人工智能世界入门：初学者指南

探索人工智能世界：初学者指南 引言 欢迎来到迷人的人工智能 (AI) 世界。如果你曾好奇智能助手、图像生成器或自动化日常任务的工具是如何运作的，那么本指南就是为你准备的。 它的目标是通俗地解释关键概念——从大型语言模型 (LLM) 等基础知识，到视频生成等高级应用。 人工智能是人类创造的最强大的工具之一。 了解其基础知识是当今一项关键技能，它为无数的可能性打开了大门。 本文将帮助你建立坚实的基础，并激发你进一步学习和实验的兴趣。让我们开始这段旅程吧。 1.

基础知识：什么是生成式人工智能？ 1.1.

生成式AI（Gen AI）的定义 生成式人工智能（Gen AI）是一种专注于 创建新的、原创内容 的AI类型。 与仅分析或分类数据的传统AI不同，Gen AI能够生成： 文本（文章、电子邮件、代码） 图片和图形 音频和音乐 视频 1.2.

系统核心：大型语言模型（LLM） 大多数Gen AI系统的核心是 大型语言模型（LLM） 。 可以将它们描述为先进的计算机程序，这些程序通过机器学习过程在巨大的文本数据集（书籍、文章、网站）上进行训练。 这一阶段被称为 无监督学习 ，使模型能够独立学习语言的模式、依赖关系和结构。 为了理解文本，模型利用了 分词化（tokenization） 过程，该过程涉及将句子分解成称为 标记/词元（tokens） 的小单元（单词、词的一部分或标点符号）。 这可以比作将一个句子分解成单个乐高积木——模型不是一次性看到整个句子，而是分析每个“积木”以及它们之间的关系，从而能够构建语法和逻辑上正确的回答。 LLM拥有许多强大的能力，这些能力具有实际应用价值： 总结： 能够快速摘要长篇、复杂的文档、报告或文章。 解决问题： 有助于生成创意想法、进行头脑风暴并为复杂问题寻找解决方案。 翻译： 能够在保留上下文的情况下，瞬间将文本翻译成数十种语言。 编辑和分类： 它能够实现自动语法校正、文本风格更改以及根据设定的标准对内容进行分类。 1.3.

替代方案：小型语言模型 (SLM) 除了强大的LLM之外，小型语言模型 (SLM) 越来越受欢迎。 这些模型具有较少的参数数量，为需要专业化和更高隐私性的任务提供了一个有趣的替代方案。 下表展示了这两种方法之间的关键区别： 标准 大型语言模型 (LLM) 小型语言模型 (SLM) 基础设施 通常在云端运行，需要强大的资源。 可以在标准的本地硬件上运行。 数据隐私 数据发送给外部提供商，引发隐私担忧。 提供完全的隐私保护——数据绝不会离开本地基础设施。 成本 使用 API 的费用，通常按处理的 token 数量计算。 一次性购买基础设施的成本，没有 token 费用。 个性化 有限；定制困难且昂贵。 可以在自己的特定数据上进行精确微调 (fine-tuning)。 能耗 高。 显著更低。 实际上，这意味着 LLM 在云端提供了通用计算能力，而 SLM 则为企业在专业任务中提供了完全的控制权、隐私和较低的运营成本。 SLM 的一个例子是 Bielik 模型，它非常适用于生成在线商店产品转化描述等专业任务。 要充分利用大型和小型的模型潜力，必须学会有效地与它们“对话”。 这就将我们带入了提示工程的世界。 2.

如何与AI对话？提示工程基础知识 (Prompt Engineering) 与语言模型互动是一个迭代过程——它类似于持续的对话，在这个过程中，我们逐步完善我们的指令，以获得最佳结果。 成功的关键是构建一个好的提示（prompt），也就是给AI的指令。 2.1.

优秀提示的构成要素 一个结构良好的提示应包含三个关键要素： 任务描述： 精确说明模型需要做什么。 上下文： 额外的信息，对于正确理解问题和期望是必不可少的。 示例： 展示预期格式、风格或答案结构的说明。 我们来看一下它在实践中的运作方式，以寻找侄女礼物为例。 差的提示： “给我一些低于100 zł的礼物点子。” 模型不知道关键的上下文信息：孩子的年龄和性别、兴趣爱好，以及场合。因此它给出的建议是笼统的，可能不准确。 好的提示： “给我一些为一位喜欢紫色、是马和独角兽迷的十岁女孩准备的生日礼物点子。我的预算是100 zł。” 得益于精确的上下文，模型将生成更准确、更个性化的建议。 2.2.

基本提示技术 根据任务的复杂程度，我们可以采用不同的提示技术。以下是三种基本方法： 技术 描述 关键益处 零样本提示 (Zero-shot Prompting) 向模型提供纯粹的指令，不包含任何示例。 在简单任务中速度快且简单。 单样本提示 (One-shot Prompting) 提供一个示例来说明预期的答案。 帮助模型更好地理解用户的意图和输出格式。 少样本提示 (Few-shot Prompting) 提供几个多样化的示例，展示不同的答案变体。 显著提高回答的准确性和质量，尤其是在复杂任务中。 2.3.