学习吴恩达老师的新课，我有哪些收获？

Generative AI for Everyone 这门课，你值得好好听一听。

新课

在 deeplearning.ai 上看到吴恩达（Andrew Ng）老师又开了新课，我非常开心。这门课程名称叫做 Generative AI for Everyone （面向所有人的生成式人工智能），链接在这里。

目前课程一次性上线了三周的学习资料。

我最近比较忙，刚学完了第一周的课程，但是已经有了不少感悟和收获。今天就来跟你分享一下，这门课对我产生的影响。

这里说一下我记录的原则。少楠的新书《笔记的方法》里面提到的，笔记应当记录那些让你感到「有启发」的内容，而不是全部记录。我非常了解的内容，尽管吴恩达教授讲得非常好，也没有出现在这篇文章里。我们每个人都有自己的知识背景，所以我建议你能够自己认真学习这个课程，从中找到对你自己「有启发」的部分，并且也做好记录，以应用在将来的工作和学习中。

讲授

之前吴恩达老师在 deeplearning.ai 平台上已经与各种机构 —— 例如 LangChain，OpenAI 等等 —— 合作开发了一系列短课程，我都已经推荐给了学生和读者。

尽管这些课程讲的内容非常新颖，内容也很有价值，但多是对方主讲。其讲授方法和吴恩达教授比起来，差得太远了。

吴恩达老师的讲课方式，我想用两个词来总结——清晰和生动。

先说清晰。

下面是视频里出现的一张幻灯，讲大语言模型训练中自监督学习阶段的例子。

以前我在上课或讲座时经常提到「自监督学习」，并尝试举例来说明 LLM 是如何被训练「预测下一个词儿」的。但一对比就会发现，只需要拿出这样一句话的例子，逐步迭代说明 Input (A) 和 Output (B) 的对应变化，观众立即就能弄懂「自监督」的概念了。比起大段语言描述，这种例证的方式要直观和清晰许多。

再比如第一周的末尾，吴恩达老师讲了 Stable Diffusion 生成式绘图的原理。

我之前从各种教程上也都看过类似的讲解。各位主讲老师介绍方式也很生动，包括这些图片不断加入噪声的过程，有的还做成了动画。只不过，这里同样就是加上了个 Input(A) 和 Output(B) ，对照着上面的图片，不断渐进出现，你立刻就能明白同样的模型如何对每一步，都能逐步推测更为清晰图像的过程。在我看来，能够用最简短的语言和直接的方式传递知识，就叫做「清晰」。

下面聊聊「生动」。吴恩达老师讲解的方式风趣幽默，用例非常吸引人。

例如提到大语言模型的「幻觉」（Hallucinations），吴恩达老师提到 LLM 如何编造答案来取悦用户。

这里的例子就很有趣，他问莎士比亚的哪些诗提到了碧昂丝（Beyonce）。这简直就是西方版的「关公战秦琼」嘛，可是 LLM 真的就敢「顺杆儿爬」给你编造啊。

当然，幻觉带来的后果绝不仅仅是好玩儿，下面这个就很严重。

课件中提到，一个律师使用 ChatGPT 提供的答案，直接提交给法庭。后果如何？课程里面有，自己看吧。

内容

下面咱们谈谈课程的内容。我学过第一周后，感觉非常实用。

首先，吴恩达老师谈到了自己应用 LLM 的例子，包括但不限于阅读和写作。

我突然发现，连大师也不肯自己从头到尾读论文了，而是直接让ChatGPT负责总结成几百字的概要，哈哈。当然，最终吴老师还是圆了回来，说那确实是一篇好文章，自己后来也仔细看了。

看到这个例子，我突然想起之前很多人抱怨，在国外读书（尤其是文科）总是需要读大部头，然后总结成多少字，上课来讨论。自己读得慢，页数不够多，讨论就很尴尬。我于是就在想，有了 ChatGPT，还真的有人从头读到尾认真读书吗？

你读一个晚上，可能依然一头雾水。可是如果让 LLM 读，分分钟就能给出分析结果。至于应对课堂的讨论稿嘛，你想让它输出多少字就可以输出多少字啊。那以后上课，老师们可能是在看着一群 LLM 的「代理人」在切磋 —— 嗯，这个是 GPT-4 的 Agent，那个是 Claude 2 的……

讲到写作，吴老师说自己经常让 ChatGPT 帮着做头脑风暴。

这两年，因为《卡片笔记写作法》一书的流行，「头脑风暴」一词在该书的拥趸中已经逐渐转化为略为负面的词汇。因为书中提出「头脑风暴」其实是压榨自己的头脑，产生的结果并不全面，还给写作带来不必要的压力。

压榨自己的脑袋，可能确实有问题。但压榨 LLM 呢？似乎从伦理上和心理上都不会有什么问题吧？况且它见多识广，不害怕用户去「压榨」。

讲完了个人应用，吴老师也讲了商业应用的样例。

其中查看自己商铺、产品或服务评价这个用例，我本周课上刚刚给学生们介绍过。只不过，使用小模型，尚需足够样本在 BERT 或者 ULMfit 上进行微调；而使用 LLM ，你可以尝试无样本或者少样本学习，结果却可能更加精准。

吴恩达老师提到的各种善解人意的 chatbot ，也给了我很多启发。特别是生涯教练这个，鼓励的话语让用户很振奋。

我突然想起来上周在雄安开会，孙新老师提到的那个提供情感辅助的 LLM ，可以帮助研究生应对科研中遇到的挫折，疏解压力、鼓劲儿，很有作用。

这里我不禁在想教育的意义。如果传道受业解惑被 LLM 替代了，老师们倒还可以强调教育「建立情感纽带」的功能；可如果连这种情感辅助都被 LLM 替代掉，教师的职业意义建构该怎么做呢？

吴恩达老师课程中提到 chatbot 改变客服工作方式，触及到了我最感兴趣的一个问题 —— 人机究竟该如何配合？

两端的情况（纯人工或者纯机器）咱们就不说了，值得注意的是中间两种人机配合的方式。

中间左侧这个，明显是人类真的不放心。每一个对话，都需要人工在其中干预和决策。但是这种方式，深刻生动诠释了，什么叫做 “Human in the Loop”。我以前觉得，这就是人机协同的全部了，但是这张图充分说明了我原先考虑还不够周全。

中间右侧这个就是另外一种情况 —— 机器如果能解决，就全都是机器来做，否则才需要人工介入。其实，你可以把它当作一种机器能力足够高和人类信心特别强的体现。但细细思考，我们生活中反而更容易见到这种方式。

例如说，你有没有给电信运营商打过客服电话？你说它们提供的「人机协同」模式算哪个呢？这里 有一段视频，很好玩儿。读完本文你可以点开看看，就当个乐儿吧。

另外吴老师的内容讲授不止一次给我的感受，是「英雄所见略同」。不过请注意，这里的「英雄」说的不是我本人啊。

上面这张幻灯截图，用 GPT-4 (All Tools) 模式自动识别图片，翻译如下：

描述了使用大语言模型（LLM）时的提示（prompting）能做什么。图片中提到，如果给一个刚刚毕业的大学生一些指导，他们是否能够完成任务。为了更加清晰明了，假设情况如下：

没有互联网或其他资源的访问权限

对你的公司 / 业务没有特定的培训

没有完成先前任务的记忆

每次都会得到一个不同的新毕业的大学生

图片旨在探讨在没有额外资源和指导的情况下，一个新毕业的大学生是否能够根据给定的指导完成任务。

我一看到这个论述，就觉得眼熟。因为上次去北京参加开智大会，安替老师也指出，他们企业现在就是把 LLM 当成实习生用。实习生，不刚好就是幻灯中提到的这个年龄和学历阶段吗？你看，是不是英雄所见略同？

只是两位老师所谈论的内容，侧重点还是不同的。吴恩达老师讲的，是提示词应该如何设计，才能让 LLM 充分理解消化。而安替老师则是在说明 LLM 的能力边界与可扩展性。他主要强调的是，目前 AI 的水平也只能替掉实习生而，只不过一个 AI 就能替掉 100 个实习生，还任劳任怨。

学习方法

我总结自己学习本课程的有效方法包括以下两点：