如何用 AI 给自己的日常提效？

前言

马云说过一句话：很多人输就输在，对于新事物，看不见，看不起，看不懂，来不及。

AI 时代，新的技术潮流滚滚而来，很多人说这将是第四次工业革命。AI 将会成为全新的生产力，一步步会取代很多旧有的生产力。

在新生产力带来的技术革命中，如何做到不被时代所淘汰，作为普罗大众的我们，唯一的选择就是开放心态、积极去拥抱新生产力，用新生产力去重构我们的一切。要不然就真成了马云说的“来不及”了。

面对全新的东西，我们很自然的反应是恐惧，这是人类的本性，新的就是不确定的，不确定就会让人产生恐惧感。

今天这篇文章，我会用最通俗易懂的语言，给大家揭开 AI 的神秘面纱，让大家对 AI 不再感到陌生，和大家一起积极拥抱 AI 时代的全新生产力。

智能的基础

我们通常意义上说，机器很智能，是说机器能够像人一样思考、行动。

要让机器能够像人一样思考、行动，最基础的逻辑是，机器要能够理解人类的逻辑体系。而我们人类的逻辑体系的基础，又是我们的语言体系。

我们人类看到一张苹果的照片，就知道它是一个苹果，是一种水果；看到一张老虎的照片，就知道它是一只老虎，是一种很凶猛的动物。如何让机器也能做到这样呢？

首先要解决的一个问题，就是把我们人类的认知体系中的符号，包括但不限于我们的语言文字，能够映射到机器的认知体系中去；然后再尝试去把我们认知体系中符号之间的逻辑关系，给映射到机器的认知体系中去。

只有做到了上面这样，才有可能让机器像人一样去思考、行动，具有像人一样的智能。

举一个例子，我们的语言体系中的国王、王后、男人、女人这四个词，我们知道：国王是一个男人；王后是一个女人；男人和女人是我们的两种性别；国王去掉男人这个属性，就是王后；王后去掉女人这个属性，就是国王。这样的关系如何让机器理解呢？

机器的认知世界里，所有的信息都是二进制的 0 和 1，于是聪明的人们就发明了一种方法，叫向量化，把我们人类的信息编码成机器能够识别的向量，同时也把信息之间的逻辑关系给编码进去。

比如说国王、王后、男人、女人的向量分别是 A、B、X、Y，那么 A-X这个向量和B 这个向量之间是高度相似的，这样我们就可以认为向量化这个事情做到了：一把我们人类认知体系中的符号给映射到了机器的认知体系中；二把我们人类认知体系中符号之间的逻辑关系给映射到了机器的认知体系中。

有了向量化这个基础，我们让机器像人一样去思考、行动，才有了可行的基础。

大模型的基本原理

大模型作为这一波 AI 技术浪潮最为核心的技术，我们不得不说。

通俗来讲，大模型就是参数很多很多的机器学习模型，它的参数有数百亿、上千亿、甚至更多，相比传统的机器学习模型，大模型的参数量多了好几个数量级。

大模型最最本质的任务是：把一种序列的输入信息，转化成另一种序列的输出。

比如说：对话场景，大模型是基于过往的对话上下文和当下的问题，给出最可能的回应；翻译场景，是把一种语言的信息序列，转化成另外一种语言的输出序列。

为什么大模型能做到这些？就是因为大模型的参数量足够大了之后，它把我们过往很多的信息之间的逻辑关系压缩存储到了参数中。然后在使用的过程中，通过数学计算，给出概率最大的结果。

类比到我们人类的大脑，我们的大脑大约有 860 亿个神经元，神经元之间又有各种各样的连接，我们经常被一起激发的神经元之间的连接会被强化，这样就相当于我们把自己所学的知识压缩存储到了神经元网络中去，而且连接强弱也各不一样。

大模型也有点像我们大脑的神经元结构，它的参数就有点像是神经元之间连接的强度。

我们的大脑中压缩存储的是我们从小到大经历过的各种信息，因此形成了我们的基本认知体系。大模型，压缩存储的是用来训练它的各种语料库中的信息，以此来形成大模型的基本认知体系。

参数越多的大模型，理论上能够压缩存储的信息就越多，就可能越“智能”。但参数多的背后是对资源更多的需求，大模型的训练算力、电力需求都很高，这里需要有一个平衡。

什么是多模态

当下，我们经常会听到专业人士说多模态大模型这些 AI 技术黑话，我来给大家去去魅。

说多模态之前，先来说说什么是模态。模态就是一种信息存在的形式，比如我们人类的世界中，文字是一种模态，声音是一种模态，图片是一种模态，视频也是一种模态，当然还有其他各种各样的模态。

大语言模型是基于文字这个模态的大模型，但通用的人工智能，需要机器不仅能够理解文字，还要能够听懂人说话、看懂人的动作、理解人的表情等，这时候需要有多模态大模型。

多模态大模型，就是能够同时理解各种模态的信息的大模型。想象一样，当机器能够理解我们的文字，能够听懂我们说的话，能够看懂我们做的动作，还能理解环境中各种其他信息的时候，它是不是就是一个真正的通用智能机器人了呢？

通过多模态大模型，给机器装上大脑、嘴巴、眼睛、耳朵和各种其他感官，让机器像人一样思考和行动，这是通用人工智能所追求的终极目标。

如何用好 AI 大模型

有了上面的铺垫之后，相信我们对 AI、对大模型都不会再惧怕了，我们就可以想着用 AI 来助力我们的日常了，包括工作、生活等。

《思考快与慢》的作者丹尼尔·卡尼曼提出一个关于我们大脑如何思考的概念模型：系统一和系统二，又叫快思考系统和慢思考系统。

快思考系统的特点是，思考起来快，耗费的能量少，但常常会出点错；慢思考系统的特点是，思考起来比较慢，耗费的能量比较多，但能够思考的更加全面和正确。

我们人类的大脑有一种节约能量的倾向，能够用快思考系统解答的问题，就不用慢思考系统。因此我们常常会出现一些决策偏差，比如会受很多其他因素的启发，产生一些认知偏差。为了规避这些认知偏差，我们就得想一些办法，调动自己的慢思考系统。

大模型在这一点上，也跟我们人类的大脑很像，他也倾向于用自己的快思考系统来解答我们提给他的问题。

但是为了让大模型能够更好的工作，我们就需要做一些努力，去调动他的慢思考系统，以此来获取到更加靠谱的结果。

这就是我们通常说的提示词工程（Prompt Engineering）要做的核心工作。

可以这么说，AI 时代，对于大众来说，用好 AI 的关键，就是要掌握好提示词工程这项最基本的技能。用好了提示词工程，AI 的能力被更好地激发出来，就能够极大的提升我们日常的效率。

在这里我分享几个写好提示词的技巧，希望能够帮助大家用好 AI：

第一个技巧是，要把给 AI 的指令尽可能明确、具体化，越明确、越具体，AI 能够给出的结果会越好。

第二个技巧是，稍微复杂一些的任务，可以考虑给 AI 提供几个类似的例子，通过例子来激发 AI 的智能，让 AI 能够给出更好的结果。

第三个技巧是，稍微复杂一些的任务，可以把任务进行拆解，让 AI 一步一步的解决，通过分步解决来激发 AI 的智能，让 AI 能够给出更好的结果。

最后我想强调一下，AI 本身是一个工具，他的定位是来帮助我们把事情做得更好的，而不是替代我们的。最终我们每个人差异化的竞争力，还体现在我们的认知水平上。

我们自己有好的认知水平，才能有好的判断力，才能够分辨出 AI 给出的答案是不是正确的，是不是好的。只有我们自己的认知到位了，我们才能够在 AI 的加持下，有更加强悍的生产力。

最后的最后

感谢你们的阅读和喜欢，我收藏了很多技术干货，可以共享给喜欢我文章的朋友们，如果你肯花时间沉下心去学习，它们一定能帮到你。

因为这个行业不同于其他行业，知识体系实在是过于庞大，知识更新也非常快。作为一个普通人，无法全部学完，所以我们在提升技术的时候，首先需要明确一个目标，然后制定好完整的计划，同时找到好的学习方法，这样才能更快的提升自己。

大模型知识脑图

为了成为更好的 AI大模型 开发者，这里为大家提供了总的路线图。它的用处就在于，你可以按照上面的知识点去找对应的学习资源，保证自己学得较为全面。

经典书籍阅读

阅读AI大模型经典书籍可以帮助读者提高技术水平，开拓视野，掌握核心技术，提高解决问题的能力，同时也可以借鉴他人的经验。对于想要深入学习AI大模型开发的读者来说，阅读经典书籍是非常有必要的。

实战案例

光学理论是没用的，要学会跟着一起敲，要动手实操，才能将自己的所学运用到实际当中去，这时候可以搞点实战案例来学习。

面试资料

我们学习AI大模型必然是想找到高薪的工作，下面这些面试题都是总结当前最新、最热、最高频的面试题，并且每道题都有详细的答案，面试前刷完这套面试题资料，小小offer，不在话下

640套AI大模型报告合集

这套包含640份报告的合集，涵盖了AI大模型的理论研究、技术实现、行业应用等多个方面。无论您是科研人员、工程师，还是对AI大模型感兴趣的爱好者，这套报告合集都将为您提供宝贵的信息和启示。