阅读说明
本页为讲义的中文译文，沿原有知识顺序呈现概念、提示、token、向量与应用规划。当前资料中没有这次综合讲解的可用口头文字稿，因此以下不会把幻灯片要点扩写成虚构发言。原有身份、联系及事务信息未纳入。
一、从热度走向明确的问题
学习 AI 基础的目标，是发现机会、利用能力，同时认识风险和伦理影响，从而作出有依据的决定。理解它是什么，还要进一步理解它能怎样帮助工作，以及怎样把好奇转成实践能力。
AI 并不神秘。复杂行为由大量数学运算实现，但从战略角度还要考虑数据、背景和目的。与其只关注工具有多令人兴奋，不如先明确业务问题，以及系统怎样增强人的能力。
不同学科对 AI 的定义与用词并不完全一致。机器学习、深度学习与 AI 经常被混用，但不是同义词。一个经典定义把 AI 看成制造智能机器与程序的科学和工程；研究人工智能也不意味着必须照搬生物机制。
原讲义将 AI 与固定规则程序对比：传统程序按照明确的“如果……就……”执行；学习型系统从数据中发现模式，再用于新情境。需要注意，这主要描述机器学习，并不排除基于规则的 AI；模型上线以后也不会无条件自动学习。
二、五个基础词与一个烹饪类比
术语 | 含义 | 烹饪类比 |
|---|---|---|
数据 | 用来学习的文字、数字、图像或声音；质量与代表性影响结果 | 原材料 |
算法 | 处理资料、寻找模式或预测的步骤与数学方法 | 食谱 |
训练 | 将学习方法应用到资料，调整模型的过程 | 烹饪 |
模型 | 训练形成的结构与参数，承载已学习的模式 | 做好的菜 |
推断 | 用模型处理新输入，产生预测或内容 | 上菜与食用 |
类比帮助区分过程与产物，不能把模型当成真正理解任务的人。训练也可能把数据中的偏差带入系统。
三、AI 是一个伞形范围
原图列出机器学习、自然语言处理、计算机视觉、语音识别、机器人、专家系统、机器推理、神经网络、数据挖掘和自主 Agent 等领域。这些分类不互斥，技术、任务和系统可以组合。
查看图解文字说明
AI 是更大的领域；机器学习从数据拟合模型，深度学习使用多层神经网络。符号与规则方法不必属于机器学习。语言、视觉、推荐等任务可以采用或组合不同方法。
图解区分包含关系与任务方向：机器学习属于 AI，深度学习属于机器学习；语言与视觉任务则可能使用不同方法。不能把原图中的所有名称都当作同一层级。
三种学习方式
监督学习使用有正确答案的样本，例如有标签的垃圾邮件，学习怎样推广到新输入。
无监督学习没有预先提供的目标标签，系统寻找隐藏结构，例如把行为或情绪反应相近的使用者分组。
强化学习通过行动、反馈和奖励逐渐调整策略。例如，游戏 Agent 采取动作后观察结果，在多次尝试中学习哪些行动能带来较好的长期回报。
历史数据也包含过去的决定。如果过去存在不公平，训练可能学到相同模式。因此，资料选择不仅是技术问题，也是治理问题。
日常工作里的自然语言处理
自然语言处理使系统能够处理、解释、生成人类语言并参与互动。你可能已经在拼写与语法检查、语音助手、人力服务聊天、会议转写、邮件分类、员工意见情绪分析，以及简历解析与关键词提取中遇到它。
许多聊天、筛选、调查分析或文稿工具都依赖语言处理。认识这些机制，有助于同时理解能力与失效方式。
原讲义再用汽车作类比：数学是发动机，数据是燃料，战略是驾驶者。不必亲手制造发动机才能开车，也不必先学会训练模型才能负责其使用；但需要知道适合走哪里、哪里不适合，以及应该问什么问题。
四、生成式系统的能力与边界
生成式 AI 根据训练模式产生文字、图像、声音、代码或数据。语言模型通过上下文预测 token；大量预测组合起来，可以形成看似有理解能力的回答。
它擅长初稿、摘要、重组、翻译、格式转换，以及从长文中帮助定位信息。它不能保证准确，也不能自动知道未提供的组织规定、集体协议或具体背景。重大伦理、法律与业务决定仍需要人的判断。
译注：原讲义把模型概括成“只能匹配模式，不能推理”。这是强调不能把流畅表达当作可靠判断，但过于绝对。实际系统在一些推理任务上可以表现良好，也可能在新颖或背景敏感的问题上失败，应按具体任务验证。
五、怎样给出有效提示
提示是输入给系统的起点，可以包括指令、条件、参数和示例。示例是在当前上下文中帮助对准输出，不等同于重新训练模型。
“给我营销点子”不如说明产品、受众和需要的数量；“写延期邮件”不如说明延期两周、原因和补救计划；“一栋房子”不如说明现代极简风格、大窗、松树、日落与摄影效果。
CO-STAR 的六个维度
原讲义用 CO-STAR 帮助组织提示。下面同时翻译原图中的文字，而不只保留提取工具读到的标题。
维度 | 应交代什么 | 原图中的说明与例子 |
|---|---|---|
C：背景 Context | 角色、组织与情境 | 相关背景越清楚，系统越少依靠猜测 |
O：目标 Objective | 希望系统完成什么 | “帮我想清楚”与“给我可使用的初稿”不是同一种要求 |
S：风格 Style | 写作方式或表达方法 | 面向员工的通俗文字，与面向管理层的正式报告不同 |
T：语气 Tone | 中性、同理、坚定等语气 | 在人力与劳动关系中，语气会影响关系和法律后果 |
A：受众 Audience | 谁会阅读结果 | 员工代表、管理层、新员工与法律顾问，需要不同沟通方式 |
R：回应格式 Response Format | 怎样组织成品 | 编号清单、邮件初稿、摘要表等格式会影响能否直接使用 |
这个框架帮助表达需求，不保证资料真实或输出正确。内容重要时仍要检查。
六、Token：模型怎样处理文字
文字先被拆成 token，可能对应词，也可能只是词的一部分；token 再对应数值表示。模型在这些表示上计算，并根据前面的上下文产生后续输出。
原讲义用“细于单词粒度的自动补全”建立直觉。它并不是搜索了全部互联网再逐条取回事实，也不意味着所有资料都曾被模型看到。
这会影响三件事。第一，上下文窗口有限，过长文档可能超过输入预算，或让模型难以稳定关注早先内容。第二，少见缩写和专业条款可能被切分成多个片段，需要定义和背景才能减少歧义。第三，统计上合理的续写不等于事实已经验证，这与幻觉问题有关。
查看图解文字说明
假设总预算为 1000 token，指令 80、历史 160、参考资料 360、问题 100，以及输出预留 300。输入部分合计 700；必须给输出留下适当空间。实际产品还可能有独立输入、输出和其他限制，应查对应模型规则。
图中数值是假设预算，用来说明指令、历史、资料、问题和输出预留共同占用容量，不是某个实际模型的限制。
七、向量与语义搜索
人会记得“那封提出新活动创意的邮件”或“海滩日落的图片”；计算机通常保存数字、日期、文件类型和标签。这种意义与字段之间的距离，就是原讲义所说的语义鸿沟。
嵌入把内容表示成可以比较的向量。例如，示意中的 quick 为 [0.2, -0.5, 0.8, 0.1, -0.3, …]，fast 为 [0.3, -0.4, 0.7, 0.2, -0.2, …]，原图假设为 512 维。它们在同一表示空间中比较接近，可以帮助发现语义关联。
译注：这些坐标为示意，不能用展示的几个维度证明词义相同。嵌入模型通过训练形成表示，查询时计算相似度通常不是再训练；也并非每个语言模型处理 token 后都会自动把向量存进向量数据库。索引、权限与更新需要应用另外管理。
语义搜索可能帮助更快决策、发现意外关联、减少检索时间、提供自然语言入口，并更好利用组织知识。但向量接近只代表某种相关性，不保证事实正确；“可退款”与“不可退款”也可能很接近。
查看图解文字说明
向量相似性帮助找到表达相关的候选材料。图中“可退款”和“不可退款”靠得很近，说明语义相关并不证明结论一致。仍需阅读条件、版本和原文；实际嵌入通常具有更多维度。
八、上线前要认识的失效方式
问题 | 在实际工作中意味着什么 |
|---|---|
幻觉 | 流畅而肯定的回答可能错误，重要决定需要核对 |
历史偏差 | 用过去十年招聘决定训练，可能继承其中的不平等 |
推理缺口 | 新颖、需要多步分析或高度依赖背景的任务，可能出现意外失误 |
背景缺失 | 未提供的协议、行业规范与当前情况，系统不应被假定已经知道 |
认识限制，是负责任使用的一部分。没有背景就依赖训练模式，正是为什么提示与资料提供很重要。
九、把知识用于业务方案
原讲义最后给出一个综合项目：作为组织内部成员，找出能提高运营效率的问题，调查方案与可行性，用五分钟以内的简报提出建议。
这一部分与运营机会综合方案重复，完整任务和七部分结构统一放在该页：执行摘要、运营机会、AI 用途、前后流程、评价指标、运营风险与伦理影响。可用真实或虚构组织，以清楚、连贯、有依据的业务论证为重点。
关联阅读
模型定制的具体差别见AI 服务与算法；语义表示怎样进入业务查询，可继续看向量数据库与语义搜索。
参考与延伸阅读
以下为编辑补充。
- Google：机器学习入门：中文，复习数据、训练、模型与推断。
- Google：Embeddings：中文，查询向量表示及其训练含义。
- NIST AI 风险管理框架：英语，把技术边界连接到评价、责任与使用条件。