础。我们了解到生成式AI能够创造新内容，并通过自然语言指令与我们交互。我们探讨了它的工作流程，以及它如何通过提升效率、辅助决策等方式为各行各业带来价值。最后，我们以Gemini为例，看到了对话式AI工具的实际应用。
生成式AI已经为激动人心的新前沿铺平了道路。但在我们能够挖掘这项技术所提供的全部潜力之前，有必要先整体探究AI的能力与局限性。请继续学习本课程的下一部分以开始深入了解。
007：理解AI的能力与局限
在本节课中，我们将学习人工智能（AI）工具的核心能力与关键局限。了解这些基础知识将帮助你更有效地利用AI技术，同时认识到哪些任务仍需人类的参与和判断。
正如你不需要成为木匠也能使用锤子一样，你也不需要成为计算机专家才能有效使用AI。然而，理解AI的基本能力将帮助你最大限度地利用这项技术。
AI的核心能力 🚀
当前的AI工具可以在许多方面提升你的工作效率。以下是其主要能力的概述。
生成内容
AI可以协助生成各类内容。例如，它可以协助营销团队为新产品制作宣传视频。
快速分析信息
AI能够迅速处理和分析大量信息。例如，它可以总结一封冗长邮件线程的核心要点。
细致回答问题
AI能够以详细且细致入微的方式回答各种问题。
简化日常工作
总体而言，AI可以简化你的日常事务，让你能专注于工作的其他方面。
AI的局限与挑战 ⚠️
上一节我们介绍了AI的强大能力，本节中我们来看看它的局限性。尽管AI能完成多种任务，但有些任务仍需人类的参与，例如处理敏感问题。这些局限在某些情境下至关重要。
无法独立学习
AI无法独立学习。它需要人类持续更新其训练数据和模型。其公式可表示为：AI知识 = 训练数据 + 人类更新。
可能反映或放大偏见
AI工具训练数据中的缺陷可能反映或放大社会偏见，从而导致有失偏颇或不公平的结果。
可能产生“幻觉”
AI输出的另一个主要局限是可能包含不准确信息，即所谓的“幻觉”。“幻觉”指的是AI生成的、不符合事实的输出。
这些不准确之处范围很广，从细微错误（如一句不合逻辑的话）到重大事实扭曲都可能发生。例如，一位销售经理使用AI工具分析季度销售数据。AI工具可能识别出某产品销量下降，并标记该产品应从商店下架。
然而，如果AI工具的分析未考虑影响销售的季节性因素呢？如果用户不仔细审查AI的输出，此类“幻觉”就可能导致错误的决策。
确保AI的负责任使用 🤝
考虑到AI的局限性，人类对AI生成内容的监督至关重要，以确保信息的准确性和符合伦理。
在工作场所有效管理AI需要技术与非技术角色的团队协作，以确保AI的输出和决策过程符合有益于人类的价值观。最终，保持人类对这些工具的监督，采取包容性的方法，是塑造一个AI为所有人服务的更美好未来的关键。
本节课中我们一起学习了：AI在内容生成、信息分析和回答问题方面的强大能力，同时也了解了其无法独立学习、可能产生偏见和“幻觉”等重要局限。最重要的是，我们认识到人类监督和团队协作对于确保AI被负责任和有效地使用是不可或缺的。
008：用AI简化日常任务
📖 概述
在本节课中，我们将跟随谷歌工程项目经理Alick，学习如何利用AI工具简化日常工作任务，提高效率。我们将了解AI在知识管理、文档处理、会议总结等方面的具体应用。
🧑💼 个人背景与AI应用起点
我叫Alick，是谷歌的一名工程项目经理，隶属于中央知识管理团队。我们部门的目标是确保知识不会过时，特别是确保谷歌员工不会阅读过时的文档或使用过时的工具，而是确保他们接触到的信息是最新、最及时的，并能真实反映内部情况。
我的职业道路非常规。我在大学学习建筑学，并在建筑领域工作了大约五年。我认为建筑学帮助我更好地建立和提供框架，这项技能现在可以用于我在谷歌担任项目经理的工作，确保事情被恰当地安排。AI在这方面帮助很大，它能帮助我分析不同事物，以确保项目成功。
🚀 初次使用AI的建议
对于第一次想使用AI工具的人，我的建议是不要害怕从小事开始用起，然后逐步深入。尝试找一个对你来说可能困难、有些压力或者你不太想做的任务，看看如何利用AI来协助。
一个核心方法是：找到一个痛点任务 -> 尝试用AI工具介入 -> 评估效果并迭代。
📝 AI在文档工作中的应用
以下是我使用AI工具让工作更轻松的一个例子，尤其是在文档工作上。对我来说，最难的是开始一份文档，即创建模板、设定具体的章节和标题。利用AI在这方面非常有用，它能帮助我创建更简洁的文档。
具体应用包括：
- 文档起草与结构化：利用AI生成文档初稿和逻辑框架。
- 内容精炼：使用AI使文档表达更清晰、简洁。
⚡ AI提升整体工作效率
我使用AI来提高工作效率，方式多种多样。无论是做笔记、总结邮件、整理邮件、提取文档要点，还是规划一周的工作，我都会用到它。
效率提升的公式可以概括为：AI辅助处理重复性任务 = 节省时间 + 减少认知负荷。
对于我参加的每一个会议，我会创建会议记录，然后使用AI来帮助我：
- 生成立即执行项。
- 总结会议内容。
- 为我提供会议的关键要点。
这为我节省了大约1到1.5小时的时间。当事情高效、顺利地进行时，工作会变得更轻松、更有成就感。这是一件非常了不起、非常强大的事情。
✅ 总结
本节课中，我们一起学习了Alick如何将AI融入日常工作流。从利用AI学习AI知识开始，到将其应用于文档起草、会议总结等具体场景，AI的核心价值在于处理繁琐任务、提供结构化框架，从而显著提升工作效率与工作满足感。关键在于从小处着手，找到个人工作流中的痛点，并尝试用AI工具来解决它。
009：将AI作为协作工具使用 🛠️
在本节课中，我们将学习如何将人工智能作为协作工具来使用，以提升工作效率和成果质量。我们将探讨AI如何通过增强和自动化两种方式辅助工作，并理解在团队中成功整合AI所需的关键协作与包容性原则。
你是否曾思考过如何将繁忙的工作日转变为有序的运作？让我们来探讨AI能以哪些不可思议的方式优化你的日常流程。
以人为本的AI应用策略
在工作中使用AI时，秉持以人为本的策略至关重要。AI能够增强我们独特的人类技能，并简化我们执行的许多任务。本质上，AI是在增强我们自身的能力。
AI增强：提升工作产出
上一节我们介绍了以人为本的策略，本节中我们来看看AI增强的具体含义。在此语境下，AI增强指的是利用AI来改进工作产出的过程，无论是使其更易完成还是质量更高。
例如，回想你自己的或你过去可能从事过的工作。就像我的工作一样，你的工作可能也由各种任务和职责组成。有些任务可能很简单，比如手动回复邮件中的常规问题。其他任务可能更复杂，比如与同事头脑风暴新想法。AI可以通过增强你所做的工作来帮助你完成许多这类事情，帮助你更快、更高效地完成任务。
AI自动化：解放人力
除了增强，AI还能通过自动化来帮助你工作。AI自动化指的是利用AI在无需用户任何操作的情况下完成任务的过程。
以下是AI自动化的一个例子：
- 假设一位客户支持代表每天收到数百封客户求助邮件。
- 他们可能需要花费大量时间阅读每封邮件并逐一输入回复。
- 使用AI工具，他们可以自动按优先级对收到的邮件进行分类。
- 对于低优先级的邮件，他们可以在其他客服人员或包含历史回复的训练数据指导下，使用AI起草回复。AI可以学会快速生成高质量的邮件回复。
通过自动化这项任务，该代表便可以专注于高优先级的消息，例如那些报告需要亲自处理的复杂问题的邮件。
在增强与自动化间取得平衡
在增强与自动化之间找到恰当的平衡需要时间、实践和深思熟虑。成功的企业能够通过在其产品、服务和工作中应用以人为本的AI方法而脱颖而出。
AI作为协作空间
将AI视为一个依赖多元视角而蓬勃发展的协作空间。考虑一位希望使用AI协助创建新闻稿的公共关系专业人士。
为了确保获得最佳结果，他们需要对AI工具进行人工监督。但这还不够。他们还必须与团队中的其他成员协作，例如：
- 能够为项目协调资源的经理。
- 确保新闻稿符合品牌声音的编辑团队成员。
- 提供指导以确保遵守适当规则和法规的法律部门。
每个人都必须合作，才能成功整合AI，并确保工具生成的输出符合预期。
包容性的AI整合过程
将AI整合到工作中必须是一个包容的过程。它需要来自不同角色和部门的人员提供多元视角，以实现最佳结果。随着AI被引入职场，学习和适应至关重要。
通过花时间理解AI及其如何为你的工作带来益处，你可以有效地为相关讨论做出贡献。
总结
本节课中，我们一起学习了如何将AI作为协作工具。我们理解了AI增强和AI自动化这两个核心概念如何帮助提升效率与质量。我们认识到，成功的AI应用需要以人为本的策略、在增强与自动化间找到平衡，以及通过包容性的团队协作来整合多元视角，从而确保AI工具的输出符合预期并创造最大价值。
010：课程总结 🎯
在本节课中，我们将对AI基础知识课程进行总结，回顾核心概念，并展望如何将AI融入工作以创造价值。
AI不仅仅是采用最新技术。目标应当是以人为本、为工作增值的方式，深思熟虑地整合AI。
在上一节中，我们探讨了AI的工作原理，包括人工智能与机器学习的基础知识。
我们研究了AI的能力与局限。我们还审视了AI如何提升你的工作效率并帮助你变得更高效。
AI领域在不断变化。每天都有新的进展，技术也在持续改进。希望这次学习体验能成为你探索AI驱动新可能性的一个精彩开端。
为了持续学习，我鼓励你探索如何将AI作为Google AI Essentials的一部分，来转变你的工作方式。
本节课中我们一起学习了AI的核心目标、工作原理、能力与局限，以及如何将其融入工作以提升效率。AI领域日新月异，持续学习与实践是将技术转化为价值的关键。
011：利用AI工具最大化生产力 🚀
在本模块中，我们将探索如何有效地使用AI工具来处理各种任务，从而提升您的工作效率。我们将了解生成式AI如何改变工作方式，并学习如何负责任地应用这些工具。
AI工具正在彻底改变我们的工作方式。这些工具能提供创造性的解决方案，帮助组织和个人应对大大小小的挑战。
无论您身处设计、金融还是其他任何领域，生成式AI都能帮助您简化流程并最大化生产力。
上一节我们介绍了AI工具的整体影响，本节中我们来看看它在不同场景下的具体应用。
以下是生成式AI可以帮助完成的一些具体任务：
- 内容创作：生成式AI可以帮助您在几分钟内撰写草稿和创建图像。
- 数据分析：生成式AI可以协助您预测趋势并向利益相关者传达见解。
- 头脑风暴：生成式AI同样可以帮助您构思创新想法。
嗨，我是Tris，是Google DeepMind的产品管理总监。我和我的团队共同构建能够简化复杂任务的AI产品，旨在让您的日常工作更顺畅、更高效。
我在谷歌工作了近10年，见证了AI领域的许多惊人项目。大约20年前，我在马萨诸塞州剑桥市的一家小型初创公司开始了我的AI职业生涯，当时我们正在构建一个自然语言搜索引擎。
在我的工作中，我使用AI与同事协作、研究新产品概念，并寻找解决问题的创造性方法。例如，我经常使用AI来集思广益，思考如何让我的团队会议更有趣、更高效。
本质上，我大量使用AI来帮助我提高生产力并更好地实现目标。
我很高兴能作为您的向导，带您进入充满活力的生成式AI世界。
在课程的这一部分，我们将探索生成式AI的实际应用，这些应用可以改变您的工作方式。在此过程中，您将学习如何利用AI工具提升生产力。
您还将学习如何通过应用“人在回路”的方法来负责任地使用AI。
那么，您准备好探索生成式AI如何改变您的工作日了吗？让我们一起来发现您可以用AI完成的所有奇妙事情。
总结
本节课中我们一起学习了生成式AI如何成为提升生产力的强大工具。我们了解了它在内容创作、数据分析和创意构思等不同领域的应用，并认识到结合人类智慧的“人在回路”方法是负责任使用AI的关键。准备好将这些知识付诸实践，让AI助力您的日常工作吧。
012：探索生成式AI应用 🚀
在本节课中，我们将学习生成式AI的各种实际应用。你将了解不同类型的生成式AI工具如何帮助人们加速工作流程，并激发你思考如何将这些工具应用于自己的项目中。
想象一下，你有一个想法，只需点击几下就能将其变为现实。这就是生成式AI的核心。它是一种协作工具，可以帮助你加速工作流程。
正如你可能记得的，生成式AI是一种能够生成新内容（如文本、图像或其他媒体）的人工智能。这种多功能性为无限的创意应用铺平了道路。
假设你是一名网页设计师，正在为一家本地企业创建一个新网站。你可以利用一系列生成式AI工具来更高效地完成项目的各个部分。
以下是几种主要的生成式AI工具及其应用：
文本生成器是最常见的生成式AI工具之一。这些工具可以帮助你起草和创作内容，例如为网站撰写引人注目的公司简介或创建详细的产品描述。它们还可以支持你进行与业务相关主题的研究，总结信息以便于理解等。文本生成器甚至可以帮助你将内容翻译成多种语言，使网站能够触达更广泛的受众。
图像生成器是另一种你可以使用的生成式AI工具。这个工具可以用来创建符合企业品牌形象的标志，为社交媒体帖子设计视觉内容等。
当然，应用不止于图像。音频和视频生成器可以帮助你制作宣传视频和其他类型的多媒体项目，以展示公司的产品和服务。
最后，为了让网站真正“活”起来，你可以使用代码生成器来完成诸如确保网站在台式机、平板电脑和移动设备上正确加载等任务。
使用这些类型的生成式AI工具来提升生产力的方法是无穷无尽的，无论是生成文本、图像、音频、视频还是代码。
现在你已经更深入地了解了生成式AI的潜在应用，可以思考一下利用这些工具能够完成的所有事情。
本节课中，我们一起学习了生成式AI在文本生成、图像创作、音视频制作以及代码编写等多个领域的应用。这些工具的核心在于作为协作伙伴，帮助你将创意高效地转化为现实，从而显著提升工作效率和创造力。
013：我在工作中使用AI的方式
📖 概述
在本节课程中，我们将跟随谷歌AI团队的产品管理总监Manvinder，了解他如何在日常工作中实际应用生成式AI技术。你将看到AI如何作为协作工具、创意伙伴和效率助手，融入从写作到设计等多种任务中。
👨💼 自我介绍与工作职责
我是Manvinder，在谷歌的AI团队担任产品管理总监。
我的工作包括与开发者、初创公司以及使用我们AI技术的企业进行交流，理解他们的反馈，并将这些反馈整合到我们提供的工具中，帮助他们利用我们的AI技术构建应用程序。
🤝 AI作为通用协作工具
生成式AI最令人惊叹的一点在于，它几乎可以成为每个人日常任务中的协作工具。
无论是撰写备忘录、写邮件、制作幻灯片、处理电子表格，还是进行研究，它都是一个极佳的协作伙伴。
💡 AI作为创意头脑风暴伙伴
AI另一个绝佳的用途是充当你的创意头脑风暴伙伴。
例如，我最近与我们的营销团队合作，为一个特定产品的营销策略进行头脑风暴。我使用AI来生成想法。它为我们提供了许多新思路，这些思路可能仅凭我一人无法想到。
🛠️ 具体应用场景
以下是我在工作中使用AI的几个具体方面：
- 图形与幻灯片设计：我在制作幻灯片中的图形时会使用AI。
- 长篇写作：我使用AI进行长篇写作。例如，当你撰写备忘录、邮件或博客文章时，AI能让你更容易开始，帮助你克服写作障碍。
- 数据可视化：我使用AI在电子表格中进行数据可视化。
- 主题研究：当然，当我开始研究一个新主题时，我喜欢用AI来获得一个初步的概览。
⚡ AI带来的改变
AI正在帮助我提高效率，帮助我以更好的方式完成任务，同时也帮助我尝试新事物。
例如，大约一年前，我和妻子重新设计我们的厨房，我们决定尝试使用Stable Diffusion（一个开源的图像生成模型）来创建我们想要的不同风格的厨房效果图，组合不同的橱柜样式和中岛样式。
我们亲身体验了如何利用生成式AI的力量来解决日常生活中遇到的常见挑战。
🚀 提升既有技能
AI通常可以帮助你更好地发挥你已有的技能。
例如，如果你经常进行长篇写作，AI可以通过帮你开个好头、克服写作障碍，让你变得更高效。它可以为你正在撰写的备忘录、邮件或博客增添更多想法。
🌍 对未来的展望
我对AI在不同领域的应用感到兴奋。我也对我们作为一个社区、一个生态系统所能解决的巨大挑战感到兴奋。
这将带来生产力的提升，也将催生新的做事方式。AI的潜在影响是巨大的。
📝 总结
本节课中，我们一起学习了Manvinder在工作中应用AI的多种方式。我们看到，生成式AI不仅是专业人士的工具，更能作为每个人的协作助手、创意伙伴和效率引擎，融入写作、设计、研究与头脑风暴等日常任务，帮助我们提升效率、激发创意并探索新的可能性。
014：了解AI工具的工作原理
在本节课中，我们将要学习AI工具的不同类型及其工作原理。我们将探讨独立工具、集成功能与定制解决方案的区别，并理解驱动这些工具的底层AI模型。
独立AI工具 🛠️
上一节我们介绍了AI工具的基本概念，本节中我们来看看第一种常见类型：独立AI工具。独立AI工具是指设计为独立使用的AI驱动软件，通常无需复杂技术设置即可在线访问或下载到设备。
以下是独立AI工具的一个具体例子：
- Speak：这是一款AI语音教练，旨在帮助用户自信地沟通。它使用AI分析用户的声音，并就如何在任何场景下（无论是准备在线会议还是面对面演示）提升沟通技巧提供反馈。
- 使用场景：假设你正在准备求职面试，想练习回答常见问题。你可以使用Speak录制自己的回答，它将就清晰度、语速和措辞等方面提供反馈，帮助你在实际面试中更有效地沟通。此外，Speak还会提供个性化练习来帮助你提升技能。
集成AI功能 🔌
了解了独立工具后，我们来看看AI如何嵌入到你已熟悉的软件中。集成AI功能指的是内置于特定软件中的增强功能。
以下是集成AI功能的一个例子：
- Neural Filters：这是直接内置在Adobe Photoshop中的AI工具。它允许你通过模糊背景、调整颜色、改变面部表情等多种方式编辑图像。
定制AI解决方案 🎯
除了现成的工具和功能，AI还可以针对特定需求进行定制。定制AI解决方案是为解决特定问题而量身定制的应用程序。
以下是定制AI解决方案的一个例子：
- 医疗诊断系统：例如，2022年，约翰·霍普金斯医院实施了一个AI解决方案，帮助医生检测败血症（一种身体对感染产生极端反应的病症）。该AI解决方案使医生能够比以往提前最多六小时诊断和治疗患者，从而改善了患者的治疗效果。构建此类AI模型可能很有价值，但通常需要专门的资源并得到组织的支持才能实现。
在本课程中，我们将主要关注独立的生成式AI工具，因为它们易于获取、通常免费使用，并且能轻松融入你的工作流程。
理解底层技术：AI模型 🤖
在使用AI工具之前，理解驱动它们的技术会很有帮助。这个核心技术就是AI模型。
一个AI模型是一个经过数据集训练、能够识别模式并执行特定任务的计算机程序。
你可以将AI模型想象成引擎，而将AI工具想象成汽车。模型提供底层能力，而工具的界面则协助你完成任务。
无论你在工作中使用的是独立工具、集成功能还是定制解决方案，请记住：AI工具由AI模型驱动。
总结
本节课中我们一起学习了AI工具的三种主要类型：独立工具、集成功能和定制解决方案，并了解了驱动所有AI工具的底层核心——AI模型。接下来，我们将探索如何有效地利用AI工具来处理各种任务，从而提升你的工作效率。
015：用生成式AI改变您的工作方式 🚀
在本节课中，我们将学习如何利用生成式AI工具来提升工作效率、激发创意并解决实际问题。我们将探讨如何通过有效的指令（提示词）与AI进行沟通，并将其应用于不同职业场景中。
许多工作需要创造力、解决问题和头脑风暴，这些过程可能具有挑战性或非常耗时。想象一下，你被要求撰写一份关于影响公司的最新行业趋势的综合报告。你尽力去写，但不确定从哪里开始，并且被海量信息压得喘不过气。这听起来熟悉吗？我也曾经历过这种情况。
生成式AI的助力 💡
在类似情况下，生成式AI工具可以发挥巨大的作用。它们可以帮助你进行探索性研究、创建大纲，并对你探索过的信息提供见解。我们已经探讨了各种类型的生成式AI工具及其协助此类任务的能力。现在，让我们来看看如何实际使用这些工具并应用它们来解决问题。
与AI沟通：提示词的艺术 🗣️
要使用生成式AI工具，你需要通过提示词来引导它。提示词是提供给AI模型的文本输入，用于指导其如何生成输出。你可以将提示词视为你与生成式AI工具沟通的方式。你可以根据需要多次编辑和完善你的提示词，以准确告诉工具你需要它做什么。
实践应用场景 🛠️
以下是几个具体的应用示例，展示了如何在不同职业中运用生成式AI。
场景一：IT专业人士
假设你是一名IT专业人士，负责为新的软件应用程序创建操作指南。
- 任务： 你可以提示文本生成器，让它草拟一份安装新软件的分步指南。
- 任务： 对于涉及故障排除的部分，你可以提示AI工具识别此代码中的错误，以帮助你解决任何编程问题。
- 任务： 你可以使用同一个AI工具总结用户对该软件应用的反馈，从而高效处理用户意见，同时确保应用程序用户友好。
场景二：初创企业主
假设你正在创办一家销售背包的企业。
- 任务： 你可以提示生成式AI工具，让它为一个户外背包品牌列出有创意的名称想法，从而节省大量时间。
- 任务： 然后，你可以通过提示它起草一份专注于背包生产的全面商业计划书，来帮助你吸引投资者。
- 任务： 随着业务发展，你可以使用相同的生成式AI工具，撰写一份要求具备在线零售经验的销售经理职位描述。
总结与展望 🌟
像这样使用生成式AI可以简化你的头脑风暴和规划过程，让你也能专注于业务增长。无论你从事零售、技术、制造、销售还是任何其他领域，生成式AI工具都可以用来增强你的创造性解决问题的能力，并改变你的工作方式。
现在我们已经探讨了几种使用生成式AI工具的方法，请花点时间思考一下你自己的工作和所在行业。你将如何使用生成式AI来帮助你更快、更高效地完成任务？
AI基础知识：P16：使用Gemini进行提示词实践
在本节课中，我们将通过一个连贯的求职与职场发展案例，学习如何为AI工具（如Gemini）创建清晰、有效的提示词，以生成有用的内容。
上一节我们介绍了提示词的基本概念，本节中我们来看看如何在实际场景中应用它。我们将模拟一个从求职到职业发展的完整流程，展示如何通过逐步优化与AI的交互来达成目标。
首先，访问Gemini工具。请前往 Gemini.google.com。
使用您的谷歌账户登录。如果您没有账户，可以点击“创建账户”免费注册一个。
登录后，您就可以开始向Gemini输入提示词了。
场景一：撰写求职信
假设您想申请一份社交媒体相关的工作。一个简单的初始提示词可以是：
为一份社交媒体职位写一封求职信。
Gemini的回复将为您提供一个有用的起点或模板。您可以在此基础上进行定制和润色，让您的求职信脱颖而出。完成修改后，您就可以寄出这封信了。
好消息是，您收到了公司的面试邀请。😊
场景二：准备面试
您可以继续使用Gemini来帮助准备面试。您的下一个提示词可以是：
有哪些面试技巧可以帮助我为社交媒体职位做准备？
输出的内容将包含一系列可供选择的建议。这些建议似乎很有见地，并且针对社交媒体行业，提供了面试前和面试中的行动指南。
场景三：设计新员工培训
时间快进几年。您成功获得了那份社交媒体工作，并在公司内不断成长，现在负责新员工的入职培训。您可以再次求助于Gemini，使用如下提示词：
建议三项新员工可以参与的创新培训活动。
这些建议是非常有趣的新员工活动。
总结与核心要点
本节课中，我们一起学习了如何在实际任务中使用Gemini。通过从撰写求职信、准备面试到设计培训活动的连贯案例，我们实践了与AI工具的交互过程。
使用生成式AI工具时，编写清晰、具体的提示词至关重要。以下是有效提示词的两个关键原则：
- 明确性：直接说明您想要什么（例如，“写一封求职信”、“建议面试技巧”）。
- 具体性：提供相关背景（例如，“为社交媒体职位”），以获取更贴切的回复。
您实践编写提示词的次数越多，就越能熟练运用AI工具来实现您的目标。
017：利用人机协同方法应用AI
在本节课中，我们将要学习如何通过“人在回路”的方法来应用人工智能。我们将探讨为什么人类监督对AI至关重要，以及如何结合人类智慧与机器效率来确保AI输出的质量、准确性和伦理性。
人类监督的重要性
尽管AI是帮助完成任务的有用工具，但它需要人类的参与。没有任何AI工具具备我们人类所拥有的深度经验、实践知识和互动技能。因此，维持对AI的人类监督至关重要。
什么是“人在回路”方法
上一节我们介绍了人类监督的重要性，本节中我们来看看实现这一目标的有效策略：“人在回路”方法。这是一种结合机器智能与人类智能来训练、使用、验证和完善AI模型的策略。
以下是“人在回路”方法的一个应用场景示例：
- 场景：一家保险公司使用定制的AI解决方案来回答客户咨询。
- 流程：
- 当客户通过联系表单发送问题时，AI会根据消息中的特定词语和短语起草一封电子邮件回复。
- 然后，一名客户服务专员会审查客户的询问，并在批准和发送消息之前，根据需要修改AI起草的邮件回复。
- 之后，开发团队可以根据专员的反馈来更新AI模型。
实践“人在回路”方法
理解了基本概念后，我们来看看如何在独立使用AI工具时应用“人在回路”方法。
考虑一位企业主使用独立的AI工具来起草新的品牌口号。他们向工具输入希望口号中包含的特定关键词和短语，工具会生成一系列想法。当企业主审查输出结果时，发现了一个非常突出、朗朗上口的选项。然而，这个选项的措辞需要稍作调整才能完美。于是，企业主向AI工具补充了一些额外细节，最终为他们的企业组合出了一个朗朗上口的新口号。
负责任地使用AI
在使用AI工具时，监督对于确保质量和准确性至关重要。“人在回路”方法将AI工具的效率和人类的关键洞察力相结合，是实践负责任AI的基础。
负责任AI是指以造福人类和社会、避免伤害为意图，合乎伦理地开发和使用AI的原则。确保负责任地使用AI对企业、客户和员工都同样重要。
管理AI的局限性：知识截止
负责任AI的一个方面涉及管理AI模型的局限性，例如知识截止。
知识截止是指AI模型在特定时间点完成训练，因此它不具备该日期之后的事件或信息的知识。
例如，假设你是一名金融分析师，需要提示一个AI工具来分析昨天的股市波动。如果该工具的最后训练日期是2022年，它将无法提供你所要求的信息，因为它不知道其最后训练日期之后的事件或信息。
在这种情况下，设计良好的AI工具应该认识到自身的局限性并做出相应的回应。
理解AI幻觉及其影响
然而，有些情况下，工具可能会试图在其知识截止之后生成回应，从而导致幻觉。
幻觉是指不真实的AI输出。幻觉可能带来问题，因为它们可能导致错误信息、误解或不恰当的回应，从而损害公司声誉或导致客户不满。
例如，假设你在零售公司工作，使用AI工具来预测需要订购多少产品库存。如果AI工具产生了不准确、过时或被误解的信息，这些幻觉可能导致公司订购错误数量的库存，从而给客户带来供应问题。
幻觉的创造性应用与风险管控
虽然幻觉构成了挑战，但它们也可能对你的创作过程有益。
假设你使用AI图像生成器来帮助设计一款奇幻主题视频游戏的概念图。你提示AI工具创建一幅美丽城堡漂浮在天空中的图像，它输出了一个独特、有趣的图像，而这恰好也是一个幻觉。😊
在这个例子中，你是有意地产生了幻觉。然而，在不恰当的语境中使用幻觉可能会产生误导。🎼
因此，在使用AI工具时，应用“人在回路”方法，通过审查和评估AI生成的内容，可以帮助减轻幻觉的潜在影响。这种方法有助于确保AI生成的输出不仅具有创新性，而且准确、相关且符合伦理，从而为企业、客户和整个社会带来更好的结果。
课程总结
本节课中我们一起学习了“人在回路”这一核心方法。我们了解到，AI需要人类监督来确保其有效性和伦理性。通过结合人类洞察与AI效率，我们可以管理AI的局限性（如知识截止），并妥善处理其输出（包括识别和利用幻觉）。最终，这种方法是我们实践负责任AI、确保技术为人类和社会带来积极成果的关键。
018：人类如何改进AI模型
概述
在本节课中，我们将探讨人类在AI模型开发与改进过程中扮演的关键角色。我们将了解“人在回路”这一核心概念，并学习人类如何通过提供数据、评估结果和持续反馈来训练和优化AI模型。
人类在AI模型中的核心作用
上一节我们介绍了AI的基本概念，本节中我们来看看人类如何具体地参与并改进AI模型。
无论你思考的是AI、大语言模型、深度学习，还是任何AI应用，其模型的核心都离不开人。是人在训练它、评估它，并为它提供更多数据。
理解“人在回路”模式
“人在回路”是一种人与AI协作的模式。在这种模式下，人类通过持续的交互和反馈来引导和优化AI的输出。
以下是“人在回路”的一个典型工作流程：
- 人类发起指令：人类为AI编写一个提示，提出一个问题或请求。
- AI生成响应：AI根据提示生成一个答案或结果。
- 人类评估与精炼：人类评估AI的响应，如果结果不理想，则进一步优化提示或提供反馈。
- 迭代改进：AI根据新的、更精确的提示或反馈，生成改进后的响应。这个过程可以循环往复，直到获得满意的结果。
一个具体的应用实例
以代码生成为例，这能帮助我编写代码。如果AI给出的代码答案不正确，我会进一步优化提示，引导它生成一个我真正喜欢和需要的函数。
因此，在我看来，“人在回路”是一种精炼AI答案的方式。
AI的积极潜力与人类价值
AI在世界上行善的潜力是巨大的。原因在于，AI是人类创造的工具，旨在帮助我们更好地彼此连接，并让我们更具人性。
总结
本节课中，我们一起学习了人类在AI模型改进中的不可或缺的作用。我们明确了“人在回路”这一协作模式，并通过实例看到人类如何通过提示、评估和反馈来训练和优化AI。最终，AI的强大潜力根植于它作为人类工具的属性，其目标是增强人类的连接与创造力。
019：判断生成式AI是否适合任务
在本节课中，我们将学习如何判断一个具体任务是否适合使用生成式AI来完成。我们将通过一个决策框架和实际场景来帮助你做出明智的选择。
概述：评估生成式AI适用性的三个关键问题
上一节我们介绍了生成式AI的基本概念。本节中，我们来看看如何判断它是否适用于你的具体任务。评估过程可以围绕以下三个核心指导性问题展开。
以下是三个关键的评估问题：
- 任务本身是否具有“生成性”？
- 任务能否通过迭代来优化结果？
- 是否有资源提供充分的人工监督？
场景演示：为新餐厅制作宣传广告
让我们通过一个场景来演示如何回答这些问题并做出决定。假设你正在为你新餐厅的盛大开业做准备。
你考虑使用AI工具为这次活动创建一个宣传广告，但需要一些帮助来生成图片。你开始逐一思考上述问题。
1. 任务是否具有“生成性”？
是的。回想一下，生成式AI是一种能够生成新内容（如文本、图像或其他媒体）的人工智能。因此，生成式AI可以帮助你创建宣传材料，比如为你的新餐厅制作广告文案和图片。
2. 任务能否通过迭代来优化结果？
换句话说，你能否通过优化你的提示词来改进AI生成的输出？答案同样是肯定的。
生成式AI工具允许你根据需要多次编辑和完善提示词，以获得理想的结果。在这个案例中，假设你的餐厅供应意大利菜，AI工具生成了一幅带有意大利面图片的广告。
经过思考，你认为展示餐厅木火烤炉新鲜出炉的披萨会更吸引人。于是，你不断迭代和完善你的提示词，直到获得最佳结果。
3. 是否有资源提供充分的人工监督？
答案再次是肯定的。作为餐厅老板或你的员工，需要在向公众发布AI生成的广告之前对其进行审核。
请记住，使用AI工具时，必须采取“人在回路”的方法。确保你或你的团队成员能够审查和编辑输出内容。
决策与应用
通过向自己提出这些指导性问题，你可以决定是否在特定任务上使用生成式AI工具。如果你对所有问题的回答都是“是”，那么使用生成式AI可能是合适的选择。
但是，如果你对一个或多个问题的回答是“否”，会发生什么？例如，假设你需要与本地供应商谈判，为你餐厅的食材争取公平的价格。
当问到“任务是否具有生成性”时，在这种情况下答案是否定的。像谈判这样的任务不具有生成性，因为它需要沟通和建立关系的技巧，这些都需要人的参与。
总结
本节课中，我们一起学习了如何通过三个关键问题来评估生成式AI对特定任务的适用性。记住这个简单的决策框架：任务是否生成性、能否迭代优化、是否有人工监督。随着你在工作中不断尝试使用AI，试着用这些问题来判断生成式AI是否能帮助你完成任务。
020：使用Gemini帮助分析业务表现 📊
概述
在本节课中，我们将学习如何利用Gemini与Google Sheets的结合来分析和解读业务数据，从而高效地做出数据驱动的决策。我们将通过一个产品反馈调查数据的实例，演示从简单提问到深入分析，再到生成可视化图表的过程。
拥有一个技术平台意味着我们会获得海量的数据。这些数据包括用户数据和性能数据。理解这些数据有时会是一项挑战。下一个最重要的功能是什么？下一个需要优化的关键点是什么？下一个最重要的决策是什么？利用Gemini与表格的结合，在帮助我们制定战略以及赋能团队使用分析工具做出数据驱动决策方面，效果非常显著。
将Gemini与Google Sheets结合使用的能力对我们的业务产生了不可思议的影响。这是一个改变游戏规则的工具。我们无法想象没有它的日子。
一个好的电子表格确实令人满意，它非常有序，内容集中。但必须承认，分析和理解所有这些数据也可能耗费大量时间。幸运的是，Gemini和Google Sheets可以加速这个过程，让你能直接做出明智的、数据驱动的决策。
上一节我们提到了数据驱动决策的重要性，本节中我们来看看如何实际操作。
开始分析：提出简单问题
我们来尝试一下。我将打开一个包含产品反馈调查数据的Google表格，并从一句非常简单的提示开始。
我们之所以能保持提问简单，是因为电子表格包含了Gemini所需的所有上下文信息。一个更开放式的提示有助于我们发现数据中更广泛的趋势或模式。
以下是分析数据的初始提示示例：
分析这份产品反馈调查数据。
就这样，Gemini分析了反馈调查数据，并开始帮助我识别需要改进的领域。有几个地方的得分我希望看到更高，但今天我将只关注“易用性”得分。我会向Gemini寻求更多帮助。
深入探究：获取具体建议
基于上一节得到的初步分析，我们现在可以提出更具体的问题来获取行动建议。
基于这些反馈，我可以做些什么来提高我的易用性得分？
Gemini提供了七条不同的改进建议。有些项目我可以很快解决，比如改进文档和教程。但其他项目则更具挑战性，比如减少故障和错误。总的来说，这些信息很有见地，将帮助我改善客户的体验。
如果你不擅长数据分析，不用担心，只需提示Gemini Sheets帮你开始。你可以问一些简单的问题，比如“趋势是什么？”或者“我应该关注哪些数据点？为什么？”这种从宽泛到具体的提问方法，在你试图从数据中发现新的趋势、关联或见解时特别有用。
数据可视化：分享你的发现
最后，你还可以使用Gemini生成数据可视化图表。一旦你收集到见解，就可以要求生成一个图表或图形来展示你的数据。现在，你可以轻松地与其他人分享你的发现。
以下是请求可视化的示例提示：
为这些数据生成一个图表。
准备好尝试了吗？你需要分析什么数据？
总结
本节课中我们一起学习了如何利用Gemini与Google Sheets的强大组合来分析业务数据。我们从提出一个简单的分析提示开始，逐步深入到获取具体的改进建议，最后通过生成可视化图表来清晰地展示和分享分析结果。这套方法能有效帮助你从海量数据中快速提取有价值的信息，并据此做出明智的业务决策。
021：使用Gemini记录会议笔记 📝
在本节课中，我们将学习如何利用Google的AI助手Gemini来自动化会议记录流程。通过将记录任务交给AI，你可以更专注于会议本身的内容与互动，从而提高效率并确保信息的准确留存。
面临的挑战
我管理着50名员工，分布在六个不同的地点，每周都有大量的会议。这些会议常常让我手忙脚乱地记笔记，或者忙于安排会议、处理那些没人愿意做的会务工作。这就是我面临的主要问题。
解决方案：引入Gemini AI
在会议中引入Gemini AI来记录笔记，帮助我摆脱了所有这些负担。我现在的职责是与员工互动，确保他们得到支持并获得所需的答案。这为我的员工和我自己都建立了问责机制，我们可以回顾和参考这些历史记录。因此，我们现在不再是为了开会而开会，而是专注于运营业务、进行有效对话，并确保业务正式运转。
核心流程：如何使用Gemini记录笔记
为会议中讨论和达成一致的内容做记录很重要。但记录行为本身是否会分散你对会议进程的注意力？答案是肯定的。不过，你可以指示Gemini AI为你做笔记，从而让你保持专注和投入。
以下是具体操作步骤：
- 启动功能：当你开始一个Google Meet会议时，选择“使用Gemini记录笔记”功能。
- 查看笔记：会议结束后，你可以在一个Google文档中查看AI生成的笔记。
- 编辑与分享：随后，你可以编辑这些笔记，并与所有与会者分享。
你还可以在文档中提示Gemini对笔记做更多处理，例如：
- 总结做出的关键决策。
- 创建下周会议的议程。
- 起草一封后续邮件，提醒经理们他们的待办事项。
现在让我们来尝试一下。创建一个后续邮件，提醒与会者他们的待办事项。看，我们得到了一封邮件草稿，我可以轻松复制并自定义，以便团队能够继续推进工作。
进阶技巧与提示
对于那些会议不断或希望获得帮助以保持条理的人来说，这是一个改变游戏规则的功能。当你使用Gemini和Docs进行会议跟进时，这里还有几个技巧。
假设文档中有一个非常具体的部分需要Gemini的帮助。我可以高亮显示那段文本，并指示Gemini将会议笔记中高亮的部分缩减为两行摘要。
另一个我喜欢做的操作是，假设我想加入一个关于我们项目目标的快速提醒，而这些信息存在于另一个文档中。没问题，你可以引入这些信息。只需使用 @ 符号并输入文档名称，然后告诉Gemini你想用它做什么。
代码示例：引入外部文档信息
@项目目标文档 请将核心目标总结为三点。
测试一下这个功能。你正在处理哪些文档？你可能会如何使用Gemini来帮助你保持条理和进度？
总结
本节课中，我们一起学习了如何利用Gemini AI来高效管理会议记录。从启动Google Meet中的记录功能，到查看、编辑AI生成的笔记，再到利用提示词让Gemini总结要点、起草邮件或整合其他文档信息，这一整套流程将你从繁琐的记录工作中解放出来，让你能更专注于会议的核心讨论与决策，从而提升整体工作效率和团队协作的清晰度。
022：总结
在本节课中，我们一起回顾了生成式AI在工作场景中的核心应用与实践方法。我们将总结已学习的关键概念，并展望后续的学习方向。
📚 课程内容回顾
首先，我们探讨了生成式AI的实际应用场景，以及如何利用它来协助完成多种不同的工作任务。
上一节我们介绍了AI的广泛用途，本节中我们来看看如何将其转化为具体的生产力工具。
接下来，我们研究了如何利用AI工具提升个人工作效率。这包括理解不同工具的功能，并将其整合到您的工作流程中。
然后，我们深入探讨了“人在回路”的方法。请记住，这种方法对于负责任地使用AI至关重要。
它涉及在使用AI时融入人类的判断和监督，确保AI的应用符合您个人及您所在组织的需求和价值观。
最后，您学习了如何使用简单的指导性问题，来帮助判断生成式AI是否适合某项特定任务。
这些问题可以帮助您就何时以及如何使用这项技术做出明智的决策。
🎯 总结与展望
本节课中，我们一起学习了生成式AI的核心应用、提升生产力的工具、负责任的“人在回路”方法，以及评估AI适用性的决策框架。
我非常荣幸能陪伴您探索如何在职场中利用AI并提升生产力的这段旅程。
为了继续深入学习，请在接下来的谷歌AI基础课程章节中，探索提示词工程的艺术。
023：探索提示的艺术
在本节课中，我们将要学习提示工程的核心概念与实践方法。提示工程旨在设计最佳的提示，以获得期望的输出。我们将探讨如何通过精心设计的文本来引导AI模型生成更高质量、更有用的结果。
理解提示的本质
上一节我们介绍了提示工程的目标，本节中我们来看看提示在日常语言和AI交互中的基础作用。
语言在我们的日常生活中用途广泛，可用于建立联系、表达观点或解释想法。有时，你可能希望使用语言来促使他人以特定方式回应。例如，你可能希望某人给你一个推荐或澄清某事。在这些情况下，你的措辞方式会影响他人的回应方式。
当向对话式AI工具提出问题时，情况也是如此。提示是提供给AI模型的文本输入，用于指导其如何生成输出。
例如，一位服装店店主可能希望AI模型输出关于如何营销其服装的新想法。这位店主可能会写下这样的提示：
我拥有一家服装店。我们销售高端时尚女装。帮我集思广益一些营销点子。
提示工程的目标与重要性
现在，我们了解了什么是提示，接下来让我们深入探讨提示工程的具体实践及其价值。
提示工程是开发有效提示的实践，旨在从生成式AI中引出有用的输出。我的名字是俞芳，是谷歌的一名工程师。我最初对提示产生兴趣，是因为从语言模型中获取有用的回复非常耗时。有时，不使用AI反而能更快地完成工作。这激发了我的动力，我希望帮助我们的工具变得更高效，而不是更低效。
我很高兴能帮助你了解更多关于开发有效提示的知识。首先，你将了解大语言模型如何根据提示生成输出。然后，你将探索提示工程在提高输出质量方面的作用。
有效提示的核心要素
在理解了提示工程的重要性后，我们来学习构建有效提示的两个关键要素。
以下是构建有效提示的两个核心原则：
- 清晰与具体：学习创建清晰、具体的提示是提示工程最重要的部分之一。你的提示越清晰、越具体，就越有可能获得有用的输出。
- 迭代与优化：提示工程的另一个重要部分是迭代。你将学习如何评估输出并修改你的提示。这也能帮助你在职场中利用对话式AI工具时获得所需的结果。
高级提示技巧：少样本提示
除了基本原则，还有一些高级技巧可以进一步提升提示效果。接下来，我们将探索一种特定的提示技术。
我们还将探索一种名为少样本提示的特定技术。这种技术通过为模型提供少量示例，来引导它理解并执行特定任务。
编写有效的提示需要批判性思维和创造力。这个过程也可以很有趣。如果你想在职场上有效地使用AI，练习这项技能非常重要。
总结与展望
本节课中，我们一起学习了提示工程的基础。我们理解了提示是引导AI模型的文本指令，探讨了提示工程通过设计清晰、具体且经过迭代优化的提示，来获得更佳AI输出的实践方法。我们还简要了解了少样本提示等高级技巧。
你已经准备好开始学习提示工程了吗？让我们继续前进。
024：理解大型语言模型 🧠
在本节课中，我们将要学习大型语言模型（LLM）的基本工作原理，并了解其能力与局限性。理解这些核心概念，将帮助你更有效地使用LLM工具。
大型语言模型如何工作
大型语言模型是一种人工智能模型，它通过在海量文本数据上进行训练，来识别单词、概念和短语之间的模式，从而能够根据提示生成回应。
那么，LLM是如何学会对提示生成有用回应的呢？
一个LLM在数百万个文本源上进行训练，这些文本源包括书籍、文章、网站等。这种训练帮助模型学习人类语言中存在的模式和关联。通常，模型接收到的数据质量越高，其性能就越好。
预测下一个词
由于LLM能够识别语言中的众多模式，它们也能够预测在一系列单词中，下一个最可能出现的单词是什么。
我们可以通过一个简单的例子来基本理解LLM如何预测序列中的下一个词。
以这个不完整的句子为例：“下雨后，街道是______。”
LLM通过计算不同可能单词出现的概率来预测下一个词。根据可用数据，单词“湿的”可能有很高的概率成为下一个词，单词“干净的”概率较低，而单词“干的”概率则极低。在这种情况下，LLM可能会通过插入序列中下一个出现概率最高的单词来完成句子，例如“湿的”。或者，也可能是另一个高概率词，如“泥泞的”。
每次使用LLM时，它对同一提示的回应可能会有所不同。LLM使用统计学来分析给定序列中所有单词之间的关系，并计算数千个可能作为下一个词出现的单词的概率。
LLM的能力与应用
这种预测能力使得LLM能够回应各种问题和请求，无论提示是要求完成一个简单的句子，还是为新产品发布或广告活动构思一个引人入胜的故事。
理解LLM的局限性
尽管LLM功能强大，但你并不总能得到想要的输出。有时，这是由于LLM训练数据的局限性造成的。
以下是几种主要的局限性：
- 偏见：LLM的输出可能存在偏见，因为其训练数据本身包含了偏见。这些数据可能包括反映社会中存在的不公平偏见的新闻文章和网站。例如，由于其训练数据，LLM可能更倾向于生成将特定职业与特定性别角色联系起来的输出。
- 信息局限性：为LLM提供信息的训练数据在其他方面也可能有限。例如，LLM可能无法生成关于某个特定领域或主题的足够内容，因为其训练数据中关于该主题的信息不足。
- 幻觉：另一个可能影响输出的因素是LLM产生“幻觉”的倾向。幻觉是指AI生成的不真实的输出。虽然LLM擅长回应多种问题和指令，但它们有时会生成事实上不准确的文本。假设你正在研究一家公司，并使用LLM帮助你总结该公司历史。LLM可能会产生幻觉，提供关于某些细节的错误信息，例如公司成立的日期或当前的员工数量。导致幻觉的因素有很多，例如LLM训练数据的质量、提示的措辞，或者LLM用于分析文本和预测序列中下一个词的方法。
如何有效使用LLM
由于LLM存在这些局限性，批判性地评估所有LLM输出至关重要，以确定其是否事实准确、无偏见、与你的具体请求相关，并且提供了足够的信息。
无论你是使用AI来总结一份报告、为产品营销生成创意，还是概述项目计划，都务必仔细检查输出的质量。
最后，重要的是不要对LLM的能力做出假设。例如，不要因为它为给客户的劝说信生成了高质量的输出，就假设未来再次使用相同提示时也能获得相同质量的输出。
总结
本节课中，我们一起学习了大型语言模型的核心工作原理。我们了解到，LLM通过分析海量文本中的模式来预测和生成内容。同时，我们也认识到LLM存在偏见、信息局限性和产生“幻觉”等局限性。因此，大型语言模型是强大的工具，但需要人类的指导和批判性评估才能有效使用。了解LLM的局限性有助于你获得最佳可能的结果。
025：通过提示进行实验
概述
在本节课中，我们将学习如何通过实验性的方法来优化与大型语言模型的交互，即“提示工程”。我们将探讨如何通过调整提示词来更好地引导AI工具，从而获得更符合需求的定制化答案。
上一节我们介绍了AI工具的基本概念，本节中我们来看看如何通过具体的实验方法来提升使用效果。
实验的重要性
提示工程并非通过直觉使用就能自然掌握。正确地设计提示词，将帮助你充分解锁这些对话式AI系统的能力。任何人都可以输入一个简单的提示并得到一个简单的回答，但这并非真正有趣之处。真正的价值在于，当你能够与系统对话，并根据你的具体用例获得高度定制化的答案时，事情才会变得非常令人兴奋。
给初学者的建议
对于初次尝试这些AI工具的人，我的建议是，如果最初没有得到你想要的结果，不要气馁。这些工具并非魔法，也无法读懂你的心思。它们只能根据你输入的确切内容，尽力给出最好的回应。
以下是开始实验时需要记住的几个关键点：
- 明确隐含信息：你需要练习将那些“侧面语境”或“隐含语境”从脑海中提取出来，并明确地写下来。例如，你希望回答是长是短，是使用简单词汇还是复杂词汇。
- 大胆尝试：我鼓励你大胆尝试。你可以尽情地进行实验。尝试各种写法。
- 迭代输入：你可以一次性输入大量信息，也可以先写一点，再补充一点，逐步增加，观察模型的不同反应。
这个过程本身就像一个实验系统，并且充满乐趣。
核心方法与公式
随着你不断实验和尝试新方法，你会发现你对这些对话式AI工具的熟练度和流畅度将大幅提升。你会希望不断尝试不同的提示词。谁知道呢，也许这会对你的生活产生巨大影响。只有时间能给出答案。
总结
本节课中我们一起学习了提示工程的核心思想：通过主动、实验性的方法来优化与AI的交互。关键在于将模糊的想法明确化，并通过迭代尝试来探索模型的能力边界。记住，这是一个需要练习和探索的过程，其回报是获得更精准、更有用的AI辅助。
026：编写清晰具体的提示
概述
在本节课中，我们将学习如何编写清晰、具体的提示，以便从大型语言模型（LLM）中获得有用的输出。我们将探讨提示工程的基本概念，并通过实例演示如何通过改进提示来提升AI工具的回答质量。
提示工程的重要性
上一节我们介绍了AI工具的基本工作原理，本节中我们来看看如何与它们有效沟通。你投入的质量会极大地影响你产出的质量。
这类似于烹饪。如果你使用新鲜、高质量的食材，就更可能做出一顿美餐。反之，如果缺少某种食材或食材质量不佳，最终的菜肴可能就不那么理想。同样地，你输入到对话式AI工具中的提示质量，也会影响该工具输出的质量。
这就是提示工程发挥作用的地方。提示工程涉及设计最佳的提示，以从LLM中获得你想要的输出。这包括编写清晰、具体并提供相关背景信息的提示。
理解LLM所需的上下文
为了更好地理解LLM所需的上下文，我们来比较一下人和LLM对同一个问题的反应方式。
假设一位素食者问他的朋友：“我在旧金山应该去哪些餐厅？”这位朋友很可能会推荐那些有不错素食选择的餐厅。然而，如果向LLM提出同样的问题，它可能会推荐一些不适合素食者的餐厅。
人在回答问题时，会本能地考虑到朋友是素食者这一事实。但LLM没有这种先验知识。因此，要从LLM那里获得所需信息，提示必须更加具体。在这个例子中，提示需要明确指出餐厅应该提供良好的素食选择。
改进提示的实践案例
让我们通过一个例子来探索如何运用提示工程来提高LLM输出的质量。
假设我们承担了策划一场公司活动的任务。你需要为一个即将召开的会议寻找一个主题。我们首先写一个提示给Gemini，让它为一场活动生成五个潜在的主题列表。你可以在ChatGPT、Microsoft Copilot或任何其他对话式AI工具中使用类似的提示。
初始提示示例：
生成一个活动主题列表。
现在让我们回顾一下这个提示得到的回应。这并非我们想要的结果。我们得到的列表似乎更像是派对主题，而不是专业会议的主题。我们的提示没有提供足够的背景信息来产生我们需要的输出。它不够清晰，也不够具体。
编写清晰具体的提示
让我们再试一次。这次我们将输入一个更具体的提示。
改进后的提示示例：
为酒店业客户体验专业会议生成五个潜在主题列表。
这个提示具体得多，明确指出这是一个关于酒店业客户体验的专业会议。让我们检查一下这次的回应。这次好多了。我们通过工程化设计，让提示包含了具体、相关的背景信息，因此Gemini能够生成有用的输出。
当你提供清晰、具体的指令，并包含必要的上下文时，你就能使LLM生成有用的输出。请记住，由于LLM的局限性，在某些情况下，无论你的提示质量多高，都可能无法获得高质量的输出。例如，如果你提示LLM查找关于当前事件的信息，但LLM无法访问该信息，它就无法提供你需要的输出。
提示工程的迭代过程
与其他设计领域一样，提示工程通常是一个迭代过程。有时，即使你提供了清晰具体的指令，也可能无法在第一次尝试时就获得想要的输出。
当我们的第一个提示没有产生想要的回应时，我们修改了提示以改进输出。第二次迭代提供了足够清晰和具体的指令，从而产生了更有用的输出。
以下是编写有效提示的一些关键要点：
- 提供上下文：明确说明任务背景，例如行业、受众、目标。
- 具体化要求：避免模糊描述，使用精确的词汇定义你想要的输出类型。
- 明确格式：如果需要特定格式（如列表、报告、邮件），在提示中说明。
- 包含示例：如果可能，提供一个你期望的输出样例。
- 分步指示：对于复杂任务，将提示分解为清晰的步骤。
总结
本节课中，我们一起学习了编写清晰具体提示的核心原则。我们了解到，提示的质量直接决定AI输出结果的质量。通过为LLM提供充分的上下文和明确的指令，我们可以显著提高其回应的相关性和实用性。记住，与AI沟通就像与一位知识渊博但缺乏背景信息的助手合作，你的提示越清晰、越具体，你得到的帮助就越有效。提示工程是一个需要练习和迭代的技能，不断优化你的提问方式，是驾驭AI工具的关键。
027：在工作中利用LLM的能力
概述
在本节课中，我们将学习如何利用大型语言模型（LLM）的能力来提升工作效率与创造力。我们将探讨LLM在内容创作、总结、分类、信息提取、翻译、编辑和问题解决等多个方面的具体应用。
内容创作 📝
上一节我们介绍了LLM的基本概念，本节中我们来看看如何利用LLM进行内容创作。你可以使用LLM来生成电子邮件、计划、想法等多种内容。
例如，你可以要求LLM帮助你撰写一篇关于工作相关主题的文章。让我们提示Gemini为一篇关于数据可视化最佳实践的文章创建大纲，这篇文章的目标读者是初级业务分析师。
提示词示例：
为初级业务分析师创建一篇关于数据可视化最佳实践的文章大纲。
请注意，提示词以动词“创建”开头。在提示词中包含动词通常有助于引导LLM为你的预期任务生成有用的输出。
LLM的输出为文章的初稿提供了一个有用的大纲。
总结 ✂️
除了创作，LLM还可用于总结。LLM能够总结冗长文档的要点。
例如，你可以要求Gemini总结一段关于项目管理策略的详细段落。我们将以动词“总结”开始提示词，并指定输出为单个句子，然后附上需要总结的段落。
提示词示例：
用一句话总结以下段落：[此处插入需要总结的段落]。
输出提供了该段落的便捷单句总结。虽然此示例展示了如何总结单个段落，但你也可以要求LLM总结更长的文本和文档。
分类 🏷️
分类是LLM的另一项可能用途。例如，你可以提示LLM将一组客户评论的情感或感受分类为正面、负面或中性。
让我们提示Gemini将关于零售网站新设计的客户评论分类为正面、负面或中性。提示词包含动词“分类”以引导输出，并附上评论内容。
提示词示例：
将以下客户评论分类为正面、负面或中性：[此处插入评论列表]。
输出准确地分类了评论。你可以考虑如何利用LLM来高效完成大型分类任务。
信息提取 📊
你还可以使用LLM进行信息提取，即从文本中提取数据并将其转换为更易于理解的结构化格式。
假设你有一份提供某全球组织信息的报告。你可以提示Gemini提取报告中所有提及的城市和收入，并将其放入表格中。
提示词示例：
从以下报告中提取所有提到的城市和收入，并放入一个表格中：[此处插入报告内容]。
请注意，你不应将机密信息输入LLM，但在此示例中，报告内容并非机密。输出会显示一个包含“城市”和“收入”列的表格，以组织良好的格式呈现信息。
翻译 🌐
翻译是LLM的另一项应用。你可以利用LLM在不同语言之间翻译文本。
例如，你可以要求Gemini将培训课程的标题从英语翻译成西班牙语。
提示词示例：
将以下英文标题翻译成西班牙语：[此处插入英文标题]。
输出会提供多种西班牙语翻译选项供你选择，并解释每种翻译背后的理由，这有助于你为受众选择最有用的选项。
编辑 ✏️
LLM也可用于编辑，例如将一段文本的语气从正式改为随意，或检查文本的语法是否正确。
例如，Gemini可以帮助你编辑一篇关于电动汽车的技术分析，使其语言对非技术背景的受众更易于理解。我们以动词“编辑”开始提示词，并指定语言应易于非技术受众理解，然后附上技术分析内容。
提示词示例：
编辑以下技术分析，使其语言易于非技术背景的受众理解：[此处插入技术分析]。
输出提供了一个版本的分析，让不熟悉技术细节的受众也能理解。这只是LLM如何帮助你编辑文档的一个例子，LLM可以快速定制文档的语气、长度和格式以满足你的需求。
问题解决 💡
我们将讨论的LLM另一个用途是问题解决。你可以利用LLM为各种工作场所挑战生成解决方案。
例如，在规划公司活动时，你可以提示LLM寻找既能适应多位宾客的饮食限制，又符合节日主题菜单的餐饮解决方案。
再举一个例子。假设你是一位最近推出了新的文案编辑服务的企业家。让我们请Gemini解决一个与文案编辑服务相关的问题，即征求增加客户基数的建议。
提示词示例：
为我的新文案编辑服务提供增加客户基数的建议。
输出提供了接触新客户、优化服务和拓展业务的具体建议。我们还可以请Gemini起草一封电子邮件，以便轻松地与其他人分享这些想法。
LLM可以帮助你为许多不同类型的问题集思广益，寻找解决方案。
总结
本节课中，我们一起学习了在工作中利用大型语言模型（LLM）提升生产力的多种方法。我们探讨了LLM在内容创作、总结、分类、信息提取、翻译、编辑和问题解决等方面的具体应用。掌握这些技能对于在职场上有效利用AI至关重要。
接下来，我们将更深入地关注如何评估LLM的输出并优化你的提示词。
028：通过迭代改进AI输出 🔄
在本节课中，我们将要学习如何通过迭代过程来改进AI的输出。迭代是一种通过反复修改和优化来逐步接近目标的方法，这在提示工程中同样至关重要。
什么是迭代过程？
你是否曾为客户制作过演示文稿，或为自己的新业务设计过网站？如果答案是肯定的，那么你可能已经使用过迭代过程来实现目标。在迭代过程中，你先创建一个初始版本，然后对其进行评估和改进，从而产生下一个版本。接着，你重复这些步骤，直到获得满意的结果。
例如，如果你正在撰写一份提案、报告或其他需要与同事分享的文件，你可能会生成多个草稿，并在每一稿的基础上进行改进，直到对最终结果感到满意。
采取迭代方法通常是解决问题或开发产品最有效的方式。迭代过程在提示工程中也同样有效。
为什么需要迭代提示？
提示工程通常需要多次尝试才能获得最佳输出。大多数情况下，你无法在第一次尝试时就得到最理想的结果。如果尝试后没有成功，请不要气馁。相反，你应该仔细评估输出结果，找出未能获得预期响应的原因，然后修改你的提示以尝试获得更好的结果。
以下是即使创建了清晰具体的提示，也可能无法获得有用输出的几个可能原因：
第一，大型语言模型之间的差异会影响输出。
每个LLM都是基于独特的训练数据和编程技术开发的，并且对特定领域拥有不同的背景知识。因此，不同的模型可能对相似的提示做出不同的反应，并且可能无法为某些提示提供充分的回应。对你正在使用的LLM采取迭代方法将产生最佳结果。
第二，LLM的局限性。
之前我们了解到，LLM的输出有时可能不准确、存在偏见、不相关或不一致。你应该通过问自己以下几个问题来批判性地评估所有LLM输出：
- 输出是否准确？
- 输出是否无偏见？
- 输出是否包含足够的信息？
- 输出是否与我的项目或任务相关？
- 最后，如果我多次使用相同的提示，输出是否一致？
如果你在评估输出时发现任何问题，对你最初的提示进行迭代通常可以帮助你解决这些问题并获得更好的输出。
如何迭代改进提示？
首先，如果你注意到提示中缺少任何上下文，请将其添加进去。你的措辞选择也会显著影响LLM的输出。在提示中使用不同的词语或表达方式，通常会从模型那里得到不同的响应。尝试不同的措辞可以帮助你获得最有用的输出。
现在你对迭代提示有了更多了解，让我们来看一个例子。
实践案例：寻找宾夕法尼亚州的动画专业院校
假设你在一家视频制作公司担任人力资源协调员。公司希望为探索动画和动态图形设计职业的学生开发一个实习项目。公司位于美国宾夕法尼亚州。
你的团队希望与当地大学合作，为宾夕法尼亚州的学生提供实习机会。作为第一步，你需要创建一份宾夕法尼亚州设有动画专业的大学名单。这份名单应包含有关这些大学的必要详细信息，并且格式要组织良好，以便你的团队能够快速审阅。
1. 初始尝试
我们首先向Gemini（一个AI模型）提出一个基础请求：
帮我找到宾夕法尼亚州有动画专业的大学。
2. 评估初始输出
输出结果列出了宾夕法尼亚州拥有动画专业的大学，以及这些项目的进一步信息。这些信息很有用，但其结构方式不利于你的团队在联系这些大学时快速参考。将信息组织成表格会使它更易于阅读和理解，特别是对于像你的经理这样时间有限的利益相关者。
3. 第一次迭代：指定输出格式
我们可以通过添加上下文来迭代提示，以指定所需的输出格式。我们输入：
以表格形式展示这些选项。
现在，输出显示了一个表格，提供了每所大学的位置和所提供的具体学位类型的实用信息。这份名单现在采用了组织良好的格式，你的团队更容易跟进。
4. 第二次迭代：添加关键细节
虽然表格包含了你的团队所需的大部分信息，但它缺少一个关键细节：学校是公立还是私立机构。你的公司希望为公立和私立大学的学生都提供实习机会。
我们将向Gemini添加一个新的请求，将相关信息包含在表格中：
你能添加一列显示它们是公立还是私立吗？
现在，表格中包含了一列，用于指明大学是私立还是公立。
5. 分享与利用结果
为了以一种易于审阅和理解的格式与你的团队分享这些信息，你可以使用“导出到表格”功能。这将使你的团队能够轻松访问和分析数据，并根据结果做出明智的决策。
迭代提示的注意事项
你应该将同样的迭代方法应用于后续任务。在为其他任务开发提示时，请注意，在同一对话中先前所做的提示可能会影响你最新提示的输出。如果你注意到这种情况发生，可能需要开启一个新的对话。
总结
本节课中，我们一起学习了通过迭代改进AI输出的方法。迭代是提示工程的关键部分。通过对提示采取迭代方法，你可以利用LLM为你提供最符合需求的输出。记住，从清晰的提示开始，评估结果，识别不足，然后有针对性地修改和优化你的提示，是获得高质量AI协助的有效路径。
029：探索少量样本提示 🧠
在本节课中，我们将要学习一种名为“少量样本提示”的提示工程技巧。通过向大型语言模型提供少量示例，我们可以引导它生成更符合我们期望格式和风格的输出。
少量样本提示的概念
你是否曾参考先前的例子来创造新事物？例如，在撰写一份类似的报告时，你可能会参考一份广受好评的报告；或者在设计自己的网站时，以一个相关且吸引人的网站为模型。
示例对大型语言模型同样有用。在你的提示中包含示例，可以帮助模型更好地响应你的请求，并且是获得理想输出的一个特别有效的策略。接下来，我们将探索如何在提示中使用示例。
理解“样本”术语
在深入之前，让我们先简要讨论一个技术术语：“样本”。在提示工程中，“样本”一词通常用作“示例”的同义词。
根据提供给大型语言模型的示例数量，提示技术有不同的名称：
- 零样本提示：一种在提示中不提供任何示例的技术。
- 单样本提示：一种在提示中提供一个示例的技术。
- 少量样本提示：一种在提示中提供两个或更多示例的技术。
由于零样本提示中不包含示例，模型需要仅凭其训练数据和提示中包含的任务描述来执行任务。当你寻求简单、直接的回应时，零样本提示最有可能有效。对于需要模型以更具体、更细致的方式回应的任务，零样本提示可能效果不佳。
少量样本提示的优势
少量样本提示可以通过在提示中提供额外的上下文和示例来提高大型语言模型的性能。这些额外的示例有助于阐明期望的格式、措辞或通用模式。少量样本提示适用于一系列任务。例如，你可以用它来生成特定风格的内容。
假设你在一家在线零售商工作。你需要为一个新的滑板撰写产品描述。你已经有了现有产品（如自行车和轮滑鞋）的描述。你希望滑板的描述遵循类似的风格和格式。
实践：撰写产品描述
我们将从一个包含一些通用指令的提示开始：
写一句产品描述。它应包含两个描述该产品的形容词。
我们还需要指定，我们希望Gemini（模型）参考我们提供的示例，并以相同的风格撰写滑板的描述。由于这是一个少量样本提示，我们需要提供能体现我们所需风格的示例。
以下是示例的结构：
- 每个示例包含一个指示所描述产品的标签（如“自行车”、“轮滑鞋”）。
- 每个描述都是一句话，并包含两个形容词（例如，描述自行车用“流畅且耐用”，描述轮滑鞋用“顺滑且时尚”）。
接下来，我们输入标签“滑板”。当我们添加这个标签并将产品描述留空时，我们向Gemini表明，我们希望它像处理另外两个产品描述一样，来完成滑板的描述。
让我们回顾一下输出。输出提供了滑板的产品描述，它符合我们要求的条件，并且写作风格和格式与我们提示中包含的示例相同。
关于示例数量的考量
在这个案例中，两个示例足以获得有用的结果。但是，对于提示中应包含的最佳示例数量，并没有明确的规则。一些大型语言模型仅用几个示例就能准确复现模式，而另一些则需要更多示例。同时，如果你在提示中包含过多示例，模型的回应可能会变得缺乏灵活性和创造性，并且可能过于紧密地复现示例。为了在你的特定任务中获得最佳结果，请尝试调整示例的数量。
总结
本节课中，我们一起学习了一种能帮助你获得更高质量输出的提示技巧。少量样本提示是一种有效的策略，可以帮助你引导大型语言模型生成更有用的回应。
030：通过探索改进提示
在本节课中，我们将学习如何通过迭代和探索来改进向大型语言模型（LLM）输入的提示文本，以获得更理想的输出结果。我们将介绍几种实用的提示技巧。
大家好，我是Rachna，是谷歌的一名软件工程师。我所在的团队是“核心知识管理”，我们的职责是确保开发者能够获取他们所需的所有信息。
在人工智能领域，最重要的一项学习内容是“提示工程”，即研究输入什么样的文本才能获得你想要的回应。
探索有效的提示方法
找到针对LLM最有效提示的方法之一，是快速迭代并尝试多种不同的提示。
例如，如果生成的回应不够有趣，下次你可以尝试提示LLM让它变得更有趣。如果回应过于模糊，你可以使用一个明确要求AI不要模糊的提示。通过这种方式尝试多种不同的提示，通常能带来良好的结果。
调整上下文以控制输出
你可以通过调整输入上下文的多少，来改变LLM的使用方式，使其更具创造性或更具体。
如果你希望LLM给出一个相当有创意的回应，可以尝试使用非常简短的提示。如果你希望它非常具体，可以输入大量示例，这样它就会更贴近你的示例来生成内容。
思维链提示技巧
另一个非常有趣的技巧是“思维链提示”，即要求模型推理出自己的回应。
例如，如果你要求模型遵循某个数学方程式进行计算，你可以要求它先分解成步骤，然后执行第一步、第二步，依此类推。让LLM执行多个步骤有时能显著提高其回答的准确性。
让模型自我评估
我们使用的另一个稍显意外的提示技巧，是要求模型对其自身的回应做出反应。
有时，我会先向模型索取一个回应，然后问它：“这个回应模糊吗？”如果它回答“是”，我有时会舍弃那个回应。这样，我让它为我完成了一部分工作。
总结与展望
你实验得越多，越有创造力，效果就越好。跟上AI的发展有时会感觉像在跑步机上奔跑，而且速度越来越快，有太多新事物在不断变化。但我想，这也正是它如此有趣的原因。
本节课中，我们一起学习了通过迭代探索、调整上下文、运用思维链以及引导模型自我评估等方法来改进提示，从而更有效地利用大型语言模型。不断尝试和保持创造性是掌握这项技能的关键。
031：总结
在本节课中，我们将总结关于如何为大型语言模型编写有效提示的核心知识。您已经学习了大量可以应用于职场任务的提示词撰写技巧。
理解LLM输出
上一节我们介绍了提示工程的基础，本节中我们来看看大型语言模型（LLM）的输出特性。
我们探讨了LLM如何生成输出，以及您在输出中可能遇到的潜在问题。
核心原则：清晰与具体
在理解了LLM的输出机制后，我们聚焦于提示工程的一个关键原则：创建清晰且具体的提示。
您了解到，明确指定您希望LLM执行的任务，并包含辅助性的上下文信息以帮助其提供更好的输出，这一点至关重要。这可以用一个简单的公式来概括：
有效提示 = 明确指令 + 充分上下文
通过迭代提升输出质量
明确了核心原则后，我们进一步探索了如何通过迭代来提升AI输出的质量。
以下是进行有效迭代的关键步骤：
- 评估输出：仔细检查AI生成的初始结果。
- 识别差距：找出输出与您期望目标之间的差异。
- 修订提示：基于评估，调整您的提示词，使其更清晰、更具体或提供更多背景信息。
- 再次生成：使用修订后的提示词获取新的输出。
您必须评估输出，然后根据需要修改您的提示。这是一个循环往复的过程。
少样本提示技巧
除了迭代，我们还学习了一种高级技巧：少样本提示。
少样本提示涉及提供示例来引导LLM，其基本结构如下：
任务指令
示例输入1 -> 示例输出1
示例输入2 -> 示例输出2
...
您的新输入 -> [期望LLM在此生成输出]
通用原则的延伸应用
在结束之前，我想提供最后一个建议。我们主要关注的是提示大型语言模型。
当您提示其他类型的AI模型时，也可以使用相同的一般原则。例如，下次您想使用AI生成图像时，请尝试尽可能清晰和具体，然后通过迭代来接近您想要的输出。
课程总结
本节课中，我们一起学习了提示工程的核心流程：从理解LLM输出开始，到掌握清晰具体的提示原则，再到通过迭代和少样本示例来持续优化结果。这些技能不仅适用于文本生成，也能扩展到图像生成等其他AI应用场景。
很高兴能引导您完成提示工程的学习过程。希望您在工作中利用对话式AI工具时，能继续应用和发展这些技能。
😊 为了持续学习，我鼓励您探索“负责任地使用AI”这一主题，这也是Google AI Essentials课程的一部分。
032：引言 🧭
在本节课中，我们将要学习如何负责任地使用人工智能。我们将探讨负责任AI的核心原则，理解AI工具的局限性，并学习如何将AI与人类能力相结合，以实现积极、公正的成果。
确保你以负责任、合乎道德的方式使用人工智能，并致力于产生良好的结果。
我将向你介绍一些新概念，帮助你学习如何负责任地使用人工智能。学会负责任地使用AI，是试验和应用这项技术的关键部分。
负责任AI 是一项原则，旨在以合乎道德的方式开发和使用AI，目标是造福人类和社会，同时避免造成伤害。为了确保人们受到公平和尊重的对待，AI使用者必须了解AI工具的局限性，并承诺以合乎道德的方式使用它们。
AI使用者 是指利用AI来完成个人或专业任务的人，例如为营销活动编辑文案、为非营利筹款活动构思创意，或者探索更有效地使用某项技术的方法。
AI可以执行许多任务，帮助工作变得更高效、更富有成效或更有吸引力。但需要明确的是，AI并不完美。人类具有创造力、逻辑性和同理心。我们拥有批判性推理能力以及对所处环境的上下文理解，这是AI系统所缺乏的。
考虑一下飞机中的自动驾驶功能是如何工作的。自动驾驶仪可以从A点导航到B点，但飞机仍然需要人类飞行员来做出复杂的决策。例如，如果天气迫使飞机紧急迫降，飞行员将是处理该情况并安全降落飞机的人。在这个场景中，自动驾驶仪是系统，而飞行员是使用者。自动驾驶仪可以处理许多保持飞机在空中飞行的技术性工作，但安全驾驶飞机的责任通常在于飞行员。
类似地，AI工具可以帮助处理工作场所中的许多基础任务。AI可以用来为新产品的构思创意、起草新闻稿大纲、建议在焦点小组中提出的问题等等。但它无法执行更高层次的任务，例如为员工提供个性化的绩效反馈、判断应该雇用哪位候选人，或者为患者提供治疗。
当AI被用作对我们独特的人类技能和能力的补充时，它能发挥最佳作用。作为负责任创新团队的一员，我运用自己的人类能力与同事沟通、激励团队成员，并负责任地推动创新。
我的名字是Amediaio，我将帮助你了解负责任地使用AI意味着什么。
上一节我们介绍了负责任AI的基本概念，本节中我们来看看本课程的具体学习目标。
在本课程的这个部分，你将学习AI模型中存在的偏见。然后，你将审视与AI相关的各类潜在危害，以及将AI使用与批判性思维和负责任决策等人类能力相结合的重要性。最后，你将发现一些在试验或使用AI工具时保护隐私和安全的技巧。
本节课中我们一起学习了负责任使用AI的重要性及其核心原则。我们明确了AI作为辅助工具的角色，并概述了后续将深入探讨的关键主题：AI偏见、潜在危害、人机协作以及隐私安全。让我们开始学习吧。
033：理解人工智能中的偏见 🤖
在本节中，我们将探讨人工智能中一个至关重要的议题：偏见。我们将了解偏见如何产生，它如何影响AI的输出，以及作为用户，我们应如何负责任地使用AI工具。
AI是一种鼓舞人心的工具，它有助于实现新的体验、机遇和成就。例如，AI被用于帮助自动驾驶汽车在繁忙的道路上检测行人，以及预测医疗状况的存在和严重程度。然而，AI的有益性并非理所当然。作为了解AI潜在偏见和局限性的用户，你可以帮助确保其产生负责任的结果，而非有害的结果。
AI模型基于人类创建的数据进行训练，因此它们包含了人类的价值观，并可能受到偏见的影响。它们有时也可能产生不准确的结果。因为AI模型是在数据集上训练以识别模式和执行任务的，所以模型的好坏完全取决于它接收到的数据。AI工具的输出可能同时受到系统性偏见和数据偏见的影响。
上一节我们介绍了AI可能产生偏见这一事实，本节中我们来具体看看这两种偏见的含义。
系统性偏见
首先，系统性偏见是由机构所维持的一种倾向，它偏袒或不利于某些结果或群体。系统性偏见存在于医疗保健、法律、教育、政治等社会系统中。即使设计和训练AI模型的人认为他们使用的是高质量数据，这些数据也可能已经带有偏见，因为人类本身就受到系统性偏见的影响。
数据偏见
数据偏见是指系统性错误或成见导致信息不公平或不准确，从而产生有偏见的输出。假设你正在准备一份工作报告，你要求AI图像生成器创建一张CEO的照片。所有生成的图像都显示为白人男性。基于这个结果，你可能会认为所有CEO都是白人男性。显然，这些数据是有偏见的。然而，AI模型越是使用白人男性作为CEO的图像进行训练，它就越有可能生成类似的有偏见输出。因此，数据所代表的人群越多样化，图像生成的结果就越具有包容性。
在理解了偏见的来源后，我们还需要认识到，AI模型不仅反映数据中的偏见，也反映设计者的价值观。
AI模型的价值负载性
正如AI模型反映了用于训练它们的数据的偏见一样，它们也反映了设计者的价值观。换句话说，AI模型是价值负载的。例如，一位AI工程师希望帮助创造更可持续的能源生产方式。这位工程师可以使用AI构建一个工具，允许能源供应商增加对可再生资源的使用。在这种情况下，AI工具的创建基于“社会能够且应该充分利用太阳能和风能”这一理念，这反映了工程师的价值观。这种关注点意味着该AI工具并非本质上的价值中立。其他人可能对能源生产持有不同的价值观，而这些价值观并未体现在这个特定的AI工具中。
与大多数新兴技术的方面一样，AI并非一个完美的系统。目前，它既带来了机遇，也带来了挑战。因此，负责任地使用它需要批判性思维，以及对数据可能如何存在偏见的理解。
本节课中我们一起学习了AI中的偏见问题。我们了解到，由于AI模型基于人类数据训练，因此可能继承系统性偏见和数据偏见。同时，AI工具也是价值负载的，反映了其创造者的价值观。认识到这些局限性，是负责任且有效地使用AI的关键第一步。
034：识别人工智能的危害
概述
在本节课中，我们将要学习人工智能可能带来的各种危害。了解这些危害是负责任地使用AI工具的第一步，有助于我们识别并防范潜在的风险。
限制偏见与不准确性
为了限制偏见、漂移和不准确性，人工智能模型需要人类采取行动。例如，在更多样化的数据集上重新训练模型，并持续进行频繁的微调。
人类还必须考虑使用这些AI工具可能带来的无意伤害。
上一节我们介绍了AI模型需要人工干预来提升质量，本节中我们来看看，如果使用不当，AI具体会造成哪些类型的危害。
人工智能的危害类型
以下是几种主要的人工智能危害类型，每种类型都通过具体例子说明其影响。
分配性危害
分配性危害是指当AI系统的使用或行为，在影响个人福祉的领域中，剥夺了机会、资源或信息时发生的错误行为。
例如，如果AI工具没有向所有人提供相同的信息，一些人可能会被剥夺获得教育、医疗保健、公平住房或其他机会的权利。
假设一位公寓楼物业经理使用AI工具筛选潜在租户的申请。该AI工具使用申请上的姓名和其他身份信息来帮助进行背景调查。一位申请人因信用评分低而被视为风险，因此被拒绝入住，并损失了申请费。后来，物业经理发现软件错误识别了申请人，对错误的人进行了背景调查。
在这个例子中，申请人经历了分配性危害，因为他们被剥夺了机会并损失了资源，这两者都影响了他们的福祉。
服务质量危害
服务质量危害是指AI工具基于某些人群的身份，未能为他们提供同等质量服务的情况。
当语音识别技术最初开发时，其训练数据中缺乏许多残障人士的语音模式示例。因此，设备常常难以解析这类语音。不过，这项技术仍在不断发展。
表征性危害
表征性危害是指AI工具基于身份，强化了对某些社会群体的从属地位。
例如，为语言翻译应用提供支持的AI，可能会将某些词语与女性化或男性化特征联系起来，并根据这些假设选择性别特定的翻译。
这种危害之所以有害，是因为其结果可能由于内置的偏见，导致社会群体被抹除或疏离。
社会系统危害
这种危害指的是宏观层面的社会影响，它会放大现有的阶级、权力或特权差距，或由于AI工具的开发或使用而导致人身伤害。
随着AI生成图像变得越来越逼真，人们对虚假信息（包括深度伪造）的传播感到担忧。深度伪造是指AI生成的、描绘真人说或做他们未曾做过之事的虚假照片或视频。
一个社会系统危害的例子可能是：一段关于某学校董事会候选人的深度伪造视频显示该候选人说了他们并未说过的话。如果这段视频病毒式传播，导致该候选人落选，那将影响选民的观点、家长对其学区的感受以及整个社区。因为这将是大规模传播的虚假信息，这就是一种社会系统危害。
幸运的是，正在开发新技术来检测深度伪造。一些图像生成工具会在AI生成的图像和视频上添加数字水印，以表明创建者是谁。随着时间的推移，计算机应该能更容易地识别深度伪造。
AI用户确实需要意识到区分AI生成图像和真实图像的难度，以及创建这些深度伪造的后果。
人际危害
有时，人们可能会向AI工具分享私人信息，这些信息可能被他人滥用，例如锁定某人的在线账户或对其进行监视。
这些都是人际危害的例子。人际危害是指利用技术对某些人造成不利影响，负面地影响他们与他人的关系，或导致其自我意识和能动性的丧失。
总结与展望
本节课中我们一起学习了，所有这些危害都例证了不负责任地使用技术如何对社区中的人们产生负面影响。如果在没有人工干预或批判性思维的情况下使用，AI可能会强化系统性偏见，导致资源分配不公、危险刻板印象的延续或现有权力动态的强化。
好消息是，AI工具正在根据用户的反馈迅速发展。因此，意识到潜在的危害和负面结果，是负责任地使用AI的第一步。
035：负责任人工智能的职业道路
概述
在本节课程中，我们将跟随谷歌的负责任创新项目经理埃米利奥，了解他如何从政治学与西班牙语专业背景，转型进入人工智能领域，并专注于确保AI技术以负责任的方式被开发与应用。我们将探讨AI系统可能存在的偏见、数据的重要性，以及每个人在使用AI工具时可以采取的行动。
从文科到AI的转型之路
大家好，我是埃米利奥。我在谷歌工作，是一名负责任创新项目经理。
我经常被问到：等等，你本科是政治学和西班牙语专业，现在却在做AI？你具体做什么？我的最佳回答是：我什么都做，也什么都不做。我是一名项目经理。我确保项目按时完成。我确保团队成员能良好且高效地协作。我将AI领域的专家（例如在感知、公平性等特定领域的专家）与希望采纳这些最佳实践的产品开发团队连接起来。
觉醒时刻：认识AI的风险与责任
我读过一本非常有影响力的书，它讲述了自动化某些系统性不平等所带来的危险。这本书真正唤醒了我，让我不仅看到AI的可能性（我自认为是一名技术乐观主义者），更认识到在未充分教育开发者和我们自己理解其影响的情况下部署AI所带来的后果。我们必须思考这些系统会产生什么连锁反应。
背景与价值观：人与AI的共通之处
思考你自己的背景、你的文化根源，你拥有的一系列经历塑造了今天的你，并构成了你核心价值观和信念的基础。AI系统也是如此。例如，我来自南加州，我对阳光和完美的海浪有偏爱。我认为很多人都是如此，而我尤其如此。虽然这些人类特质可能无法直接转化为机器学习模型，但你可以将经历等同于数据。
核心概念：机器学习模型只能基于它们所“摄入”的数据进行学习，无论是通过历史数据集还是用户反馈。
数据的关键：包容性与代表性
如果我们能让这些系统更好地代表它们意图服务的用户，我认为这将有助于服务更多人。我经常思考的是：输入这些数据集的信息是什么？谁被包含在内，谁又被排除在外？
我经常考虑面部检测系统。社交媒体网站上的这些系统，对于像我这样拥有较深肤色的人，或者肤色更深的人，工作效果如何？它是否能在所有肤色谱系上平等地工作？还是不能平等地工作？
个人行动指南：使用AI工具的责任
我认为在使用这些工具时，我们所有人都负有个人责任。你可以做两件事：
以下是你可以采取的两项具体行动：
- 检查输出：检查你正在使用的任何工具的输出结果。
- 检查数据：如果你要将新数据输入模型，请检查这些数据，确保它具有包容性，确保它能代表你希望互动的不同群体。
此外，积极参与，不断对你认可或不认可的事物提供反馈，这样创建这些系统的团队就知道如何改进。
总结
本节课中，我们一起学习了埃米利奥从文科生到AI领域从业者的独特职业路径，理解了个人背景与价值观如何影响我们对技术的看法。我们认识到机器学习模型依赖于其训练数据，因此数据的包容性与代表性至关重要。最后，我们明确了作为AI工具的使用者，每个人都有责任通过检查输出、审视数据并提供反馈，来促进AI系统向更负责任、更公平的方向发展。
036：人工智能的安全与隐私风险 🔒
在本节课中，我们将要学习人工智能工具使用过程中涉及的安全与隐私风险。了解这些风险并掌握相应的防范知识，对于负责任地使用AI至关重要。
概述
你已经了解到，认识到AI工具可能带来的危害非常重要。同样重要的是，确保你具备相关知识，以便在涉及数据时做出明智的决策，尤其是在隐私和安全方面。
理解隐私与安全
上一节我们介绍了风险意识的重要性，本节中我们来看看隐私与安全的具体定义。
隐私是指用户有权控制其个人信息和数据如何被收集、存储和使用。AI模型的训练使用了多种信息，包括数据集和用户输入。例如，用户在与AI工具交互时可能会透露私人信息。个人信息可能包括姓名、地址、医疗记录、历史财务和支付信息。
安全是指保护个人信息和私人数据的行为，并通过防止未经授权的访问来确保系统安全。如果你在工作中使用AI工具，可能会决定在AI提示中包含有关项目、利益相关者或客户的特定信息，以使输出更符合你的任务需求。但以这种方式使用AI工具可能会带来安全风险。
潜在风险与行业观点
大多数IT行业领导者认为，生成式AI可能会带来新的安全风险。在一个组织首次实施生成式AI之前，该组织应加强安全措施。
保护隐私与安全的措施
作为用户，你可以采取一些措施来帮助保护你自己、你的组织、同事和业务伙伴的隐私和安全。以下是你可以遵循的几个关键步骤。
1. 了解工具条款与政策
在使用AI工具之前，请了解其使用条款或服务协议、隐私政策以及任何相关风险。考虑AI工具在如何收集用户数据方面的透明度。值得信赖的AI工具通常由强大的安全和隐私团队构建，他们已充分考虑各种风险，并努力向用户传达这些风险。在接受网站或应用程序的服务条款之前，请注意收集了哪些数据以及可能如何使用。
2. 避免输入敏感信息
大多数AI工具在没有具体个人详细信息的情况下也能充分运作。因此，在使用AI时，请将私人信息保密，例如你的身份、部门预算详情或电子邮件地址。同样，避免将机密信息输入AI工具，以防止这些数据在发生安全漏洞或数据泄露时被第三方获取。为了个性化你的输出，你总可以在之后编辑细节。许多AI工具使用加密和其他措施来帮助保护你的信息，但你应始终确保保护自己的隐私。
3. 保持信息更新
最后，及时了解最新工具。了解AI的新进展可以帮助你理解随之而来的风险。因此，如果你计划频繁使用AI，请确保阅读来自可信新闻来源、学术和大学出版物以及领域专家的最新文章。在AI领域，技术几乎每天都在进步和变化。幸运的是，安全策略也是如此。
总结
本节课中我们一起学习了，隐私和安全是负责任地使用AI的重要组成部分。了解如何保护你的组织和自身安全，是负责任AI不可或缺的一部分。通过遵循上述措施，你可以更安全、更明智地利用人工智能的力量。
AI基础知识：6.02.03：开发适用于所有人的人工智能 👨💻
在本节中，我们将跟随谷歌研究科学家肖恩，探讨如何开发公平、包容且适用于所有人的人工智能系统。我们将了解AI偏见问题、解决方案以及如何负责任地使用AI。
大家好，我是肖恩。我是谷歌研究院的一名研究科学家。
我的研究方向是人工智能的公平性与平等性，特别是针对残障人士等边缘化群体。
我加入谷歌的主要原因是希望对我们正在使用和即将到来的技术产生影响。
这份工作中我最喜欢的部分是与人合作，不仅是我的团队成员。
在我们的研究中，我们还会深入社区，获取关于如何改进以及应如何思考AI未来及其对人们影响的反馈。
当你思考不同人群如何与AI系统互动时，需要考虑的一点是，人们会提出问题。
对于残障人士来说，什么是生活化的？残障人士喜欢什么样的事物？
对于这类问题，正确的答案并不明确。你应该如何回答？我认为我们需要避免的一点是说：“哦，这是个敏感话题，所以我们不能回答。”从我的角度来看，这意味着我们失败了。😊
因为现在我们错失了教育人们和帮助人们的机会。我们希望系统能为每个人服务。AI必须面向所有人。
AI偏见是一个巨大的问题，我们必须从数据、算法到用户界面等多个方面以多种方式解决它。
解决偏见和有害内容的一种方法是确保我们的数据集是恰当的，并能代表广泛多样的人群。我们团队的大量工作在于帮助制定数据收集指南，并确保我们拥有代表广泛人群、广泛经验和广泛视角的数据。
跟上这些问题的一种方法是建立透明的系统，即能够理解AI系统如何工作、它们使用什么数据、以及它们如何得出特定类型的反馈。
我认为学习使用AI的一个关键部分也在于应用批判性思维。
不要仅仅接受你得到的第一个答案，而是要真正尝试理解某个特定答案产生的原因。
我将AI系统视为帮助你找到答案的工具，而不是直接给你答案的工具。
我在家庭生活中也使用AI。几周前，我用AI帮助为我们的宠物想名字。这非常有用，既有趣，也是一种产生想法和享受乐趣的方式。
我的猫叫“骨头博士”。是的。
038：利用人工智能促进积极变革 🌟
在本节课中，我们将跟随谷歌副总裁兼首席互联网布道师文特·瑟夫，探讨人工智能如何被应用于解决现实世界中的重大挑战，并理解其带来的机遇与责任。
我是文特，担任谷歌的副总裁兼首席互联网布道师。有人认为我很有名，但我认为自己只是幸运。我有幸在1973年参与了互联网的早期设计工作。自那时起，我的整个职业生涯都与互联网及其发展紧密相连。
人们常问我，什么是首席互联网布道师，以及互联网为何需要布道师。答案是，全球仅有约三分之二的人口能够上网并访问互联网的丰富资源。因此，首席互联网布道师的职责就是在全球奔走，鼓励人们建设更多互联网基础设施，让每个人都能接入网络。
我几乎见证了人工智能发展的整个历程，因为人工智能的概念可以追溯到20世纪60年代。
人工智能在危机应对中的应用 🚨
上一节我们了解了文特的背景，本节中我们来看看人工智能如何被用于应对危机。
以下是人工智能在应对野火等危机中的具体应用案例：
- 灾害预警：在九个不同的国家，谷歌的服务正被用于发布SOS警报，通过地理定位来预警野火。
- 预测分析：我们开始看到原始数据被输入人工智能算法，以帮助我们预测火灾的蔓延趋势。这将有助于森林火灾的响应工作，并能在人们面临风险时，协助疏散建筑物内的人员。
人工智能在科学研究中的突破 🧬
除了应对即时危机，人工智能在推动基础科学研究方面也展现出巨大潜力。
另一个例子来自我们的姊妹组织DeepMind。他们训练了一个机器学习系统，学习如何折叠由DNA解读生成的蛋白质。这一点之所以至关重要，是因为这些分子可能成为解决各种遗传疾病的关键。这类应用让我感到非常兴奋。
培养人工智能素养 🤔
那么，作为非技术专业人士，我们该如何看待人工智能呢？人工智能素养的核心，并非要求每个人掌握其工作的绝对细节。就像不是每个人都需要知道汽车的构造才能驾驶它一样。
我们希望人们对人工智能的力量与风险都能有清醒的认识。
人工智能的未来展望 🌈
长远来看，随着我们越来越擅长更可靠地运用这些技术，人工智能将对几乎各行各业产生深远影响。
以下是人工智能可能带来的一些积极变革：
- 增强研究能力：它将增强我们的研究能力。
- 个性化教育：每位学生都可能拥有一位个人导师。
- 赋能创作者：对于试图创作文本、电影、视频和图像的创意人士来说，人工智能将提供一个远比画笔更强大的调色板和工具，用于发明与创造。
正如万维网已成为一个巨大的创意与创新平台，我认为人工智能世界也将引发类似的效应。
本节课中我们一起学习了：人工智能不仅是前沿科技，更是解决野火预警、疾病研究等全球性问题的实用工具。培养人工智能素养意味着理解其双面性。展望未来，人工智能有望通过个性化教育、赋能创意等方式，深刻改变我们的生活与工作方式，成为驱动社会进步的新平台。
039：负责任地使用AI总结
在本节课程中，我们探讨了如何负责任地使用人工智能，重点关注如何减轻偏见、避免社会危害以及维护隐私安全。现在，让我们回顾一下本部分的核心要点。
回顾关键要点
首先，我们探讨了系统性偏见和数据偏见如何反映在AI模型中。
以下是关于AI偏见来源的关键点：
- 使用不完整、过时或不准确的数据来训练或开发模型，会增加AI系统中的偏见。
上一节我们介绍了偏见的来源，本节中我们来看看与AI相关的潜在危害类型。
你审视了与AI相关的各类危害，尤其是在AI工具未与人类能力（如批判性思维和负责任决策）结合使用时可能产生的问题。
最后，我们获得了一些在使用AI时维护隐私和安全的小贴士。
负责任使用AI的承诺
承诺负责任地使用AI的最佳方式，是在享受其益处的同时，对AI的风险保持警惕。
以下是你可以采取的几个具体行动：
- 批判性思考：对你如何使用AI以及从AI工具接收到的输出结果进行批判性思考。
- 分享意识：与他人分享你对潜在偏见的认识。
- 保持更新：随时了解最新的AI发展动态也非常重要。
总结与展望
本节课中我们一起学习了负责任地使用AI的重要性。AI工具正在迅速改变世界，但新技术也伴随着风险。理解潜在的危害将帮助你思考如何负责任地学习使用这些工具。
很高兴能向你介绍AI的负责任使用。为了持续学习，我鼓励你作为Google AI Essentials课程的一部分，随时关注AI的最新发展。
040：课程简介 - 保持人工智能领先优势 🚀
在本节课中，我们将学习如何持续跟进人工智能领域的最新发展，评估新工具，并探索如何在工作中有效利用AI。
保持知识领先的一部分，涉及学习人工智能的创新应用方式。
人工智能持续以新方式发展，这一点令人振奋。这意味着总有更多知识需要学习：更多工具、更多人们将AI融入工作的实例、更多关于如何负责任地使用AI的指南，甚至还有新型的模型。
持续关注人工智能的新发展，能使你更有效地使用它。
我叫Sharbani，是谷歌核心机器学习团队的高级总监。这意味着我合作的团队，致力于提供基础设施和工具，以帮助人们更快、更轻松地构建和产出卓越的AI创新成果。
我很高兴能帮助你学习如何跟上AI发展的步伐。
课程内容概览
以下是本课程将涵盖的核心内容。
首先，你将学习如何评估新的人工智能工具。
接着，你将探索鼓舞人心的AI创新案例，并思考他人如何在其领域内整合AI。
最后，你将识别在工作场所中利用AI的机会。
希望你对接下来的旅程充满期待，并准备好探索随着AI迈向未来而保持同步的策略。
让我们开始吧。
041：从人工智能创新中汲取灵感 🚀
在本节课中，我们将学习如何从现有的人工智能创新中获取灵感，并思考如何将其应用到自己的工作中。我们将探讨几种创新的AI模型及其应用场景，帮助你开启自己的AI创新之旅。
识别需求与任务
要开始利用AI进行创新，首先需要考虑你需要完成哪些任务。例如，思考是什么拖慢了你的工作进度。接着，思考将AI融入你的工作流程如何帮助你满足这些需求。
为了获取灵感，让我们讨论一些创新类型的AI模型，并探索它们的可能性。
探索专业领域模型：Med-PaLM
Med-PaLM是一个专为回答医学问题而设计的大型语言模型。它基于谷歌现有的LLM模型PaLM构建，但通过与临床医生合作进行训练，使其适应了回答医学问题的需求。
Med-PaLM模型令人兴奋之处在于，它展示了像PaLM这样已存在的模型，通过与领域专家合作训练，可以实现专业化。这启发我们思考医疗行业的从业者如何利用这个模型，以及其他行业如何使用他们自己的专业模型。
理解多模态模型
一些机器学习和AI工具在其输入中仅分析一种模态或形式的数据。
多模态模型是一种可以接受并学习多种类型输入的AI模型，例如图像、视频或音频。融合了多模态模型的AI工具，能够执行比仅分析单一数据类型模型更多的任务。
Med-PaLM有一个多模态版本，称为Med-PaLM M。作为一个多模态模型，Med-PaLM M不仅能回答基于文本的医学问题，还能解读多种类型的生物医学数据，包括语言、医学影像和基因组数据。这极大地扩展了该模型在医学领域的应用潜力。
从跨行业应用中汲取灵感
让我们考虑以下场景：你正在参加一场演讲，观众众多，每个人都对演讲者的每一句话充满兴趣。观察演讲者可能会给你带来启发。即使你没有在相同主题上演讲的专业知识，你或许可以借鉴这位演讲者使用的一些技巧。
同样，你可以从他人如何使用AI中找到灵感。AI正在多个行业中被创新性地使用，并且越来越多的人类正在应用AI来为复杂问题创造解决方案。
机器人技术中的AI创新
机器人技术是另一个AI被频繁以新颖方式应用的行业。初创公司Refiberd正在将AI应用于传感器技术，以帮助减少纺织品浪费。
Refiberd开发了一个AI系统，该系统使用传感器根据材料来识别和分类回收工厂中的不同纺织品。这有助于减少回收工厂中的浪费。由特定材料制成的纺织品可以被送往能够处理它们的设施。
你可以将这个例子中的想法应用到自己的工作中。即使你的工作中没有机器人或不需要对物理对象进行分类，你也可能受到启发，以另一种方式使用AI进行分类。例如，你可以使用AI来组织工作场所的任务。AI还能帮助你完成哪些其他类型的分类或组织任务呢？
总结与鼓励
人类使用AI来解决问题和改善他人生活的方式多种多样。我鼓励你继续探索如何也能用AI来增强你的工作。
在本节课中，我们一起学习了如何从识别自身需求开始，通过研究像Med-PaLM这样的专业模型和多模态模型来获取灵感，并观察AI在机器人技术等跨行业中的创新应用。希望这些内容能帮助你找到将AI融入工作流程的起点。
042：持续探索人工智能应用 🚀
概述
在本节课中，我们将跟随谷歌研究科学家格雷格的分享，了解他进入AI领域的历程，并学习如何以开放和实验性的心态，持续探索人工智能在不同场景下的创新应用。
从物理学到人工智能 🧠
上一节我们了解了AI的广泛影响，本节中我们来看看一位研究者的个人旅程。我是格雷格，是谷歌的一名研究科学家。这意味着我的工作是尝试构建技术并开发新方法，以使机器变得智能。
我小时候看了很多电视节目，主要是像《新星》这类偏重教育的节目。我对物理学和宇宙的运行方式产生了浓厚的兴趣。尽管我的家人大多不从事这类工作，但我依然坚信自己要去大学学习物理。
在我的学习过程中，我发现世界上最令我感兴趣的理解对象其实是大脑和人类认知。因此，我进入了研究生院学习神经科学。
跨学科的灵感 💡
在神经科学领域，我遇到了一些研究者，他们不仅探索大脑如何工作，还研究大脑如何教会我们构建更智能的机器。我加入谷歌，就是为了追随这些想法，探索生物学和神经科学中的理念是否能帮助我们建造更聪明的机器。
从只能理解明确指令的机器，转变为能够从经验、数据或错误中学习的机器，这一转变具有变革性的意义。
观察与学习：创新的源泉 👀
看到其他人如何使用一项技术或工具，无论是AI还是其他东西，都能为你提供关于如何运用该工具的新思路。这就像观看烹饪节目，你不必制作节目中厨师做的同一道菜，也能学到如何以不同方式使用工具。
我强烈鼓励人们去了解这项技术如何发挥作用，因为你可能会遇到类似的问题，即使它来自不同的领域或行业。
探索AI新应用的简单方法 🛠️
上一节我们谈到了从观察中学习，本节中我们来看看如何主动探索。我认为，以新方式将AI应用于某个场景或技术的方法其实相对简单，那就是从“玩”开始。
以下是开始探索的步骤：
- 从“玩”开始：尝试用一个简化的问题版本和解决方案来“玩”，看看能否在简化环境或小规模下使其奏效。这能给你尝试更大规模应用的信心。
- 从小处着手：不要一开始就尝试创作整首交响乐，可以先从完成一段旋律或一个乐句开始。
把握机遇，勇于尝试 🌟
如果说有什么建议的话，那就是尽可能广泛地认识其中的机遇，并愿意反复尝试。
因此，这里确实存在一个成为发现者的机会——发现如何用好一个工具，如何利用技术获得新效果，或如何将其用于新目的。
总结
本节课中，我们一起学习了格雷格从物理学到AI研究的跨学科路径。关键在于保持开放心态，通过观察他人和亲手实验（从“玩”开始）来探索AI的潜力。无论是构建AI还是发现使用它的新方法，创新和创造的机会都掌握在你自己手中。
043：发现人工智能如何助力工作
在本节课中，我们将要学习如何通过提示工程，利用生成式人工智能来提升工作效率。我们将了解什么是提示，并学习一个用于编写高效提示的通用框架。
什么是提示？
上一节我们介绍了课程的目标，本节中我们来看看“提示”究竟是什么。
简单来说，提示是向生成式AI工具提供特定指令的过程，目的是获取新信息或完成某项任务。这些指令被称为“提示”。当我们为生成式AI工具编写提示时，我们是在给它一系列输入，并告诉它我们希望它生成什么。
以下是生成式AI工具的一些能力：
- 一些生成式AI工具可以生成文本或图像。
- 另一些则可以生成视频、音频甚至代码。
提示工程：艺术与科学
提示工程既是一门艺术，也是一门科学。为了获得最佳结果，我们需要精确地定义我们的需求。这类似于你帮助队友开始一个新项目的方式：提供背景信息和设定参数，将帮助你从生成式AI中获得最佳输出。
课程核心内容概述
接下来，我们将概述本课程将涵盖的核心技能。
首先，你将学习提示框架。这是一个用于编写优秀提示的公式。你将在整个课程中使用这个框架。
之后，课程的重点是将提示应用于具体的任务，以节省你的工作时间。
以下是本课程将教你完成的具体任务：
- 你将使用生成式AI进行头脑风暴、制定计划，并为不同受众起草电子邮件。
- 我们将教你如何总结会议记录、分配行动项等。
我们还将教你如何使用生成式AI分析数据和电子表格。
你将编写提示，以帮助发现隐藏在数据中的洞察。然后，你将使用生成式AI将这些洞察转化为图表，并最终将其全部转化为带有演讲要点的演示文稿幻灯片。
接下来，你将学习高级提示技巧，以帮助你处理复杂的任务。例如，你将学习如何创建提示，使长期复杂的项目更易于规划和执行。
你还将学习如何设计提示来创建你自己的个性化AI助手，用于诸如面试前练习或为困难的工作对话做准备等事情。
最后，你将学习如何负责任地使用生成式AI，包括在工作中和团队中使用它的指导原则。这一点至关重要。生成式AI工具帮助你完成工作，但它们并不替你完成工作。任何使用生成式AI的人都应始终评估和事实核查其输出。
关于工具与练习
市面上有很多生成式AI工具。在本课程中，我们将演示如何使用Gemini及其他Google AI工具（如用于Google工作区的Gemini和Google AI Studio）进行提示。但你在本课程中学到的所有技巧和最佳实践，都可以应用于其他生成式AI工具，如ChatGPT、Copilot或Claude。
最后，我们设计本课程是为了让你获得可以立即在工作中使用的技能。因此，你将要学习的所有这些课程和技巧都植根于真实场景。你应该进行实验和尝试，以找出最适合你的方法。在学习本课程时，你可以随时暂停视频，并用你当前正在处理的事情来测试你刚刚学到的内容。
本节课中，我们一起学习了提示的基本概念、提示工程的重要性，并预览了如何通过具体的框架和技巧，利用生成式AI来提升各类工作效率。现在，让我们开始编写我们的第一个提示吧。
044：运用五步提示框架 🧠
在本节课中，我们将学习如何创建有效的提示。一个好的提示遵循一个简单的框架，它能帮助你从生成式AI工具中获得更精准、更有用的输出。
概述
我们将介绍一个由五个步骤组成的提示框架：任务、背景、参考、评估与迭代。这个框架的核心是“深思熟虑地创建真正优秀的输入”。只要记住这个原则，你就能构建出高质量的提示。
第一步：定义任务 🎯
首先，你需要清晰地描述你希望生成式AI工具帮助你完成的任务。一个明确的任务描述应包含两个关键元素：角色和格式偏好。
- 角色：指你希望AI工具从何种专业知识背景出发。你可以要求它扮演一个特定角色，例如：
- 一位专业的演讲稿撰写人。
- 一位拥有15年经验的营销主管。
- 你也可以要求它为特定受众（如客户或你的经理）生成内容。在设定角色时，描述可以尽可能详细。
- 格式偏好：指你希望输出结果以何种形式呈现。例如：
- 项目符号列表。
- 简短的句子。
- 表格。
公式示例：
任务 = 角色 + 格式 + 核心指令
例如：“扮演一位资深产品经理，以项目符号列表的形式，为我起草一份新功能发布邮件。”
第二步：提供背景信息 📖
上一节我们定义了任务，本节中我们来看看如何为任务提供必要的背景信息。背景信息是帮助AI工具理解你具体需求的关键细节。
背景信息能将一个模糊的请求变得具体。例如：
- 模糊请求：“给我一些30美元以下的生日礼物点子。”
- 具体请求（含背景）：“给我5个生日礼物点子。我的预算是30美元。礼物是送给一位29岁、热爱冬季运动，并且最近刚从单板滑雪转向双板滑雪的朋友。”
通过添加背景（预算、收礼人年龄、兴趣爱好变化），AI工具能提供更贴合实际、更具个性化的建议。
第三步：引入参考示例 📚
有时，你可以为AI工具提供一些参考示例，以帮助它更好地生成输出。
继续以生日礼物为例，如果你提供了过去送过的成功礼物作为参考，AI工具就能基于这些例子，给出更符合你风格或更实用的建议。
当然，并非所有任务都有明确的参考物，尤其是在处理抽象概念或寻求灵感和创意时，这一步可能不适用。
第四步：评估输出 🔍
在获得AI的输出后，下一步是进行评估。你需要问自己：我提供的输入是否得到了我需要的输出？输出结果是否符合任务要求、背景设定，并满足格式偏好？
评估是判断提示是否有效的关键环节，它直接导向框架的最后一步。
第五步：迭代优化 🔄
如果我们评估输出后，发现结果不理想，就需要进行迭代。这意味着你可以通过添加更多信息或调整提示内容来再次尝试。
代码示例（迭代过程）：
# 初始提示
prompt_v1 = “写一首关于春天的诗。”
# 评估后，添加更多细节进行迭代
prompt_v2 = “扮演一位中国古代诗人，写一首五言绝句，描绘初春山景的宁静与生机。”
迭代是有效提示的核心部分，我们将在课程后续深入探讨。关于这个框架，还有一点很重要：构建有效提示的方法有很多种，提示本身的实质内容远比其结构的顺序更重要。只要你坚持“深思熟虑地创建真正优秀的输入”这一原则，你的输出结果就会很棒。
总结
本节课中，我们一起学习了创建有效提示的五步框架：任务、背景、参考、评估与迭代。记住，关键在于清晰定义任务（包含角色和格式），提供充分的背景细节，并在必要时引入参考和进行迭代优化。掌握这个框架，将帮助你更高效地与生成式AI工具协作。
045：现实场景应用-通过添加上下文与角色设定优化提示效果 🎯
在本节课中，我们将学习如何通过为AI模型提供更丰富的上下文和设定明确的角色，来显著提升提示（Prompt）的效果，从而获得更优质、更贴合需求的回答。
上一节我们探讨了提示的基本概念，本节中我们来看看如何通过具体的技巧来优化提示。
概述：为何上下文与角色如此重要？
与AI模型对话时，你提供的信息越详细、背景越清晰，它就越能理解你的意图，并生成更精准、有用的回答。将AI视为一个需要明确指引的合作伙伴，而非一个全知全能的神谕。
核心技巧一：提供丰富的上下文
仅仅提出一个简单的问题往往得不到最佳答案。关键在于提供尽可能多的相关背景信息。
以下是添加上下文时可以包含的具体内容：
- 项目背景：说明你正在进行的项目是什么，它的目标是什么。
- 公司/团队信息：提及公司的价值观、团队的使命宣言或业务领域。
- 历史与现状：描述你过去尝试过的方法、现有的计划或文档。
- 约束条件：明确预算、时间线、资源限制等具体参数。
公式：优质提示 = 清晰指令 + 丰富上下文 + 具体约束
核心技巧二：设定明确的角色（Persona）
通过为AI设定一个角色，你可以引导它从特定的专业视角来思考和回答问题。这就像为你请来了一位该领域的专家顾问。
例如，不要只说“帮我写一个营销计划”，而是说：
代码：想象你是一位世界级的营销专家，请为一项预算为[X]、时间线为[Y]的新产品制定一份营销计划。
实践方法：从现有材料开始迭代
你无需每次都从零开始构思提示。利用已有的文档作为起点，是提高效率的绝佳方法。
以下是具体操作步骤：
- 上传现有文档：将你已有的项目计划、报告或任务清单上传给AI。
- 提供改进指令：基于上传的文档，提出具体的优化方向。例如：“这是我过去两年使用的项目计划，有哪些方法可以让我做得更好？”
- 持续对话迭代：将AI的回复视为对话的一部分，根据它的回答进一步提出更深入的问题，如“请帮我在[某个特定方向]上扩展这个想法。”
总结
本节课中我们一起学习了两个优化AI提示的核心技巧：提供丰富的上下文和设定明确的角色。记住，与AI的交互是一个持续的、迭代的对话过程。通过给予它清晰的起点和方向，你就能极大地提升输出结果的质量和相关性，从而让AI真正成为你工作和学习中的得力助手。
046：总结回顾 📚
在本节课中，我们将对前面学习的内容进行总结，回顾如何持续深化对人工智能的理解，并探索如何将AI应用到你的工作中。
人工智能的可能性令人鼓舞，希望你继续寻找将AI应用于工作的方法。
在课程的这一部分，我们探讨了如何持续深化你对人工智能的理解。
首先，我们回顾了如何发现和评估新工具。
以下是发现和评估新AI工具的关键步骤：
- 明确需求：首先确定你需要AI工具解决的具体问题。
- 主动搜索：利用专业社区、科技媒体和官方渠道寻找工具。
- 评估标准：从准确性、易用性、成本和数据隐私等维度进行综合评估。
接下来，我们介绍了如何从AI创新中寻找灵感。
我们探索了具有创造性的AI模型，并发现AI已经被创造性地融入某些工作领域。
最后，我们识别了在工作场所利用AI的机会，并反思了对AI的理解将如何使你受益。😊
做得好。我很享受引导你探索人工智能及其未来。😊
总结
本节课中，我们一起学习了如何持续深化对AI的理解。我们回顾了发现与评估新AI工具的方法，探讨了如何从行业创新中获取灵感，并思考了在工作场所应用AI的潜在机会。希望这些知识能帮助你在未来的工作和学习中，更有效地利用人工智能技术。
047：课程结语 🎉
在本节课中，我们将回顾并总结整个《谷歌人工智能要点》课程的核心内容。我们一起探索了人工智能的基础概念、应用方法以及如何负责任地使用它。
课程回顾
首先，我们介绍了人工智能的基础知识。
我们涵盖了一些基础的人工智能概念，例如什么是人工智能以及它如何工作。我们还讨论了人工智能在工作场所中的能力和局限性。
接下来，我们探讨了将人工智能应用于工作任务的方法。
我们介绍了一个AI模型的基础知识，以及它如何通过在海量数据上进行训练来完成各种任务。我们还讨论了人工智能工具的各种常见应用。
提升生产力与解决问题
上一节我们介绍了AI的应用，本节中我们来看看如何利用AI工具提升生产力。
我们探索了如何利用人工智能工具帮助提高生产力、优化工作流程并解决工作场所中的问题。我们强调了在工作中使用人工智能工具时，人的参与和判断的重要性，这包括在任何由AI辅助的任务中践行个人责任。
编写有效的提示
之后，我们学习了如何编写有效的提示。
我们研究了大型语言模型如何生成输出。我们也讨论了编写清晰、具体的提示是提示工程的重要组成部分，以及如何分析输出并在必要时修改提示。
负责任地使用AI
然后，我们讨论了如何负责任地使用人工智能。
我们涵盖了人工智能工具固有的常见风险和不公平偏见，以及如何减轻它们。我们还讨论了在工作场所使用人工智能可能带来的潜在社会危害和安全后果。
保持与时俱进
最后，我们学习了一些保持与人工智能发展同步的策略。
我们探索了如何为工作场所评估人工智能工具，并从其他行业如何利用人工智能进行创新中汲取灵感。我们还确定了在工作场所利用人工智能的方法。
总结与未来方向
在本节课中，我们一起学习了人工智能从基础到应用，再到伦理和未来发展的完整知识框架。你的下一步行动取决于你自己。
以下是你可以考虑的一些方向：
- 你可以与行业内的其他人定期安排交流，了解人工智能的最新进展。
- 你可以在公司倡导负责任的人工智能实践。
- 你可以更深入地关注人工智能的某些方面，例如如何最佳地集成多模态模型，或最新的提示工程研究技术。
- 你也可以开始在日常工作中利用人工智能，使用本课程介绍的工具或你发现的新AI工具。
无论你的下一步是什么，恭喜你完成了这门课程并学习了更多关于人工智能的知识。
浙公网安备 33010602011771号