本文从《AI即未来普通人用好人工智能的18大工作场景》出发深入探讨了AI大模型的选择、部署及评估。文章指出面对众多AI工具应根据任务需求、输出质量、成本等因素进行选择并强调AI更像助手需人类监督。同时提出了使用AI的五项原则明确问题、标准、局限性、合规与掌控权。最后详细介绍了AI在创造力、文案撰写、图像创作等18个工作场景中的应用思路为读者提供了实用的AI应用指南。最近读了一本AI书籍《AI即未来普通人用好人工智能的18大工作场景》作者是英国作家安东尼奥·韦斯所著。他不是专门的AI从业者但是书中描述和总结的内容对于想转行做AI产品经理或者想在公司部署AI的管理者能够提供一些帮助。一、AI工具的选择随着Google工程师发布了Transformer架构大语言模型的性能就有可质的飞跃。在2023年底OpenAI发布ChatGPT后引爆了全球的AI发展热潮。截至目前全世界大概有将近4000个中国有1500发布的大模型。但随着技术收敛受限于数据标注和训练的成本最终大模型可能只会留下10个左右可能就是现在排名前列的这些比如OpenAI的ChatGPTAnthropic的ClaudeGoogle的GeminiDeepseek阿里的千问月之暗面的Kimi字节的豆包智普的GLM等等…还有Diffusion架构的一些专注于图像和影像的模型也是一样的最终会收敛成有限的数量。大模型这么多并不是排名最高的就最适合自己或公司。每个大模型都有自己的特点和优势比如Claude对于长对话上下文很有优势ChatGPT对于文本理解很有优势Kimi对于图像理解很有优势Gemini有很强的整合能力Grok诚实度很高……“大语言模型种类繁多不要过分依赖某一款。做些调研找到最适合你手头任务的那一个。多家供应商都支持同时使用多款大语言模型。”——皮特·赫利希英国政府数字服务部前首席产品经理每家大模型不仅特性不同输出质量和使用成本也很不一样。Openclaw漫天跑token的时候也有AI前辈呼吁过注意好功能配置不然费用的花费可能远超预算。在国外的公司里核算AI的成本通常是和AI能够产生的价值去比较也是公司使用AI代替一些人工的考量。这是一个很直接的评估方法。因此不管是个人使用AI还是公司部署AI都应该在调研和试用后确定适合自己工作或者公司发展的。“评估人工智能模型是最困难的事情之一。要记住你追求的是实际改进除非一个模型能明确地给你的组织带来积极影响否则你就应该舍弃它。这或许很难做到因为你可能已经投入了大量时间。”评估大模型能力可以通过以下几个标准去考虑输出质量开发/调试成本使用成本与自己企业的适配度/集成度与自己工作或者业务的契合度安全性和隐私几个标准的细节大家应基本都清楚这里不去描述。但即便是个人使用也建议真正去结合自己的工作去试用和评估。“要真正发挥生成式人工智能的价值就必须在企业内部实现其有效部署。”“你的评判标准应取决于你希望通过模型达成的目标你试图解决的具体问题是什么这将帮助你更清晰地界定评判标准。”此外大模型虽然有免费版本但真正的模型能力都在付费版本中按月付费的压力不大可以各自购买一个月进行试用。“如果你不付费购买产品你自己就是产品”在这个新时代依然适用。若想收获人工智能带来的红利就得准备好投入大笔资金。二、AI工具的部署“AI像一位热情但缺乏经验的助手虽能完成令人赞叹的工作但也需要指导、监督和改进。它能够不断学习和进步但需要人类的专业知识来引导其朝着正确的方向努力。”确实从工作角度出发AI更像一个助手的身份去帮用户解决一些问题。有时会是为了提效在一些领域AI几个小时就能完成一个团队一个星期的工作量。有时是为了idea即使思维活跃的设计师可能头脑里只能同时迸发10几个点子但是Ai可以很轻松提供上百个思路。‘为人工智能设定一个“角色”——实际上就是将其视为助手有助于你理解它的优势和局限。“这也正是Prompt发展至今还是会推崇这样的话术你是一个擅长XXX的XXXX你习惯XXXXX也就是在给AI”角色“的同时更给ta一个详细的人设让ta以用户期待的思路和风格去解决问题。“助手”的身份也说明了AI更适合自主完成一些低错误率的工作。针对复杂的任务还是必须人工干预或者监督不然有可能出现极大的经济损失网上公司部署AI后出现大问题的案例比比皆是感兴趣的可以搜一下也能从中学到经验规避AI部署过程的坑。微软提出“副驾驶”这一概念很好。也有公司强调自己的AI Agent可以实现主副驾灵活切换最大限度的利用好AI的能力。提出“副驾驶”的核心在于两个关键要素人类始终拥有最终控制权并承担相应的责任与义务人工智能的作用是“辅助”而非剥夺人类的自主性与控制权。这是一种很好的工作模式结合“‘副驾驶’如同一位才华出众却偶尔犯错的实习生”这一认知既能充分利用人工智能的优势又可以警惕过度依赖其带来的风险。三、使用人工智能的五项原则明确你要解决的具体问题。也就是始终铭记自己要利用AI完成什么样的任务不要陷入“解决方案至上”的误区。千万不要被AI公司的广告所吸引或误导觉得使用到AI公司最先进的技术就可以让企业有如何的未来。不要从大模型最新版本能做什么去思考自己要解决的问题而是要从自己的实际业务需要或问题出发开展对AI大模型的使用。拆解用户体验过程的各个环节找出AI能提供价值的位置再将具体的问题或任务提给AI等待方案的反馈。2.清楚“良好”乃至“更优”的标准究竟是什么。自己要对自己的业务很熟悉针对自己公司业务的好坏有一个客观的标准。在这个标准上去看待AI方案的好与坏而不是过多的将注意力集中在AI的失误上。就像员工也会犯错一样AI的方案也不可能是完美的使用AI的目标应该是显著的改善现状。只要比现在的结果好投入AI的成本就算是值得的。3.清晰认识生成式人工智能能提供哪些帮助以及它可能存在的局限性。AI大模型在很多方面的表现都很让人赞叹但AI提供的方案也会有缺陷和局限性。这和各家模型的性能和特性不同以及应用场景不同有关系。AI能否访问企业数据长对话能力的强弱以及AI幻觉的存在AI的方案很有可能是有问题所以应该保持好奇且严谨的态度保持审慎与怀疑去看待方案。4.始终以负责任、合法且符合伦理的方式行事。全球大多数国家都已经针对人工智能的使用制定了法规和指导。根据公司运营所在国家和数据存储地点的不同所遵循的人工智能相关的法规也是不一样的。不遵守这些法规不仅违法也可能引起客户不满进而导致很高的经济损失。下面简单列出欧盟的法规给大家参考2024年正式通过的《欧盟人工智能法案》EU AI Act是首次具有重要意义的跨国人工智能监管实践。该法案涵盖了欧盟境内所有领域的各类人工智能技术其核心特点是建立了一个“基于风险”的监管框架并将人工智能分为了以下几类。• 低风险涵盖人工智能的大多数应用如垃圾邮件过滤器、电子商务中使用的人工智能推荐系统等。此法案对使用这类系统的机构未设定义务性要求。• 有限风险如聊天机器人、人工智能生成的视频或图像内容等。相关机构必须确保客户知晓这些服务采用了人工智能技术。• 高风险包括医疗设备中的安全组件、执法领域的人工智能系统、教育系统中的人工智能应用等。这类应用需遵守严格的监管要求。• 不可接受风险例如社会评分系统如信用评分、实时生物识别工具的大部分使用场景等。此类应用被明令禁止。违反这些法规最低面临3500万欧元的处罚。是的你没看错是最低3500万欧元。5.保持掌控权。AI应用场景不同控制权的含义也会有差别。不过使用AI工具至少应保证以下几点• 向客户或用户解释人工智能在做什么以及如何运行• 关闭人工智能功能• 追踪、记录并删除人工智能所处理的敏感数据流。三、AI工具的评估“企业的价值观是驱动其创造价值的核心。”评估人工智能模型时要记住追求的是实际改进。如果一个模型不能明确地给组织带来积极影响就应该舍弃它。可以从三个重要因素去考虑人工智能模型指标困惑度AI预测下一词元的不确定程度困惑度越底模型输出能力更优。双语对照BLEU衡量机器生成的文本与参考文本之间相似度可以评估机器翻译和文本摘要领域生成内容的质量。摘要重现关键内容分数ROUGE评估生成文本胡参考完本之间的重合度。弗雷歇起始距离FID衡量生成图像与真实图像的特征向量分布之间的距离也就是评估生成内容的真实度是否逼真。人工评估由人类评估员对生成内容的质量、连贯性、创造性和真实性进行的主观评估。简单理解就是评估AI的类人性或者说类似图灵测试。多样性指标衡量模型输出的多样性和独特性。这对于大模型的表现很重要这也是很多人发现发给大模型一样的提示词收到的回复会不一样的原因。对抗准确率抵御“恶意输入”的鲁棒性可以用于评估模型的安全性和可靠性。推理速度与计算效率评估模型的生成效率和算力消耗用来评估AI的使用成本。2.模型能力测评图像生成• 图像——文本对齐• 图像质量• 美学• 原创性• 推理能力• 知识• 偏见• 毒性• 公平性• 鲁棒性• 多语言能力• 效率。代码生成应该是现在AI应用度最高的领域可以了解一下HumanEvalOpenAI工程师推出的一个测评方案代理行为Agent也是现在应用很广的AI场景搭配Openclaw会实现很多提效操作。可以看一下AgentBench一款专门评估Agent的工具真实性与准确性虽然AI幻觉在逐渐减少但是还是会有一些严重的情况。所以AI的结果自己要有一个明确的判断能力。通用推理能力也就是不受限于固定任务评估AI解决通用问题的能力。比如中等人类专家10次回答可以对8次表现不错的大模型可以10次对6次2024年1月测试Gemini Ultra3.组织适配性。•AI模型能否解决你正试图应对的问题• AI模型是否符合组织的规章制度• AI模型是否与你的技术栈相契合尤其是在数据结构和运营方面• 是否对该AI模型具备控制力能在任何时候停止使用• AI模型带来的收益是否大于成本• 是否清楚该AI模型所带来的风险四、使用AI要关注的三个方面风险人类生存性风险。比如担心奇点的到来超级AI智能可能会威胁人类。可以通过“回形针理论”简单了解一下产生这种风险的原因。偏见。这方面虽然头部大模型一直在纠偏但是受限于训练数据本身可能就具有偏见的原因纠偏注定是一个长效工作。虚假信息与深度伪造。网上太多利用名人影像数据生成新的视频去做传播。这些对社会的危害性还是蛮大的。数据保护与隐私。不管是个人使用还是公司部署都要时刻注意自身数据的使用方式不然轻则成为训练数据更严重的是信息泄露。恶意行为者。AI虽然很智能但也有明显的漏洞。专业的黑客可以通过多轮对话洗脑AI利用AI进行恶意的操作。伦理自主决策。比如前一段时间我也在研究智能驾驶的“电车难题”AI的局限性让公司不可能把所有责任都推给AI有效干预是必须的。就业替代。这是不可避免的时代更替。但是旧的产业消亡会有新的产业产生。自己做好技术升级是必须的。知识产权。这是很容易被忽略的地方AI生成的内容可能会借鉴了别人的作品这种也是侵权。黑箱问题。大多数人不知道AI的工作原理其中过程也是很复杂。但是建议还是对AI底层的工作逻辑有大致的了解不然很容易被AI欺骗或者导致损失。公平获取。AI虽然让技术平权但是AI高昂的付费成本也会对一些人劝退。所以可持续性能源消耗、电子废弃物、自然资源消耗…另外发下之前国外较高薪资的AI从业者JD的工作要求2024英国研究所的AI提示词工程师年薪135000欧元• 能够通过精准设计的提示词改变大语言模型的行为或引导其产生目标行为。• 深入理解大语言模型及其架构包括全面掌握GPT等Transformer模型的底层工作原理。• 熟练掌握提示词工程技术如少样本学习、思维链提示、自动提示词生成、ReAct框架等。• 擅长通过BLEU、ROUGE等指标评估和探究大语言模型的输出质量或运用评估框架衡量模型的推理、编码等能力。• 具备开发实际应用的经验能利用大语言模型完成问答、文本生成、编码辅助等任务。• 能够通过统计与数据可视化分析模型性能。• 具备良好的编程技能熟练掌握Python。• 具有出色的书面表达与口头沟通能力。加分项• 拥有在世界级研究团队如顶尖前沿人工智能实验室中与科学家和工程师协作的经验。• 具备丰富的Python使用经验包括理解语言细节、掌握多样的Pythonic编程风格以及熟悉庞大的生态系统与广泛的工具。• 拥有直接的研究经历如技术领域博士学位或在NeurIPS、ICML、ICLR等会议上发表过重点论文。• 具备深厚的语言学理论知识。发这些其实是想提供给大家想用好AI需要掌握哪些知识。虽然上面的工作要求是面向专业的AI从业人员但是对应的技术了解一些对于用好AI也很有帮助。五、AI在一些工作场景上的使用思路创造力虽然AI的平均表现比较优秀但是创造力方面肯定无法超过那些最专业的人士。AI的优势是可以短时间提供大量idea或思路。我们可以用这些思路去展开思考产生真正有效且有用的方案。所以AI生成的方案不是终点更像是起点阶段的助推器。另外需要注意的是AI提供的方案可能有90%是不可用的。但是即便绝大多数不可用里面还是有很多可以借鉴的地方最优的方案很多就是受这些启发而思考出来的。文案撰写和创造力一样 人工智能可作为文案的“初稿生成工具”而非直接产出最终成品。用户通过自己的专业知识掌握对文章再进行二次优化。特别是大模型使用频次足够之后ta生成的初稿本身也更符合个人风格。图像创作AI生成的图像可作为创意灵感来源而非最终成品。不仅是因为生成的内容可能存在肢体或文字瑕疵而且还可能存在知识版权问题。视频制作AI不仅可以大幅缩短那些烦琐耗时的剪辑工作所需的时间为创作者节省精力也能生成完整的视频在一些非高要求的视频应用场景就格外高效。另外一定要标注视频由AI生成否则可能会引起一些用户观感的问题。客服根据企业自身运营环境定制聊天机器人有助于提供更具个性化、符合品牌调性的服务。也能减轻人力确保人工互动出现在最具价值的环节。需要定期评估聊天机器人回复的准确性和客户满意度持续关注聊天机器人的长期表现。语音助手类似于快捷指令将工作流程拆解优化。利用语言输入快速执行。不仅提效还能保证执行的正确性。原型设计AI可以极大地加快MVP最小可用产品的开发进程。需要确保自己有一个清晰的计划明确在开发过程的不同阶段如何运用AI。不需要再所有过程都使用AI另外AI的代码也会有问题需要多调试和检查。检查出错误不要和AI纠结他产生的错误针对他错误的地方重新coding效率会更高。自媒体需要注意几点一是有些平台对AI内容很严打会限制流量。二是要注意token成本做好成本记录。三是注意合规。市场营销和创造力一样AI可以提供大量的创意方案结合各自产品的特点和技术特长根据AI提供的方案去优化和组合就可以得到一个不错的营销方案。为了减少风险可以先利用AI做对应的MVP测试。语言翻译自从AirPods推出了实时翻译AI翻译的热度就又被脱了一个高度。AI翻译可以在很多方面产生机会不仅仅是开拓开外市场。软件工程AI codingvibe coding已经很成熟了。但如果是公司更应该思考实如何提升AI的益处是增加人工智能的工作负载、改善人类员工的工作状态并减少工作时间还是削减人员数量抑或采取别的什么方式而且团队合作的开发人员总是比单打独斗的开发人员表现更好。在使用AI方面这一准则同样适用。组织应鼓励团队分享所用工具的相关知识并总结、分享经验教训。欺骗检测不仅要识别威胁更要快速采取行动。提升威胁响应速度是AI带来的一项重要优势。ppt演示文稿必须真实地展现你的风格——毕竟最终的演讲者是你。因此绝不能让人工智能主导你的思维过程。它应当只是辅助你构建想要讲述的故事的工具。另外视觉元素和文字需要相互配合。需要给出具体的提示以确保两者之间的连贯性。尤其是当这两部分分别使用不同的人工智能平台时这一点尤为重要。研究总结意义在于从大量输入信息中提炼出真知灼见。但务必验证模型的输出内容在总结任务中模型产生“幻觉”是常见现象。总结任务的评判标准并不是看人工智能是否总结得完美无缺。毕竟人类自己生成的总结也很难达到100%的准确性。会议助手办公套件中已集成的人工智能工具就已经针对会议记录做了很多功能。会议工具更是提供了精细化的需求满足。但注意务必对输出结果进行合理性检查。对于会议记录负责的还是个人真出错了不会有人去责怪AI。另外可以将AI妥善整合到工作流程中从会议安排到总结生成、行动项确定再到工作计划跟踪尽量确保各项活动之间的数据能够无缝流转。教育AI在教育方面不仅可以提升学生的学习效率和学习成绩也可以减少教育成本缓解教育人员压力。但不管是按各方面都要注意用户数据和隐私的保护。数据分析在使用AI进行数据分析之前先明确你正在开展的是哪种分析以及各环节对应的分析步骤。生成式人工智能模型经过优化后在语言处理方面表现更为出色对非结构化数据尤为适用。此外注意数据的存储位置最好创建一个单独的云环境来存储和处理这些数据。医疗健康AI在医疗领域应用方面风险与回报的权衡上存在本质差异在临床护理方面错误的诊疗可能致命而在客户服务领域人工智能的错误回应可能会产生一点成本但更可能只是引发不满。所以现在市面上很对AI医疗的发力点都是AI问诊一方面快速收集用户信息通过AI进行预判断另外一方面也可以利用庞大的数据库给一些明确症状提供快速的医疗建议。最后对于正在迷茫择业、想转行提升或是刚入门的程序员、编程小白来说有一个问题几乎人人都在问未来10年什么领域的职业发展潜力最大答案只有一个人工智能尤其是大模型方向当下人工智能行业正处于爆发式增长期其中大模型相关岗位更是供不应求薪资待遇直接拉满——字节跳动作为AI领域的头部玩家给硕士毕业的优质AI人才含大模型相关方向开出的月基础工资高达5万—6万元即便是非“人才计划”的普通应聘者月基础工资也能稳定在4万元左右。再看阿里、腾讯两大互联网大厂非“人才计划”的AI相关岗位应聘者月基础工资也约有3万元远超其他行业同资历岗位的薪资水平对于程序员、小白来说无疑是绝佳的转型和提升赛道。如果你还不知道从何开始我自己整理一套全网最全最细的大模型零基础教程我也是一路自学走过来的很清楚小白前期学习的痛楚你要是没有方向还没有好的资源根本学不到东西下面是我整理的大模型学习资源希望能帮到你。扫码免费领取全部内容最后1、大模型学习路线2、从0到进阶大模型学习视频教程从入门到进阶这里都有跟着老师学习事半功倍。3、 入门必看大模型学习书籍文档.pdf书面上的技术书籍确实太多了这些是我精选出来的还有很多不在图里4、AI大模型最新行业报告2026最新行业报告针对不同行业的现状、趋势、问题、机会等进行系统地调研和评估以了解哪些行业更适合引入大模型的技术和应用以及在哪些方面可以发挥大模型的优势。5、面试试题/经验【大厂 AI 岗位面经分享107 道】【AI 大模型面试真题102 道】【LLMs 面试真题97 道】6、大模型项目实战配套源码适用人群四阶段学习规划共90天可落地执行第一阶段10天初阶应用该阶段让大家对大模型 AI有一个最前沿的认识对大模型 AI 的理解超过 95% 的人可以在相关讨论时发表高级、不跟风、又接地气的见解别人只会和 AI 聊天而你能调教 AI并能用代码将大模型和业务衔接。大模型 AI 能干什么大模型是怎样获得「智能」的用好 AI 的核心心法大模型应用业务架构大模型应用技术架构代码示例向 GPT-3.5 灌入新知识提示工程的意义和核心思想Prompt 典型构成指令调优方法论思维链和思维树Prompt 攻击和防范…第二阶段30天高阶应用该阶段我们正式进入大模型 AI 进阶实战学习学会构造私有知识库扩展 AI 的能力。快速开发一个完整的基于 agent 对话机器人。掌握功能最强的大模型开发框架抓住最新的技术进展适合 Python 和 JavaScript 程序员。为什么要做 RAG搭建一个简单的 ChatPDF检索的基础概念什么是向量表示Embeddings向量数据库与向量检索基于向量检索的 RAG搭建 RAG 系统的扩展知识混合检索与 RAG-Fusion 简介向量模型本地部署…第三阶段30天模型训练恭喜你如果学到这里你基本可以找到一份大模型 AI相关的工作自己也能训练 GPT 了通过微调训练自己的垂直大模型能独立训练开源多模态大模型掌握更多技术方案。到此为止大概2个月的时间。你已经成为了一名“AI小子”。那么你还想往下探索吗为什么要做 RAG什么是模型什么是模型训练求解器 损失函数简介小实验2手写一个简单的神经网络并训练它什么是训练/预训练/微调/轻量化微调Transformer结构简介轻量化微调实验数据集的构建…第四阶段20天商业闭环对全球大模型从性能、吞吐量、成本等方面有一定的认知可以在云端和本地等多种环境下部署大模型找到适合自己的项目/创业方向做一名被 AI 武装的产品经理。硬件选型带你了解全球大模型使用国产大模型服务搭建 OpenAI 代理热身基于阿里云 PAI 部署 Stable Diffusion在本地计算机运行大模型大模型的私有化部署基于 vLLM 部署大模型案例如何优雅地在阿里云私有部署开源大模型部署一套开源 LLM 项目内容安全互联网信息服务算法备案…扫码免费领取全部内容3、这些资料真的有用吗这份资料由我和鲁为民博士(北京清华大学学士和美国加州理工学院博士)共同整理现任上海殷泊信息科技CEO其创立的MoPaaS云平台获Forrester全球’强劲表现者’认证服务航天科工、国家电网等1000企业以第一作者在IEEE Transactions发表论文50篇获NASA JPL火星探测系统强化学习专利等35项中美专利。本套AI大模型课程由清华大学-加州理工双料博士、吴文俊人工智能奖得主鲁为民教授领衔研发。资料内容涵盖了从入门到进阶的各类视频教程和实战项目无论你是小白还是有些技术基础的技术人员这份资料都绝对能帮助你提升薪资待遇转行大模型岗位。这份完整版的大模型 AI 学习资料已经上传CSDN朋友们如果需要可以微信扫描下方CSDN官方认证二维码免费领取【保证100%免费】