AI 素养：关键术语速查表
AI 素养
能够以有效、高效、道德且安全的方式与人工智能系统协作。这包括实用的技能、知识、洞察力以及价值观，有助于你适应不断发展的人工智能技术。
The 4Ds：AI 素养的四大核心能力
AI 素养的四大核心能力：委派（Delegation）、描述（Description）、辨析（Discernment）、尽责（Diligence）。
委派（Delegation）
决定什么工作应该由人类完成，什么工作应该由人工智能完成，以及如何在它们之间分配任务。这包括理解你的目标、人工智能的能力，以及做出关于协作的战略选择。
- 问题意识：在引入人工智能之前，清楚地理解你的目标和工作的性质
- 平台意识：了解不同人工智能系统的能力和局限性
- 任务分派：深思熟虑地在人类和人工智能之间分配工作，以发挥各自的优势
描述（Description）
与人工智能系统进行有效沟通。包括明确定义输出、指导人工智能流程，以及指定期望的人工智能行为和交互。
- 产品描述：定义你在产出、格式、受众和风格方面想要什么
- 过程描述：定义人工智能如何处理你的请求，例如提供供人工智能遵循的分步说明
- 表现描述：定义人工智能在你的协作过程中的行为，例如它应该简洁还是详细，具有挑战性还是支持性
辨别力（Discernment）
对AI的输出、流程、行为和交互进行审慎批判的评估。这包括评估质量、准确性、适宜性，并确定改进领域。
- 产品鉴别力：评估人工智能产出的质量（准确性、适当性、连贯性、相关性）
- 过程辨析：评估人工智能如何得出其输出，寻找逻辑错误、注意力缺失或不当的推理步骤
- 表现鉴别：评估AI在与您互动时的行为方式，并考虑其沟通风格是否能有效满足您的需求
尽责（Diligence）
负责任且合乎道德地使用人工智能。包括对人工智能系统和互动做出审慎选择，保持透明度，并对人工智能辅助的工作承担责任。
- 创作尽责：审慎思考您所使用的AI系统以及您如何与它们互动
- 透明尽责：对所有需要知情的人如实告知AI在您工作中的作用
- 部署尽责：负责核实并担保您所使用或分享的输出内容
人与AI交互模式
自动化（Automation）
当人工智能根据特定的人类指令执行特定任务时。人类定义需要完成什么，人工智能则执行它。
增强（Augmentation）
当人类和AI作为思考伙伴，共同协作完成任务时。涉及迭代式的往复交流，双方都对结果做出贡献。
机构（Agency）
当人类配置人工智能以代表他们独立工作时，包括与其他人或人工智能交互，人类设定人工智能的知识和行为模式，而非指定具体的行动。
人工智能技术概念
| 术语 | 定义 |
|---|---|
| 生成式人工智能（Generative AI） | 能够创建新内容（文本、图像、代码等），而不仅仅是分析现有数据的人工智能系统 |
| 大型语言模型（LLMs） | 生成式人工智能系统在海量文本数据上进行训练，以理解和生成人类语言 |
| 克劳德（Claude） | Anthropic 的大型语言模型系列 |
| 参数（Parameters） | AI模型中的数学值，这些值决定了模型如何处理信息以及如何将不同的语言片段相互关联。现代大型语言模型包含数十亿个参数 |
| 神经网络（Neural networks） | 与生物大脑相似但又不同的计算系统。由相互连接的节点组成，这些节点按层级组织，并通过训练从数据中学习模式 |
| Transformer 架构 | 2017年的一项突破性AI设计，使大型语言模型（LLM）能够并行处理文本序列，同时关注长篇文本中词语之间的关系 |
| 规模法则（Scaling laws） | 随着AI模型的规模扩大，并在更多数据和更强计算能力的训练下，它们的性能表现出了一致的提升模式。这是一个经验观察。也许最有趣的是，在达到特定的规模阈值时，可能会涌现出从未明确编程的全新能力 |
| 预训练（Pre-training） | 初始训练阶段，人工智能模型从海量文本数据中学习模式，从而建立对语言和知识的基础理解 |
| 微调（Fine-tuning） | 在预训练之后进行的额外训练，模型在此阶段学习遵循指令、提供有益的回复并避免生成有害内容 |
| 上下文窗口（Context window） | AI一次性能够考虑的信息量，包括对话历史和您分享的任何文档。该信息量有一个最大限制，因模型而异 |
| 幻觉（Hallucination） | 当人工智能自信地陈述一些听起来似是 plausible，但实际上却不正确的内容时所发生的一种错误 |
| 知识截止日期（Knowledge cutoff date） | 基于其训练时间，人工智能模型不再拥有世界内置知识的截止点 |
| 推理或思维模型（Reasoning or thinking models） | 一类专门设计用于通过循序渐进的方式解决复杂问题的AI模型，在需要逻辑推理的任务中展现出更强的能力 |
| 温度/采样温度（Temperature） | 一个控制AI回复随机程度的设置。"更高"的温度会产生更多样、更有创意的输出（想象一下沸水翻腾），而"更低"的温度则会产生更可预测、更集中的回复（想象一下冰晶） |
| 检索增强生成（RAG） | 一种将人工智能模型连接到外部知识来源，以提高准确性并减少幻觉的技术 |
| 偏见（Bias） | 人工智能输出中存在的系统性模式，这些模式不公平地偏向或歧视特定群体或视角，通常反映了训练数据中的模式 |
提示工程概念
提示（Prompt）
提供给AI模型的输入，包括指令以及任何共享的文档。
提示工程（Prompt engineering）
为AI系统设计有效提示以产出期望结果的做法。融合了清晰的沟通和AI专用技术。
思维链提示（Chain-of-thought prompting）
鼓励AI逐步解决问题，将复杂任务分解为更小的步骤，这有助于AI理解你的思路并提供更好的结果。
小样本提示（Few-shot prompting / N-shot prompting）
通过展示期望的输入输出模式示例来训练人工智能。"N"指代所提供的示例数量。它能帮助模型无需冗长解释就能理解你的意图。
角色或人物角色定义（Role or persona definition）
指定AI在回复时采纳特定角色、专业水平或沟通风格。范围可以从概括性角色（"以UX设计专家的身份发言"）到具体人设（"像理查德·费曼那样解释这个"）。
输出约束/输出格式（Output constraints / output formatting）
在你的提示中明确指定AI回复所需的格式、长度、结构或其他特征，以确保你获得你所需要的内容。
优先思考方法（Think-first approach）
明确要求AI在提供最终答案之前先阐述其推理过程，这可以带来更全面、深思熟虑的回复。
总结
AI 素养不仅仅是技术能力，更是一种全新的思维方式。通过掌握 The 4Ds 框架——委派、描述、辨析、尽责——并理解关键的技术和提示工程概念，你将能够更有效地与 AI 协作，释放其全部潜力。
记住：最好的 AI 用户不是那些让 AI 替代自己思考的人，而是那些知道如何让 AI 帮助自己更好地思考的人。