来自前百度AI负责人:这篇AI科普文你必须要看!
作者：小里产品手册这几天我深入学习了由吴恩达教授（Google Brain、百度AI的前负责人，机器学习领域公认的专家级人物）开设的AI课程。
和讲师复杂的头衔不一样，课程十分基础、简单，非常适合那些对AI不太了解又没有技术背景，但渴望全面系统地了解AI的伙伴。
如果你想了解AI，非常推荐从大佬的课程先入手。
如果时间比较紧的伙伴也可以选择看我接下来总结的精华内容，一定能帮助你从对AI技术云里雾里的状态脱离出来。
课程一共分为3周，我的精华内容总结也会分为3篇，跟大家一起深入浅出的了解AI基础知识，打破对AI的各种误解，更清晰地了解它究竟会给我们带来什么影响。
下面我将总结第一周的课程内容：包括许多人都感兴趣的问题：AI的技术原理、AI究竟能做什么、它是否会取代大部分人的工作以及个人如何利用AI。
（温馨提示：本文内容除了特别标注来源于我自己的看法以外，都是总结自吴恩达教授的课程。）
01
我们现在所见到的“AI”究竟是什么？它是什么原理？
现在大家耳熟能详的AI工具：例如chatgpt、文心一言、Google bard等，其实都是生成式AI(generative AI）。
但其实整个AI领域来说，并不止生成式AI一种类型，还有监督学习（supervised learning)、无监督学习（unsupervised learning）、强化学习（Reinforcement learning）。
这几种技术中，目前比较成熟的只有监督学习和生成式AI两种。对于普通人来说，大概了解这两种类型的AI就已经足够了。
其中监督学习已经是发展更久的AI技术了，吴恩达教授总结它常见的应用有以下几种：
垃圾邮件检测
线上广告营销
店家评价监测
……
而从去年开始兴起的ChatGPT则属于生成式AI的范畴。
生成式AI的原理，吴恩达教授用一句话简单地为我们解释了出来：
它是基于监督学习的基础上，通过大量运算来计算出某个句子的下一个单词。它不断地重复这个过程，于是就有我们今天所看到的chatGPT。
02
AI什么都能做吗？它是否能取代人类大部分工作？
许多人会误以为AI是万能的，什么都能回答和解决。事实上，它并非是“万事通”。
吴恩达教授说：我们可以将LLMs（大型语言模型系统）比作一名刚刚毕业的新员工，当你分配任务和指令时，它基本上可以胜任。
举例来说，你可以让LLMs分析一组客户的邮件，然后判断这些邮件的反馈是积极的还是消极的。
这是一个相对简单的任务，因为它涉及文本情感分析，而LLMs在处理文本方面表现得非常出色。
但是，让我们看看LLMs的局限性：
1.时间依赖性：LLMs的知识取决于它接受培训的截止时间点。如果某个领域的知识是在它培训后才出现的，它可能不具备相关信息。
2.虚构信息：有时候，事实是明显不存在的，但LLMs可能会创造虚构的信息。
例如，你问LLMs莎士比亚如何评价碧昂斯，它可能会基于对莎士比亚的数据知识用莎士比亚的口吻回答。
3.字数限制：LLMs对输入和输出的信息有字数限制，这意味着它不能无限制地处理大段文本或生成无限长的回复。
4.表格信息处理：LLMs通常难以有效处理结构化的表格数据，它在处理非文本数据方面的能力有限。
因此，可以确定生成式AI可以替代一些工作，特别是那些涉及自然语言处理和文本分析的任务。
然而，也有一些工作是它无法替代的，特别是需要创造性思维、独立判断和复杂问题解决能力的工作。
综合考虑，虽然生成式AI具有巨大潜力，但它并不是一把适用于所有情况的神奇钥匙。其成功取决于任务的性质和AI系统的能力。
同时引入一个我自己的想法，不一定对，欢迎大家一起交流：
类似外卖员这类的工作会被AI取代吗？——我觉得短时间内很难。
虽然外卖员看上去做的是从A地运送物品到B地的工作，好像很容易被AI运算出来并取代，但我觉得事实并不是那么简单。
因为在运送过程中，外卖员可能会碰到许多意外事件，例如一只狗突然之间冲出来，前方突然发生车祸，都是整个运送过程中的意外因素。
这些意外事件，其实考验了外卖员复杂问题的解决能力。
如果AI没有被写入这些意外事件的处理办法，很有可能就无法顺利完成本次运送任务。
所以AI不仅要学会如何运送，走什么路，还需要学会意外事件的处理办法。
但意外是十分多的，先不说这些数据的采集，运算，最后还要让AI学习，都是花费金钱和时间成本非常高的事情。
所以综合以上，是我认为外卖员的工作短时间难被取代的原因。
03
我可以利用AI做什么？
生成式AI因为它强大的文本数据处理能力，可以衍生出3个基本的应用场景：写作、阅读、聊天。
在我看来，现在许多AI工具，其实基本是这三种基础场景的衍生。（包括图像/视频的阅读、图像/视频的生成，也是一种写作。不过写作出来的是图片和视频，并非文字）
吴恩达教授在课程中也提到了几种现在十分常见的应用场景，例如：产品命名、定制化文稿（例如小红书文案生成）、文章摘要等；
相信大家已经在市面上看过不少，这里想给大家重点总结课程中提到的，但目前市面还不常见的应用场景：
写作：
特定要求的翻译：生成式AI可以用于快速翻译文本，与常见的谷歌翻译这类工具不同，可以要求AI进行特定要求的翻译。
例如：请帮我把这段话翻译成英文，但需要更像一位日常英国人写作风格。
把这句提示词发给AI后，它会将翻译后的文风修改为更日常的风格。
目前类似Airchat这样的应用已经实现了自动将声音翻译成英文，并且说话声音基本与本人十分相似；
阅读：
聊天信息总结：这是我个人觉得比较惊艳的地方。
销售与客户之间的聊天信息通常包含大量数据，生成式AI可以将这些聊天记录简化和概述，帮助销售主管快速了解到整个聊天对话的主要内容而不用一个个的翻看。
客户反馈分析：AI不仅可以概述聊天信息，还可以分析客户反馈。通过对话分析，AI可以帮助企业建立客户反馈的数据仪表板，识别趋势和问题，从而改进产品和服务。
这里在我看来，第3、4点相信以后会经常见于CRM系统内了。
接触过销售团队的伙伴都应该知道，许多团队会花大量的时间在检查销售人员和客户的对话上，以确保销售人员的用词、对话态度是符合公司要求的，同时也会通过聊天内容分析整体的经营状况。
但这些工作往往都十分繁重，花费时间。之后有了生成式AI的协助，这类工作会变得轻松许多。
聊天：
客服机器人：它可以用于创建自动化客服机器人，以回答客户的常见问题，提供产品支持，处理退款请求等。
这个功能其实目前已经可以广泛地看到许多企业有类似的应用，之后它会更广泛、更智能。
吴恩达教授表示：其实客服机器人和人类客服并不是简单的替换关系，一个比较稳定的方法是：由机器人完成简单、常见问题的回答，由客服介入更复杂的问题，避免因机器出错造成业务损失。
04
以上便是“Generative AI for everyone”的第一周课程精华内容总结了，课程的原地址在这里：
https://www.deeplearning.ai/courses/generative-ai-for-everyone/
第二周的课程吴恩达教授仍然用深入浅出的文字为我们介绍了LLMs的几种基础技术包括检索增强生成（RAG）、微调（fine-tuning）等。
下一篇文章我会继续总结更新&将前两周课程的思维导图发出来，有需要的同学可以到时候自取。
END
我是小里~本职B端产品经理
有E但不多的E人、To do list狂热爱好者
业余喜欢学语言，于是浅浅地掌握了4门
持更产品方法论、职场成长、效率提升
(～￣▽￣)～
页:
[1]