IBM-项目经理的生成式人工智能笔记-全-

IBM 项目经理的生成式人工智能笔记（全）

001：课程介绍 🚀

在本节课中，我们将要学习生成式AI的基础概念、其广泛的应用领域以及本课程的结构与学习目标。

想象一个由AI驱动的世界，它能让我们工作更高效、寿命更长、能源更清洁。这个世界已经到来。生成式AI已经深刻改变了我们的生活方式。

生成式AI模型能够模仿人类的思维和创造力，以生成新颖的内容并执行复杂的任务。组织可以利用生成式AI来提高生产力和盈利能力。个人可以使用生成式AI工具来提升效率、为工作增添实际价值、节省成本并最大化其品牌价值。

如果你尚未涉足此领域，本课程正适合你。我们欢迎所有对快速发展的生成式AI领域抱有真诚兴趣的专业人士、爱好者、项目经理和学生。无论你的背景或经验如何，这是一门面向所有人的课程。

本课程旨在让你扎实理解生成式AI的能力、应用以及常见的模型和工具。完成本课程后，你将能够描述生成式AI的能力及其在现实世界中的用例，识别不同行业和领域中生成式AI的应用，并探索常见的生成式AI模型和工具。

这是一门由三个模块组成的精炼课程，预计每个模块需要花费一到两小时完成。

以下是本课程三个模块的简要介绍：

模块1：你将学习生成式AI的核心概念，查看其在不同领域中的应用案例，并理解其在生成文本、图像、代码、音频和视频方面的能力。
模块2：你将探索信息技术、娱乐、教育、金融和医疗保健等不同行业如何利用生成式AI。此外，在本模块中，你还将学习用于生成文本、图像、代码、音频和视频的常见模型和工具（如ChatGPT、DALL-E和Synthesia）的能力与特性。
模块3：你需要参与一个最终项目，并完成一个分级测验，以检验你对课程概念的理解。你也可以访问课程术语表，并获得关于后续学习路径的指导。

本课程融合了概念讲解视频和辅助阅读材料。观看所有视频以充分掌握学习材料的潜力。你将享受到实践实验室和一个展示生成式AI跨多个领域常见用例的最终项目。每节课后都有练习测验，帮助你巩固所学知识。课程结束时，你还需完成一个分级测验。课程还提供讨论论坛，方便你与课程工作人员联系并与同伴交流。最有趣的是，通过专家观点视频，你将听到经验丰富的从业者分享他们对生成式AI不同方面的见解。

当生成式AI正在全球范围内增强个人、组织和社区的创造力表达与专业能力时，你为何不参与进来？本课程为你提供了一个创造新体验的机遇。

本节课中，我们一起学习了生成式AI的初步介绍、其变革潜力以及本课程的具体学习路径和目标。在接下来的模块中，我们将深入探讨其核心概念与实际应用。

生成式AI项目经理专项课程：P2：为何学习IBM的生成式AI

在本节课中，我们将探讨学习生成式AI，特别是IBM相关课程的重要性。我们将了解生成式AI的普及性、它带来的职业机遇，以及掌握相关技能的必要性。

生成式AI是每位领导者都在思考的问题。在每个组织、企业或政府中，皆是如此。

兴趣随之带来机遇。组织正在寻找理解这项技术的人才。

最重要的是，他们需要具备应用这项技术技能的人才。与以往许多趋势性技术不同，生成式AI几乎触及每个行业的每个角色。

生成式AI技能预计将变得非常重要。不仅对计算机科学家，对所有人都是如此。

这些技能将变得像文字处理、电子表格甚至基本商业素养一样必不可少。这就是为什么这些课程名为“面向所有人的生成式AI”。

目前，人们对AI产生了许多新的兴趣。

企业关注的视野已超越消费级AI。聊天机器人界面是展示生成式AI潜力的绝佳方式。

然而，真正的应用场景是将生成式AI嵌入现有流程，使其成为几乎每个业务工作流不可或缺的功能。IBM很自豪能帮助企业将生成式AI整合到其运营中。

作为这些课程的一部分，你将获得的技能应有助于你的职业生涯，并能立即应用于你的工作。

企业对生成式AI的潜力感到兴奋。

但他们也对潜在的危险感到担忧。这项使命太重要，不能允许你危及它。

这些课程将赋予你处理AI伦理问题的技能，这些技能基于IBM开创的负责任方法。

本节课中，我们一起学习了生成式AI的广泛影响和重要性。我们了解到，生成式AI技能正成为各行各业的基础要求，而IBM的课程旨在提供实用、负责任的知识，帮助学习者在把握机遇的同时，有效管理风险，从而在职业生涯中立即应用并创造价值。

003：专项课程导论 🚀

在本节课中，我们将要学习“生成式人工智能基础”专项课程的概览。我们将了解课程的目标、结构、核心内容以及学习完成后你将能够掌握的知识与技能。

你知道吗？全球的营销人员已经在使用生成式AI来创作内容、撰写文案、激发创意、分析市场数据以及生成图像。

根据彭博社的数据，预计到2032年，生成式AI市场规模将达到1.3万亿美元。

因此，你肯定希望更好地了解生成式AI。

然而，生成式AI适合所有人吗？是的，它适合。你可以利用它的潜力，为自己创造更好的职业和生活。本专项课程适合任何热衷于探索生成式AI力量的人，不要求具备先前的AI技术知识或背景。即使是初学者也能从中受益，因为它提供了对生成式AI基本概念、模型、工具和应用的全面理解。

在本专项课程结束时，你将能够：

解释生成式AI基础模型的基本概念、能力、模型、工具、应用和平台。
描述提示工程，并应用强大的提示工程技术来编写有效的提示，从而从AI模型中生成期望的结果。
讨论生成式AI的局限性，并解释负责任使用生成式AI的伦理关切与考量。
认识到生成式AI在提升你的职业生涯和帮助你在工作场所实施改进方面的能力。

本专项课程包含五个自定进度的课程，每个课程需要3到5小时完成。

以下是各门课程的简要介绍：

课程1是你理解生成式AI能力的第一步，其能力涵盖文本、图像、音频、视频、虚拟世界、代码和数据等不同领域。你将了解不同行业如何应用常见的生成式AI模型和工具，例如GPT、DALL-E、Stable Diffusion、IBM Granite和Synthesia。

上一节我们介绍了入门课程，接下来我们看看如何与AI更有效地交互。

课程2介绍了提示工程的概念，以及它如何帮助你解锁像ChatGPT这样的生成式AI工具的全部潜力。你将探索开发有效提示的技术、方法和最佳实践，并使用IBM Watsonx.ai Prompt Lab、Spellbook和Dust等常用工具。

在掌握了交互技巧后，我们需要深入理解其背后的原理。

课程3侧重于生成式AI的核心概念和构建模块，例如深度学习、基于Transformer的大型语言模型、扩散模型和基础模型。你还将了解不同的生成式AI平台，如IBM Watsonx.ai和Hugging Face。

理解了技术基础，我们必须关注其应用带来的影响。

课程4探讨与生成式AI相关的伦理考量。它如何影响数据隐私和安全、版权侵权、劳动力以及环境？你还将描述其局限性，例如数据偏见、缺乏可解释性、透明度和可理解性，并识别生成式AI的常见误用，如深度伪造和幻觉。

最后，让我们展望这项技术的未来。

课程5讨论生成式AI的未来。你难道不想知道在那个未来里，你的职业机会是什么吗？你将学习生成式AI如何影响和增强不同行业中的现有职能、技能和工作角色，以及你如何使用生成式AI构建自己的应用程序以创造新的商业机会。

本专项课程的内容旨在吸引并赋能你。通过观看精选的概念视频、聆听AI专家分享他们的见解和技巧，以及在动手实验和项目中练习技术，你将在日常生活中使用生成式AI工具和应用程序时感到更加自信。

目前，65%的生成式AI用户是千禧一代或Z世代，72%的用户是在职人员。通过本专项课程的学习，你将准备好加入生成式AI变革者的行列。

生成式AI适合所有人。

本节课中，我们一起学习了“生成式人工智能基础”专项课程的完整导览。我们了解了课程面向所有人、无需技术背景，并概述了五门课程的核心内容：从AI能力入门、提示工程技巧、技术原理剖析，到伦理风险探讨，最后展望未来职业机遇。完成学习后，你将能够自信地解释、应用并负责任地使用生成式AI技术。

004：专家观点-中小企业介绍

在本节课中，我们将聆听来自人工智能领域多位专家的自我介绍。他们将分享各自的背景、专业领域以及在生成式AI方面的经验，帮助我们了解不同视角下的行业实践。

专家自我介绍

以下是参与本课程分享的专家们。

Abhi Gagneja：我是Abhi Gagneja，IBM的人工智能主题专家和研究员。
Sepideh Sajadi：我是Sepideh Sajadi，IBM K工程团队的一名AI工程师。很高兴能在这里与大家探讨生成式AI。
Bradley Steinfeld：我叫Bradley Steinfeld，是IBM的高级软件架构师。
Mael：我是Mael，在人工智能和数据工程领域拥有超过12年的经验。目前，我在Simply Contract Technologies担任数据架构师。
Marty Bradley：大家好，我是Marty Bradley，是Evergreen AI的首席执行官兼创始人。

专家背景与经验

上一节我们认识了各位专家，本节中我们来详细了解他们的专业背景和行业经验。

以下是专家们分享的个人经历与专长。

Abhi Gagneja：我的背景方面，我在加拿大滑铁卢大学获得了人工智能领域的博士学位，在此之前攻读的是机器人学硕士学位。完成学业后，我开始在这一领域工作，从事大数据分析。之后移居美国，我仍然在同一领域继续工作。最近，随着大语言模型和生成式AI的新趋势兴起，我一直在为我们的客户在不同的应用场景中实施和使用这项技术。
Bradley Steinfeld：我在IBM工作了超过10年，大部分时间都在教育领域的Skills Network团队工作。
Marty Bradley：我们在Evergreen AI从事多项业务，但专注于生成式AI。我们提供生成式AI培训、生成式AI战略咨询，帮助您理解生成式AI在组织中的定位。我们还有一个小的开发部门，可以帮助进行一些集成工作。但我为我们的一些培训项目感到自豪，这些课程旨在培训您组织中的每个人，包括AI基础、面向领导者的AI和高管AI。它向您展示如何使用现有的工具来完成工作，适用于那些希望了解如何立即在工作流程中使用AI以提升工作效率、实现百倍改进的人们。
Mael：我曾在银行、金融、电子商务、制造和制药行业工作过。每个行业都有其独特的挑战，这些经历丰富了我对数据和人工智能实际应用方面的专业知识和视角。除了处理数据和算法，我还将职业生涯的相当一部分投入到了指导和培训有抱负的AI专业人员及数据科学家。我的目标是培养新一代的专家，准备好应对我们数字世界不断演变的挑战。很高兴能与大家合作、学习并做出有意义的贡献。感谢大家的欢迎，我期待与大家一起踏上这段激动人心的旅程。

本节课中，我们一起聆听了来自IBM及行业其他公司的多位AI专家的介绍。他们分享了各自的角色、丰富的行业经验以及对生成式AI应用的见解，为我们理解这项技术在不同规模企业中的实践提供了宝贵的视角。

005：生成式人工智能导论 🧠

在本节课中，我们将学习生成式人工智能的基本概念。我们将了解什么是生成式AI，它如何演变，以及它与判别式AI的核心区别。

人工智能已经存在多年，它塑造了我们生活的方方面面，并彻底改变了我们的工作和生活方式。

人工智能的核心可以被定义为机器对人类智能的模拟。AI模型从海量的现有数据中学习，这个学习过程被称为训练。

两种基本的人工智能方法

人工智能有两种基本方法：判别式AI和生成式AI。

上一节我们介绍了AI的基本概念，本节中我们来看看这两种核心方法。

判别式AI

判别式AI是一种学习区分不同数据类别的方法。以下是其工作原理：

训练过程：一个判别式AI模型被提供一组训练数据，其中每个数据点都带有其类别的标签。
预测过程：模型通过判断新数据点落在决策边界的哪一侧，来预测其类别。
核心能力：判别式AI模型使用高级算法来区分、分类、识别模式，并根据训练数据得出结论。

一个判别式AI模型的应用实例是电子邮件垃圾邮件过滤器，它可以区分垃圾邮件和非垃圾邮件。

判别式AI模型最适合应用于分类任务。然而，它们无法理解上下文，也无法基于对训练数据的上下文理解来生成新内容。

生成式AI

而这就是生成式人工智能发挥作用的地方。

生成式AI模型学习基于训练数据生成新的内容。它们能够捕捉训练数据的底层分布，并生成新颖的数据实例。

以下是生成式AI的工作流程：

输入提示：生成式AI从一个提示开始。这可以是文本、图像、视频或模型能够处理的任何输入。
生成输出：作为输出，模型会生成新的内容，包括文本、图像、音频、视频、代码和数据。
输入输出形式：生成式AI可以生成与提示相同形式的输出（例如，文本到文本），也可以生成与提示不同形式的输出（例如，文本到图像或图像到视频）。

为了理解判别式AI和生成式AI的区别，这里有一个简单的例子：

判别式AI最适合回答诸如“这张图片画的是鸟巢还是鸟蛋？”这类问题。
生成式AI则会响应诸如“画一张包含三个鸟蛋的鸟巢图片”这样的提示。

如果说判别式AI模仿了我们的分析和预测能力，那么生成式AI则更进一步，模仿了我们的创造能力。正如《哈佛商业评论》的评论所暗示的，AI不仅可以提升我们的分析和决策能力，还能激发创造力。生成式模型可以利用所学知识，基于这些信息创造出全新的内容。

生成式AI的技术基础

上一节我们对比了两种AI，本节中我们来看看生成式AI背后的技术是如何实现的。

判别式和生成式模型都是使用深度学习技术创建的。深度学习涉及训练人工神经网络从海量数据中学习。

人工神经网络是由称为神经元的较小计算单元组成的集合，其建模方式类似于人脑处理信息的过程。

生成式AI的创造能力来源于其模型，例如：

生成对抗网络
变分自编码器
Transformer模型
扩散模型

这些模型可以被视为生成式AI的构建模块。

生成式AI的演变历程

生成式AI并非一个新概念。它的根源可以追溯到机器学习的起源。

以下是其发展的关键里程碑：

20世纪50年代末：科学家提出机器学习时，就探索了使用算法创建新数据。
20世纪90年代：神经网络的兴起为生成式AI带来了进一步的发展。
21世纪10年代初：在大规模数据集和增强计算能力的支持下，深度学习推动了生成式AI的发展。
2014年：随着Ian Goodfellow及其同事引入GANs，生成式AI发生了变革。GANs以及VAEs、Transformer等模型为生成式AI的增长以及基础模型和工具的开发奠定了基础。

基础模型是具有广泛能力的AI模型，可以被调整以创建针对特定用例的、更专业的模型或工具。

其中一类特定的基础模型称为大语言模型，它们经过训练以理解人类语言，并能处理和生成文本。

2018年：OpenAI推出了基于Transformer的LLM，称为生成式预训练Transformer。
后续发展：多年来，不同的LLM，如GPT系列中的GPT-3和GPT-4、Google的PaLM以及Meta的Llama，显著增强了生成式AI生成连贯且相关文本的能力。在其他用例的模型（如图像生成的Stable Diffusion和DALL-E）方面也有类似的发展。

生成式AI的工具与应用

各种生成式模型的发展，催生了针对不同用例的生成式AI工具市场。

以下是不同领域的工具示例：

文本生成：ChatGPT, Gemini
图像生成：DALL-E 2, Midjourney
视频生成：Synthesia
代码生成：GitHub Copilot, AlphaCode

快速涌现的模型和工具为跨领域的生成式AI应用开辟了广阔前景。引用麦肯锡关于生成式AI经济潜力的报告：“生成式AI有潜力改变工作的结构，通过自动化部分个人活动来增强个体工作者的能力。”该报告还预测，生成式AI对生产力的影响可能为全球经济增加数万亿美元的价值。

总结

本节课中，我们一起学习了生成式人工智能的核心知识。

我们了解到：

生成式AI模型能够基于其训练数据生成新的内容。
生成式AI的创造能力建立在如GANs、VAEs、Transformer和扩散模型等模型之上。
基础模型可以被调整，以创建针对特定用例的定制化专业模型或工具。
生成式AI模型和工具在各个领域和行业都具有广泛的应用前景。

006：生成式人工智能的能力 🚀

在本节课中，我们将学习生成式人工智能（Generative AI）的核心能力，并探索其在现实世界中的应用。生成式AI能够根据给定的输入，创造出全新的、连贯的内容，其应用范围非常广泛。

概述

生成式AI的能力多种多样，几乎涵盖了人类能够设想的各种潜在应用场景。接下来，我们将逐一深入探讨这些核心能力。

文本生成能力 📝

上一节我们概述了生成式AI的多种能力，本节中我们来看看其文本生成能力。这是生成式AI生成清晰、流畅且符合上下文语境的文本响应的能力。

生成式AI文本生成能力的核心是先进的大语言模型（Large Language Models, LLMs）。这些模型在大型数据集上进行训练，能够生成类似人类的文本。

核心模型示例：

GPT：OpenAI的生成式预训练变换器。
PaLM：Google的Pathways语言模型。

这些模型可以执行多种语言相关任务，以下是其主要应用：

文本补全与创作：根据提示完成句子或文章。
摘要：将长文本浓缩为简短摘要。
问答：根据上下文回答问题。
翻译：在不同语言之间进行翻译。
代码生成：根据描述生成代码片段。
图文配对：为图像生成描述文本，或根据文本生成图像。
对话交互：为聊天机器人和虚拟助手提供动力。

图像生成能力 🎨

了解了文本生成后，我们转向视觉领域。生成式AI的图像生成能力是指其合成具有艺术性和真实感、与真实图像高度相似的图像。

这项能力主要基于生成对抗网络（GANs）和变分自编码器（VAEs）等深度学习技术。生成的图像具有逼真的纹理、自然的色彩和精细的细节。

以下是几个著名的图像生成模型及其应用：

StyleGAN：能生成高质量、高分辨率的虚构人脸、动物或自然景观图像。
DeepArt：能将简单的草图转化为完整的艺术作品。
DALL-E：能根据用户的文字描述生成全新的图像。

除了艺术、设计、娱乐和游戏领域，生成的图像还可用于增强训练数据集，并辅助医学成像和科学可视化。

音频生成能力 🎵

从静态图像过渡到动态声音，生成式AI在音频领域同样强大。其音频生成能力包括创作新的音乐作品、将文本转换为语音（TTS），以及创造合成语音和自然音效。

这些模型可以转换、修改、净化人声，降低噪音并提升音频质量，甚至能以相当高的相似度模仿人类声音。

以下是音频生成的应用实例：

WaveGAN：可以生成新的、逼真的原始音频波形，包括语音、音乐和自然声音。
MuseNet：能够结合多种乐器、风格和流派，生成新颖的音乐作品。
Tacotron 2 & Mozilla TTS：使用先进的TTS系统创建合成语音，模仿人类的音调、音高、节奏和表达。

音频生成技术在媒体制作、创意娱乐、教育培训、游戏及虚拟现实等领域有广泛应用。

视频生成能力 🎬

接下来，我们看看生成式AI如何创造动态内容。生成式AI模型能够创建从基本动画到复杂场景的动态、清晰的视频。

这些模型通过融入时间连贯性，将图像转化为动态视频。时间连贯性确保了视频中动作的流畅性和过渡的自然性。

一个典型的例子是VideoGPT模型，它可以根据用户提供的文字提示生成新视频。用户可以指定期望的内容，从而指导视频的生成、编辑、合成和风格迁移。

生成的视频可用于艺术、娱乐、教育、游戏、医学和研究等多个领域。

代码生成能力 💻

除了创作内容，生成式AI还能辅助生产工具。其代码生成能力是指模型根据所需功能，生成新的代码片段、函数或完整程序。

这些模型在现有代码库上进行训练，能够完成或创建代码、重构代码、识别并修复错误、测试软件以及生成包含注释和示例的文档。

以下是代码生成的应用工具：

GitHub Copilot：AI编程助手，帮助自动补全代码。
IBM Watson Code Assistant：基于AI的编程辅助工具。

生成的代码可应用于软件开发、机器学习、数据分析、机器人自动化以及游戏和AR/VR环境开发。软件开发人员可以利用此能力来编写、调试和测试代码。

数据生成与增强能力 📊

在机器学习和数据分析中，数据至关重要。生成式AI的数据生成与增强能力是指模型能够生成新数据并扩展现有数据集。

生成合成数据集有助于增加数据的多样性和可变性，从而带来更强大、更有效的模型性能。

这些模型可以为以下类型的数据生成新样本或增强数据集：

图像、文本、语音
表格数据和统计分布
时间序列数据、金融数据等

数据生成与增强能力在医疗健康、游戏、教育培训、艺术创作以及自动驾驶等领域有重要应用。

虚拟世界创造能力 🌐

最后，我们来探索生成式AI一个非常前沿的能力——创造高度逼真和复杂的虚拟世界。

你可以创建模拟真实行为、表情甚至决策的虚拟化身。也可以构建具有逼真纹理、声音和遵循物理世界规则的物体的复杂虚拟环境。

元宇宙平台利用生成模型为个体用户创造独特且个性化的体验。生成式AI还能创造具有独特个性的虚拟身份，其行为和交流能反映特定的个人特质。

虚拟世界创造能力主要应用于游戏娱乐、教育培训、增强与虚拟现实、元宇宙平台以及虚拟偶像和数字人格。

总结

本节课中，我们一起学习了生成式人工智能模型的多种核心能力及其现实应用。我们了解到，生成式AI能够：

创造连贯且符合语境的文本内容。
生成逼真的高质量图像。
合成语音、创作新音频和动态视频。
生成和补全代码。
合成新数据以增强现有数据集。
创造高度逼真和复杂的虚拟世界，包括虚拟化身和数字人格。

这些能力正在深刻改变内容创作、软件开发、数据分析和虚拟体验等多个领域。

007：生成式人工智能的能力 🧠

在本节课中，我们将聆听AI专家们对生成式人工智能（Generative AI）核心能力的见解，了解它如何为企业和专业人士带来变革。

概述

生成式人工智能提供了一系列强大的能力，能够显著提升商业效率和专业工作流程。它不仅在内容创作方面表现出色，还能通过合成数据、增强检索等方式解决行业特定问题。本节我们将深入探讨这些核心能力及其应用场景。

生成式AI的核心能力

上一段我们提到了生成式AI的广泛影响，本节中我们来看看专家们具体列举了哪些关键能力。

以下是生成式人工智能的几个常见应用方向：

内容创作：生成式AI擅长创建文本、图像、音乐甚至视频，从而简化和加速市场营销与创意流程。
文本处理：基于大语言模型（LLM）的常见用例包括摘要、信息提取、文本生成和分类。
模式与配置生成：生成式人工智能的应用不仅限于生成原始数据，还包括生成模式、配置和设置等多种形式。

行业应用与典型案例

了解了基础能力后，我们进一步看看这些能力在具体行业中是如何落地的。

专家特别指出了生成式AI在行业中的广泛应用方式，其中合成数据能帮助各类行业解决实际问题。一个非常普遍且流行的用例是：

检索增强生成（RAG）

# 概念性示例：RAG结合了信息检索与文本生成
retrieved_info = retrieve_from_private_documents(user_query)
final_answer = generate_answer_based_on(user_query, retrieved_info)

许多企业拥有大量不愿公开的私有文档，RAG技术可以帮助他们快速从这些文档中检索信息，而无需将数据暴露给公有云或公开环境。

生成式AI带来的商业价值

那么，这些技术能力具体能为企业和专业人士带来哪些益处呢？我们接下来听听专家的分析。

生成式AI并非华而不实的技术，它是一个改变游戏规则的工具。想象一个能激发创造力、理解需求并节省时间的数字助手，这正是生成式AI的作用。

以下是生成式AI带来的主要好处：

提升效率与降低成本：AI驱动的内容生成节省了时间，并通过自动化撰写报告、创建社交媒体帖子和设计图形等任务来降低成本。
增强客户体验：通过个性化推荐和交互式聊天机器人，生成式AI提升了客户参与度和满意度。
加速创新与设计：在设计和产品开发领域，它有助于快速原型制作，并通过快速生成多种设计变体来探索创新解决方案。
赋能数据驱动决策：所有上述任务共同助力于增强创造力、实现个性化体验并支持数据驱动决策。

跨行业应用实例

这些好处在不同行业中有更具体的体现。让我们看看专家分享的几个例子。

医疗健康：在医疗行业，合成数据生成和合成图像生成可以保护患者隐私（例如，为有特定医疗状况的人生成模拟图像），同时用于药物研发模式分析。
金融：生成式AI可用于欺诈检测和财务分析。
创意与零售：它能绘制精美的图画、撰写引人入胜的故事、像专家一样翻译语言，并提供个性化的产品、电影甚至职业路径推荐。
培训与模拟：在医疗保健和航空等领域，它可以创建逼真的模拟训练环境，使学习过程既安全又高效。

总结

本节课中，我们一起学习了生成式人工智能的核心能力与商业价值。总结来说，生成式AI通过自动化任务、激发创意和提供深度个性化，正在帮助各行各业提升效率、增强竞争力并最终提高客户满意度。它远不止是一个时髦概念，而是真正推动未来工作方式变革的实用技术。

008：探索生成式AI的演变之路 🧠

在本节课中，我们将聆听专家们的见解，共同探索生成式人工智能的演变历程，并了解它与传统人工智能方法的区别。

概述

生成式人工智能并非全新概念，它已伴随人工智能领域发展超过二十年，但直到近年才获得广泛关注。随着技术的突破，它已成为行业的未来方向。本节我们将回顾其演变的关键阶段，并阐明其与传统AI的核心差异。

生成式AI的演变历程 📈

上一节我们介绍了课程概述，本节中我们来看看生成式AI是如何一步步发展至今的。其演变历程以创造新颖原创内容能力的显著进步为标志。

早期的生成式AI模型在内容的连贯性和质量上有所不足。但自从GPT-3、GPT-4以及DALL-E等模型出现后，它们能够生成高度复杂的文本和图像，极大地增强了各领域的创造力和自动化水平。

以下是其演变过程中的几个关键阶段：

规则驱动模型：最初的系统严格遵循预设的规则和上下文工作，灵活性有限。
机器学习与统计模型：这类模型能够从数据中发现模式。通过半监督学习、监督学习或强化学习，它们比规则系统更智能，能识别复杂模式。
深度学习与神经网络：这类技术能以更先进的方式处理数据集中的模式，并有效应对非结构化数据。
生成对抗网络：GANs的诞生标志着生成任务的新时代，能够生成全新的数据。
Transformer与大型语言模型：以2017年《Attention Is All You Need》论文为里程碑，基于Transformer架构的模型（如各类GPT模型）开启了新纪元。其核心思想是使用海量数据预训练一个基础模型，然后可以轻松地针对特定任务进行微调。

如今，我们拥有像变分自编码器和GANs这样的“超级英雄”模型。VAE学习数据模式以生成类似内容，而GANs通过一个巧妙的“对抗”过程，能制作出超逼真的图片和艺术作品。自回归模型则逐步生成内容，特别擅长处理语言相关的任务，如对话和写作。

生成式AI与传统AI的区别 ⚖️

了解了生成式AI的发展路径后，我们自然会问：它和传统AI究竟有何不同？本节将重点探讨这一区别。

传统AI主要专注于分析和预测现有数据，典型任务包括分类、回归和推荐。它是在已有信息中寻找答案或规律。

相比之下，生成式AI，特别是在GANs和Transformer模型出现后，其核心目标是创造新的、与训练数据相似的内容。可以说，传统AI是执行指令的分析师，而生成式AI是能够自主创新的发明家。

人工智能在过去五六十年里，经历了从基础理论到应用和预测层面的发展。而生成式AI更侧重于利用AI技术生成类人的高质量输出内容，这代表了AI能力从“理解与预测”向“创造与生成”的范式转变。

总结

本节课中，我们一起学习了生成式AI的演变之路及其与传统AI的根本区别。我们回顾了从规则系统到现代大型语言模型的技术发展脉络，并明确了生成式AI的核心特征在于其创造性——它不仅能分析世界，更能生成全新的文本、图像和想法。理解这一演变和区别，是掌握生成式AI潜力的关键第一步。

009：生成式人工智能的应用 🚀

在本节课中，我们将学习生成式人工智能在不同领域的具体应用。通过了解这些应用，你将能够识别生成式AI如何改变IT与运维、娱乐、教育、金融、医疗、人力资源以及日常工作方式。

IT与DevOps领域的应用

上一节我们介绍了生成式AI的概览，本节中我们来看看它在IT与DevOps领域的应用。生成式AI有助于改进软件交付流程和基础设施管理。

以下是生成式AI在IT与DevOps中的主要应用：

代码生成：生成式AI的代码生成能力减少了手动编码的工作量和在重复性任务上花费的时间。
代码审查：由生成式AI驱动的代码审查工具（如GitHub Copilot和Synk DeepCode）检查代码库和编码标准，以提高代码质量和可维护性。
自动化测试：生成模型可以生成模拟用户行为的合成测试用例和测试数据。测试用例的变化影响软件的效率、可靠性和健壮性。Applitools和Testim等工具通过增加数据集的深度和多样性来保证充分的测试覆盖率。
监控与异常检测：IBM的Watson AIOps和Moogsoft AIOps等工具分析系统日志、指标和其他数据。这有助于进行主动维护和故障排除，减少停机时间并防止关键故障。
自动化文档与CI/CD：GitLab Duo通过自动创建发布说明、变更日志以及更新部署模板和脚本来支持持续集成与部署（CI/CD）流水线。
其他应用：还包括自然语言界面、自动化基础设施管理和预测性维护。

娱乐领域的应用

了解了生成式AI如何优化技术流程后，我们转向创意产业。在娱乐领域，生成式AI工具可以生成多种合成内容。

以下是生成式AI在娱乐领域的主要应用：

内容生成：可以生成音乐、剧本、故事、视频、电影和电子游戏内容。
内容本地化与个性化：能够翻译、本地化和个性化内容。
游戏与体验开发：Side Effects公司的Houdini等游戏开发工具利用生成式AI的力量来创建游戏、动画、增强现实和虚拟现实体验，以及具有独特行为的角色。
虚拟形象：最近，由生成式AI驱动的虚拟影响者和虚拟形象也日益流行，它们能与用户互动，创造引人入胜的体验。

教育领域的应用

从创意娱乐转向知识传播，生成式AI对教育领域的影响同样巨大。从内容生成到个性化自适应学习体验和模拟体验式学习，其影响深远。

以下是生成式AI在教育领域的主要应用：

语言翻译：凭借其语言能力，可以提供语言翻译，使内容能以不同语言访问。
个性化学习与评估：可以创建作业、提供即时反馈，并设计支持个体学习者节奏和优势的学习路径与评估策略。
学习分析：可以根据学习者的表现和偏好生成分类法（Taxonomies）。
特殊需求识别：生成算法可以检测特殊需求和学习障碍，以帮助学习者和教育者制定具体的课程计划。
学习进度追踪：生成算法也被用于追踪学习者随时间推移的进度，即知识追踪（Knowledge Tracing），这有助于为个体需求提供合适的节奏和内容。
其他益处：还包括辅导支持、虚拟模拟环境和包容性教育。
工具示例：例如，Nolej能在几分钟内提供AI生成的电子学习内容，包括针对目标主题的互动视频、术语表、练习题和摘要。Duolingo是一个语言学习平台，它使用GPT-3来纠正法语语法并为英语创建测试题目。

银行与金融领域的应用

接下来，我们探讨生成式AI在严谨的金融世界中的应用。银行和金融机构极大地受益于生成式AI自动检测风险、生成见解和提供具备金融知识的建议的能力。

以下是生成式AI在金融领域的主要应用：

行业专用模型：Kore.ai的KG是银行业首个特定的大型语言模型（LLM），帮助银行应用程序提供类人的、具备金融知识的响应。
风险评估：例如，DataRobot可以通过模拟潜在的欺诈场景来生成合成用例，以检测信用风险、欺诈风险和市场波动。
信用评分：Personetics和AIO Logic等公司利用生成模型来检测风险、确定利率并构建定制贷款。它们自动化评估客户信用度，并设定信用额度或保险费率。
市场分析与投资：BloombergGPT等NLP驱动的生成式AI可以分析新闻文章、社交媒体和其他分类文本数据，以执行市场情绪分析并更有效地管理投资组合。
客户服务：生成式AI工具增强了对话系统，并利用机器人顾问、聊天机器人和虚拟助手协助财务规划。
其他受益领域：还包括监管合规与报告、财务预测、投资组合优化、反洗钱和算法交易。

需要注意的是，其中一些应用和工具同时利用了生成式和判别式AI模型。

医疗保健领域的应用

现在，让我们讨论生成式AI在医学和医疗保健研究、药物发现、诊断和患者护理方面的一些应用。

以下是生成式AI在医疗领域的主要应用：

医学影像分析：凭借生成类似于患者数据的合成图像的能力，生成模型提高了用于医学图像分析的深度学习模型的健壮性。这些模型可以为数据非常有限的罕见医学病症合成数据。这有助于促进研究、训练AI模型并为罕见病例开发新的诊断工具。
药物发现：在药物发现中，这些模型通过生成新分子来帮助加速药物发现过程并降低开发成本。
远程医疗：远程医疗和远程监护也受益于生成式AI驱动的对话工具。例如，Rasa可以与患者建立具备医学知识的对话，以提供即时医疗建议、健康相关支持和个性化治疗计划。
其他领域：还包括电子健康记录管理、健康欺诈检测以及医学模拟与培训。

人力资源领域的应用

让我们看看生成式AI如何赋能人力资源部门，以自动化重复性任务、提供有价值的见解并简化HR流程。

以下是生成式AI在人力资源领域的主要应用：

流程自动化：例如，Watson X Orchestrate有助于自动化HR任务，如创建职位需求、筛选和入围相关简历、安排面试、候选人入职等。
人才招聘：Talenteria专注于人才招聘。
员工互动与任务自动化：Lina AI使用对话式AI系统自动化HR任务和员工互动。
绩效管理：McCormick专注于工作场所和绩效管理，自动生成绩效文档和评估。
其他应用：还包括培训与发展、分析与决策制定，以及合规与政策实施。

对工作方式的影响

虽然我们今天只讨论了几个领域，但生成式AI最终被认为会对所有行业产生重大影响。另一个影响巨大的领域是我们的工作方式。

根据麦肯锡关于生成式AI经济潜力的报告，当前的生成式AI和其他技术有潜力自动化当今占用员工60%至70%时间的工作活动。到2030年至2060年间，今天一半的工作活动可能被自动化。生成式AI日益增长的理解自然语言的能力，最终将影响通常与高等教育和习得技能相关的知识型工作。

总结

本节课中，我们一起学习了生成式AI在各个领域的流行应用。然而，重要的是要注意，生成式AI的潜在应用在所有行业和生活的各个方面几乎是无限的。

在IT与DevOps中，应用包括代码生成、代码审查、自动化测试、监控与异常检测、自动化文档以及持续集成与部署流程。
在娱乐领域，生成式AI通过生成各种合成内容以及翻译、本地化和个性化内容，提供了令人兴奋的可能性。
在教育领域，生成式AI改变了教育的覆盖范围和质量，影响着学习者、教育者和教育技术。
在金融领域，应用领域包括风险评估、信用评分、情绪分析、投资组合管理、合规、预测、培训和客户服务。
在医疗保健领域，我们看到其在医学研究、诊断、药物发现、医学培训和患者护理方面的应用。
在人力资源领域，应用涉及人才招聘、员工互动、绩效管理、培训与发展、HR分析和政策实施。
在工作场所，生成式AI的应用正在改变我们的工作方式，使我们更高效、更成功。

010：文本生成工具 🛠️

在本节课中，我们将要学习文本生成工具的基础知识。你将能够描述生成式AI进行文本生成的基本原理，并解释常见模型和工具的核心能力。

文本生成的核心：大语言模型

生成式AI文本生成能力的核心是大语言模型。大语言模型基于训练期间学习到的模式和结构，通过解读上下文、语法和语义来生成连贯且符合语境的文本。它们通过分析词语和短语之间的统计关系，能够适应任何给定语境下的创意写作风格。

大语言模型是许多文本生成模型的基础，其中两个典型例子是生成式预训练变换器（GPT）和PaLM。这些模型已发展为多模态模型，提供多种能力。

上一节我们介绍了文本生成的基础模型，本节中我们来看看基于这些模型的具体工具。

两大流行工具：ChatGPT 与 Bard

让我们通过两个流行工具来了解这些模型的能力：ChatGPT 和 Bard。

ChatGPT

ChatGPT 基于 GPT 这一大语言模型，并使用了先进的自然语言处理技术。最初，ChatGPT 仅接受文本提示作为输入来生成新内容。而在新版本中，它已能同时接受图像和文本输入。

ChatGPT 为文本生成提供了多样化的能力，尤其擅长进行流畅且基于上下文的对话。

以下是 ChatGPT 的一些关键能力示例：

进行对话式学习：你可以开启一段对话来学习一个概念。例如，输入提示：“我听说过生成式AI，想了解更多。” ChatGPT 会根据上下文提供基本信息。当你进一步推进对话，提出更具体的问题时，它也能基于你提供的上下文和问题进行回应。
协助创意任务：它可以帮助你完成各种创意任务。例如，输入提示：“帮我创建幻灯片来展示一个学习平台的功能。” ChatGPT 会为特定幻灯片提供标题、内容和视觉元素的建议。
多语言支持：虽然 ChatGPT 最精通英语，但它也能理解并用多种其他语言进行回应。例如，提示它“用法语和西班牙语写‘你好’”，它就能生成所需的输出。因此，它也是学习新语言或任何科目的有用工具。

Google Bard

另一个流行的文本生成工具是 Google Bard。它基于谷歌的先进语言模型 PaLM。PaLM 是变换器模型与谷歌 Pathways AI 平台的结合。Pathways AI 基于“路径”构建，这些路径是负责特定任务的专门模块，例如自然语言处理或机器翻译。

除了庞大的文本和代码训练数据集，Bard 还会从互联网上的资源中提取信息来回应提示。你可以尝试不同的提示来探索 Bard 的能力。

以下是使用 Bard 的示例：

获取信息摘要：尝试使用提示来获取某个主题的最新新闻摘要。例如：“提供关于乌克兰战争的最新新闻摘要。” Bard 会提供多个版本的草稿作为回应，你可以选择其中一个或重新生成。
生成创意或解决问题：尝试让它为推广一个时尚品牌提供数字营销活动的策略。它会为营销活动提供一个逐步推进的方法。

其他能力与工具选择

ChatGPT 和 Bard 还提供其他有价值的用例能力。例如，它们可以通过这些科目帮助你进行基础数学、统计和问题求解。它们也精通财务分析、投资研究、预算编制等。此外，ChatGPT 和 Bard 可以生成代码，并跨多种编程语言和框架执行与代码相关的任务。

在与 ChatGPT 和 Bard 都进行交互后，你会发现：ChatGPT 在生成动态响应和维持对话流方面更有效；而 Bard 在研究某个主题的最新新闻或信息方面可能是更好的选择，因为它可以通过谷歌搜索和谷歌学术访问网络资源。

需要认识到的是，包括 GPT 和 PaLM 在内的生成式AI模型都在不断发展，因此它们的能力和特性可能会发生变化。

隐私考量与开源替代方案

需要注意的是，许多开源的生成式AI工具会收集并审查与其共享的数据，以改进其系统。这是在交互时需要考虑的重要因素，以避免共享任何机密或敏感信息。

那么，我们是否有开源的、保护隐私的替代方案呢？答案是肯定的。

以下是开源且注重隐私的文本生成工具示例：

GPT4All：可以安装在你的机器上，作为一个无需互联网或图形处理单元的、具有隐私意识的聊天机器人运行。
H2O AI 和 PrivateGPT：这些聊天机器人旨在通过在没有互联网连接的本地机器上运行，利用大语言模型的能力来保护用户隐私。

不仅如此，你还可以通过将这些工具链接到你组织的文档和数据库，为在特定组织内使用而定制它们。

文本生成工具的优势

基于生成式AI的文本生成器提供了多项优势：

优秀的学习助手：提供分步解释。
提升效率：能够快速生成不同形式的文本，为作者和创作者提高效率。
激发创造力：增强创造力并激发新想法。
充当虚拟助手：通过实现引人入胜的互动对话，可用作虚拟助手和聊天机器人。
提高生产力：通过自动化重复性写作任务，可以提高组织的生产力。
支持全球化：借助多语言支持，能够实现全球受众的沟通和内容本地化。

总结

本节课中我们一起学习了文本生成工具。我们了解到，大语言模型通过解读上下文、语法和语义来生成连贯且符合语境的文本。大语言模型是许多生成模型的基础。两个流行的生成工具是 OpenAI 的 ChatGPT 和 Google 的 Bard。ChatGPT 基于 GPT，而 Bard 基于 PaLM。两者都能生成不同类型的文本、翻译语言，并以互动和信息丰富的方式回答你的问题。我们还讨论了一些其他工具，包括 Jasper、Copy.ai、Writesonic。开源的、保护隐私的文本生成器包括 GPT4All、H2O AI 和 PrivateGPT。

011：图像生成工具 🎨

在本节课中，我们将学习生成式AI在图像生成领域的基本能力，并介绍几种主流的图像生成模型与工具。通过学习，你将能够描述这些模型的核心功能，并了解如何利用它们来创造和编辑图像。

图像生成基础

生成式AI图像生成模型能够根据文本描述创建全新的图像，并能对现有图像（无论是真实的还是生成的）进行定制化修改，以获得期望的输出。例如，你可以生成一个“小女孩手拿一本书”的图像，随后还可以将书中封面的颜色更改为你想要的色彩。

实践：使用免费工具生成图像

接下来，我们通过一个免费的AI图像生成器FreePik来实际生成一张新图像。操作的核心是输入一段描述你想要的图像的文本提示。

例如，你可以输入以下提示词：“一艘船在日落时分的平静湖面上航行，周围是郁郁葱葱的绿树和宁静的天空。” 请记住，提示词中描述图像的词语决定了生成图像的准确性和质量。

选择你偏好的风格后，点击生成。工具会生成多张候选图像供你选择下载。如果对结果不满意，你可以通过修改提示词来重新生成。

图像生成模型的进阶能力

上一节我们体验了基础的文本生成图像，本节中我们来看看图像生成模型更广泛的应用可能性。

以下是几种关键的图像处理能力：

图像到图像转换：指将图像从一个领域转换到另一个领域，同时保留原始的内容和风格。例如：
- 将草图转换为逼真图像。
- 将卫星图像转换为地图。
- 提升安防摄像头图像的分辨率与细节。
- 增强医学影像。
风格迁移与融合：提取一张图像的风格，并将其应用到另一张图像上，从而创建混合或融合图像。例如，将一幅画作的风格应用到一张照片上。
图像修复：重建图像中缺失或损坏的部分，使其变得完整。可用于：
- 艺术品修复。
- 法证分析。
- 移除图像中不需要的物体，同时保持画面的连续性和上下文。
- 在增强现实中，将虚拟物体无缝融入真实场景。
图像扩展：通过生成与原始图像风格一致的新部分来扩展原图边界。可用于：
- 生成更大尺寸的图像。
- 提升图像分辨率。
- 创建全景视图。

主流图像生成模型

生成模型和工具的能力随着其底层模型的进化而不断发展。以下是几个重要的模型：

OpenAI的DALL-E：基于GPT模型，在庞大的图像及其文本描述数据集上训练而成。DALL-E能够生成多种风格的高分辨率图像，包括照片级真实感图像和绘画风格图像。其新版还提供了生成多种图像变体，以及通过图像修复和扩展进行图像转换的能力。
Stable Diffusion：一个开源的“文生图”扩散模型。扩散模型是一类能创建高分辨率图像的生成模型。Stable Diffusion主要根据文本提示生成图像，但也支持图像到图像转换、修复和扩展。
NVIDIA的StyleGAN：该模型将图像内容和图像风格分开建模，从而能精确控制风格，并操纵特定特征（如姿势或面部表情）。StyleGAN已进化到能生成具有更逼真细节的高分辨率图像。

常用图像生成工具

了解了核心模型后，我们来看看一些可供使用的具体工具。

以下是几款可以探索生成式AI文生图能力的免费工具，它们能以不同的形式和风格生成图像：

Craiyon
FreePik
Pixlr

此外，Photoor和Deep Art Effects提供了多种预训练风格，允许你创建自定义风格。DeepArt.io是一个在线平台，能将照片转化为不同艺术风格的作品。

MidJourney是一个独特的平台，它构建了一个图像生成社区，帮助艺术家和设计师使用AI创作图像，并相互探索彼此的作品。

集成与商业应用

许多生成式AI图像生成器也提供API接口，允许开发者将其功能嵌入到不同的软件程序和工具中。一些提供API的流行图像生成器包括DALL-E、MidJourney和Craiyon。

科技巨头也已涉足AI图像生成领域。

Microsoft Bing Image Creator：基于DALL-E模型。你可以通过访问Bing.com/create或在Microsoft Edge浏览器中使用此工具。这使得Microsoft Edge成为首个集成AI图像生成器的浏览器。

Adobe Firefly：这是一系列生成式AI工具，旨在与Adobe Creative Cloud应用程序（如Photoshop和Illustrator）集成。Firefly使用Adobe Stock图片、公开授权内容和公共领域内容进行训练。

Firefly支持超过100种语言的文本提示，并包含多种工具，允许你操控颜色、色调、光照、构图，以及使用生成式填充、文本效果、生成式重新着色、3D转图像和图像扩展等功能。

总结

本节课中我们一起学习了生成式AI在图像生成领域的核心知识。我们了解到，基于生成式AI的模型和工具不仅能通过文本或图像提示生成新图像，还具备图像到图像转换、风格迁移、图像修复和扩展等能力。几个突出的图像生成模型包括DALL-E、Stable Diffusion和StyleGAN。市场上有多种图像生成工具，提供多样化的图像生成与变换功能，部分工具还能通过API集成。最后，我们还介绍了Adobe Firefly——一套旨在与Adobe创意云应用程序深度集成的生成式AI工具家族。

012：音频与视频生成工具 🎵🎬

在本节课中，我们将学习生成式AI在音频和视频内容创作领域的应用。我们将了解这些工具如何工作，它们具备哪些关键能力，以及如何利用它们来制作有影响力的媒体内容。

概述

生成式AI正在改变音频和视频内容的创作方式。市场研究机构Market US估计，生成式AI音乐市场在2022年价值2.29亿美元，预计到2032年将以28.6%的年复合增长率增长至26.6亿美元。生成式AI音乐正是利用其音频生成能力创造的。过去几年，这些能力帮助公司和个人，无论是新手还是经验丰富者，简化了流程，将复杂的创意变为现实。

生成式AI音频工具

生成式AI音频工具主要分为三类：语音生成工具、音乐创作工具和音频质量增强工具。

语音生成工具

语音生成工具主要是文本转语音工具，它们将文本转换为音频。虽然朗读技术并不新鲜，但生成式AI架构升级了这项技术的工作方式。深度学习算法在大量人类语音数据集上反复训练，使它们能够分解并高效复制发音、语速、情感和语调等声音特征。因此，生成式AI TTS工具能创造出更准确、更自然的语音，这对有视觉障碍、语言障碍或其他阅读困难的人尤其有帮助。

从趣味性角度看，这些工具可以帮助你“听”文章、反馈和笔记，这可能比阅读它们更容易。它们还能帮助你更好地沟通。

以下是语音生成工具的一些应用示例：

如果你想以一种出众的方式为你的演示文稿配音，你可以登录LOVO、Cynthesia、Murf.ai或Listnr等平台。
你可以从庞大的AI语音库、语言或情感中选择。
你甚至可以创建独特的声音或克隆你自己的声音。
一些工具还允许你编辑音轨的发音、语调和语速，以制作出听起来专业的最终产品。

音乐创作工具

假设在一个阳光明媚的下午，你内心的业余音乐家感到灵感迸发。你可以尝试Meta的AudioCraft，这是一个在音效和20,000小时Meta自有或授权音乐上预训练的生成式AI工具。

以下是可用的音乐创作工具及其功能：

还有Shutterstock的Amper Music、AIVA、Soundful、Google的Magenta和G4驱动的Wave工具。
这些工具让你可以从广泛的音乐库、不同的音乐流派、乐器风格和旋律中进行选择。
你只需要输入一个基于你需求的文本提示，工具就可以根据你的请求创作简短的旋律或即兴重复段、建议或添加乐器、创作一首新歌，或为你的下一个YouTube或Instagram视频制作配乐。
生成式AI还可以帮助你混音、母带处理，并将最终的音乐作品发布到流行的流媒体平台上。

音频增强工具

你甚至可以使用音频增强工具。这些工具经过预训练，能够识别特定声音，可以为你的音频添加有趣的声音或去除不需要的噪音。

以下是音频增强工具的例子：

例如，Descript可以帮助你消除背景噪音、增强低质量录音并添加所需的音效。
Adobe Audition可以清理文件中的 unwanted noise。
许多音乐生成工具也具备音频编辑和增强能力。

生成式AI视频工具

有些项目需要的不仅仅是精选的音效。在2022年，Runway AI利用生成式AI能力制作了奥斯卡获奖电影《瞬息全宇宙》。即使你不制作大型电影，也可以在日常生活中使用生成式AI视频工具。

假设你正在制作一部关于你所在城市树木缺乏的纪录片。你可以登录Runway的Gen-1工具，它将现有的视频片段转换成不同的风格；或者使用Runway的Gen-2工具，通过文本、图像或视频输入来创建视频。

以下是视频工具的功能：

或者，你可以使用E.U.的视频工具包或Synthesia应用程序。
这些工具允许你上传照片。如果你没有任何照片，可以使用文本提示来生成你需要的图像。
此外，你还可以使用这些工具录制旁白、增强音频、转换视频文件格式并发布你的视频。
Synthesia甚至允许你创建自定义头像，以增强品牌记忆度。

生成式AI与虚拟世界

生成式AI可以增强你的虚拟世界体验。你可以创建具有混合特征和异域景观的独特、富有想象力的虚拟世界。生成模型还可以实时响应，提高模拟的准确性。

以下是生成式AI在虚拟世界中的应用：

元宇宙平台利用生成式AI创造更个性化、更具吸引力的用户体验。
游戏元宇宙允许你快速生成3D对象，甚至创建配备特定个性特征的虚拟形象，这些特征会反映在他们的表情、行为、对话和决策中。
例如，The Sandbox是一个元宇宙，用户可以在其中即时构建、拥有并向全球推广他们的游戏。
Scenario AI帮助创建和连接定制的移动游戏资产。

总结

本节课中，我们一起学习了生成式AI音频和视频工具如何产生影响。通过一个简单的文本提示，你可以制作出多种语言的人声语音、录制歌曲、添加音效或去除 unwanted noise。你还可以制作视频和动画，构建增强版的和充满异域风情的虚拟世界。这些工具极大地降低了专业媒体内容创作的门槛，为项目经理和内容创作者提供了强大的支持。

013：代码生成工具 🛠️

在本节课中，我们将学习生成式AI在代码生成方面的基本能力，探讨相关工具的优势与局限，并介绍几种常见的代码生成模型和工具。

概述

生成式AI模型和工具能够基于自然语言输入生成代码。它们利用深度学习和自然语言处理技术来理解上下文，并生成符合语境的代码。这些工具不仅能创建新的代码片段，还能优化现有代码、转换编程语言，甚至推荐完整的编程解决方案。

代码生成的基本能力

基于深度学习和自然语言处理，生成式AI模型能够理解上下文并生成合适的代码。以下是其主要能力：

生成新代码：根据文本提示生成全新的代码片段或程序。
代码补全：预测代码行以完成不完整的代码片段。
代码优化：生成现有代码的优化版本。
语言转换：将代码从一种编程语言转换为另一种。
文档生成：为代码生成摘要和注释，以改进文档。
解决方案推荐：描述您试图解决的问题，代码生成器会建议算法、数据结构和合适的编程方法。

GPT的代码生成能力

上一节我们介绍了代码生成的基本能力，本节中我们来看看一个具体的强大模型：GPT。OpenAI的GPT在类人文本生成方面表现出色，在代码创建方面也展示了令人印象深刻的能力。

以下是使用基于GPT的ChatGPT生成简单Python代码的示例：

提示：写一个Python代码来生成问候某人的消息。

生成的代码：

def greet_person(name):
    message = f"Hello, 数据科学与人工智能笔记（全）! Welcome."
    return message

# 示例用法
person_name = "Alice"
greeting = greet_person(person_name)
print(greeting)

有趣的是，它还会提供关于如何运行此代码的指导。为了有效生成代码，提供清晰的提示至关重要，需要指定编程语言以及其他相关要求和约束。

为了演示GPT如何帮助调试代码，可以在ChatGPT中输入一段错误的代码作为提示。ChatGPT会提供正确的代码并解释所做的修正。

此外，GPT还能够：

将代码从一种编程语言翻译到另一种。
生成代码文档和注释以提高可读性。

基于GPT的模型和工具已经发展到可以生成更长、更准确的代码，这使得它们能够用于开发应用程序、网站和插件。GPT的演进甚至使得从图像生成代码成为可能。例如，您可以输入课程大纲的图像来生成一个功能齐全的应用程序的代码。

文本生成工具的局限

ChatGPT和Google的Gemini等工具是学习新编程语言或有价值工具，因为它们提供逐步详细的解释以便于理解。它们擅长生成具有基本逻辑和编程概念的代码。

然而，它们可能无法从头开始生成大型或复杂的代码。虽然这些工具理解编程概念和语法，但它们可能无法完全理解语义。因此，生成的代码可能在技术上是准确的，但仍可能无法按需运行。

需要注意的是，这些模型的知识受限于其训练数据。特定版本的GPT可能不了解其训练后发布的编程框架和库。例如，GPT-3.5的知识截止日期是2021年9月。因此，如果您需要更新的代码生成器，请考虑使用专门为代码生成设计的模型和工具。

专用代码生成工具

鉴于通用文本生成工具存在局限，本节我们将介绍一些专用的代码生成工具，它们提供了更聚焦的功能。

以下是几种主要的专用代码生成工具：

GitHub Copilot：这是一个AI代码生成器，可以基于各种编程语言和框架生成代码。它由OpenAI Codex（一种生成式预训练语言模型）提供支持，帮助开发者生成基于解决方案的代码。Copilot在自然语言文本和公开来源（包括GitHub仓库）的源代码上进行训练。它可以作为扩展集成到流行的代码编辑器（如Visual Studio）中，并能生成遵循最佳实践和行业标准的代码片段。
Polycoder：这是一个开源的AI代码生成器。它基于GPT模型，并使用来自12种编程语言的各种GitHub仓库数据进行训练，在编写C语言代码方面特别准确。Polycoder提供了一个广泛预定义模板库，可作为各种用例代码生成的蓝图。它可以帮助精确创建、审查和优化符合要求的代码片段。
IBM Watson Code Assistant：当需求是让混合云开发者为多样化需求编写代码时，这是一个选择。它建立在IBM watsonx.ai的基础模型之上，适用于任何技能水平的开发者。您可以将Watson Code Assistant与代码编辑器集成，它通过实时推荐、自动完成功能和代码重构辅助，使开发者能够准确高效地编写代码。此外，您可以将代码或项目文件输入Watson Code Assistant进行分析。它会识别模式、提出改进建议并生成代码片段或模板。开发者可以为特定项目需求定制此生成的代码。

还有许多其他AI驱动的代码生成器和代码助手工具可帮助开发者更快地编写准确代码，例如：

Amazon CodeWhisperer：可集成到代码编辑器中，提供实时代码推荐。
Tabnine：有助于实现准确的代码补全。
Replit：一个为用户提供编码、学习和协作的交互式空间的平台。

优势与注意事项

拥有自动代码编写和优化能力，基于AI的代码生成器帮助开发者提高生产力和代码质量。它们支持快速原型设计以迭代设计想法。这些工具还通过支持多语言代码翻译，有助于实现跨平台兼容性和迁移。基于AI的代码生成器遵循一致的模式和编码标准，可以建议重构模式以遵循最佳实践。

然而，应谨慎使用这些工具，以确保AI生成的代码不会导致伦理问题，例如安全漏洞，因为这些工具可能被用于生成恶意代码，或者其训练数据可能存在偏见。

总结

本节课中我们一起学习了：

基于生成式AI的模型和工具可以从文本和图像提示生成新代码、优化现有代码并生成基于解决方案的代码。
ChatGPT和Gemini适用于简单的代码生成、调试和学习编程。
GitHub Copilot、Polycoder和IBM Watson Code Assistant等知名代码生成器提供了多样化的功能，如实时推荐、代码重构和解决方案模板。
总体而言，代码生成器提高了生产力，加速了开发周期，促进了编码最佳实践并培养了一致的编码标准。

014：利用生成式AI工具 🛠️

在本节课中，我们将学习AI专业人士分享他们使用生成式AI工具（用于创建文本、图像和代码）的个人经验，并探讨使用这些工具的益处与挑战。

专家经验分享

上一节我们介绍了课程概述，本节中我们来听听专家们的实际使用体验。

以下是AI专业人士分享的关于不同类型生成式AI工具的使用心得：

一位专家表示，他广泛尝试了文本生成、代码生成、图像、视频、音乐、3D文件等各类生成式AI。他明确指出，目前文本生成和代码生成工具在首次尝试时就能获得理想结果方面表现最佳。这不仅因为这些模型经过了更多优化，也因为网络上存在大量关于如何精心设计提示词以获得优质输出的指南。
另一位专家强调，没有一个大型语言模型能够应对所有不同的生成式AI用例。对于任何特定任务，都可以考虑并使用多个大型语言模型。这些模型可能由开源社区提供，也可能由具备训练能力的组织提供。此外，还存在微调的概念，这意味着你可以考虑使用一个大型语言模型，并针对你的数据或客户数据进行微调，而无需巨大的计算资源或海量数据。

主流工具介绍

了解了专家的整体感受后，我们来看看他们具体提到了哪些流行的生成式AI工具。

以下是专家们列举的一些主流生成式AI工具分类：

文本与代码生成：

基于GPT-3的ChatGPT模型和Google Bard是非常流行的文本生成平台，它们也具备代码生成能力。
然而，在代码生成方面，GitHub Copilot 表现更佳。
其他常用于文本生成的工具还包括：Copilot AI、Jasper、Phrasee IO 和 MS Copilot。

视觉内容生成：
视觉生成可分为三个类别：图像生成、视频生成和设计生成。

在图像生成领域，DALL-E 是最受欢迎的工具之一。Stable Diffusion 也是一个重要模型。
从平台角度看，Midjourney 是最受欢迎的平台之一。
专家特别指出，DALL-E 可以与 ChatGPT 结合使用，并且 ChatGPT 的高级版本正在集成 DALL-E 功能。

专用代码生成：
对于代码生成这一特定用例，专家提到了以下专门的大型语言模型：

ChatGPT（常见选择）
Microsoft Copilot
GitHub Copilot
IBM Watson Code Assistant
CodeT5
OpenAI Codex

专家总结道，这些都是受欢迎的选择，对于创建你所需的任何材料（特别是文本）来说已经足够好。

益处与挑战

在熟悉了各类工具之后，我们需要客观地看待它们的价值与局限。

接下来，让我们探讨使用生成式AI工具相关的一些益处和挑战。

益处：
生成式AI工具的主要益处在于，它们可以帮助你创建一个良好的基线，这个基线可用于进一步开发你的内容。这能显著提高创作效率，为项目提供快速起步的原型。

挑战：
然而，你不能完全依赖这些技术，因为所有生成的内容都存在局限性。

当涉及更小众的领域，如音乐或3D文件/模型时，要获得你想要的结果通常更加困难。
这些工具生成结果需要的时间更长，并且目前阶段需要更多的试错。
专家期待未来工具变得更容易使用、效果更好，并且更重要的是走向多模态——即拥有一个单一的界面，能够无缝地处理所有不同类型的生成任务。

总结与建议

本节课中，我们一起学习了AI专家使用生成式AI工具的经验，了解了文本、代码和图像生成领域的主流工具，并分析了使用这些工具的益处与当前面临的挑战。

最后，专家给出了一条实用建议：即使你对某些类型的生成式AI目前不感兴趣，也不妨尽可能多地尝试各种工具，因为未来它们可能会变得非常有用。保持对技术的探索和实践，是把握AI浪潮的关键。

015：探索生成式AI在各领域的应用 🚀

在本节课中，我们将聆听行业专家的见解，共同探索生成式AI在多个关键领域的潜在应用与变革性影响。

概述

生成式AI几乎在每个行业都拥有潜在的应用前景。专家们将深入探讨其在教育、金融、医疗等领域的实际用例与成功项目。

教育领域的应用 🎓

上一节我们概述了生成式AI的广泛潜力，本节中我们来看看它在教育领域的具体应用。

在Skills Network，我们已经开始在多个环节实施生成式AI。我们不仅开发了能够自动批改作业和测验的工具，更重要的是，它能在学习者答错时提供反馈。借助生成式AI，这几乎可以零成本实现。我们只需设计一个提示词，例如：“请根据以下评分标准批改此作业，如有错误，请生成一段文字帮助学习者从错误中学习。”

此外，我们还推出了名为“TI”的个人导师，它是一个能回答几乎所有问题的个人教学助手。当你在实验中遇到困难、不知如何继续，或收到错误信息时，只需将错误信息交给我们的生成式AI助手TI，它就会帮助你解决问题——无论是定位代码中的错误，还是提供修复思路。这创造了一种双向互动模式，你可以随时提问并获得即时帮助，而无需在留言板上等待数天或数周。

更重要的是，通过这位全程陪伴的个人导师，学习者能够获得持续的复习和作业批改支持。这对我们而言非常实用，因为有些课程拥有成千上万甚至更多的学习者，仅凭有限数量的讲师和助教，根本不可能批改如此多的作业。生成式AI有效地填补了这一空白。

以下是生成式AI在教育中的核心应用方式：

自动批改与反馈：使用提示词工程，如 grade this with the following rubric，实现自动化评估与个性化学习指导。
个人学习助手：构建像“TI”这样的AI助手，提供7x24小时的即时答疑和编程调试支持。
规模化教学支持：解决大规模在线课程中师资力量不足的问题，为每位学习者提供个性化关注。

金融领域的变革 💹

了解了教育领域的创新后，我们转向金融行业，看看生成式AI如何改变游戏规则。

生成式AI正在改变金融世界。首先，它像侦探一样，能在交易中识别可疑行为以防止欺诈。其次，它通过分析海量市场运作数据，帮助交易员做出更明智的决策。此外，它还驱动着我们在网上看到的友好聊天机器人，帮助客户处理咨询和交易。

像摩根大通和高盛这样的大型机构已经在使用生成式AI。摩根大通的“COIN”平台利用它来快速理解法律文件，节省了大量时间和金钱。高盛则用它来预测市场走势，为交易员提供优势。生成式AI正在变革金融业，而这仅仅是个开始。准备好迎接一个资金更安全、投资更智能、银行体验前所未有的流畅的未来吧。

以下是生成式AI在金融领域的核心应用：

欺诈检测：分析交易模式，实时识别异常行为。
市场分析与预测：处理非结构化数据，生成市场洞察报告。
智能客服与自动化：驱动聊天机器人处理客户查询与标准交易。
文档智能处理：像摩根大通COIN系统那样，快速解析和理解复杂的法律与合规文件。

医疗与生命科学的突破 🏥

看过了金融领域的效率提升，本节我们将探讨生成式AI在关乎人类健康的医疗领域带来的革命性进步。

生成式AI在医疗保健领域具有变革性潜力。本课程描述的一些应用包括但不限于IT与开发运维、医疗保健、金融、人力资源、营销和娱乐。

具体到医疗保健和医药行业，生成式AI带来了诸多进步。例如医学影像生成：通过创建合成的图像数据，它使我们能够构建、训练和验证更强大的机器学习模型，用于医学影像分析。它也有助于药物发现。在制药行业，生成式AI的一个流行应用方向是生成个性化医疗方案。生成式AI正被用于创建氨基酸序列、蛋白质模式和基因组模式，特别是利用这些信息来为相关症状制定个性化的医疗方案。其核心思想是，利用现有数据和信息创造更好的、前所未有的模式，这件事因生成式AI而变得更容易了一些。

生成式AI通过生成具有所需特性的分子结构来辅助药物发现，显著加快了研究进程。此外，它还能通过增强图像分辨率和检测异常来协助医学影像分析，从而提高诊断准确性。

以下是该领域的两个成功项目案例：

DeepMind的AlphaFold：该项目使我们能够根据氨基酸序列预测蛋白质的3D结构。
AI赋能影像分析：利用生成对抗网络（GANs）生成合成数据，用这些生成的图像来构建更强大的卷积神经网络，从而更准确地检测乳腺癌，帮助医生和患者。

其他著名项目还包括Insilico Medicine，它使用生成式AI来识别新的候选药物，加速了早期发现阶段。以及英伟达与伦敦国王学院的合作，其中AI模型被用来创建合成的大脑MRI扫描图像，用于培训放射科医生，且无需担心隐私问题。

以下是生成式AI在医疗领域的核心应用与公式：

医学影像增强：使用生成模型（如GANs）合成数据，公式可表示为 G(z) -> x'，其中 G 是生成器，z 是噪声向量，x' 是生成的合成医学图像。
药物发现与个性化医疗：分析基因组、蛋白质组数据，生成特定的分子结构或治疗方案模式。
诊断辅助：通过图像分析模型（如CNN）检测病变，CNN(Image) → {Diagnosis, Anomaly Location}。

总结

本节课中，我们一起学习了生成式AI across domains的广泛应用。从提供个性化反馈和辅导的教育领域，到提升安全性与效率的金融行业，再到加速药物发现和改善诊断的医疗保健领域，生成式AI正在成为推动各行业创新的关键力量。专家分享的成功案例，如DeepMind的AlphaFold、AI医疗影像分析以及金融机构的自动化系统，都生动展示了这项技术的实用价值与巨大潜力。未来，随着技术的持续发展，其应用深度与广度必将进一步拓展。

016：核心概念与区别

在本节课中，我们将要学习生成式人工智能与代理式人工智能的核心区别、工作原理以及它们的实际应用场景。理解这两种AI方法将帮助我们更好地认识当前AI技术的发展方向。

生成式人工智能：反应型系统

上一节我们介绍了课程主题，本节中我们来看看什么是生成式人工智能。

生成式人工智能是我们所熟悉的AI形式，例如聊天机器人和图像生成器。它们本质上是反应型系统。这些系统等待用户执行特定操作，即等待用户给出提示。一旦收到提示，它们的任务就是基于提示内容生成某种形式的内容。它们利用在训练中学到的模式进行生成。

以下是生成式AI可以生成的内容类型：

文本
图像
代码
音频

生成式AI本质上是复杂的模式匹配机器。它们从海量数据集中学习了单词之间、像素之间以及声波之间的统计关系。当你提供一个提示时，生成式AI会根据其训练来预测接下来应该出现的内容。但它的工作止步于生成。没有你的进一步输入，它不会采取额外步骤。

代理式人工智能：主动型系统

了解了反应型的生成式AI后，本节中我们来看看与之相对的代理式人工智能。

代理式人工智能系统则不同，它们不是反应型的，而是主动型系统。与生成式AI类似，它们通常也始于一个用户提示。但这个提示随后被用来通过一系列行动来追求目标。

一个代理系统基本上会经历一个生命周期。其工作方式如下：首先，它感知环境。感知完成后，它可以决定要采取的行动。决定行动后，它便可以执行该行动。行动执行完毕后，它可以从输出中学习，然后循环往复，整个过程只需最少的人工干预。

共同基础：大语言模型

上一节我们分别介绍了两种AI的特点，本节中我们来看看它们的共同技术基础。

这两种AI方法通常共享一个共同的基础，那就是大语言模型。LLM是聊天机器人的技术支柱。当然，生成其他内容（如图像和音频）通常会使用其他工具，例如扩散模型。但对于聊天机器人，我们使用LLM。同时，LLM也为代理系统提供了推理引擎的能力。

实际应用与用例

在深入探讨技术之前，让我们先谈谈一些现实世界的应用和用例。

生成式AI可以帮助完成内容创作任务，尤其是创意内容创作。例如，一个视频博主可能会使用生成式AI系统来审阅脚本、建议缩略图概念，甚至生成背景音乐。但在每一步中，都存在一个人类创作者。这位创作者会审查生成的内容，检查是否符合其要求，并对其进行优化。AI生成可能性，而人类则负责筛选和指导整个过程。

代理式AI则在需要持续管理和包含多步骤流程的场景中表现出色。考虑一个个人购物代理：给定一个要购买的产品作为输入，它会主动在各个平台上搜寻库存，监控价格波动，处理结账流程，甚至协调配送。它基本上独立运作，仅在需要时向你寻求输入。

推理能力：思维链

那么，代理AI是如何做到这些的呢？本节中我们来探讨其背后的推理机制。

事实证明，支撑许多生成式AI的LLM也可以用来为AI代理提供推理能力。这里我们本质上是在利用生成式AI“思考”的能力（加引号的思考），即思考如何解决问题。这有一个名称，叫做思维链推理。这正是LLM非常擅长的地方。

这是一个代理将复杂任务分解为更小、更合乎逻辑的步骤的过程，类似于人类处理难题的方式。想象一下，我们想要一个代理来规划组织会议这样的复杂任务。它会使用生成式AI生成内部对话。这个对话可能如下所示：

首先，我需要了解会议的要求：规模、持续时间、预算等。
然后，我应该研究符合这些参数的可用场地。
接着，对于符合要求的场地，我需要检查其可用性等等。

这实际上是代理在采取行动之前，通过与自己对话来探索问题空间。生成式AI基本上是驱动代理决策的认知引擎。

未来展望：智能协作体

最后，让我们展望一下未来的发展趋势。

展望未来，最强大的AI系统可能既不是纯粹的生成式，也不是纯粹的代理式。它们将成为智能协作体。它们将理解何时通过生成来探索选项，以及何时通过代理行动来执行行动方案。就像一个知道何时生成同人小说下一章的代理，以便在（例如）视频拍摄结束后就能准备好。

总结

本节课中我们一起学习了生成式人工智能与代理式人工智能的核心区别。生成式AI是反应型的内容生成工具，而代理式AI是主动型的目标导向系统。两者常以大语言模型为基础，但应用方式不同。生成式AI辅助人类进行内容创作与筛选，代理式AI则能自主管理多步骤任务流程。未来的AI发展方向将是结合两者优势的智能协作体。

017：课程介绍 🚀

在本节课中，我们将要学习提示工程的基础知识。提示工程是引导生成式AI模型（如聊天机器人、图像生成工具等）生成精准、相关响应的核心技能。掌握如何设计有效的提示，将帮助你充分释放生成式AI的潜力。

核心概念：提示工程

专家之所以能解答问题，关键在于提出正确的问题。有趣的是，这正是我们为生成式AI模型设计提示时所遵循的同一原则。我们通过提示来查询和提问AI应用。

提示能够优化生成式AI模型的响应。其力量在于你所提出的问题。了解如何撰写有效且直接的提示，将使你能够生成更精确、更相关的内容。

现在，一个值得提出的好问题是：完成本课程后，我能做什么？

课程目标与受众

本课程面向所有初学者，无论是专业人士、爱好者、从业者还是学生，只要对学习如何撰写有效提示抱有真诚的兴趣。这是一门适合所有人的课程，无论你的背景或经验如何。

在本课程结束时，你将能够：

阐释提示工程的概念及其与生成式AI模型的相关性。
应用创建提示的最佳实践。
评估常用的提示工程工具。
应用常见的提示工程技术和方法来撰写有效提示。

课程结构与内容

这是一门精炼的课程，包含三个模块，每个模块需要一到两个小时完成。

在上一节我们介绍了课程的整体目标，接下来我们看看每个模块的具体内容。

以下是三个模块的详细安排：

模块1：提示工程基础
你将学习提示工程的概念，从如何定义提示及其构成要素开始。你将学会应用撰写有效提示的最佳实践，并评估常见的提示工程工具，如 IBM WatsonX Prompt Lab、Spellbook 和 Dust。
模块2：提示工程方法与技巧
你将学习各种提示工程方法，如访谈模式、思维链和思维树。你将探索巧妙设计提示的技巧，例如零样本和少样本提示，以产生精确且相关的响应。
模块3：实践与评估
本模块要求你参与一个最终项目，并提供一个计分测验来检验你对课程概念的理解。你还可以访问课程术语表，并获得关于后续学习步骤的指导。

学习资源与特色

本课程融合了概念讲解视频和辅助阅读材料。观看所有视频以掌握学习材料的全部精髓。

你将通过实践实验室和一个最终项目来享受动手操作的乐趣，该项目将在IBM生成式AI教室中演示如何通过创建有效提示来优化结果。

课程包含练习测验，帮助你在课程结束时巩固所学知识，你还将尝试一次计分测验。课程还提供了讨论论坛，供你与课程工作人员联系并与同伴交流。

最有趣的是，通过专家观点视频，你将听到经验丰富的从业者分享他们对提示工程中使用的工具、方法以及撰写有效提示的艺术的见解。

总结

本节课中，我们一起学习了本课程的概览。我们了解到，提示工程是通过精心设计问题来引导AI生成优质结果的关键技能。本课程专为初学者设计，将通过三个模块的系统学习，帮助你掌握提示工程的核心概念、最佳实践、实用工具和高级技巧，并最终通过实践项目巩固所学。

你准备好学习关于撰写提示的一切知识，以解锁生成式AI的全部潜力了吗？让我们开始吧。

018：什么是提示词

在本节课中，我们将学习提示词的定义及其核心构成要素。理解如何编写有效的提示词，对于引导生成式AI模型产生符合预期的结果至关重要。

什么是提示词？

生成式AI模型的一项显著能力是其输出与人类创作的内容高度相似：相关、有上下文、富有想象力、细致入微且语言准确。而生成这种输出的关键因素之一就是提示词。

那么，什么是提示词？提示词是你提供给生成式模型的任何输入，用以产生期望的输出。你可以将其视为你给模型的指令。

以下是几个简单的提示词示例：

write a small paragraph describing your favorite holiday destination
Write H code to generate a drop down selection of cities within an online form

这些是用于产生特定输出的直接提示词。提示词也可以是一系列逐步细化输出的指令，以达到期望的结果。

例如：

write a short story about a scientist studying life on Mars
What were some of the challenges he faced during his research

通过这些例子可以清楚地看到，提示词包含问题、上下文文本、指导模式或示例，以及基于这些以自然语言请求形式提交的提示词，生成式AI模型会收集信息、进行推理并提供创造性的解决方案。这些指令帮助模型根据提供的输入，产生相关且合乎逻辑的回应或输出。

从“朴素提示”到“有效提示”

为了更好地理解，让我们看一些对比示例。

假设你想让模型写一个关于农民在10年内成为成功商人的奋斗与成就的短篇故事。如果你的提示词是“rich man's story from a small town. His struggles and achievements”，它会产生一个通用的输出。这就是我们所说的朴素提示，即以最简单的方式向模型提问。

为了向模型准确传达你的意图，你可以进行简单的调整，从而显著改善结果。你的提示词需要有恰当的上下文、结构和清晰度。

因此，你可以将提示词重写为：
write a short story about the struggles and achievements of a farmer who became a rich and influential businessman in 10 years

再看另一个例子，你想让模型生成你想象中的日落风景图像。将提示词写为“sunset image between mountains”可能无法得到期望的输出。这个提示词过于简短，缺乏对你脑海中图像的详细描述。

你可以将提示词重写为：
generate an image depicting a calm sunset about a river valley that rests amidst the mountains

有效提示词的构成要素

要掌握编写有效提示词的艺术，让我们逐一理解一个结构良好的提示词的构成要素。

1. 指令
指令为模型提供关于你希望执行的任务的明确指导。它规定了生成式AI模型的行为，以影响其回应的形成。
例如：write an essay in 600 words， analyzing the effects of global warming on marine life

2. 上下文
上下文有助于建立构成指令背景的环境，并为生成相关内容提供一个框架。
为了理解这一点，让我们在前一个例子的提示词中添加一些上下文：
In recent decades， global warming has undergone significant shifts， leading to rising sea levels， increased storm intensity and changing weather patterns. These changes have had a severe impact on marine life. Write an essay in 600 words analyzing the effects of global warming on marine life.
这个提示词将帮助模型生成与上下文一致的内容。

3. 输入数据
输入数据是你作为提示词一部分提供的任何信息片段。这可以作为生成式模型的参考，以获得包含特定细节或想法的回应。
为了提供输入数据，同样的提示词可以重构如下：
You have been provided with a data set containing temperature records and measurements of sea levels in the Pacific Ocean. Write an essay in 600 words analyzing the effects of global warming on marine life in the Pacific Ocean.

4. 输出指示器
输出指示器为评估模型生成输出的属性提供了基准。它可以概述你期望输出具备的语气、风格、长度和其他品质。
在提示词 write an essay in 600 words analyzing the effects of global warming on marine life 中，输出指示器指定生成的输出应为一篇600字的文章，并将根据分析的清晰度以及相关数据或案例研究的结合程度进行评估。

以上每个要素都在帮助生成式AI模型理解你的需求并给出期望的输出方面发挥着作用。

总结

本节课中，我们一起学习了提示词的定义。提示词是你为产生期望输出而提供给生成式模型的任何输入或一系列指令。这些指令有助于引导模型的创造力，并协助产生相关且合乎逻辑的回应。

一个结构良好的提示词的构成要素包括指令、上下文、输入数据和输出指示器。这些要素共同帮助模型理解我们的需求并生成相关的回应。

019：什么是提示工程 🧠

在本节课中，我们将要学习提示工程的核心概念、流程及其重要性。通过本节内容，你将能够定义提示工程，解释其在生成式AI模型中的相关性与重要性，并掌握设计有效提示的步骤。

概述

提示工程是设计有效提示的过程，旨在引导生成式AI模型产生更佳、更符合预期的回答。尽管生成式AI模型有潜力辅助人类创造力，但如果提供的提示不够精确，模型可能会产生不充分甚至错误和误导性的信息。提示工程融合了批判性分析、创造力和技术敏锐度，其核心在于在正确的上下文中，以正确的信息，提出正确的问题，并明确期望的结果。

提示工程流程详解

上一节我们介绍了提示工程的基本定义，本节中我们来看看设计有效提示的具体步骤。这是一个结构化的迭代过程。

以下是创建有效提示的逐步流程：

定义目标
流程的第一步是建立一个清晰的目标。你必须确切知道希望模型生成什么。
- 示例目标：生成一份关于人工智能在汽车领域应用的利弊概述。
创建初始提示
在定义目标后，即可创建初始提示。根据目标，这可能是一个问题、一个指令或一个情境描述。
- 示例初始提示：写一篇文章，全面分析人工智能融入汽车行业所带来的好处和缺点。

测试提示
接下来需要测试并分析所创建提示得到的回答。回答可能相关，但可能缺乏你所期望的独特视角。
- 示例分析：对初始提示的回应直接列出了人工智能在汽车行业的利弊，但未强调可能出现的伦理问题，也没有讨论其正面和负面影响。
分析回答
你必须仔细审查回答，检查其是否符合你的目标。如果不符合，需记下不足之处。
- 示例分析：初始提示未能涵盖人工智能在汽车行业相关利益和风险的全面范围。
优化提示
利用通过测试和分析获得的知识，现在可以修改提示。这可能包括增强其特异性、添加上下文或重新措辞。
- 示例优化提示：写一篇信息性文章，讨论人工智能如何革新汽车行业。阐述关键方面，如好处、缺点、伦理考量以及正面和负面影响。涵盖自动驾驶和实时交通分析等具体领域，同时审视技术复杂性和网络安全担忧等潜在挑战。
迭代过程
最后三个步骤（测试、分析、优化）需要重复进行，直到你对回答感到满意。
- 示例最终提示：写一篇文章，重点介绍人工智能如何重塑汽车行业。聚焦于自动驾驶和实时交通分析等领域的积极进展，同时深入探讨与决策算法等复杂技术方面以及潜在网络安全漏洞相关的担忧。强调这些担忧可能对车辆安全产生的影响。确保分析透彻、有实例支持并能引发批判性思考。

提示工程的重要性

理解了流程后，我们来看看提示工程为何如此重要。它在多个方面对发挥生成式AI模型的效能至关重要。

以下是提示工程的四个关键作用：

优化模型效率：提示工程帮助设计智能提示，让用户无需大量重新训练即可充分利用这些模型的全部能力。
提升特定任务性能：提示工程使生成式AI模型能够生成细致入微且符合上下文的回答，从而在特定任务上更加有效。
理解模型限制：通过每次迭代优化提示并研究模型的相应回答，可以帮助我们理解其优势和弱点。这些知识可以进一步指导未来的功能增强或模型整体开发。
增强模型安全性：熟练的提示工程可以防止因提示设计不当而导致有害内容的生成，从而提升模型使用的安全性。

总结

本节课中我们一起学习了提示工程。我们了解到，提示工程是通过设计有效提示来充分利用生成式AI模型能力、以产生最佳回答的过程。我们详细探讨了通过测试、分析和优化来完善提示的迭代流程。最后，我们总结了提示工程在优化模型效率、提升任务性能、理解模型限制以及增强安全性方面的重要性。掌握提示工程是有效利用生成式AI工具的关键技能。

020：最佳提示创建实践 🎯

在本节课中，我们将学习如何应用最佳实践来创建有效的提示，并通过多个示例解释起草和优化提示的过程。

撰写有效的提示对于充分发挥生成式AI模型的潜力、生成相关且准确的回应至关重要。通过应用创建有效提示的最佳实践，你可以监督生成输出的风格、语气和内容。

创建有效提示的最佳实践可以应用于四个基本维度：清晰度、上下文、精确度和角色扮演（或人物模式）。

清晰度 ✨

上一节我们介绍了创建有效提示的四个维度，本节中我们首先来看看清晰度。清晰的提示能确保模型准确理解你的意图。

以下是实现清晰度的关键要点：

使用简单直接的语言：简单的语言易于传达指令。因此，应撰写明确且易于理解的提示。
避免专业术语：专业术语可能会使模型或用户感到困惑。因此，应使用能被广泛受众理解的简单词汇来撰写提示。
明确任务描述：模糊的提示可能导致回应与你的意图不符。因此，必须清晰描述模型需要执行的任务。

让我们通过一个例子来理解。

原始提示（不清晰）：

讨论在植物完全多汁的托叶上借助阳光发生的烹饪过程。同时提及一个绿色物质，以及光、空气和水对植物地上部分的重要性。

这个提示存在许多问题：

它没有明确提及你想要讨论的过程（光合作用）。
它包含了复杂的术语（如“完全多汁的托叶”），难以理解。
它很模糊，没有清晰描述手头的任务。

优化后的提示（清晰）：

解释植物光合作用的过程，详细说明叶绿素的作用，以及阳光、二氧化碳和水如何促成这一生物功能。

修订后的提示使用了简单、清晰、简洁的语言，并明确声明你想要讨论植物光合作用的过程。

上下文 📖

在了解了清晰度的重要性之后，我们来看看第二个维度：上下文。上下文能帮助模型理解情境或主题。

这可以包括提供简要介绍或解释需要回应的环境。相关的信息或具体细节（如人物、地点、事件或概念）有助于引导模型的理解。因此，在撰写提示时融入这些细节非常重要。

例如：

原始提示（缺乏上下文）：

写一写1775年革命战争爆发期间发生了什么。

这个提示没有包含足够的上下文和具体细节来引导模型的理解。

优化后的提示（包含上下文）：

描述导致美国革命战争的历史事件，重点关注波士顿倾茶事件、萨拉托加战役等关键事件。强调美国殖民地与英国政府之间的紧张关系，并解释这些事件如何导致1775年革命战争的爆发。

这个修订版本建立了正确的历史背景，并包含了相关的具体信息，使模型能够生成更准确、更丰富的回应。

精确度 🎯

我们已经探讨了清晰度和上下文，接下来是第三个关键维度：精确度。精确度有助于勾勒出你的请求和提示的轮廓。

如果你在寻找特定类型的回应，请清晰地表达出来。在提示中融入示例可以帮助模型理解你期望的回应类型，并引导其思考过程。

例如：

原始提示（不够精确）：

谈谈经济学中的供给与需求，以及它是如何受影响的。

这个提示没有精确地勾勒出特定类型回应的轮廓，也没有提供示例。

优化后的提示（精确）：

解释经济学中的供给与需求概念。描述需求增加如何影响价格，并借助一个说明性例子（如智能手机市场）进行阐述。同样，通过类比石油生产中断等情况，解释供给减少对价格的影响。

这个提示清晰地表达了你想要借助例子来解释一个概念。

角色扮演 👤

最后，让我们讨论最后一个维度：角色扮演（或人物模式）。从特定角色或人物视角撰写的提示，可以帮助模型生成与该视角一致的回应。

必要的上下文细节使模型能够有效地扮演特定角色。因此，如果你要求模型从历史人物、虚构角色或特定职业的立场进行回复，请提供相关的上下文细节。

让我们看一个例子：

原始提示（无角色设定）：

写一篇日志，描述一个未知外星星球上奇特的动植物。

这个提示只会给出关于外星星球的科学细节，而不会从专业人士的视角解释其答案。

优化后的提示（包含角色扮演）：

假设你是一名刚刚降落在一个未知外星星球上的宇航员。写一篇日志，描述你遇到的奇特动植物，比如天空的颜色和回荡在异星景观中的陌生声音。表达你在记录这段非凡旅程时的兴奋、好奇以及一丝忧虑。

在这个例子中，你明确提供了上下文细节，并假设自己是一名宇航员。因此，这个提示将生成与宇航员视角一致的回应。

总结 📝

本节课中，我们一起学习了为生成式AI模型撰写有效提示的重要性，它能帮助我们监督输出的风格、语气和内容。

撰写有效提示的最佳实践可以围绕四个维度实施：

清晰度：包括使用简单、简洁的语言。
上下文：提供背景和所需细节。
精确度：意味着要具体并提供示例。
角色扮演：通过设定人物角色并提供相关上下文，可以增强回应的效果。

这些实践可以根据具体需求进行调整，以获得最佳结果。

021：常用提示工程工具 🛠️

在本节课中，我们将学习提示工程工具。我们将了解这些工具的常见功能，并介绍几款常用的工具，以帮助你更高效地与生成式AI模型进行交互。

概述

提示工程是指设计精确且符合上下文的提示，以便与生成式AI模型交互，从而生成相关且准确的输出。为了辅助这一过程，存在多种提示工程工具。这些工具提供了丰富的功能和特性，旨在优化提示的创建，以获得期望的结果。它们对于不精通自然语言处理技术，但又希望在使用生成式AI模型时达成特定目标的用户尤为有用。

常见功能

接下来，让我们探讨一下各类提示工程工具通常提供的核心功能。

以下是提示工程工具的一些常见功能：

提示建议：许多工具能根据给定的输入或期望的输出，提供提示建议。
上下文优化：这些工具可以建议如何构建提示，以实现更好的上下文沟通。它们帮助设计能提供必要背景信息的提示，使模型能理解用户的意图。
迭代优化：你可以根据工具的初始响应，迭代地优化提示，以找到最有效的版本。
偏见缓解：提示工程工具可能提供功能，帮助减轻生成式AI模型响应中的偏见。它们可以指导如何设计提示，以减少产生偏见或不恰当输出的可能性。
领域特定支持：这些工具可以帮助创建针对特定领域（如法律、医疗或技术）的提示。
预定义提示库：一些提示工程工具提供了针对各种用例的预定义提示库，这些提示可以根据具体需求进行定制。

常用工具介绍

上一节我们介绍了提示工程工具的通用功能，本节中我们来看看几款具体的常用工具。

1. IBM Watsonx.ai 与 Prompt Lab

让我们从 IBM Watsonx.ai 开始。这是一个集成工具平台，可以轻松地训练、调优、部署和管理基础模型。该平台包含 Prompt Lab 工具，使用户能够基于不同的基础模型进行提示实验，并根据需求构建提示。

为了帮助你入门，Prompt Lab 为不同用例提供了示例提示，包括摘要、分类、生成和提取。要创建符合你特定需求的提示，你可以通过添加指令和示例来训练模型，向模型展示如何响应输入。

2. Spellbook (Scale AI)

接下来，我们了解一下 Spellbook。这是一个由 Scale AI 提供的集成开发环境。使用 Spellbook，你可以基于大型语言模型构建应用程序，并为各种用例（包括文本生成、文本提取、分类、问答、自动补全和摘要）进行提示实验。

对于提示工程，Spellbook 包含一个提示编辑器，允许你编辑和测试提示。你可以使用提示模板来利用结构化提示生成文本，也可以访问预构建的提示作为示例。

3. Dust

另一个提示工程工具是 Dust。它提供了一个用于编写提示并将其链接在一起的 Web 用户界面。你可以管理链式提示的不同版本。它还提供了一种自定义编码语言和一组用于处理 LLM 输出的标准模块。Dust 也支持 API 集成，以接入其他模型和服务。

4. PromptPerfect

用于高效提示工程的另一个工具是 PromptPerfect。它可用于为不同的 LLM 或文生图模型优化提示。它支持常见的文本模型（如 GPT、Claude、Stable LM 和 LLaMA）以及图像模型（如 DALL-E 和 Stable Diffusion）。

要编写或优化提示，你首先需要选择要为其优化提示的相关模型。不同的模型有不同的优化策略。你还可以选择与预览质量、语言和审核相关的附加功能。当你编写提示时，可以尝试自动补全功能，它会在你输入时提供建议。你可以进一步优化已编写的提示。

这里有一个例子，展示了用户编写的原始提示和由 PromptPerfect 生成的相应优化提示。为了进一步优化，你可以在流线模式下逐步优化和完善提示：编写提示 -> 优化 -> 再次编辑提示 -> 优化，直到对输出满意为止。

5. 其他资源与平台

还有一些其他流行的工具和界面为提示工程提供资源或帮助你进行提示实验。

以下是其他有用的资源：

GitHub：提供了大量关于提示工程和 LLM 的代码仓库。这些仓库中的指南、示例和工具有助于提高提示工程技能。
OpenAI Playground：一个基于 Web 的工具，帮助使用 OpenAI 的各种模型（如 GPT）进行提示实验和测试。
Playground AI：该平台帮助你使用文本提示进行实验，通过 Stable Diffusion 模型生成图像。
LangChain：一个 Python 库，提供了构建和链接提示的功能。

最后，有趣的是，提示词也可以进行买卖。其中一个例子是 PromptBase，这是一个提示词市场。PromptBase 支持为流行的生成式AI工具和模型（如 Midjourney、ChatGPT、DALL-E、Stable Diffusion 和 LLaMA）提供提示词。通过 PromptBase，你可以购买符合你特定要求、且针对特定模型或工具的提示。例如，你可以购买一个用于通过 Midjourney 生成滑稽卡通角色的提示。同样，如果你拥有出色的提示词设计技能，也可以通过 PromptBase 上传和出售提示词。它还支持直接在平台上设计提示词，并在其市场上出售。

总结

本节课中，我们一起学习了提示工程工具。我们了解到，这些工具提供了多种功能和特性来优化提示，包括提示建议、上下文理解、迭代优化、偏见缓解、领域特定支持和预定义提示库。我们还介绍了几款常见的提示工程工具和平台，包括 IBM Watsonx.ai 的 Prompt Lab、Spellbook、Dust 和 PromptPerfect，以及其他有用的资源和市场。掌握这些工具将帮助你更有效地利用生成式AI的能力。

022：高效提示词的最佳实践 ✍️🤖

在本节课中，我们将学习由生成式AI专家分享的编写高效提示词的最佳实践。提示词工程是与AI模型交互、获取理想结果的关键步骤。

概述：提示词工程的重要性

上一节我们介绍了提示词的基本概念，本节中我们来看看专家们总结的具体实践方法。编写清晰的提示词是使用生成式AI时至关重要的一步，因为这是我们与模型交互、要求其产生预期结果的主要方式。

核心原则：清晰与具体

首要原则是向模型提出清晰、具体的请求。与人类交流时，我们常使用开放式问题以鼓励探索，但与AI模型协作时，我们需要更加具体和直接。

以下是编写优秀提示词的三个最通用、最突出的要点：

请求清晰：明确表达你的需求。
提供上下文：绝对清晰地说明目标应用场景。
列出期望：详细列出你希望回答中包含的所有特性或要点。

最佳实践详解

接下来，我们将逐一探讨专家们提出的各项最佳实践。想象你正在给一个极具创造力的机器人下达指令。

1. 保持清晰简洁

指令应清晰简洁，例如直接告诉它“写一首朗朗上口的机器人歌曲”。避免过于冗长，给模型留出发挥创意的空间。同时，需要尝试不同的提示长度，有时一个短句足够，有时则需要更多细节。

2. 提供背景信息

为模型提供一些上下文或背景信息，这有助于它利用这些信息来生成更符合我们需求的回答。

3. 使用自然语言

使用自然语言与AI模型交互，避免使用艰深晦涩的词汇或产生歧义，以确保模型能清楚理解我们的要求。

4. 包含示例（Few-Shot Learning）

这是一个“小样本学习”的概念。通过提供问题-答案的示例，或关于回答结构、风格的示例，模型可以参照这些例子来相应地生成结果。

5. 使用专业角色与语言

使用特定的语言，并指定专家角色。如果你在谈论某个特定领域，可以说“作为一名医疗保健专家”或“作为一名产品经理”。这种特定的角色或专业领域有助于大型语言模型调整并聚焦于你想要讨论的信息。

例如，一个我常与产品管理客户使用的提示词是：

作为一名产品经理，请以标准的问题陈述格式，帮我撰写一个问题陈述。

这样，模型通常会返回一个我认为质量合格的问题陈述输出。

6. 设定约束与迭代

我们可以提供一些约束条件，例如限制内容范围、避免某种结构、提供指导方针、限制生成内容的长度（令牌数）或提供上下文窗口。此外，迭代是关键。在提出问题后，根据获得的结果评估并优化提示词。同时，需要在模型的创造力（随机性） 与遵循我们提供的上下文相关性之间找到平衡。

7. 利用模型记忆与主动询问

较新的模型拥有更强的记忆能力，能记住对话上下文。如果生成的回答缺少某些信息，可以要求它添加或重写。不断迭代，直到获得正确的提示词或你想要的答案。另一个好方法是，如果你不确定如何提问，可以直接询问AI。例如：

要获得一个流程图，向你提问的最佳方式是什么？

它实际上会告诉你应该使用哪种类型的提示词。

总结与鼓励

本节课中我们一起学习了编写高效提示词的核心原则与具体实践。记住，熟能生巧。尝试不同的指令表达方式，直到找到最合适的一种。不同的模型（机器人）有不同的特长，因此要根据其优势调整你的提示词。最后，赋予它上下文，就像故事或氛围一样，让它理解你的目标。

请记住，编写提示词是一门艺术。凭借清晰度、平衡性和一点对“机器人”的关爱，你就能解锁惊人的创意可能性。让我们共同尝试，迈向未来。

023：探索生成式AI中的提示工程 🧠

在本节课中，我们将聆听行业专家分享关于提示工程的观点，了解其核心概念、常用技巧与工具。提示工程是有效引导生成式AI模型的关键技能。

什么是提示工程？ 🤔

上一节我们介绍了课程背景，本节中我们来看看专家如何定义提示工程。

提示工程是一种编写优质或有效提示的技术。模型能够利用这些提示，生成一致且出色的输出。

提示工程是随着生成式AI兴起而在近两年出现的一个术语。它指的是理解如何向大型语言模型发出提示，以获得期望的回应。

核心提示工程技术 🛠️

理解了基本定义后，本节我们将深入探讨几种核心的提示工程技术。

以下是几种关键的提示方法：

零样本提示：这是目前人们使用ChatGPT的典型方式，即直接要求模型做某事。“样本”即例子，零样本意味着不提供任何示例，直接发出指令。例如：“写一封商务邮件。”
单样本提示：在指令中提供一个格式示例。例如：“请为我撰写一份产品描述。以下是一个示例格式：[产品名称] 是一款 [核心功能] 的工具，它能帮助用户 [核心价值]。” 模型会利用这个格式来组织信息，使输出更符合要求。
少样本提示：提供两个或更多示例。有趣的是，这些示例本身不一定正确，但格式必须正确。你甚至可以先用生成式AI根据已有格式创建更多示例，然后将它们加入提示中。
思维链：要求模型分步思考。例如：“请解决这个数学问题。首先，制定一个计划。然后，一步一步地执行这个计划。” 这有助于大型语言模型保持逻辑连贯性，尤其适用于复杂任务。
角色扮演：为模型指定一个角色。例如：“你是一名JavaScript专家。” 或 “你是一家小型企业的CEO。” 赋予模型越具体的角色，输出的专业性通常越强。

此外，与模型交互时还可以调整一些参数来控制其生成行为：

温度：控制输出的随机性。temperature 值越高，输出越多样、有创意；值越低，输出越确定、保守。
Top-k / Top-p：这些是采样参数，用于控制生成下一个词时考虑的候选词范围，从而平衡生成结果的多样性与相关性。

常用提示工程工具 💻

掌握了基本技术后，我们来看看专家们推荐使用哪些工具来实践和优化提示。

以下是专家提到的一些常用工具和平台：

Watsonx.ai Prompt Engineering Lab：这是一个非常出色的工具，专门用于针对特定应用练习和开发有效的提示。
OpenAI / Microsoft Copilot 等平台：这些平台通常提供关于如何编写优质提示的指南和教程。你可以利用这些工具来辅助编写提示，并预览可能得到的回应类型。
模型特定语法：某些模型（如 Llama 2）有自己必须遵循的特定提示语法。遵循正确的语法对于获得理想输出至关重要。

实践建议与重要性 ⚡

最后，我们来听听专家关于实践提示工程的建议，并总结其重要性。

专家分享了一个实践案例：当需要向ChatGPT解释一个工作流程时，可以直接询问模型它偏好的输入格式。例如：“我希望你为我分析这个工作流程。我以什么格式提供信息对你来说最有效？” 模型会返回一个建议的结构，按照这个结构提供信息后，模型就能更准确地进行关联和分析。

提示生成对于从模型中获取正确输出至关重要。道理很简单：如果你问错了问题，就会得到错误的答案。这对人类如此，对当前的生成式AI模型尤其如此。提示工程的目标是以最少的试错、时间和资源消耗，获得我们想要的输出。

因此，提示工程在当前极具价值，相对容易学习，是一项值得投入时间掌握的关键技能。

本节课总结：我们一起学习了提示工程的定义，它是一门引导AI生成理想输出的技术。我们探讨了零样本、少样本、思维链和角色扮演等核心方法，以及温度等控制参数。此外，还了解了一些实用的工具（如Watsonx.ai Lab）和实践技巧。掌握提示工程能显著提升与生成式AI交互的效率与效果。

024：文本到文本提示技术 📝

在本节课中，我们将学习如何通过文本提示技术来提升大型语言模型的可靠性与输出质量。我们将探讨多种核心提示技巧及其带来的益处。

近年来，自然语言处理领域因大型语言模型的应用取得了显著进步。然而，随着LLM规模和复杂度的增加，关于其可靠性、安全性和潜在偏见的担忧也随之浮现。有效使用文本提示是解决这些问题的可行方案。文本提示是精心设计的指令，用于引导LLM的行为以生成期望的输出。但生成内容的质量和相关性，取决于提示的有效性以及LLM自身的能力。

接下来，让我们探索那些能使文本提示更有效、并能提升LLM输出可靠性的技术。

核心提示技术 🔧

上一节我们介绍了文本提示的基本概念，本节中我们来看看几种具体的提示技术。

任务明确化

文本提示应明确地向LLM传达目标，以提高回答的准确性。例如，提示“将这句英文翻译成法语”就是一个实现任务的清晰指令。

上下文引导

此技术通过文本提示为LLM提供具体指令，以生成相关输出。以下是两个对比示例：

一个宽泛的提示：写一段关于纽约市的简短介绍。
一个包含上下文的提示：写一段关于纽约市的简短介绍，重点突出其标志性地标。

第二个提示因包含了具体上下文，能引导模型生成更符合需求的输出。

领域专业知识

当需要LLM在医学、法律或工程等对准确性要求极高的专业领域生成内容时，文本提示可以使用领域特定术语。例如，一个请求甲状腺功能减退症信息的提示可以这样写：
请解释甲状腺功能减退症的病因、症状及治疗方法，需包含最新研究和医疗指南。

偏见缓解

此技术通过文本提示提供明确指令，以生成中立的回应。例如，若担心模型在回答关于领导力特质的问题时存在性别偏见，可以使用如下提示：
撰写一段100字的关于领导力特质的段落，不应偏向任何性别，需提供所有性别的平等示例。

框架设定

此技术通过文本提示引导LLM在所需边界内生成回答。假设你需要模型总结一篇关于气候变化的文章，提示可以是：
请用100字总结这篇关于气候变化的文章，聚焦其主要发现和建议。

高级提示方法 🚀

除了上述基础技术，还有一些更高级的提示方法能应对复杂场景。

零样本提示

如今的LLM经过海量数据训练并能遵循指令，可以在无需特定任务训练的情况下执行任务。零样本提示即是一种让生成式AI模型无需先验训练就能对提示生成有意义回应的方
法。例如：

提示：找出这个句子中的形容词。句子是：Anita烤出了社区里最好的蛋糕。
输出：最好的

然而，通常无法通过一次提示就获得理想回应，这时可能需要迭代优化。

用户反馈循环

在此技术中，用户根据LLM生成的回应提供反馈，并迭代式地优化文本提示。这个循环允许用户逐步改进模型的输出质量，直至达到期望状态。流程示例如下：

用户通过提示要求模型写一首诗。
LLM生成一首诗。
用户反馈：“让它更幽默一些。”
LLM调整诗歌，加入更多幽默元素。
用户认可修改后的诗。

少样本提示

对于复杂任务，当你无法清晰描述需求时，可以使用少样本提示技术。它支持上下文学习，即在提示中提供示例来引导模型的表现，这些示例作为后续希望模型生成回应的样本的条件。例如，假设任务是生成简短的旅行推荐：
首先，提供少量示例作为引导上下文：

推荐一个以美丽海滩闻名的夏季旅行目的地。
推荐一个以美丽秋叶闻名的秋季旅行目的地。

使用这些少样本提示后，模型便能基于此生成其他类型的旅行推荐。例如，对于任务“推荐一个值得探索的城市”，模型可能生成：
考虑游览像巴黎这样充满活力的城市，以其丰富的历史、艺术和标志性地标而闻名。
这就是模型如何基于少样本提示中提供的极少量训练数据，为不同类型假期生成旅行推荐。

有效使用文本提示的好处 ✨

使用我们刚刚讨论的方法将文本提示与LLM结合，能带来多项益处。以下是其中一些：

增强LLM的可解释性：可解释性指用户能够理解和解释模型的决策过程及其生成特定输出的原因。它帮助用户、开发者和利益相关者理解模型如何工作、为何做出特定预测或生成特定文本，以及在不同应用中是否可信赖。
解决伦理考量：可解释性对于解决与AI相关的伦理问题至关重要。它帮助所有利益相关者评估并确保LLM的行为符合特定领域的伦理准则和法律要求。
建立用户信任：除了提高LLM的可靠性和可解释性，有效的文本提示还能在用户和LLM之间建立信任。当用户能够理解LLM的工作原理，并看到他们的指令对LLM行为的直接影响时，将促成用户与LLM之间透明且有意义的互动。

总结 📋

本节课中我们一起学习了多种文本提示技术，它们能有效提升大型语言模型的可靠性和输出质量。

具体而言，我们探讨了：

任务明确化
上下文引导
领域专业知识
偏见缓解
框架设定
用户反馈循环

此外，我们还学习了零样本提示和少样本提示这两种高级方法。

最后，我们了解了有效使用文本提示与LLM结合的几大好处，包括增强LLM的可解释性、解决伦理考量以及建立用户信任。

025：面试模式方法 🎤

在本节课中，我们将学习一种名为“面试模式方法”的提示工程策略。我们将了解其工作原理，并通过一个具体示例来掌握如何应用此方法，以引导生成式AI模型产生更具体、更符合需求的响应。

概述

面试模式方法是一种通过模拟对话或访谈风格与模型交互来设计提示的策略。其核心在于通过多轮问答，逐步引导模型获取所需信息，从而生成高度定制化的响应。这种方法比传统的单次提问方式更为动态和有效。

面试模式方法的工作原理

上一节我们介绍了面试模式方法的基本概念，本节中我们来看看它的具体工作流程。这种方法需要对提示进行细致优化，以确保模型生成的响应能精确满足你的目标。

其典型流程如下：

用户提供初始指令：你首先向模型给出一个扮演特定角色并执行任务的指令。
模型提出跟进问题：模型根据你的指令，开始向你提出一系列必要的、详细的跟进问题。
用户回答问题：你逐一回答模型提出的问题，提供更多具体信息。
模型处理并生成响应：模型根据你提供的所有信息，进行处理和整合，最终生成一个优化后的、符合你需求的响应。

核心公式可以概括为：
高质量输出 = 明确的初始角色指令 + 模型的多轮交互式提问 + 用户提供的详细信息

你提供的信息越详细，最终得到的结果就越好。

应用示例：旅行顾问

为了更好地理解，让我们通过一个例子来演示。假设你希望模型扮演一名旅行顾问，为你规划一个假期行程。

初始提示指令如下：

你将扮演一位经验丰富的旅行专家。你的目标是与我进行一次全面的旅行规划对话。请首先逐一提出一系列详细问题，以收集所有必要信息，从而根据我的具体偏好、兴趣和预算，制定出最量身定制且令人难忘的旅行行程。

在收到这个提示后，模型会开始提出跟进问题。以下是模型可能会问的问题列表：

以下是模型为收集信息可能提出的部分问题：

你最喜欢去哪种类型的旅行目的地？
请描述一下你理想假期的活动和体验。
你通常如何规划旅行？在选择目的地时，哪些因素对你最重要？
在规划旅行目的地时，是否有特定的文化或历史方面让你感兴趣？
旅行时你偏好哪种住宿选择？为什么？
你如何平衡预算考虑与获得难忘旅行体验的愿望？

在这个例子中，每个问题都建立在前一个问题的基础上，形成了一场关于旅行偏好的结构化、信息丰富的对话。根据你对这些问题的回答，模型将规划出一个符合你偏好和需求的、令人难忘的旅行行程。

方法优势与总结

本节课中我们一起学习了面试模式方法。通过上面的示例可以看出，这种方法优于传统的单次提示方法，因为它允许在与生成式AI模型交互时进行更动态、更迭代的对话。

面试模式涉及与模型进行来回的信息交换，这有助于实时澄清疑问并引导模型的响应方向。反过来，这增强了用户优化所获结果的能力，从而得到更精准、更个性化的输出。

核心要点总结：

方法：通过模拟访谈进行多轮交互式提示。
关键：提供明确的角色指令，并积极回答模型的跟进问题。
优势：比单次提问更能获得具体、定制化的高质量响应。
应用：适用于需要复杂、个性化输出的场景，如行程规划、方案设计、内容创作等。

026：思维链方法 🧠

在本节课中，我们将要学习思维链方法。这是一种引导生成式AI模型进行复杂推理的技术。通过将问题分解为一系列小步骤，模型能够展示其思考过程，从而提高答案的准确性和可解释性。

什么是思维链方法？

思维链方法是一种通过一系列提示或问题，将困难或复杂的任务分解为更小、更易管理的步骤的方法。

每个提示都建立在前一个提示的基础上，引导AI模型逐步思考问题，并生成期望的回应。这种方法使模型能够展示其推理过程，并提高其准确解决类似问题的能力。

通过向模型提供问题及其解决方案，思维链帮助模型以结构化和逻辑化的方式处理任务。

思维链方法的应用与优势

上一节我们介绍了思维链的基本概念，本节中我们来看看它为何在生成式AI中被广泛应用。

该方法之所以被广泛使用，是因为它能增强逻辑推理能力，并确保过程中的每一步都被考虑到，从而得到更准确的结果。它还能提高可解释性，允许用户追溯AI得出结论的过程，并简化调试。此外，它有助于克服语言模型的局限性，因为语言模型本身并非为多步推理而设计，除非被提示。

思维链的两种主要模型

思维链建模中最常见的两种模型是少样本思维链和零样本思维链。

少样本思维链：提供示例来展示如何分解问题。
零样本思维链：鼓励模型独立地逐步思考问题。

示例解析：少样本思维链

以下是少样本思维链方法的应用示例。

我们从一个示例问题开始：一家商店以每个3美元的价格出售橙子，并提供“买二送一”的优惠。

解决方案通过以下步骤展开：

认识到每第三个橙子是免费的，所以三个橙子的成本相当于支付两个的钱。
扩展这个逻辑，六个橙子的成本相当于四个，即12美元。

现在，系统被给予一个类似的问题。这次的问题是：一家商店以每个5美元的价格出售笔袋，并提供“买一送一”的优惠。使用相同的思维链推理，系统首先理解优惠结构，然后根据提示中提供的示例推理生成回应。因此，它能够得出正确答案：10个笔袋的成本将是25美元，因为其中只有5个需要付费。

示例解析：零样本思维链

上一节我们看了有示例引导的少样本方法，本节中我们来看看零样本方法如何运作。

在零样本方法中，不提供任何示例，而是鼓励系统独立找出答案。提示中会添加诸如“让我们一步步思考”或“让我们一步步解决这个问题以确保答案正确”等短语，以帮助系统独立推导出解决问题的方法。

让我们以同样的笔袋问题为例，看看如何使用零样本方法解决。

提示如下：“如果一家商店以‘买一送一’的优惠出售笔袋，每个笔袋5美元，那么10个笔袋要花多少钱？让我们一步步思考。”

在这种情况下，系统不依赖事先的样本或示例。相反，它尝试自己推理问题。它首先解释优惠，理解每两个笔袋，顾客只需支付一个的钱。

然后它将这种理解应用于问题。它将10个笔袋分成5个“付费+免费”的对，意识到只需要为5个笔袋付费，并计算出总价为25美元。

因此，即使没有先看到示例，系统也能够一步步地推演逻辑，并得出正确答案。

思维链方法的挑战

尽管思维链方法有诸多优势，但也存在一些挑战需要考虑。

将回应分解为步骤可能会减慢模型速度，这对于聊天机器人等需要快速响应的应用可能并不理想。此外，这种方法可能使简单问题变得不必要的复杂，让AI显得效率低下。早期步骤中的错误可能会延续下去，导致最终答案错误。

总结

本节课中我们一起学习了思维链方法。我们了解到，思维链方法通过将复杂任务分解为更小的步骤，提高了AI模型的逻辑推理能力和准确性。两种主要的思维链方法是：提供示例以指导问题解决的少样本思维链，以及鼓励模型独立逐步思考的零样本思维链。虽然思维链增强了决策能力和可解释性，但它也可能减慢处理速度、使简单任务复杂化，并可能延续早期步骤的错误。

生成式AI提示工程：P27：思维树方法 🌳

在本节课中，我们将要学习一种名为“思维树”的高级提示工程方法。这种方法通过结构化思考，帮助生成式AI模型更有效地解决复杂问题。我们将了解其核心概念、应用过程，并通过实例分析其优势与挑战。

思维树方法概述

思维树方法通过将提示结构化为一个具有层级分支的树，来增强AI的推理能力。每个分支代表不同的思考路径。它允许AI同时评估多种可能性，权衡潜在结果，并聚焦于最有希望的选项。这项技术通过提供明确的指导和探索多种解决方案，对解决复杂问题非常有价值。

思维树方法的工作原理

上一节我们介绍了思维树方法的基本概念，本节中我们来看看它的工作原理。想象一下，你和朋友需要决定去哪里吃饭。首先，你们会考虑想吃什么类型的食物。然后，会根据预算和愿意出行的距离来缩小选择范围。最后，你们会选定一个符合口味和偏好的地点。这就是思维树方法在现实中的一个例子。

在AI提示工程中，这个过程被形式化。模型被引导去探索多个推理路径（即“分支”），并行评估它们，然后综合出一个结构化的行动计划。这模仿了人类专家处理复杂、多层面问题的方式：测试并行假设，排除较弱选项，并构建全面的解决方案。

思维树方法应用实例

以下是思维树方法在实际问题中的应用示例，我们将通过两个场景来具体说明。

场景一：在线商店销售下滑分析

假设一个在线商店在过去三个月销售额神秘下降了20%，但网站流量保持稳定。我们可以使用以下提示来引导AI分析：

我们的在线商店在过去三个月销售额下降了20%，但网站流量保持稳定。可能是什么原因导致的？我们应该如何解决？请思考三种可能的原因，并从多个方向探讨解决方案，最终给出一个结构化的行动计划。

AI模型的响应会遵循思维树结构：

识别原因：模型会首先列出三种最可能的原因，例如：转化率低、产品或定价问题、外部市场因素。
多方向策略：针对每个主要原因，模型会提出相应的解决策略。
结构化计划：模型会综合出一个分步实施的行动计划，涵盖短期、中期和长期的行动。

通过鼓励模型探索多条推理路径，提示引导其对相互关联的维度进行了更深入的分析。模型没有给出泛泛的回应，而是将问题分解为三个不同的原因，从用户体验、定价和市场趋势等不同功能角度评估纠正策略，并综合出一个循序渐进的行动计划。

场景二：职业转型决策支持

思维树方法同样适用于个人决策，例如规划职业转型。考虑以下提示：

我正在考虑转换职业，但感到不确定。请基于我当前的技能和兴趣，探索三条可能的路径：1) 在当前领域内提升技能；2) 转向相关领域；3) 进行彻底的改变。针对每条路径，请分解出需要做出的子决策和步骤，评估潜在的风险和收益，并帮助我确定在选择最佳方向时应考虑哪些因素。

AI模型的响应会遍历每条思考路径：

路径分析：模型会概述每条职业转换选项的优缺点。
- 在当前领域提升技能：优势是与行业趋势保持一致；限制是需要时间和金钱投入。
- 转向相关领域：优势是拓宽职业机会；限制是现有技能与新角色的兼容性问题。
- 进行彻底改变：优势是可能获得更大的个人满足感；限制是财务风险和失败的可能性。
决策支持：最终，模型会将最终决定权留给用户，并提供考量的要点，如个人兴趣、风险承受能力和市场需求。

这个例子展示了思维树方法如何支持在不确定性下的深思熟虑的决策。

思维树方法的挑战与局限

虽然思维树方法在结构化推理和处理复杂多步骤问题方面非常有效，但它也存在一些局限性。

以下是使用该方法时可能遇到的主要挑战：

过度生成：模型可能探索过多分支或偏离到不太相关的路径，导致回应冗长或重点被稀释。
路径均等假设：该方法可能默认所有推理路径都同等有效，但在高风险或时间敏感的场景中，优先级排序至关重要。
错误自信风险：如果模型围绕有缺陷的逻辑或不准确的事实创建了详细的推理链，可能会给薄弱的结论带来虚假的可信度，造成错误自信。

因此，用户需要仔细解读模型的输出，并在关键决策中结合自己的判断。

课程总结

本节课中我们一起学习了思维树方法。我们了解到，思维树方法是一种高级的提示工程技术，它通过引导生成式AI模型以结构化、分步的方式推理多种解决方案路径，来应对复杂问题。它鼓励模型探索不同的可能性，并行评估它们，并得出深思熟虑、有充分支持的结论。

这种方法对于需要分层决策的现实世界情况特别有用。同时，思维树方法也存在一些局限性，例如过度生成的风险、过度分支到低价值路径，以及需要用户仔细解读。如果使用得当，它能为在AI支持下应对模糊性和做出明智决策提供一个强大的框架。

028：选择提示工程方法的关键考量 🔑

在本节课中，我们将学习专家们关于如何选择最佳提示工程方法的核心考量因素。我们将探讨任务目标、模型能力、提示清晰度等关键方面，以帮助你更有效地与生成式AI模型进行交互。

概述

选择提示工程方法时，需要考虑多个方面。例如，任务目标是什么？生成式AI可用于不同的任务，如文本生成与摘要、代码生成、代码翻译、图像生成。因此，我们首先需要思考要解决的具体任务。接着，必须考虑模型能力，因为不同的模型旨在处理不同的用例。

核心考量因素

上一节我们介绍了选择方法的基本出发点，本节中我们来看看具体需要考虑哪些关键因素。

1. 明确任务目标

首先，必须明确你希望AI完成的具体任务。这决定了提示的构建方向。

以下是常见的生成式AI任务类型：

文本生成与摘要：例如，撰写文章或总结长文档。
代码生成：根据描述自动编写代码片段。
代码翻译：将一种编程语言的代码转换为另一种。
图像生成：根据文本描述创建图像。

2. 理解模型能力

不同的AI模型有其擅长和设计的特定领域。选择方法时，必须与你所用模型的能力相匹配。

这在很大程度上取决于你目标应用的类型。如果你的目标是生成特定段落或文本，你必须非常清楚这些段落需要如何组织以及如何相互关联。

3. 确保提示的清晰度与具体性

清晰和具体的提示是获得理想输出的基础。模糊的指令会导致输出过于笼统，甚至可能引发AI幻觉。

第二点是思维的清晰度。如果你心中有一个特定任务，你必须尽可能详细、清晰地描述它。否则，输出要么过于通用，要么更糟，可能与某种不准确的信息相关联，这被称为AI幻觉。

构建有效提示的核心在于三个要素：清晰度、上下文和具体特征。它们需要以适当的顺序和充分的上下文来组织。

例如，如果你要生成代码，你必须明确列出你希望该代码具备的所有功能特性，并且它们需要以顺序化和描述性的方式呈现。否则，整个提示只会给你一个可能不太有用的通用响应。

4. 平衡具体性与开放性

在提示中，需要在具体指令和给予模型一定创造性空间之间找到平衡。过于死板可能限制潜力，过于开放则可能导致输出偏离目标。

5. 提供充足的上下文

模型需要足够的背景知识才能以我们期望的方式回答问题。提供的上下文量至关重要。

有时我们需要提供更多数据，有时模型需要的数据较少。例如，上下文敏感性决定了我们需要为模型提供多少上下文或背景知识。

6. 建立反馈与迭代机制

通过分析模型对特定提示的响应，我们可以学习并改进与模型的交互方式，从而提升其生成输出的质量。

反馈机制让我们能够了解特定提示是如何得到响应的，从而改进我们与模型的交互方式，并提升其生成输出的质量。

总结

本节课中，我们一起学习了选择提示工程方法时的关键考量。要确保成功，关键在于：确保提示清晰简洁，在具体性和开放性之间取得平衡，并针对不同提示进行实验以获得最佳结果。同时，调整提示以发挥AI模型的优势，并提供足够的上下文以获得连贯的响应。通过综合考虑这些因素，你可以在提示工程中取得成功。

029：文本到图像提示技术 🎨

在本节课中，我们将要学习如何运用文本到图像提示技术，以提升生成式AI模型所创建图像的质量与影响力。掌握这些技巧，你将能够撰写出更有效的图像生成指令。

图像是沟通中不可或缺的一部分，广泛应用于市场营销、广告、教育、新闻等多个领域。然而，有些图像在传达情感方面比另一些更为出色。图像提示，即你想要生成的图像的文本描述，是影响结果的关键。它可以是简单的单词或短语，也可以是详细描述构图、色彩和氛围的句子。

为了增强通过生成式AI模型获得的图像的影响力，使其更具说服力和吸引力，我们可以使用图像提示技术。这些技术旨在提升生成图像的质量、多样性和相关性。

有多种图像提示技术可用于改善图像效果。接下来，我们将逐一了解这些技术。

风格修饰词 🖌️

上一节我们介绍了图像提示的基本概念，本节中我们来看看第一种技术：风格修饰词。风格修饰词是用于影响生成式AI模型所产生图像的艺术或视觉属性的描述符。这些描述符可以帮助模型在遵循输入提示结构和内容的同时，创造出具有创新风格的图像。

你可以通过提示词修改图像的色彩、对比度、纹理、形状和大小等各种视觉元素，从而生成具有美学吸引力、视觉愉悦的输出。你的提示词可以包含以下信息：

各种艺术风格（如印象派、超现实主义）。
历史上的艺术时期（如文艺复兴、巴洛克）。
摄影技术（如长曝光、微距摄影）。
使用的艺术材料类型（如水彩、油画、炭笔画）。
甚至是你希望模型模仿的知名品牌或艺术家的特质。

所有这些信息都能帮助生成模型理解期望的输出图像的外观或风格。

以下是图像提示中使用风格修饰词的几个例子（示例中的风格修饰词已高亮显示）：

提示词示例 1: 一个宁静的湖泊，采用莫奈的印象派风格，有柔和的笔触和反射的光线。

提示词示例 2: 一只猫坐在窗台上，背景是模糊的，采用街头摄影风格，色彩鲜艳。

提示词示例 3: 未来城市景观，赛博朋克美学，霓虹灯，下雨的街道。

质量增强词 📈

我们已经了解了如何通过风格修饰词来塑造图像的艺术感。现在，让我们转向另一个关键方面：图像质量。高质量图像相比低质量图像通常更具说服力和可信度。低分辨率图像常常显得模糊且有像素感，使观看者难以辨别其中的细节。相反，高分辨率图像能保证基本的可见性和可读性。使用高质量的图形设计可以提升图像的感知价值。

质量增强词是在图像提示中用于增强视觉吸引力、提高整体保真度和清晰度的术语。这些特定术语可以指导生成式AI模型执行降噪、锐化、色彩校正和分辨率增强等步骤。

你可以在图像提示中使用诸如 high resolution（高分辨率）、hyperdetailed（超细节）、sharp focus（锐利对焦）、complementary colors（互补色）等术语作为质量增强词。它们可以增强图像的特定特征，从而产生更连贯的输出。

让我们看一些例子来理解如何在图像提示中使用质量增强词：

提示词示例 1: 一片古老的森林，阳光透过树叶，突出纹理，4K分辨率。

提示词示例 2: 一碗新鲜水果，锐利、清晰，水滴，精细的线条。

提示词示例 3: 一位时尚模特，互补色，模糊的背景，让她脱颖而出。

在上述示例中，诸如“突出纹理”、“4K分辨率”、“锐利、清晰”、“精细的线条”、“互补色”、“模糊的背景”和“脱颖而出”等术语，都是在给定图像提示中使用的质量增强词。

重复强调法 🔁

接下来是第三种图像提示技术：重复。这种技术利用迭代采样的力量来增强模型生成图像的多样性。重复强调法涉及在图像中强调特定的视觉元素，为模型创造一种熟悉感，使其能够专注于你想要突出的特定想法或概念。

这可以通过在图像提示中重复相同的单词或相似的短语来实现。重复有助于强化通过图像传达的信息，并增加模型对关键元素的记忆。模型不会仅根据提示生成一张图像，而是生成多张具有细微差别的图像，从而产生一组多样化的潜在输出。当生成模型面对抽象或模糊的提示，且存在多种有效解释时，这种技术尤其有价值。

让我们看一些在图像提示中使用重复词汇的例子：

提示词示例 1: 微小、微小的花朵，密集、密集地覆盖在巨大、巨大的山坡上。

提示词示例 2: 广阔、广阔的沙漠，宁静、宁静的天空，清澈、清澈的夜空。

提示词示例 3: 茂密、茂密的丛林，生机勃勃、生机勃勃的绿色植物，隐藏、隐藏的瀑布。

在这些例子中，“微小”、“密集”、“巨大”、“广阔”、“宁静”、“清澈”和“茂密”等词汇被多次重复，以聚焦于特定的想法。

加权术语 ⚖️

在学会了通过重复来强调概念后，我们来看看如何更精确地控制提示词的影响力：加权术语。加权术语指的是使用那些能够产生强大情感或心理影响的词语或短语。

例如，“免费”、“限时优惠”和“保证”等词常用于广告中，以引发紧迫感、安全感和信任感。同样，“奢华”、“高端”和“独家”等词则用于营造排他性和精致感。生成式AI模型允许你为正负术语分配权重，以强调或弱化某种情感。

在图像提示中使用加权术语有助于创建令人难忘、有说服力的图像，并能引起观众的情感共鸣。

以下是一些在图像提示中使用加权术语的例子：

提示词示例 1: 一个温暖:10、噼啪作响:8的壁炉，舒适的室内场景。

提示词示例 2: 一个闪烁:6、霓虹灯照明:8的城市雨夜。

提示词示例 3: 一只色彩斑斓:-6、异国情调:10的鹦鹉在热带雨林中。

如第一个例子所示，词语“温暖”被赋予了正权重10，而“噼啪作响”的权重是正8。这意味着生成模型必须更多地关注“温暖”一词，对“噼啪作响”的关注稍少一些。同样，在第二个例子中，“闪烁”一词的权重为正6，“霓虹灯照明”的权重为正8，因此模型应更关注“霓虹灯照明”。而在最后一个例子中，“色彩斑斓”被赋予了负权重6，“异国情调”被赋予了正权重10，这意味着模型必须强调“异国情调”一词，同时弱化“色彩斑斓”。

畸形修复提示 🛠️

最后，我们来探讨第五种图像提示技术：畸形修复生成。这种技术用于修改可能影响图像效果的畸形或异常。图像中的畸形可能包括扭曲（特别是在人体部位如手或脚上）、像素化或其他影响图像视觉吸引力和清晰度的质量问题。

通过使用恰当的负面提示词，可以在一定程度上缓解这些问题。负面提示词告诉模型不要在图像中包含什么。

以下是图像提示中使用的畸形修复提示技术示例：

提示词示例 1: 一位宇航员在月球上行走，没有畸形的手，没有模糊。

提示词示例 2: 一幅详细的城市景观画，没有像素化，没有扭曲的透视。

提示词示例 3: 一只神话生物的特写，没有多余的手指，没有模糊的纹理。

你可以看到，在所有这些例子中，都使用了良好的负面提示词来缓解图像畸形的问题。

总结 📝

本节课中，我们一起学习了图像提示技术在提升生成式AI模型图像生成能力方面起着至关重要的作用。风格修饰词、质量增强词、重复强调法、加权术语和畸形修复提示是五种可用于改善生成图像影响力的技术。通过结合运用这些技术，可以创造出更令人难忘、更具吸引力和说服力的视觉内容，从而有效地传达预期信息。

030：课程总结 🎯

在本节课中，我们将回顾并总结整个“提示工程基础”课程的核心概念与技巧。你已经掌握了设计有效提示、使用生成式AI工具以及文本到文本、文本到图像等技术。现在，让我们系统地梳理所学知识，为未来的应用与实践打下坚实基础。

课程核心概念回顾

上一节我们完成了课程的学习，本节中我们来回顾贯穿整个课程的关键概念。

提示是指你提供给生成式AI模型的任何输入或一系列指令，模型据此收集信息、进行推断并提供最佳响应。

一个结构良好的提示包含以下基本构建模块：

指令：明确告诉模型要做什么。
上下文：提供相关的背景信息。
输入数据：给出需要处理的具体内容。
输出指示器：规定期望的输出格式或类型。

提示工程 是设计有效提示以充分利用生成式AI模型能力的过程。这个过程旨在提升模型性能、理解模型限制并增强模型安全性。

编写有效提示的最佳实践

理解了提示的构成后，我们来看看如何编写它们。以下是经过验证的最佳实践：

使用简洁清晰的语言：确保指令易于理解。
提供背景细节：为模型补充完成任务所需的相关信息。
具体并给出示例：明确要求，并通过例子展示你期望的输出格式。
提供相关上下文进行角色扮演：通过设定角色（如“你是一位资深项目经理”）来引导模型的回答风格和专业性。

提示工程工具与高级技巧

除了基本原则，我们还学习了一些工具和高级技巧来优化提示。

提示工程工具 提供了优化提示的功能。你可以利用这些工具：

根据给定输入建议提示。
结构化提示以实现更好的上下文沟通。
迭代优化提示，以找出最有效的版本、减少偏见并创建针对特定领域的提示。

在文本到文本提示技术方面，我们学习了几种提升大型语言模型输出可靠性的方法：

以下是核心的文本提示技术：

任务规范：清晰定义任务。
上下文引导：提供充足的背景信息。
领域专业知识：引入专业知识和术语。
偏见缓解：设计提示以减少模型输出中的偏见。
框架设定：为回答设定一个角度或框架。
零样本提示：在不提供示例的情况下直接要求模型完成任务。
用户反馈循环：根据模型输出不断调整和优化提示。
少样本提示：提供少量示例来引导模型理解任务模式。

结构化提示方法

为了进行更复杂和深入的交互，我们探讨了几种结构化的提示方法。

访谈模式 允许与生成式AI模型进行动态、迭代的对话。这种方法不是提供单一的静态提示，而是涉及与模型进行一来一往的信息交换，有助于实时澄清问题并引导模型的回答。

思维链 方法旨在增强生成式AI模型的认知能力。它通过要求模型展示一步步的思考过程来工作。通常，通过给模型提供相关的问题及其解决方案来训练它理解解决问题的逻辑，从而使其能够解决其他类似问题。其核心是引导模型进行逐步推理。

思维树 方法是一种创新技术，它建立在思维链方法之上。它涉及以分层结构组织提示，以指导模型的推理和输出生成。这种方法使模型能够同时探索多种可能性和想法，像决策树一样分支展开。

多模态提示 通过整合多种输入类型（如文本、图像、音频）来扩展生成式AI的能力，使其能够在多样化的场景中实现更丰富、更准确的理解、互动和创造。

季后赛方法 涉及生成多个“提示-响应”对，并根据清晰度、精确度和上下文相关性等标准对它们进行评估。这种迭代方法有助于持续优化提示设计。

图像提示技术

最后，我们学习了专门用于图像生成的提示技术。

以下是一些常用的图像提示技术，它们能增强通过生成式AI模型获得的图像效果，使其更具说服力和吸引力：

风格修饰符：指定艺术风格（如“梵高风格”、“赛博朋克”）。
质量提升器：使用如“4K”、“高清”、“细节丰富”等词汇。
重复：重复关键词以增强其影响力（如“一个非常非常宁静的湖泊”）。
加权术语：使用语法 (关键词:权重) 来调整不同元素的重要性（例如 (城堡:1.5) 强调城堡）。
固定形态生成：使用特定参数或命令来保持人物或物体在不同生成结果中的一致性。

实践与总结

本课程包含了实践实验室和一个最终项目。通过完成实验，你获得了以下主题的实践经验：

熟悉我们的AI提示工具。
实验提示：基础提示和人物模式。
提示工程中的访谈提示方法。
提示工程中的思维链方法。
提示工程中的思维树方法。
多模态提示。
季后赛方法。
用于图像生成的有效文本提示。

我们建议你继续实践在本课程中学到的概念。希望这些原则能磨练你的技能，并帮助你在职业生涯中取得进步。

恭喜你完成本课程！感谢你参与这段学习旅程，并祝你一切顺利。

本节课中，我们一起学习了提示工程的核心概念、最佳实践、多种高级提示技术（如思维链、思维树、多模态提示）以及图像生成技巧。掌握这些知识将使你能够更有效、更创造性地利用生成式AI工具，解决实际问题并提升工作效率。

031：课程介绍

在本节课中，我们将要学习生成式AI如何显著提升项目经理的整体效能。课程将概述AI在项目管理领域的快速演变，并介绍如何利用相关工具来优化工作流程、激发创意并提升效率。

课程概述与讲师介绍

欢迎来到本课程，在这里你将学习如何使用生成式AI工具来显著提升或彻底释放你的整体项目管理效能。

我是Daniel Ymans，将是本课程的讲师。在我的职业生涯中，我扮演过多种角色，包括项目和项目经理、产品经理、Scrum主管和产品负责人。目前，我是一名大学教授、企业培训师，也是Skill Up Technologies公司的主题专家。

生成式AI的战略必要性

生成式AI正在重塑客户需求。对于项目经理而言，拥抱生成式AI不仅是一种趋势，更是一项战略必需。

生成式AI可以帮助你生成远超你现有数据范围的创意。它可以帮助你简化任务，使你能够专注于最关键的项目管理工作。此外，生成式AI有助于改善客户体验，并在竞争激烈的市场环境中增加价值。

我鼓励你访问项目管理协会的网站。生成式AI不仅仅是一个流行词，它是一个主题。AI是一个强大的工具，它使项目经理能够创新、个性化和优化。因此，请拥抱它，学习它，并为你的产品解锁新的可能性。

课程结构与学习目标

本课程是“面向项目经理的生成式AI”专项课程的一部分。它专为希望走在AI前沿的新手或资深项目经理设计。

学习者应熟悉项目管理生命周期和基本的项目管理概念。他们还应具备对生成式AI和提示工程的基本理解。

模块1将概述AI如何在项目管理领域快速发展。AI正在显著改变项目管理的格局，越来越多的项目经理正在使用AI来提高项目管理效能。你将学习AI工具和技术如何改进任务流线化、增强创意生成，并提高整体项目管理的效率和效果。

模块2中，你将学习如何应用生成式AI工具来提高绩效。通过一系列演示视频，我们还将讨论与生成式AI相关的伦理考量，并概述你可能遇到的挑战以及克服这些挑战的技巧。

在最后一个模块中，你将完成一个最终项目，并参加最终评估，以测试你对关键概念的理解。

学习建议与期望

本课程内容非常丰富。为了从本课程中获得最大收益，请观看所有视频和阅读材料，尝试所有测验，完成所有动手实验，并使用讨论论坛与你的同伴联系和协作。

如果你对课程材料有任何疑问，请不要犹豫，在讨论论坛中联系我们。

欢迎来到本课程，我们期待分享AI如何释放你的项目管理职业生涯，并确保你和你的公司在创造令客户满意、并为你的公司提供关键竞争优势的创新产品的竞赛中不被落下。

本节课中，我们一起学习了生成式AI对项目经理的战略重要性、本课程的结构与目标，以及如何有效地参与学习。我们了解到，AI不仅是工具，更是推动项目管理创新和效率的关键驱动力。

032：生成式人工智能在项目管理中的应用 🚀

在本节课中，我们将要学习项目经理的核心职责，并详细探讨生成式人工智能如何在整个项目管理生命周期中发挥重要作用，以提升项目成功率。

项目经理的角色

项目经理负责领导和管理从启动到收尾的整个项目管理生命周期。

在启动和规划阶段，项目经理专注于制定项目章程、吸引相关方参与，并创建全面的项目管理计划，为成功执行奠定基础。在执行、监控与控制以及收尾阶段，项目经理确保项目可交付成果的开发、测试、验证、验收和移交。

项目经理的职责是按时、在预算内交付项目，满足批准的要求并交付价值。然而，尽管项目经理付出了努力，项目的成功率仍然参差不齐，许多项目未能达成目标。

一项近期的Standish Group研究指出，只有31%的项目按时且在预算内交付，成功率仅为36%。这意味着64%的项目未能实现预期目标。

生成式AI如何革新项目管理

接下来，我们来看看生成式AI如何革新您作为项目经理的工作方法，并提高成功率。

生成式AI是项目经理强大且多功能的工具。它能简化任务、促进协作并激发创新，从而提升项目成功率。生成式AI可以生成报告、起草会议议程，甚至撰写电子邮件，让项目经理能够专注于战略规划和问题解决。此外，它还能分析项目数据以预测挑战并提供解决方案，使项目执行更加顺畅。

以下是生成式AI在项目管理各阶段的具体应用：

启动阶段

在启动阶段，项目经理通过制定商业论证和章程、识别相关方并定义其角色来启动项目。

生成式AI利用历史数据和预测分析，协助识别项目机会并评估可行性。它还能分析项目章程并建议关键角色。

规划阶段

在规划阶段，项目经理创建全面的项目管理计划，定义范围、进度和预算。

生成式AI通过识别潜在的特性和功能，以及生成项目进度计划、资源分配计划和风险管理策略来支持规划工作。它分析数据以识别依赖关系、优化资源利用，并模拟各种场景以确定有效的项目计划。它还能协助创建详细的项目文档，如工作分解结构（WBS） 和风险登记册，从而简化规划流程。

执行阶段

在执行阶段，项目经理召开会议、提供状态更新、共享信息并管理变更。他们执行质量保证活动，以确保流程、标准和质量得到遵守。

生成式AI通过基于项目数据提供洞察来促进实时决策，并自动化报告和任务分配等任务，生成会议议程并总结会议行动项。这使得项目团队能够专注于高价值的活动。

监控与控制阶段

在监控与控制阶段，项目经理验证项目可交付成果是否符合预期，确保所有关键绩效指标（KPI）得到满足，并在出现偏差时执行根本原因分析。

生成式AI通过分析数据以检测偏差、为潜在风险提供早期预警，并支持预测分析以优化决策和资源分配，从而增强项目监控与控制能力。

收尾阶段

在收尾阶段，项目经理确保所有活动完成、可交付成果被接受且合同已关闭。

生成式AI协助评估项目成果并为未来项目捕获经验教训。它可以分析项目绩效数据和相关方反馈，以评估项目成功与否并识别改进领域。生成式AI还能自动生成收尾报告，通过基于项目经验生成洞察和建议来促进知识转移。

总结

本节课中，我们一起学习了生成式AI如何为项目经理简化任务、促进协作并实现创新。

项目经理领导从启动到收尾的项目生命周期，制定章程、吸引相关方参与，并确保可交付成果在预算内按时满足要求。生成式AI革新了所有阶段的项目管理：

启动阶段：识别项目机会、评估可行性并建议关键角色。
规划阶段：识别特性、生成进度计划、资源分配计划和风险管理策略。
执行阶段：促进决策、自动化任务，并提供基于项目数据的洞察。
监控与控制阶段：通过分析数据、检测偏差和支持预测分析来增强项目监控。
收尾阶段：评估项目成果、捕获经验教训，并自动生成收尾报告以进行知识转移。

033：生成式人工智能项目管理工具 🛠️

在本节课中，我们将学习生成式AI如何应用于项目管理，并了解不同行业中具体的工具案例。通过学习，你将能够描述生成式AI如何提升项目管理效率，并回顾那些在项目管理中发挥重要作用的生成式AI工具实例。

生成式AI在项目管理中的应用概述

项目经理们正在利用各种生成式AI工具来获得优势。生成式AI既可用于规划和执行传统的瀑布式或预测型项目，也可用于敏捷或适应型项目。

接下来，我们来看看项目经理在项目管理任务中使用的一些生成式AI工具。

行业专用工具示例

以下是不同行业中生成式AI工具的具体应用案例。

ClickUp：项目经理使用ClickUp的AI功能来自动化创建施工进度表并开发项目网络图。该工具可以分析过去的项目时间线和当前资源可用性，并生成优化的进度表，从而节省时间并减少人工规划工作。
Gemini：其AI能力可以分析历史临床试验数据和外部健康趋势，预测潜在风险，制定风险登记册，并提出风险应对策略。这种分析使医疗保健项目经理能够做出明智的决策，并主动管理临床试验风险。
Notion：与ChatGPT等AI工具的集成可以实时转录和总结会议内容。这确保了所有团队成员都能获取关键决策和行动项。此外，通过提供清晰简洁的会议摘要，增强了团队协作和生产力。
DALL·E 3：根据设计团队提供的初始参数生成多种设计方案。这些AI生成的设计作为设计师进行细化的起点，从而带来更具创新性和多样性的产品成果。项目经理会在适用时，将潜在项目交付成果的可视化描述作为需求文档的一部分进行分享。
Jasper：使用AI分析各个渠道的客户反馈和情绪。这种分析有助于零售项目经理理解客户需求和偏好，使他们能够定制项目交付成果，提升客户满意度并增加价值。
Monday.com：其AI功能实时监控生产线性能，并在偏离计划时提供警报。这有助于制造业项目经理快速解决效率低下的问题并优化生产工作流程。

生成式AI在敏捷项目管理中的应用

许多项目是使用敏捷或混合框架完成的。敏捷属于适应性框架范畴，强调灵活性、协作、客户反馈和小型快速发布。

上一节我们介绍了在传统和特定行业中的应用，本节中我们来看看生成式AI如何支持敏捷方法论。

GitHub Copilot：通过预测最佳工作负载和识别最关键的任务来协助进行冲刺规划。这些见解有助于软件开发项目经理规划高效的冲刺，并使开发周期与项目目标保持一致。

课程总结 🎯

本节课中，我们一起学习了生成式AI在项目管理中的具体应用。你了解到，行业专用的应用可以提升项目管理效能并增加项目成功的机会。

ClickUp：自动化调度和资源分配，让项目经理专注于战略规划。
Gemini：分析临床试验数据以进行风险管理，帮助项目经理做出明智决策。
Notion：通过AI生成的会议摘要来增强沟通与协作。
DALL·E 3：协助生成创意设计方案，促进创新。
Jasper：分析客户反馈以改进项目交付成果和客户体验。
Monday.com：实时监控性能，优化生产效率。
GitHub Copilot：通过协助冲刺规划和任务优先级排序来支持敏捷方法论。

034：发挥生成式人工智能的强大力量 🚀

在本节课中，我们将通过几个实际案例，学习生成式人工智能如何成功应用于项目管理，并总结它如何提升项目管理的效能。

生成式人工智能正在通过改进决策、自动化任务、提供新见解以及与现有方法论无缝集成，彻底改变项目管理。采用这些先进技术的组织更有可能在项目中取得成功。

接下来，我们来看几个简短的案例研究，了解生成式人工智能如何帮助提升项目管理绩效。

以下是三个不同行业的应用案例：

案例一：跨国建筑公司
- 该公司使用生成式AI算法来创建更优的项目进度计划。
- AI工具分析了历史项目数据、利益相关者偏好和可用资源。
- 随后，它提出了能够最小化项目周期并有效利用资源的进度建议。
- 这帮助该公司更快且在预算内完成项目，从而提升了客户满意度，并在行业内获得了竞争优势。
案例二：软件开发公司
- 该公司在跨多个项目进行软件功能优先级排序和开发资源分配时遇到困难。
- 他们使用生成式AI辅助决策；项目经理将项目需求、截止日期和资源可用性输入AI系统。
- AI随后提供了用于优化功能优先级和资源分配的计划。
- 这使得公司能够按时且在预算内交付高质量的软件产品，从而提高了客户满意度和收入。
案例三：医疗机构
- 该机构使用生成式AI来改善医院的患者排程和资源分配。
- AI系统分析了患者数据、医务人员可用性和设施限制。
- 随后，它创建了个性化的患者预约排程，减少了等待时间，更好地利用了资源，并改善了患者体验。
- 这形成了一种新的自动化流程，提高了医疗服务效率，并提升了员工生产力。

上一节我们介绍了三个具体的应用案例，本节中我们来总结一下从这些案例中学到了什么，以及生成式AI如何提升项目管理效能并创造价值。

以下是生成式AI提升项目管理效能的五个关键方面：

优化资源分配
- 项目经理必须根据项目需求识别和分配资源，这是一项耗时、费力且经常需要修订的关键任务。
- 生成式AI在上述两个案例中改进了资源分配：
  - 建筑案例：AI算法通过分析历史数据、利益相关者偏好和资源限制，优化了项目进度计划，减少了规划时间并提高了有效性。
  - 软件案例：AI系统基于项目需求、截止日期和资源可用性，协助进行功能优先级排序和跨项目开发资源分配，从而提升了产品质量、加快了进度并减少了资源消耗。
支持决策制定
- 项目经理对项目交付成果负责，并期望提供效益和价值。
- 生成式AI在两个案例中提供了决策支持：
  - 建筑案例：AI生成的进度计划在最小化项目周期和资源使用的同时，最大化效率，从而使项目得以提前并在预算内交付。
  - 软件案例：生成式AI提供了优化的功能优先级和资源分配策略，从而实现了高质量软件产品按时且在预算内交付。
自动化与改进流程
- 医疗案例突出了流程开发与改进。
- 生成式AI通过分析患者数据、医务人员可用性和设施限制，生成了个性化的患者预约排程。
- 这最小化了等待时间，最大化了资源利用率，并改善了整体患者体验，从而提高了医疗服务效率并降低了运营成本。
提升规划效率
- 项目管理依赖于完成各种耗时且相互关联的项目流程，这种规划需要时间、精力和专业知识。
- 生成式AI在两个案例中提升了整体规划效率：
  - 建筑案例：生成式AI自动化了生成项目进度计划的过程，减少了人工工作量，并降低了人为错误的可能性，从而节省了时间和精力，使项目团队能专注于高优先级活动。
  - 医疗案例：AI驱动的患者排程系统自动化了生成个性化预约排程的过程，使行政人员能专注于其他任务，并减少了排程错误。这简化了流程，消除了高风险的手动步骤，并让客户满意。

实现数据驱动决策
- 项目经理依赖准确的数据来识别和应对风险与问题，并做出数据驱动的决策。
- 建筑案例：生成式AI提供了关于项目绩效的数据驱动见解，并预测了潜在的瓶颈或延迟，使项目经理能够主动解决问题并降低风险。
- 软件案例：AI系统分析项目数据以识别趋势和模式，使项目经理能够做出数据驱动的决策，预测未来的资源需求，并更准确地规划项目成果。

本节课中我们一起学习了生成式人工智能如何赋能项目管理。

在本视频中，你了解到：

生成式AI通过改进决策、任务自动化、生成见解以及与现有方法论集成，正在革新项目管理。
一家建筑公司使用生成式AI优化项目进度计划，从而实现了更快完成、预算内交付并提升了客户满意度。
一家软件开发公司利用生成式AI进行功能优先级排序和资源分配，从而实现了高质量软件的及时交付，并提高了客户满意度和收入。
一家医疗机构使用生成式AI改善患者排程和资源分配，减少了等待时间并提升了患者体验，从而提高了医疗效率。

总而言之，生成式AI通过优化资源、支持决策、自动化流程、提升规划效率以及实现数据驱动决策，在各个行业中显著增强了项目管理的有效性。

035：有效整合生成式人工智能

在本节课中，我们将学习如何将生成式人工智能有效地整合到项目管理者的日常工作中。我们将介绍一个分步方法，并探讨整合后带来的主要好处。

生成式人工智能是一股充满活力且正在崛起的力量，它拥有重塑项目规划与执行方式的潜力。项目管理者现在面临的挑战是理解并驾驭这个工具的力量。人工智能已成为所有项目管理者必须采纳的战略要务，以确保企业在客户对先进、高功能、技术驱动的解决方案需求日益增长时，能够提升竞争优势并满足客户期望。

接下来，让我们学习一个分步方法，以利用生成式人工智能的力量。

整合生成式AI的步骤

以下是有效整合生成式人工智能到项目管理活动中的关键步骤。

第一步：识别项目目标

审查启动项目的项目章程和商业论证。定义并量化项目的整体业务目标。与你的团队紧密合作，识别利用生成式人工智能的机会。例如，可能包括自动化某些任务、开发创造性的需求解决方案，或改善与利益相关者的内外部沟通。如果可能，招募具有生成式人工智能经验的团队成员。

第二步：开发用例

用例被定义为描述系统、产品或服务如何被其目标用户使用的特定场景或情境。它概述了步骤、交互和预期结果。用例可用于确定生成式人工智能可以应用于项目解决方案的哪些地方，以自动化流程、生成报告、促进头脑风暴会议或创建视觉资产。

第三步：分析工作流程

与你的团队紧密合作，分析项目的工作流程。工作分解结构定义了必须完成的工作包。项目网络图提供了所有工作包的端到端工作流程，并定义了项目的关键路径。识别关键活动、痛点、潜在瓶颈和风险。确定在哪里可以有效地使用生成式人工智能来简化和优化项目工作流程。

第四步：开发概念验证

采用迭代方法。选择一个单一用例并实施生成式人工智能解决方案。开发原型，评估性能，并从用户那里收集反馈。生成式人工智能是一段旅程，而非一个终点。

第五步：开发最小可行产品

最小可行产品被定义为具有刚好足够功能的产品版本，可供早期客户使用，然后他们可以为未来的产品开发提供反馈。MVP可以采取产品演示、落地页、原型或版本阶段可交付成果的形式。在使用自适应或敏捷框架时，开发MVP是每次迭代的目标。在预测性或瀑布式框架中，也可以通过分阶段或迭代的方法使用MVP。使用生成式人工智能系统开发MVP，评估影响，收集反馈并进行调整。

第六步：鼓励协作与反馈

鼓励团队成员之间持续的沟通和反馈。强调阿尔法和贝塔测试对于解决缺陷和征求客户反馈的重要性。持续优化你正在使用的生成式人工智能工具和模型，以获得额外的效率。

第七步：监控与控制

随时间监控你的生成式人工智能解决方案的有效性。跟踪关键指标，如生产力提升、错误率和用户满意度。强调记录和分享经验教训的重要性。经验教训对于与未来的项目管理者分享信息至关重要，这样他们可以从你当前项目中学到的东西中受益。

整合生成式AI的好处

将生成式人工智能整合到项目管理活动中可以获得多重好处。以下是主要优势列表：

节省时间：自动化重复性任务，如客户邮件、状态报告等。为项目管理者和团队腾出时间，专注于更关键的项目管理活动。
改善沟通：生成式人工智能可以提高沟通效率。这可能包括生成利益相关者信函、自动化信息共享或制定沟通管理计划。
报告自动化：生成式人工智能可以自动生成状态报告，使利益相关者保持知情和参与。这些报告可以被总结、组织和分发，无需人工干预。
激发创造力：生成式人工智能可用于头脑风暴需求和解决方案、生成用例等。它可以帮助在你的项目团队内促进创新。
增强可视化：生成式人工智能可以为演示和解决方案说明创建模型和图形。
增强决策能力：获取生成式人工智能的见解和建议，以提供更明智的、基于数据的决策。
提高效率：简化项目管理流程，以优化资源分配、识别风险并预测潜在问题。
提升可扩展性：扩展项目管理能力，以处理更大容量的数据和任务，而无需增加核心团队成员。

总结

本节课中，我们一起学习了生成式人工智能有潜力将项目管理推向卓越的新高度。项目管理者的角色是理解这种潜力，采取必要步骤有效利用这种力量，推动企业前进并为企业的客户增加价值。

有效整合生成式人工智能到日常项目管理活动所需的步骤包括：识别项目目标、开发用例、分析工作流程、开发概念验证、开发最小可行产品、鼓励协作与反馈、监控与控制。

将生成式人工智能整合到项目管理活动中的关键好处是：节省时间、改善沟通、报告自动化、激发创造力、增强可视化、增强决策能力、提高效率和提升可扩展性。

036：生成式人工智能的挑战 🚧

在本节课中，我们将学习项目经理在利用生成式人工智能时可能遇到的主要挑战，并探讨克服这些挑战的最佳实践。

生成式人工智能为项目经理带来了拥抱创新、规划和执行价值驱动型项目以及提升个人项目管理绩效的机遇。然而，在利用这一强大工具管理项目时，项目经理也必须意识到并解决一些挑战，这些挑战可能对项目的成功实施构成风险。

主要挑战

以下是项目经理需要关注的一些主要挑战。

系统集成：生成式人工智能系统通常需要与现有或遗留系统集成，以提供完整的功能和效益。某些遗留系统可能无法兼容人工智能技术，这可能导致计划功能的降级。项目经理必须识别系统依赖性并规划集成方案。
治理与数据安全：生成式人工智能算法通过访问可用数据来提供输出。项目经理必须与团队合作，确保敏感数据不会被无意中共享。数据共享可能导致安全漏洞、关键知识产权（IP）的意外泄露或违反隐私规定的信息披露。
可扩展性：AI扩展指的是扩大人工智能解决方案影响力和价值的过程。项目经理必须解决可能降低拟议AI能力可扩展性和覆盖范围的障碍。
成本效益分析：AI支持的项目需要充足的资源来规划、开发和完成。项目经理必须确保AI带来的效益超过其成本。所有公司的一个主要目标是确保其项目能增强公司的竞争力并提供投资回报率（ROI）。
团队与人才：利用AI增强项目需要一个技能多元化的专业团队协同工作以实现项目目标。目前，熟练的AI人才严重短缺，这可能导致项目范围缩减、进度延迟和资源成本高昂。
伦理与偏见：AI系统的优劣取决于其运行所访问的数据质量。AI偏见，也称为机器学习偏见或算法偏见，指的是由于人类偏见扭曲了原始训练数据或AI算法而导致的偏见性结果。这些偏见可能导致失真的输出和潜在的有害后果，引发客户不满、品牌受损、销售损失和项目失败。伦理指南同样复杂，必须被理解并遵守。AI领域的伦理违规可能产生深远影响，不仅波及公司，也影响个人和社会。

项目经理必须识别潜在挑战并减轻其可能带来的风险，以确保项目成功并实现价值驱动。

最佳实践

上一节我们介绍了主要挑战，本节中我们来看看克服这些挑战的一些实用建议。

法规遵从：确保了解公司关于数据共享的政策。如果政策有限或缺失，则起草一份政策，并将其纳入项目管理计划，同时在项目风险登记册中包含潜在风险。
活动包含：聘请法律和知识产权专家，确保管理数据共享的政策合法且可行。建立保障措施和检查机制，防止数据泄露或滥用。实施强大的数据管理系统，遵守隐私法规，保护敏感信息。
伦理与偏见：避免生成式AI模型中的偏见并应对法律复杂性，是AI产品成功的关键因素。与团队定期审核模型，确保关键利益相关者（具备识别和减少偏见的技能与意识）参与模型开发。理解版权和专利影响。理解并定义必须指导AI产品开发的伦理准则。实施质量控制措施，在问题对项目可交付成果产生负面影响之前识别并缓解问题。
资源管理：项目经理必须确保利用生成式AI模型所需的所有技能和能力都已到位并致力于追求卓越。分析每个项目章程，制定列出每个团队成员角色和职责的利益相关者登记册。进行技能评估，识别团队已具备的技能和所需的技能，将技能差距汇报给高级管理层，并制定解决方案以内部培养或外部获取所需技能。投资培训现有团队，将培训工作包添加到工作分解结构（WBS）中。生成式AI领域发展迅速，确保团队能够获取并了解当前和未来的趋势。与团队紧密合作，确定实现产品目标所需的所有人员和其他资源。制定资源管理计划，高效地分配资源。
成本效益分析：进行成本效益分析，量化产品概念的价值。优先考虑特性和功能，以确保满足最小可行产品（MVP）需求并最大化投资回报率（ROI）。
沟通管理：制定沟通管理计划，确保信息能够及时提供。沟通是维系项目的粘合剂。进行有效且频繁的沟通与协作。
扩展与集成：理解有效规划和执行AI支持项目所需的整体系统与架构考量。确保项目满足当前及扩展市场领域的需求，您的项目可交付成果必须支持这些需求。识别并满足技术接口需求和升级要求，以解决兼容性问题并弥合差距，创建统一无缝的系统。从一开始就为可扩展性做规划。识别需求并开发技术解决方案（例如基于云的技术）以满足可扩展性需求。确保与现有工作流程无缝集成。

总结

本节课中，我们一起学习了项目经理必须理解生成式人工智能带来的挑战，并带头识别和应对那些可能导致AI支持项目交付失败的风险。通过采纳生成式AI提供的机遇并应对其挑战，才能成功释放这一新兴技术的全部潜力。

037：生成式人工智能流程成功

欢迎来到生成式AI流程成功课程。观看本视频后，你将能够定义生成式AI开发流程中的步骤，并识别确保生成式AI开发流程成功的要点。

项目经理负责确保用于支持项目的生成式AI系统被无缝集成并创造价值。成功的集成有助于做出明智的决策、提升项目质量、节省潜在的进度和资源，并为利益相关者改善价值。

集成生成式AI的步骤

上一节我们介绍了项目经理在生成式AI项目中的总体责任，本节中我们来看看将生成式AI集成到项目中的具体步骤。

项目经理从项目章程开始，该章程概述了项目的基本情况。他们审查项目目标，并确保在规划阶段，生成式AI被纳入项目的需求文档中。

接下来，项目经理必须评估组织的准备情况，方法是识别支持组织战略计划并解决客户痛点或机遇的机会。他们应评估在项目管理流程中实施生成式AI所需技术的可用性，并确保这些需求被包含在项目的需求文档中。

然后，项目经理应组建团队，识别将生成式AI集成到项目中的关键利益相关者。这些利益相关者应记录在初始的利益相关者登记册中，并明确界定角色和职责。

项目经理应与关键利益相关者协作，包括数据科学家、机器学习工程师、领域专家、设计师和开发团队。每个利益相关者都可以分享独特的视角和知识，以改进整体项目可交付成果。

在整个规划过程中，项目经理和利益相关者应持续审查和验证项目计划，以确保一致性和进展。

最后，为了在项目中利用生成式AI系统，项目经理应与主题专家密切合作，以收集和准备数据、选择合适的生成式AI模型、集成系统并训练模型。

模型选择是生成式AI集成的关键部分，因此项目经理必须与数据科学家合作，选择符合项目和组织目标的正确AI模型。项目经理还应制定质量管理计划来测试模型并收集用户反馈。由于项目经理通常不是生成式AI专家，识别并聘请专家以确保所选AI模型创造价值至关重要。项目经理应在执行和监控阶段继续与这些专家密切合作，以确保项目目标得以实现。

确保AI集成成功的要点

上一节我们介绍了集成生成式AI的具体步骤，接下来我们将探讨一些确保这种AI集成成功的要点。

以下是项目经理可以遵循的关键实践：

将AI要求纳入项目结构：项目经理应确保生成式AI集成要求被纳入项目工作分解结构（WBS）和项目网络图中。这意味着所有受生成式AI影响的活动都必须明确定义和分配。
制定利益相关者参与策略：项目经理应识别构成跨职能项目团队的各种角色。由于不能假设利益相关者的承诺，项目经理必须确定每个利益相关者所需的承诺水平。制定利益相关者参与策略对于确保所有利益相关者都达到所需的承诺水平非常重要。
促进团队建设与管理：项目经理必须通过团队发展的形成、震荡、规范和表现阶段来组建、发展和管理项目团队。建设一个成功的团队包括提供一个让团队成员相信他们能够为组织取得个人和集体成功的环境。你应该制定可衡量的绩效目标，提供及时反馈，并在问题出现时及时解决。由沟通管理计划促进的有效沟通有助于团队协作和生产力。
开发用例：为了做出明智的决策，项目经理与专家密切合作开发用例。这些用例有助于识别生成式AI可以增强项目规划、执行以及整体可交付成果质量和价值的机会。例如，一个用例可能详细描述用户如何与需要与用户体验（UX）团队协调的新产品交互，以确保无缝且令人满意的客户体验。
建立现实的期望：建立现实的项目期望至关重要。所有项目需求和可交付成果规格都应遵循SMART标准：具体的、可衡量的、可实现的、相关的、有时限的。这确保了清晰性和可行性，引导项目走向成功。
管理与验证范围：为了减轻范围蔓延的风险，必须确保所有项目可交付成果都符合最小可行产品（MVP）要求，并且不超过既定的功能和规格。范围蔓延可能导致进度延迟、成本超支并降低投资回报率（ROI）。因此，作为项目经理，你必须密切监控和控制微调过程，以确保最终产品满足MVP规格，没有不必要的添加。最后，验证可交付成果的范围至关重要。这涉及通过阿尔法测试来消除错误和缺陷，以及通过贝塔测试来收集关键的客户反馈，从而测试模型的性能。作为项目经理，你负责有效地规划和监控这些测试阶段。在范围验证完成之前，不得结束项目或移交可交付成果，这一点至关重要，以确保最终产品达到预期的标准和期望。

总结

在本节课中，我们一起学习了项目经理如何确保支持项目的生成式AI系统被无缝集成并创造价值。我们探讨了将生成式AI集成到项目中的步骤：使项目章程与目标保持一致、评估组织准备情况、规划利益相关者参与、选择并集成AI模型、鼓励持续协作。我们还介绍了一些确保AI集成成功的要点：将AI要求纳入项目结构、制定利益相关者参与策略、促进团队建设与管理、开发用例、建立现实的期望、管理与验证范围。

038：利用生成式人工智能提升沟通与协作效率

在本节课中，我们将学习如何利用生成式人工智能来改善项目中的沟通与协作。你将能够总结关键的沟通与协作要求，并说明生成式AI如何提升其有效性。

根据项目管理协会的数据，沟通是项目经理所需的最重要技能之一。沟通直接或间接地影响着项目经理必须执行的大约90%的任务。成功的项目经理明白，沟通与协作是将项目凝聚在一起的粘合剂。

上一节我们介绍了沟通的重要性，本节中我们来看看项目经理如何为项目成功管理端到端的沟通。

项目经理的核心职责

项目经理必须有效地规划并执行项目。这些广泛的职责包括准备面向高管的沟通材料和状态报告、高效地主持会议、制定和管理范围、进度及成本基线、管理风险、分享知识以及营造持续改进的环境。

识别与吸引相关方

识别相关方并吸引其参与至关重要。项目经理必须识别所有必要的相关方，并分配他们各自的角色与职责。他们必须制定策略来吸引相关方并获得其承诺。

团队建设与管理

有效的团队建设与管理对项目成功至关重要。项目经理必须管理具有不同沟通风格的团队、建立规范和基本规则，并管理虚拟环境。即使团队不使用共同语言，他们也必须确保有效沟通。项目经理还应向团队成员提供个性化的培训计划，以确保团队具备成功所需的技能。此外，项目经理必须能够解决团队内的冲突并建立信任。最后，项目经理必须监控团队绩效并提供反馈，以维持并改进绩效。他们还必须分析来自多方相关方的反馈。

生成式AI如何赋能沟通与协作

生成式AI工具具备增强项目管理中沟通与协作的能力，能够应对许多常见挑战。让我们探讨一些生成式AI如何提升整体项目管理有效性的例子。

自动化常规任务

生成式AI系统，如 ChatGPT、Copilot 和 Gemini，可以分析项目数据，生成全面的相关方登记册、明确定义角色与职责，并自动生成状态报告、风险登记册、会议议程和纪要。这种自动化减少了项目经理在常规任务上的时间，使他们能够专注于更关键的活动。

个性化沟通

生成式AI工具可以分析相关方偏好，并定制沟通内容以满足特定需求。它们还可以通过分析沟通模式来调整项目经理或相关方的沟通风格。例如，生成式AI可以分析某位相关方偏好简洁的更新，从而将项目摘要定制为简短的要点列表。它还可以将项目经理的正式风格调整为针对特定受众的更对话式的风格，并根据过去成功的互动经验建议谈判策略。

促进实时协作

生成式AI可以生成自然语言界面，利用向量化知识库，提供类人的响应，从而改善相关方协作。团队成员可以向AI工具提问并立即获得信息。这种按需访问减少了对项目经理的依赖。像 Copilot、ChatGPT 和 Gemini 这样的工具支持虚拟协作环境，团队成员无论身处何地都可以实时互动与协作。

整合与访问知识

生成式AI可以整合组织内的知识，使其易于访问，并减少获取关键信息所需的时间，从而提高效率和生产力。像 Copilot、ChatGPT 和 Gemini 这样的工具通过提供对整合知识的快速访问，使团队能够专注于完成基本任务。

简化流程与跨越障碍

生成式AI可以简化沟通过程，并实现跨地域边界和文化的无缝沟通。它可以为团队章程的制定建议相关的基本规则和规范，促进实时沟通与协作，同时降低误解风险。

辅助内容创作与可视化

AI写作和转述工具，如 Google NotebookLM，可以总结事实、解释复杂想法并组织信息。像 DALL-E 这样的工具可以提供项目概念和理解的视觉呈现。

模拟场景与决策支持

生成式AI可以模拟各种场景，并通过分析潜在结果和影响来提供决策支持。它可以跟踪沟通与协作指标以衡量进展、识别趋势并相应调整策略。

弥合技术鸿沟

生成式AI可以通过用通俗语言解释复杂数据，来弥合技术与非技术相关方之间的差距。这种清晰度增强了理解，从而实现更好的问题解决、决策制定和团队整体协作。像 Copilot、Gemini 和 ChatGPT 这样的工具可以根据提示提供针对受众的响应。DALL-E 3 可以将基本的文本想法转化为详细的图像和AI生成的艺术品，将项目概念生动地可视化。

总结

本节课中我们一起学习了项目经理必须有效规划并执行项目。有效的团队管理涉及处理不同的沟通风格、管理虚拟环境、解决冲突、建立信任以及监控绩效以提供反馈和改进团队合作。

生成式AI工具，如 ChatGPT、Copilot 和 Gemini，可以自动化创建相关方登记册、状态报告、风险登记册和会议议程等常规任务。这些工具通过实时互动和快速信息访问来改善协作，整合组织知识以实现按需高效访问。

像 Google NotebookLM 这样的工具可以总结事实，而 DALL-E 可以将概念可视化。AI通过通俗易懂的解释和视觉呈现，弥合了技术与非技术相关方之间的差距。

039：生成式AI在创意生成与需求识别中的应用 🚀

在本节课中，我们将学习生成式人工智能如何辅助项目经理进行创意生成和需求识别。我们将探讨哪些项目管理文档可以从中受益，并通过一个简短的案例研究来具体说明其有效应用。

概述

生成式AI能够帮助项目经理进行头脑风暴，为项目生成广泛的创意。通过向AI提供项目目标、约束条件和背景等相关信息，它可以产出关于方法、功能或解决方案的创造性建议。此外，生成式AI还能通过分析大量数据、用户反馈、市场趋势或现有项目文档来协助分析项目需求，帮助识别模式、提取关键见解，并基于分析数据提出需求建议。

项目管理文档的应用

上一节我们介绍了生成式AI的基本应用，本节中我们来看看它具体能优化哪些关键的项目管理文档。

以下是几类可以受益于生成式AI进行创意生成和内容创建的关键项目管理文档：

项目章程：生成式AI帮助项目经理构思并阐述项目章程中所需的项目愿景、目标、范围和成功标准。它协助生成清晰、简洁的陈述，以符合利益相关者的期望和项目目标。
项目计划：生成式AI通过生成工作分解结构（WBS）、网络图、项目预算和多种支持计划，来支持项目经理制定详细的项目计划。
需求文档：生成式AI通过生成用例、用户故事、功能规格和验收标准，支持项目经理进行需求获取、分析和记录。它有助于确保需求被明确定义、可追溯，并与利益相关者的需求和期望保持一致。
风险管理计划：生成式AI帮助项目经理识别潜在的项目风险、评估影响和概率，并制定风险应对策略。它可以基于历史数据、行业基准和专家知识，生成风险登记册、风险评估矩阵和应急计划。
沟通计划：生成式AI通过建议沟通事项、渠道、频率、利益相关者和关键信息，协助项目经理制定全面的沟通管理计划。它生成状态报告模板、会议议程和利益相关者更新，以促进项目生命周期内的有效沟通。
变更管理计划：生成式AI通过生成变更管理计划、影响评估和整体变更控制流程，帮助项目经理预测和管理变更。它建议评估变更请求、获得批准和实施变更的策略，同时最大限度地减少对项目活动的干扰。
质量管理计划：生成式AI通过生成质量标准、指标和保证流程，协助项目经理制定质量管理计划。它建议用于监控和评估项目可交付成果、识别缺陷和实施纠正措施以保持产品质量的技术。
采购管理计划：生成式AI通过生成采购文件、建议邀请书（RFP）、工作说明书（SOW） 和供应商评估标准来支持项目经理。它通过建议供应商选择标准、谈判策略和合同条款来帮助简化采购流程。

案例研究：咖啡店应用开发

了解了理论应用后，我们通过一个案例来具体看看生成式AI如何在实际项目中发挥作用。本案例使用ChatGPT 3.5进行演示。

背景：一位项目经理在一家大型咨询公司工作。他的公司被要求为一个大都市区的大型咖啡店连锁品牌开发一款商业应用。团队正在头脑风暴，思考该应用应具备哪些功能和特性以满足当前市场需求和客户期望。

提示词1：

一位项目经理在一家大型咨询公司工作。他的公司被要求为一个大都市区的大型咖啡店连锁品牌开发一款商业应用。团队正在头脑风暴，思考该应用应具备哪些功能和特性以满足当前市场需求和客户期望。请为此商业应用提供一个优先排序的需求推荐列表。

ChatGPT 3.5 回复：
以下是该咖啡店连锁品牌商业应用的优先需求列表：

移动点单
支付集成
订单追踪
菜单定制
奖励与忠诚度计划
推送通知
门店定位与营业时间
反馈与评分
社交媒体集成
无障碍功能
个性化推荐
多语言支持
订单历史
库存管理
分析与报告

后续提示词：

列出需要成为项目团队成员的关键利益相关者。仅列出角色。

ChatGPT 3.5 回复：
以下是项目团队的关键角色：

客户代表
项目经理
开发团队
业务分析师
营销团队
法律与合规专家
客户服务代表
IT基础设施团队
财务部门
运营团队
用户验收测试员（UAT）
执行发起人
外部供应商或合作伙伴

总结

本节课中，我们一起学习了生成式AI在项目管理创意与需求阶段的强大辅助作用。你了解到，生成式AI可以通过创意生成来提高多份关键项目管理文档的质量，并能自动生成文档内容，节省宝贵的时间和精力。通过案例研究，我们看到生成式AI能够有效地列出项目需求和识别关键利益相关者角色，为项目启动和规划提供了扎实的基础。

040：利用生成式人工智能提升利益相关者体验并创造价值 🚀

在本节课中，我们将要学习生成式人工智能如何为项目创造价值，并提升利益相关者的体验。我们将通过一个简短的案例研究，具体说明其有效应用。

项目经理的价值交付责任

上一节我们介绍了生成式AI的基础概念，本节中我们来看看它在项目管理中的核心应用场景——价值交付。

《项目管理知识体系指南》（PMBOK）第七版强调了项目经理交付价值的责任。价值不仅仅在于提供计划中的项目可交付成果。项目是交付价值的系统，专业人员必须考虑更广泛的效益和组织绩效背景。价值管理的目标是通过激励人员、发展技能、促进协同和鼓励创新来优化组织绩效。

生成式AI如何创造价值

将生成式人工智能融入项目，可以开辟交付价值的新机会。您可以通过个性化体验、创新解决方案和主动互动来取悦客户。生成式AI算法可以分析客户和利益相关者数据，以生成定制化的可交付成果并提高沟通效率。

以下是生成式AI创造价值的主要方式：

个性化定制：项目经理可以利用此功能，根据个人客户偏好定制可交付成果，从而提高满意度和价值。例如，如果利益相关者偏好简洁的电子邮件更新，项目经理可以相应地定制沟通方式。反之，如果另一位利益相关者偏好详细的进度报告，项目经理则可以提供更全面的文档。
满足特定需求：项目经理必须管理利益相关者的期望，并符合他们对价值的定义。一些项目可交付成果需要定制以满足特定的利益相关者需求。生成式AI可以生成与客户要求紧密契合的设计选项、原型或配置。
促进协同设计：在范围规划期间，项目经理必须与关键利益相关者密切合作。生成式AI可以促进互动式设计过程，让利益相关者积极参与产品或服务的创建。项目经理可以使用生成式AI工具与客户实时协作，共同设计出满足并超越期望的解决方案。

生成式AI的赋能应用

除了直接创造价值，生成式AI还能在多个方面赋能项目管理。

自动化内容创建：项目经理必须能够分享项目团队提出的价值主张。生成式AI可以自动化内容创建，包括项目愿景、最小可行产品（MVP）建议、产品和服务描述、营销材料和用户文档。
预测分析与洞察：生成式AI分析过去的项目数据和反馈，以预测未来趋势或客户行为。项目经理可以利用这些洞察来预测客户需求、降低风险，并在问题发生前主动解决。
部署虚拟助手：由生成式AI驱动的虚拟助手为客户提供个性化支持和指导。项目经理可以部署虚拟助手来回答查询、提供建议或提供故障排除协助。这提升了整体的客户体验和价值。

案例研究：Techmart的个性化电商体验

为了更具体地理解上述应用，我们来看一个案例。一家领先的电商公司Techmart，旨在利用生成式AI技术提升客户体验。项目经理Priya的任务是实施一个包含生成式AI解决方案的项目，以提供个性化推荐并提高客户满意度。

项目规划与实施

Priya启动了范围规划。她与公司的数据科学团队合作，开发了一个由生成式AI算法驱动的推荐引擎。该引擎将分析客户的浏览历史、购买行为和人口统计信息，以生成个性化的产品推荐。此外，Priya和她的团队计划开发一个解决方案，将生成式AI驱动的虚拟助手集成到公司的网站和移动应用中。这个名为Techbot的虚拟助手将协助客户进行产品查询、提供个性化推荐，并在整个购物旅程中提供实时支持。

项目成果与价值体现

该项目取得了成功并提供了客户价值。

提升销售与转化：由AI驱动的引擎生成的个性化产品推荐带来了销售额的显著增长。客户欣赏这些符合他们偏好的定制化建议。个性化的推荐为Techmart带来了更高的转化率和收入增长。
提高满意度与忠诚度：Techbot的主动协助和个性化指导让客户感到满意，提高了整体满意度和忠诚度。客户在整个购物体验中感到被重视和支持。个性化的指导带来了积极评价和口碑推荐。
增强用户参与度：Techbot的互动性鼓励客户积极参与平台互动。这种互动性带来了更长的会话时长和重复访问。虚拟助手理解和响应实时客户查询的能力，增强了用户参与度和留存率。
提供未来洞察：Priya利用来自推荐引擎和虚拟助手互动的数据，获得了关于客户偏好和行为的宝贵洞察。这些反馈通过提供营销策略、潜在的产品开发计划以及改进客户互动工作的最佳实践，帮助了未来的项目经理。

Techmart利用了生成式AI的力量，成功地提升了客户体验，并推动了销售、满意度和参与度。项目团队对个性化推荐和虚拟助手的战略实施，展示了生成式AI如何使项目经理在快速发展的电商领域中提供价值和客户满意度。

总结

本节课中我们一起学习了，将生成式人工智能融入项目可以开辟新的机会，通过个性化体验、创新解决方案和主动互动来交付价值并取悦客户。

041：生成式AI助力任务高效处理 🚀

在本节课中，我们将学习生成式AI如何优化预测型和适应型项目管理框架中的任务，从而提升项目管理的效率与效果。

概述

项目经理需要执行大量的规划流程来准备项目执行。项目管理协会定义了49个确保项目成功必须完成的特定流程，其中26个发生在启动和规划流程组中。每个流程都至关重要，需要投入时间和精力以确保规划满足项目需求。此外，一些项目经理必须使用适应型或敏捷框架来管理项目。接下来，我们将探讨生成式AI如何在预测型和适应型框架中简化项目管理任务。

预测型框架中的任务优化

首先，我们来了解AI如何帮助简化预测型框架中的任务。

项目章程制定

项目章程提供了项目目标的高层概述，必须得到项目发起人的批准。生成式AI可以通过访问初始项目讨论、范围文件和组织目标的信息来起草项目章程。它能使项目章程符合组织标准，并通过突出利益相关者和决策者关注的关键领域来促进更快批准。

利益相关者识别与管理

识别关键利益相关者并分配角色和职责是关键的规划步骤。AI通过分析项目文档、组织架构图和以往项目数据来帮助识别相关利益相关者。它可以评估利益相关者的影响力、兴趣和对项目的影响。通过评估利益相关者的沟通偏好、过往互动和项目角色，AI可以建议量身定制的参与策略，确保有效且个性化的利益相关者管理。

工作分解结构创建

工作分解结构是规划的基石，为执行所有必需的项目活动或工作包提供了有条理的方法。生成式AI可以通过分析项目目标、范围文件和类似的历史项目，自动创建详细的WBS。这减少了手动开发所需的时间和精力。AI可以根据项目范围变更或新信息动态更新WBS，确保其始终准确且相关。

网络图与进度规划

在整个项目生命周期中，网络图利用工作包来制定端到端的项目进度。AI算法可以通过识别高效的活动顺序和依赖关系来生成网络图，从而更准确地可视化项目时间线和关键路径。生成式AI可以模拟不同的项目场景，帮助项目经理理解进度或资源变更的影响，并相应调整计划。

项目预算编制

项目预算确定了获取基本项目资源所需的资金。AI可以通过分析历史数据并考虑资源可用性、市场趋势和项目复杂性等因素来预测项目成本，从而实现更准确的预算和财务规划。生成式AI可以实时跟踪项目支出，标记潜在的超支，并建议节约成本的措施，以帮助维持预算。

沟通管理计划制定

沟通管理计划确保在正确的时间以有效的方式将正确的信息传达给正确的利益相关者。AI可以通过分析沟通偏好、过往互动和项目需求，为不同的利益相关者设计量身定制的沟通计划。这确保了信息分发的高效性。生成式AI可以自动生成定期的项目更新和报告，确保及时且一致的沟通，而不会给项目团队带来负担。

风险管理

项目经理必须主要通过风险登记册来识别和评估影响项目的风险。AI可以通过分析项目数据和外部因素来识别潜在风险，评估这些风险的概率和影响，并建议风险应对策略。它可以持续监控风险，提醒项目经理注意新出现的问题，并实现主动的风险管理。

适应型框架中的任务优化

接下来，我们看看适应型框架。许多项目是使用混合或适应型方法完成的。适应型框架包括各种敏捷方法，如Scrum。使用敏捷框架完成的项目也带来了挑战，AI同样可以提供支持。

用户故事生成与优化

用户故事按角色、需求和价值总结项目需求，通常由产品负责人创建。然而，许多组织要求项目经理执行这项工作。AI可以通过分析项目需求、用户反馈和类似的历史项目来生成用户故事，减少手动创建所需的时间，并确保一致性和全面性。AI帮助根据业务价值、用户影响和开发复杂性等因素对用户故事进行优先级排序，并通过建议改进和补充细节来优化它们。

产品待办列表管理

产品待办列表是用户故事的存储库，根据客户价值和期望的完成顺序进行优先级排序。生成式AI通过持续分析项目进展、利益相关者反馈和不断变化的需求，协助组织维护产品待办列表，确保其保持相关性和最新状态。AI可以考虑团队容量、依赖关系和优先级，为每个冲刺周期建议最优的用户故事集合，从而促进高效的冲刺周期。

冲刺待办列表与任务分配

冲刺待办列表列出了成功完成一个用户故事所需的所有任务。AI通过从产品待办列表中选择最高优先级的用户故事并将其分解为可管理的任务，来帮助生成冲刺待办列表，确保冲刺待办列表定义明确且可操作。AI根据团队成员的技能、过往表现和适合性，协助将任务分配给团队成员。

总结

本节课中，我们一起学习了生成式AI在项目管理中如何简化各种任务，从而在预测型和适应型框架中提升效率与效果。在预测型框架中，AI可以通过自动化多项关键任务，显著减轻项目经理的负担。在适应型框架中，AI有助于创建和优化用户故事，这是敏捷项目管理的核心。通过利用生成式AI，项目经理可以更专注于战略决策和团队领导，推动项目成功。

042：生成式AI在科研中的应用演示 🧪

在本节课中，我们将学习如何利用生成式人工智能工具Copilot辅助科研与项目管理。我们将通过一个具体的项目案例，演示Copilot如何帮助生成关键的项目启动与规划文档。

生成式人工智能通过自动化数据收集、分析和洞察生成等任务，在辅助项目经理方面扮演着关键角色。借助生成模型，项目经理可以提升决策效率。

生成式AI在项目管理中的应用示例

以下是生成式人工智能如何使项目管理受益的几个具体例子。

自动化市场分析：生成式AI可以扫描海量市场数据，识别趋势并生成详细报告，为项目经理节省数小时的手动研究时间。这有助于项目经理在项目启动和规划阶段，制定出满足所有利益相关者需求的、有说服力的价值主张。
风险评估：AI模型通过分析历史项目数据来预测潜在风险，并建议应对策略。生成式AI帮助项目经理主动规划并有效应对风险。
资源分配：生成式AI分析项目需求和员工技能组合，确保将正确的资源分配到正确的任务上，从而优化资源分配。
利益相关者沟通：生成式AI基于最新的项目数据提供定制化的报告和演示文稿，以促进与利益相关者的清晰沟通。项目经理可以更有效地传达项目进展、挑战和成就。
竞争分析：生成式AI可以比较竞争对手的项目、产品和策略，提供关于行业标准的见解。这有助于项目经理更战略性地定位自己的项目。

Copilot工具演示

在本演示中，我们将展示Copilot如何用于研究目的。新用户可以通过下载Copilot应用程序并使用免费版本，在PC和移动设备上免费访问Copilot。免费版提供一系列供个人使用的AI驱动功能。

欢迎使用Copilot。Copilot是一个易于使用的生成式AI工具。正如你所见，Copilot希望成为你的日常助手。Copilot拥有多种功能，在本演示中，我们将使用Copilot来帮助我们完成一些关键的项目启动和规划文档。

首先，让我们回顾一下我们的项目概念：一家高科技公司计划开发一款新的、由生成式AI驱动的专业照片生成器。这款新的照片生成器将包括一个相机和一个配套的应用程序。目标是在六个月内内部开发所有项目交付成果。

我们将利用Copilot的力量提出三个问题。现在输入我们的第一个提示。

我们将提示词复制并粘贴到Copilot中，然后请求输出。

让我们回顾一下Copilot的推荐。它首先声明“开发一款生成式AI专业照片生成器是一个令人兴奋的项目”，然后“让我们为你的项目章程分解目标和价值主张”。它回应了我们的提示。

在目标方面，它提供了六个优先目标：研究与需求收集、算法开发、硬件集成、应用程序开发、测试与质量保证、部署与维护。我们提示词的第二部分要求提供价值主张。价值主张讨论了高质量照片、时间效率、成本节约、定制化、品牌提升和创新。

识别关键利益相关者

现在，我们将用第二个提示来跟进初始提示。这个提示将询问：“谁是规划和执行该项目所需的关键利益相关者及其角色？”

让我们给Copilot一点时间，然后查看它的建议。如你所见，Copilot识别了对此特定项目成功至关重要的一系列关键利益相关者，从项目发起人开始，当然还有项目经理、开发团队、UX设计师、质量保证团队、市场营销与销售、法律与合规、运营与支持团队、最终用户、以及有财务利益的投资者或利益相关者。

评估项目潜在风险

接下来，我们将跟进最后一个提示。在这个提示中，我们将要求Copilot以“原因-事件-影响-应对”的格式列出该项目的潜在风险。

Copilot识别了一系列风险，包括：算法偏见风险、技术挑战风险、数据隐私与安全漏洞风险、市场竞争风险、硬件制造延迟风险以及用户接受与采纳风险。

像Copilot这样的生成式AI工具可以记住初始提示并回应后续提示，保持对话的上下文。Copilot能够在项目开发的不同阶段提供关键输入，这相当于随时有一屋子主题专家供你差遣，并且能在几秒钟内回应你的查询。

课程总结

本节课中，我们一起学习了生成式AI在项目管理中的多种应用，并通过Copilot工具的实际演示，了解了它如何协助生成项目目标、价值主张、识别利益相关者以及评估项目风险。这展示了AI作为强大辅助工具，如何提升项目启动与规划阶段的效率与效果。

043：使用生成式AI总结文档的演示 🧠

在本节课中，我们将学习如何利用生成式AI工具来高效总结笔记和PDF文档。我们将通过一个具体的工具演示，展示如何将冗长的项目报告转化为清晰、有组织的摘要。

概述

项目经理常常需要处理大量文档，从项目启动到收尾，都需要创建全面的记录。生成式AI工具的普及，为快速生成摘要、大纲、语法建议以及识别信息缺口提供了可能。本节演示将重点介绍一款名为Notebook LM的AI辅助写作工具。

Notebook LM简介

上一节我们提到了生成式AI的潜力，本节中我们来看看一个具体的工具。Notebook LM是一款AI驱动的写作工具，专为帮助用户生成有组织的文档摘要、创意内容、进行头脑风暴以及精炼写作技巧而设计。

注册与核心功能

使用Notebook LM的第一步是注册。过程非常简单，只需访问其官网，填写邮箱地址并设置密码即可。其基础功能可以免费使用。

该工具利用AI算法，主要提供以下几类核心功能：

内容生成：帮助用户轻松生成想法、大纲甚至完整的文章。
写作辅助：提供建议、增强语法、给出写作提示，从而提升整体写作质量。
校对工具：平台集成了语法检查、风格建议和校对工具，帮助用户润色文稿。

工具演示：总结月度项目报告

以下是使用Notebook LM总结一份项目月度状态报告的具体步骤。

场景设定：你是一名项目经理，负责开发一个新的AI驱动空气过滤系统。你刚刚完成了五月份的月度项目状态报告，并计划使用Notebook LM来生成一份易于理解、结构清晰的报告摘要。

创建新笔记本：首先，点击界面上的“新建笔记本”（加号图标）。
上传文档：系统会提示上传文本或其他类型的文档。我们将以PDF格式上传《五月状态报告》。选择该PDF文件并上传。
处理与概览：将鼠标悬停在已上传的“源文件”上并右键点击，Notebook LM即开始处理。此时可以为笔记本添加标题，例如“五月项目状态报告”。工具会自动生成一个概览，并将输入内容分解并组织到不同的类别中。
查看分类摘要：我们可以选择查看特定类别的内容。例如，选择“AI系统”类别，Notebook LM会提供关于新AI驱动空气过滤系统的概要。这些信息可以直接复制粘贴到其他文档或电子邮件中。
查看行动项：接下来，查看“行动项”部分。此部分内容被分解为易于理解的要点陈述。
利用相关提示：Notebook LM甚至会提供你可能想使用的其他相关提示，例如“总结项目状态”、“分析预算分配”等。
保存与管理：点击返回箭头即可关闭笔记本，Notebook LM会自动保存。未来可以随时访问和查看这个笔记本。如需删除笔记本，只需点击笔记本右上角的三个点，然后选择“删除”即可，例如我们可以删除旧的“四月月度状态报告”。

总结

本节课中我们一起学习了如何使用Notebook LM这款生成式AI工具。它能够作为一个便捷的工具，来组织、总结并创建项目管理相关文档的知识库，从而帮助项目经理从繁杂的文档工作中解放出来，更专注于核心管理任务。

044：生成式AI在项目规划与创新中的应用演示

在本演示课程中，我们将学习如何利用生成式人工智能进行项目规划与创新。我们将以Gemini工具为例，展示生成式AI如何成为项目经理在规划与创新方面的得力助手。

生成式AI可以快速分析历史项目数据，从而提出现实的时间线、资源分配建议，并创建初步的工作分解结构。在创新方面，它能够针对问题集思广益，提出超越团队常规思维的广泛解决方案。这种分析能力为项目规划带来了更具创造性和启发性的方法。

接下来，让我们通过具体示例，探索生成式AI如何使传统的项目管理变得更高效、动态和智能。

生成式AI在项目规划中的应用场景

以下是生成式AI可以提升项目管理效率的几个关键领域：

制定工作分解结构：生成式AI可以根据项目总体目标的概述，提出项目计划的工作分解结构。
生成网络图：AI能够解读文本、原始数据和源代码，为网络图的绘制提供建议。
推荐质量活动：它可以推荐质量保证和质量控制活动。
设定关键绩效指标：此外，它还能推荐关键绩效指标，以确保项目符合要求并适用。
革新沟通规划：生成式AI通过实现快速决策和无与伦比的效率，革新了沟通规划。它有助于塑造沟通策略并制定全面的沟通管理计划。

总而言之，生成式AI工具可以分析信息、促进更有效的沟通、改进风险识别，并监控速度与质量。

使用Gemini进行项目规划演示

在本演示中，我们将展示Gemini如何增强并简化多项项目规划活动。

新用户可以通过创建谷歌账户访问Gemini。请访问 gemini.google.com，点击登录并使用您的谷歌账户凭证。

欢迎使用Gemini。它可以帮助您规划、组织和跟踪项目，简化任务并使一切按计划进行。Gemini提供多种功能来提升您的项目管理效率。

首先，让我们回顾一下我们的项目概念：一家高科技公司计划开发一款新的、由生成式AI驱动的专业照片生成器。这款新的照片生成器将包括一个相机和一个配套的应用程序。此外，项目还包含一项营销要求。目标是在六个月内内部完成所有项目可交付成果。团队计划将工作分为设计、开发、测试和启动四个阶段。

我们将利用Gemini的力量提出三个问题。现在输入我们的第一个提示。

提示一：制定工作分解结构

请输入如下所示的提示。

让我们来审视Gemini的推荐。我们要求Gemini制定一个工作分解结构。它制定了一个WBS，其中第一级是项目名称，第二级是我们提示中提供的信息：设计阶段、开发阶段、测试阶段和启动阶段。

现在，我们可以深入到第三级：

设计阶段 包括硬件设计、软件设计。
开发阶段 包括硬件开发、软件开发。
测试阶段 包括硬件测试、软件测试。
启动阶段 包括市场营销与推广、项目启动。

Gemini在最后提供了一个简要说明：此WBS提供了一个高层次的分解，每个子任务都可以根据项目需求进一步分解为更详细的活动。

让我们返回到提示页面，继续我们的对话，提出第二个提示。

提示二：制定里程碑图和表格网络图

第二个提示要求Gemini使用其创建的WBS中的编号，来制定一个里程碑图和表格网络图。

Gemini响应了我们的提示，并提供了一个表格形式的里程碑图。我们查看了各个里程碑，它包含了工作分解结构中的所有内容。

接着，它提供了一个表格网络图，为我们提供了完成-开始和完成-完成关系以及前置任务的关键信息。请注意，我们可以利用此输入来开发一个实际的视觉网络图，或将此网络图信息加载到Microsoft Project或Smartsheet等工具中。

它还提供了一些说明：该表格假设了标准的五天工作周以及任务之间的依赖关系，并且项目启动里程碑的持续时间为零周，因为它代表一个时间点而非一项活动。

让我们再次返回提示页面，向Gemini提出最后一个规划问题。

提示三：制定沟通管理计划

我们最后的提示是：制定一个表格形式的沟通管理计划来支持该项目。

应要求，Gemini以表格形式提供了“生成式AI专业照片生成器沟通管理计划”。它识别了关键利益相关者群体、信息需求、沟通方法、频率和负责人。

它甚至提供了一些额外的考虑因素，如沟通风格、会议议程和纪要、决策文档、风险沟通以及沟通升级流程说明。

该沟通管理计划是一个起点，可以根据项目的具体需求和利益相关者的沟通偏好进一步定制。

课程总结

在本节课中，我们一起学习了生成式AI如何作为项目经理的强大工具，提供建议、生成图表并自动化部分项目文档流程。

然而，必须记住，这些输出是起点或增强项，而非最终交付成果。项目经理的专业知识对于确保包含所有相关信息，并使文档符合项目目标和合规要求至关重要。

人类的因素，如专业判断、对团队动态的理解以及利益相关者沟通，是不可替代的。正是这种人为因素，使文档能够根据项目的具体需求进行定制，从而变得可操作且有效。

生成式AI辅助了创作过程，但项目经理在细化、验证和最终确定文档方面的角色，对于项目的成功执行至关重要。

045：生成式AI的未来演进 🚀

在本节课中，我们将探讨生成式人工智能（Generative AI）未来的演进方向，并总结其对项目管理领域即将产生的深远影响。

概述

生成式AI已经对项目管理领域产生了深刻影响。随着技术的进步以及新工具和能力的出现，这种影响将持续扩大。企业正竞相理解和利用生成式AI的力量。2022年底ChatGPT的发布，让人们初步见识了其威力。对于任何希望保持竞争力的公司而言，拥抱生成式AI带来的机遇已成为一个关键成功因素。

麦肯锡的一份研究报告指出，利用生成式AI功能每年可为全球经济贡献高达4.4万亿美元。驱动生成式AI的先进机器学习技术正在快速发展。该报告还预测，专家预计在2040年之前，生成式AI在各种任务上的表现将达到人类的中位数水平，与完成这些任务的前25%的人竞争。生成式AI也将影响知识工作，许多涉及教育、法律、技术甚至艺术的工作将被自动化。此外，生成式AI将有能力自动化一些基本决策，并在最少人工干预的情况下进行有效协作。

生成式AI已经在创造新的、更高的客户期望，要求改进项目交付成果。项目章程和项目管理计划必须考虑利用生成式AI和人机交互能力的需求，以满足日益精通技术的市场对产品和服务的期望。

公司正开始训练生成式AI系统，使其包含企业特定的数据，而不再依赖于公共领域的数据。这种训练能够生成企业特定的AI战略、政策和标准，从而提升公司安全性并增强竞争优势。

上一节我们介绍了生成式AI的宏观发展趋势，本节中我们来看看它将如何具体影响项目管理实践。

生成式AI演进对项目管理的影响

生成式AI为项目经理提供了改进规划和执行交付成果能力的机会，同时也带来了必须意识到并成功应对的挑战。

以下是生成式AI将影响项目管理的关键方面：

自动化项目规划：AI驱动的工具将自动化创建详细的项目计划、进度表、预算和资源分配模型。这个过程将显著减少初始规划阶段所花费的时间，并提高整体规划的准确性。
精准的范围规划：生成式AI将通过分析客户反馈和市场趋势，使范围规划更加精确，从而使项目交付成果与要求更高的客户群的期望保持一致。这将确保项目设计能够满足或超越客户需求，增强满意度、竞争优势并增加价值。
增强的协作工具：AI驱动的协作工具将促进项目团队之间更好的沟通与协作。这些工具可以与现有工作流程无缝集成，实现实时更新，并促进跨地域和时区的更顺畅协作。
自动化报告与文档：生成式AI将自动化生成项目报告、文档和状态更新。这个自动化过程将为项目经理节省时间，并确保利益相关者获得准确、及时的信息。
数据驱动的决策支持：生成式AI将为项目经理提供先进的分析和洞察，实现更明智的、数据驱动的决策。这些洞察将有助于识别潜在的进度加速机会、最大化资源利用率、快速评估变更并确定解决问题的最佳策略。
变革管理支持：AI驱动的变革管理工具将帮助项目经理预测并有效规划、管理变更。生成式AI将通过提供实时影响分析和适应性策略，协助平稳地引导团队和利益相关者度过转型期，确保最小化干扰并保持项目势头。
主动的风险管理：AI将评估项目目标并制定全面的风险计划和登记册，以加速风险识别、评估和响应。风险触发因素将被实时识别，使团队能够快速预测和应对潜在问题，并实施有效的风险应对策略。项目经理可以主动应对风险，并保持在范围、进度和成本基线之内。
优化的资源管理：生成式AI将消除对大量资源分析和平衡活动的需求。它将通过分析项目需求和资源可用性来简化资源管理。这个简化过程将确保人力和物力资源得到最优利用，从而实现更好的工作负载平衡和容量规划，并减少资源浪费。
持续的流程改进：AI系统将持续从项目数据和结果中学习，并为持续改进提供洞察。项目经理将受益于AI驱动的流程改进建议，随着时间的推移，这将带来更成功的项目成果。

总结

本节课中我们一起学习了生成式AI正在显著改变项目管理，并且其持续发展预计将扩大其影响力。公司正在利用企业特定数据训练AI，以增强战略、政策、安全性和竞争优势。AI驱动的工具将自动化项目计划、进度、预算和资源分配，提高规划的准确性和效率。生成式AI将自动化项目报告、文档和状态更新，节省时间并确保信息及时交付。AI将协助制定风险计划、识别触发因素并生成应对策略，助力主动的风险管理。生成式AI还将简化资源管理，确保最优利用并减少浪费。

046：利用生成式AI评估利益相关者准备度 🧑‍💼

在本节课中，我们将学习如何利用生成式人工智能来评估和确保项目利益相关者的准备度。我们将探讨利益相关者准备度的关键考量，并说明生成式AI如何能在项目管理的各个阶段增强这种准备度。

许多组织正在使用生成式AI来规划和执行项目，并提供AI驱动的产品与服务。这种范式转变要求项目经理评估利益相关者的准备情况，并为他们接纳AI做好准备。

组织准备度的考量因素

首先，让我们分解一下组织准备度的考量因素，以及生成式AI如何支持项目管理协会（PMI）流程组中的各个目标。

许多团队可能对AI还很陌生。项目经理必须确保所有利益相关者都能理解生成式AI的能力与局限。AI系统的有效性取决于其所能访问的数据质量。历史项目数据对于AI学习至关重要。项目经理必须与团队紧密合作，识别适用的数据源。

项目经理必须让所有利益相关者为AI集成可能带来的工作流程转变做好准备。项目章程应将上述因素作为假设和约束条件纳入。项目管理规划过程组也应考虑他们使用生成式AI的准备情况。

项目经理和团队必须定义清晰的项目目标，以便AI能有效地定制计划。工作分解结构（WBS）是项目规划的基石。一致的WBS格式能增强AI学习和建议计划的能力。项目进度、预算和资源需求都基于WBS。规划期间的数据安全协议至关重要。

必须建立数据安全措施，以保护AI所使用的敏感项目信息。在项目执行期间，需要有效的沟通规划和管理，以确保团队专注于实现项目目标。

执行与监控中的准备度

上一节我们介绍了规划阶段的准备度，本节中我们来看看执行与监控阶段的关键考量。

以下是确保团队与AI有效协作的几个要点：

确保团队成员与AI之间的有效沟通。
AI工具应易于访问和使用，以便团队采纳。
所有团队成员都应理解工具的能力和用途。
保持数据质量，以确保AI建议的准确性。
检查并验证输出结果，确保其准确且无偏见。
建立清晰的项目关键绩效指标（KPI）来衡量成功并指导AI监控。
所有团队成员必须对这些指标有共同的定义。
确保项目管理工具与AI之间的数据流畅传输，以实现实时监控。
制定变更管理计划，以处理AI建议可能带来的偏差。

知识转移至关重要。需要制定计划，捕获从生成式AI中获得的经验教训，供未来项目使用。将AI生成的报告和见解整合到项目收尾文件中。评估AI实施对项目可交付成果的有效性，并识别改进领域。

生成式AI在各流程组中的应用

了解了每个流程组的准备度考量后，让我们看看生成式AI如何帮助你在每个流程组中确保利益相关者的准备度。

启动过程组旨在制定项目章程，明确项目目标、识别利益相关者、分配角色与职责，并获得发起人批准，使项目进入规划过程组。

AI可以分析过去项目成功的因素，为项目选择推荐合适的目标。
AI可以基于过往项目协助识别相关利益相关者。
它还可以推荐对项目成功至关重要的关键角色和职责。
AI可以基于类似项目生成包含风险评估的可行性报告，协助可行性研究并获得高管批准。

规划过程组的目标是制定一份全面的项目管理计划，并获得发起人批准和利益相关者接受。该计划将包括范围、进度、成本基准以及关键支持计划。

生成式AI将基于历史项目数据和行业最佳实践，建议详细的工作分解结构（WBS）。
AI将生成考虑依赖关系和资源可用性的项目时间线草案。
生成式AI将基于过往项目的资源和预算使用情况，推荐预算估算和资源分配计划。

执行过程组的目标是开发项目可交付成果、管理风险和变更、监控进度并分享知识。

生成式AI将基于项目优先级和团队技能监控任务和完成情况。
它建议调整资源分配以提高项目效率。
在风险管理方面，生成式AI基于实时项目数据管理潜在风险，并提出缓解策略。
它基于历史趋势和类似项目预测潜在的项目问题。
AI基于任务完成和资源利用数据自动生成进度跟踪报告。

监控过程组的目标是验证所有可交付成果是否符合项目管理计划中定义的规范，确认范围，并在进入项目收尾前确保资源的最佳利用。

生成式AI分析项目数据以监控绩效，识别偏差并建议预防和纠正措施。
生成式AI通过基于历史趋势和类似项目预测潜在项目问题来支持预测分析。
它通过AI支持的风险审计分析风险应对措施的有效性。风险审计审查风险应对措施，以确定其对已发生风险的处理效果，并建议后续行动。
为了优化资源，AI建议调整资源分配以提高效率。

收尾过程组的目标是获得对所有项目可交付成果的验收，关闭所有合同并移交可交付成果，以及准备包含经验教训的最终报告。

生成式AI制定指标来评估AI集成在项目管理中的成功程度。
AI支持项目归档管理，有效地组织和存储项目文档与数据，以供未来参考和AI学习。
AI生成报告，总结项目见解以及AI在实现成果中的作用。
它在整个企业内自动化分享经验教训。

总结

本节课中，我们一起学习了通过考量准备度各个方面并利用生成式AI的能力，组织可以增强项目规划与执行，并交付高质量的项目成果。生成式AI能够提升整体的准备状态。

047：识别并克服生成式人工智能偏见 🎯

在本节课中，我们将学习生成式人工智能中偏见产生的主要原因，并掌握一套项目经理可以用来降低偏见风险的系统性步骤。

生成式人工智能系统的有效性，完全取决于识别和提供数据的人类。人类并不完美，可能会注入有意或无意的偏见，从而影响数据质量并可能扭曲结果。项目经理必须理解可能导致偏见的数据质量问题，并确保识别和降低相关风险。

上一节我们介绍了偏见存在的普遍性，本节中我们来看看偏见在生成式AI中的具体成因。

偏见的主要成因

以下是生成式AI中偏见发生的一些主要原因：

数据质量：生成式AI依赖于准确、干净的数据。如果用于训练的数据有限，或者不能代表多样化的人群或情境，AI模型就会复制这些偏见，对结果产生负面影响。例如，如果模型主要看到某一群体的数据，它可能无法很好地理解其他群体，从而导致有偏见的结果。
抽样偏差：当用于训练生成式AI系统的数据不能准确反映现实世界情况，或过于集中于特定用例时，就会发生抽样偏差。如果数据没有涵盖广泛的可能性，AI的输出就会偏向于它所训练的内容。
人类偏见：人类自身存在基于文化和刻板印象的偏见；如果用于训练AI模型的数据反映了这些偏见，AI模型就会学习并重现它们。例如，如果某些职业经常与特定性别或种族相关联，生成式AI也可能不公平地建立这些联系。
反馈循环：在设计训练AI模型时，必须谨慎对待公平性和公正性。生成式AI从给定的数据及其产生的结果中学习，这可能会形成一个反馈循环。如果它在有偏见的数据上训练，或者有偏见的结果被反馈到系统中，AI模型可能会在未来的输出中不断复制这些偏见。
意识与缓解：最后，项目经理必须意识到潜在的偏见风险，并确保团队具备风险意识。必须安排并执行定期的审计和检查，以减少偏见发生的可能性。

了解了偏见的成因后，接下来我们看看项目经理必须遵循的、用于降低偏见风险的具体步骤。

降低偏见风险的步骤

以下是项目经理为降低偏见风险应遵循的逐步流程：

评估组织准备度：首先，确保组建一个具备必要技能的多元化跨职能团队，负责生成式AI的规划与开发。评估组织的基础设施、数据管理能力和团队熟练度。使项目章程和项目管理计划与公司的业务目标保持一致，以确保一致性和相关性。
教育与培训：接下来，对所有项目团队成员进行全面教育和培训，使其理解包括AI偏见在内的潜在风险因素。持续提供关于生成式AI发展趋势和创新的更新，以保持专业能力。在团队内部建立制衡机制，防止个人偏见影响系统结果。
制定用例：定义清晰的用例，概述项目将交付的AI产品或服务的目标和问题解决能力。识别客户群体，了解他们的需求和期望，并训练生成式AI模型在定义的边界内运行，以交付预期结果。
制定生成式AI政策：建立正式的生成式AI政策，包含审查输出和进行定期审计的流程与程序。在一个多元化的团队中分配角色和职责，以有效实施制衡。
进行审计：然后，对用于构建算法和训练AI模型的数据进行彻底审计，确保其干净、准确，并且没有文化偏见或刻板印象。努力纳入多样化的数据集，以最小化偏见风险。
融入人类洞察：鼓励团队成员积极监控偏见，确保无意的个人偏见不会影响结果。强调团队合作在克服AI开发相关偏见风险中的重要性。
进行初步偏见评估：在将AI系统引入客户和用户之前，必须进行全面偏见评估，以识别并消除潜在偏见。
测试与监控：接下来，制定项目可交付成果测试计划，执行AI测试以识别和消除系统缺陷，执行Beta测试以获得宝贵的客户反馈。让用户体验团队参与评估并记录客户体验。在分析所有反馈并实施修复之前，不要推出新产品或服务。最后，持续测试和监控AI系统，纳入客户和用户的反馈，以长期增强产品和服务功能。随着产品增加新功能，重复测试和改进过程。

本节课中我们一起学习了生成式AI偏见的核心内容。我们了解到，生成式AI需要准确干净的数据，有限或非多样化的数据会导致有偏见的结果。偏见的主要成因包括数据质量、抽样偏差、人类偏见、反馈循环以及意识与缓解不足。降低偏见的步骤包括：评估组织准备度、教育与培训、制定用例、制定生成式AI政策、进行审计、融入人类洞察、进行初步偏见评估以及持续测试与监控AI系统。

048：生成式人工智能的局限与挑战 🧠

在本节课中，我们将学习生成式人工智能（Generative AI）在实际应用中存在的局限性与挑战，并探讨如何有效管理和克服这些问题。

概述

生成式AI正迅速成为项目经理必须理解和采纳的重要工具。然而，其应用伴随着一系列局限性和挑战，需要谨慎的数据管理、持续的监控以及人类的监督。本节将详细介绍这些局限性，并提供相应的管理建议。

生成式AI的局限性

首先，我们来了解生成式AI本身固有的几个主要局限性。

生成不可控或不恰当的内容
生成式AI系统有时会产生出乎意料或不恰当的内容。这种不可控性可能导致客户不满、销售损失、输出结果带有偏见，并损害公司声誉。

输出结果可能不准确
生成式AI的输出并非总是准确的。这种不准确性会降低生成内容的质量和相关性，从而削弱其应用产品或服务的可信度。

创新能力受限于训练数据
生成式AI严重依赖于访问大量且多样化的数据集来学习并生成新概念。然而，AI所能访问的数据质量和多样性限制了其创造力和创新能力。换句话说，它的想象力只能达到其训练数据所允许的程度。

项目经理面临的挑战与应对策略

上一节我们介绍了生成式AI自身的局限性，本节中我们来看看项目经理在使用过程中可能遇到的具体挑战，以及如何克服它们。

技术快速迭代
AI技术发展迅速，AI驱动的产品和服务可能很快过时。项目经理必须意识到这些变化，并相应调整项目计划。

保持竞争优势
许多公司正利用生成式AI获取竞争优势。项目经理必须及时了解AI的最新进展，以确保所提供的产品和服务在市场中保持竞争力。

应对法规不确定性
围绕生成式AI的法规在不断变化。项目经理需要通过制定有吸引力的项目目标、解决潜在的担忧或约束来应对这种不确定性。

确保输出质量与公平性
他们需要维护数据质量以确保AI推荐的准确性，并检查和验证输出结果，确保其准确且无偏见。

满足客户对创新与定制化的期望
客户期望AI产品和服务具有创新性和定制化。项目经理必须理解这些期望，并交付满足不同市场细分需求的产品。

系统集成的复杂性
将生成式AI集成到现有系统中并非简单的“即插即用”解决方案。项目经理必须考虑支持其AI产品所需的端到端架构和基础设施。

处理伦理与安全问题
生成式AI存在潜在的伦理和安全问题，例如数据隐私侵犯和知识产权问题。项目经理必须优先考虑安全性，并确保他们开发的产品和服务遵守相关法规和标准。

克服局限与挑战的策略

现在您已经理解了生成式AI的局限性和挑战，让我们来探索如何克服它们。以下是具体的应对策略。

持续学习与更新
不断学习并跟进AI领域的最新进展。参加课程、研讨会，阅读相关资料，确保您拥有作为项目经理所需的知识和技能。

进行竞争分析
了解竞争对手的动态。使用AI工具收集和分析数据，以了解您的项目成果与市场上其他产品的比较情况。例如，您可以使用AI驱动的软件来跟踪竞争对手的产品功能、定价策略和客户评价。

识别与管理不确定性
识别并管理市场、运营、技术和监管方面的不确定性。通过理解潜在风险并制定缓解策略，您可以创建一个风险登记册，按原因、事件和影响记录风险。例如，如果不确定AI生成的内容可能如何违反版权法，则应制定协议以确保合规。

基于反馈进行定制
联系客户，了解您的产品和服务可以解决哪些挑战和痛点。使用调查、访谈和市场研究来收集反馈。例如，您可以使用AI工具分析来自社交媒体或在线评论的客户反馈，以识别常见的痛点或需要改进的领域。即使在产品发布后，反馈循环也必须持续进行。

评估组织准备度
持续评估和重新评估组织实施AI解决方案的准备情况。确保您能够获得必要的数据、专业知识和资源。例如，如果组织内部缺乏开发AI模型的技能，可以考虑外包或培训项目团队。

与公司目标对齐
使AI产品开发与公司的整体目标和战略保持一致。确保领导层与项目开发团队之间有清晰的沟通。例如，如果公司的目标是增加市场份额，则应确保AI产品和服务的功能设计旨在吸引新客户并留住现有客户。

设计与实施保障措施
设计和实施保障措施，以确保准确性并遵守AI政策和程序。建立检查和制衡机制以捕获错误和不一致之处。制定一套全面的AI政策和程序。例如，定期审查AI算法和模型，以确保它们产生准确的结果并符合法规。

总结

本节课中，我们一起学习了生成式AI作为强大工具所伴随的局限性与挑战。

生成式AI的局限性包括：生成不恰当或不准确的内容，以及创新能力受限于数据。
相关的挑战包括：技术快速变化、竞争压力、法规不确定性、客户高期望、系统集成复杂性以及安全伦理问题。
主要的缓解策略包括：持续学习、竞争分析、风险管理、基于反馈的定制化、评估组织准备度、目标对齐以及建立审计与保障机制。

049：课程亮点与核心要点 🎯

在本节课中，我们将回顾并总结“释放项目管理潜能的生成式AI”课程的核心内容。课程讲师将分享十大关键见解与要点，帮助你巩固所学知识，并将其应用于未来的项目管理实践中。

概述

恭喜你完成了“释放项目管理潜能的生成式AI”课程。在这段学习旅程中，我们探讨了广泛的主题。作为你的课程讲师，我想重点分享我的十大见解与核心要点。

十大核心要点

上一节我们介绍了课程概述，本节中我们来看看讲师总结的十大核心要点。以下是具体的要点列表：

生成式AI不仅是概念，更是现实。掌握生成式AI的技术层面和实际应用正成为项目经理的必备技能。请投入时间沉浸式学习这一变革性工具。
驾驭生成式AI伴随挑战。与你的团队协作，以最小化可能扭曲结果的系统偏见；更重要的是，努力确保你的产品符合最高的道德标准。
将生成式AI融入项目管理生命周期。AI是增强而非取代这个生命周期。
生成式AI工具包在不断扩展，新工具迅速涌现。紧跟AI工具和系统的演变至关重要，要保持领先优势。
市场需求要求效率。作为项目经理，应利用生成式AI提升生产力，从而将你的关注点优先集中在关键活动上。
超个性化是客户的追求。他们期待符合其独特需求的产品和服务。生成式AI对于满足这些期望不可或缺。
数据洪流超越了个人的处理能力。运用生成式AI来构建精确的提示，以聚焦于对明智决策、项目规划与执行提升至关重要的数据。请记住，生成式AI输出的质量取决于你提示的具体性。其关系可表示为：输出质量 ∝ 提示具体性
项目经理对于确保价值至关重要。与你的整个项目管理团队协同工作，以确保组织做好准备，通过AI实现卓越。生成式AI工具能通过自动化常规任务、提供数据驱动的见解和促进决策过程，显著提升项目经理及其团队的能力。确保团队准备好拥抱这种潜力。
风险管理是核心职责。生成式AI能够发现隐藏的风险，并协助制定有针对性的策略来降低其可能性或影响。
最重要的是，生成式AI是一种工具。虽然它产生的结果可能并非总是完美无瑕。请将其用作创意的跳板。始终注入人的因素。生成式AI的有效性因指导它的人类而增强。

总结与后续步骤

本节课中我们一起学习了课程讲师的十大核心见解。现在你已经回顾了本课程提出的一些基本思想，请记住利用每个模块的阅读材料、术语表和速查表。这些资源可以帮助你快速回顾所学内容。

再次祝贺你完成本课程，并祝你在项目管理之旅中好运。

posted @ 2026-03-26 08:53 布客飞龙II 阅读(0) 评论(0) 收藏举报

刷新页面返回顶部

龙哥盟

人最大的痛苦就是说一些自己都不相信的话。

IBM-项目经理的生成式人工智能笔记-全-

IBM 项目经理的生成式人工智能笔记（全）

001：课程介绍 🚀

003：专项课程导论 🚀

004：专家观点-中小企业介绍

专家自我介绍

专家背景与经验

005：生成式人工智能导论 🧠

两种基本的人工智能方法

判别式AI

生成式AI

生成式AI的技术基础

生成式AI的演变历程

生成式AI的工具与应用

总结

006：生成式人工智能的能力 🚀

概述

文本生成能力 📝

图像生成能力 🎨

音频生成能力 🎵

视频生成能力 🎬

代码生成能力 💻

数据生成与增强能力 📊

虚拟世界创造能力 🌐

总结

007：生成式人工智能的能力 🧠

概述

生成式AI的核心能力

行业应用与典型案例

生成式AI带来的商业价值

跨行业应用实例

总结

008：探索生成式AI的演变之路 🧠

概述

生成式AI的演变历程 📈

生成式AI与传统AI的区别 ⚖️

总结

009：生成式人工智能的应用 🚀

IT与DevOps领域的应用

娱乐领域的应用

教育领域的应用

银行与金融领域的应用

医疗保健领域的应用

人力资源领域的应用

对工作方式的影响

总结

010：文本生成工具 🛠️

文本生成的核心：大语言模型

两大流行工具：ChatGPT 与 Bard

ChatGPT

Google Bard

其他能力与工具选择

更多文本生成工具

隐私考量与开源替代方案

文本生成工具的优势

总结

011：图像生成工具 🎨

图像生成基础

实践：使用免费工具生成图像

图像生成模型的进阶能力

主流图像生成模型

常用图像生成工具

集成与商业应用

总结

012：音频与视频生成工具 🎵🎬

概述

生成式AI音频工具

语音生成工具

音乐创作工具

音频增强工具

生成式AI视频工具

生成式AI与虚拟世界

总结

013：代码生成工具 🛠️

概述

代码生成的基本能力

GPT的代码生成能力

文本生成工具的局限