即刻App年轻人的同好社区
下载
置顶用 AI 练雅思的这半年。
去年 8 月，我在即刻写下了第一条关于雅思的帖子（m.okjike.com），当时想到了一个好玩的计划：看我能不能用 AI (主要是生成式 AI) 辅助学习，把雅思考到 6.5 以上。即让生成式 AI 扮演我的学习助手，帮我克服英文阅读畏难情绪、检查语法错误、优化表达、写作评测、口语练习等等。
前几天刚考完，这算是对我自己的一个回应吧。
当然，这个成绩在雅思里是非常普通的水平。有一点比较好玩，由于要用 AI 辅助学习，于是我就要学习如何更好地使用 AI。在这个过程中我读了几十篇提示词相关的论文，如果算上 AI 其他相关方面的论文，可能读了有上百篇。
我始终觉得，提示词是了解基于 LLM 的生成式 AI 能力的一个很好的角度。同时，读论文的过程也是练习英文阅读的过程，一举两得。从我的阅读得分可以看到，这些论文确实没有白读。
在开始备考前，我的英文大致是依靠翻译工具勉强能阅读一些英文文档的水平。我当时用雅思真题测过，听说读写大致如下：
- 听力，英音听不懂
- 口语，基本是 「Well, um…….I think….」的水平
- 阅读，带着畏难情绪读，没法在一个小时之内完成 3 篇文章的阅读理解
- 写作，雅思两篇作文，我需要花 2 个小时才能勉强凑齐字数。但考试必须一个小时之内写完两篇作文
整个过程走下来，我与 AI 的对话方式发生了很大的变化，英文练习上也有不少收获。
与 AI 对话，或者说写提示词方面，我现在已经很少会一上来就列详细的要求。会以简明而扼要的方式提出目标，然后根据 AI 的回应判断其对问题的了解程度，从而思考我需要设置哪些约束条件来界定范围，以及需要提供哪些额外的上下文来帮助 AI 更有效地进行推理。
我也越来越认识到「分而治之」策略的重要性。早期，我常常希望 AI 一次性提供我所需的全部信息。举个例子，对于一个雅思作文评测的任务 (m.okjike.com)，我期望 AI 能够在一次回复中既按照雅思标准评分，又检查语法错误，并给出改进建议。
虽然这种要求从人的角度看似合理，但对于当前的生成式 AI 而言，这往往只能得到一个「总感觉差点意思」的答案。有时候，当我们认为自己对某个问题已经想得非常清楚时，向 AI 提出后发现得到的回复完全不符合预期，这时候就应该考虑如何将任务细分，让 AI 逐步分多次处理。
英语学习方面，读英文基本上没有什么畏难情绪了。因为我知道我随时可以让 AI 给我讲解。关于克服阅读畏难情绪，之前也写过想法（m.okjike.com）。练习得越多，感受越深。
吴恩达教授在《Generative AI for Everyone》里提过一个观点：AI has the potential to give every individual the ability to hire intelligence at low cost.
确实如此啊。如果没有生成式 AI，总是碰到读不懂的英文，谁能随时给我从各种不同的角度解释呢？谁陪我练口语而我不用担心尴尬呢？谁在深夜里依然随叫随到给我批改作文、给我优化建议呢？
如果你对生成式 AI 感兴趣，《Generative AI for Everyone》课程确实是很好的学习指南。我对这个课程写过详细的笔记：
第一部分：m.okjike.com
第二部分：m.okjike.com
第三部分：m.okjike.com
让 AI 多干点活儿！
去年 8 月，我在即刻写下了第一条关于雅思的帖子（m.okjike.com），当时想到了一个好玩的计划：看我能不能用 AI (主要是生成式 AI) 辅助学习，把雅思考到 6.5 以上。即让生成式 AI 扮演我的学习助手，帮我克服英文阅读畏难情绪、检查语法错误、优化表达、写作评测、口语练习等等。
前几天刚考完，这算是对我自己的一个回应吧。
当然，这个成绩在雅思里是非常普通的水平。有一点比较好玩，由于要用 AI 辅助学习，于是我就要学习如何更好地使用 AI。在这个过程中我读了几十篇提示词相关的论文，如果算上 AI 其他相关方面的论文，可能读了有上百篇。
我始终觉得，提示词是了解基于 LLM 的生成式 AI 能力的一个很好的角度。同时，读论文的过程也是练习英文阅读的过程，一举两得。从我的阅读得分可以看到，这些论文确实没有白读。
在开始备考前，我的英文大致是依靠翻译工具勉强能阅读一些英文文档的水平。我当时用雅思真题测过，听说读写大致如下：
- 听力，英音听不懂
- 口语，基本是 「Well, um…….I think….」的水平
- 阅读，带着畏难情绪读，没法在一个小时之内完成 3 篇文章的阅读理解
- 写作，雅思两篇作文，我需要花 2 个小时才能勉强凑齐字数。但考试必须一个小时之内写完两篇作文
整个过程走下来，我与 AI 的对话方式发生了很大的变化，英文练习上也有不少收获。
与 AI 对话，或者说写提示词方面，我现在已经很少会一上来就列详细的要求。会以简明而扼要的方式提出目标，然后根据 AI 的回应判断其对问题的了解程度，从而思考我需要设置哪些约束条件来界定范围，以及需要提供哪些额外的上下文来帮助 AI 更有效地进行推理。
我也越来越认识到「分而治之」策略的重要性。早期，我常常希望 AI 一次性提供我所需的全部信息。举个例子，对于一个雅思作文评测的任务 (m.okjike.com)，我期望 AI 能够在一次回复中既按照雅思标准评分，又检查语法错误，并给出改进建议。
虽然这种要求从人的角度看似合理，但对于当前的生成式 AI 而言，这往往只能得到一个「总感觉差点意思」的答案。有时候，当我们认为自己对某个问题已经想得非常清楚时，向 AI 提出后发现得到的回复完全不符合预期，这时候就应该考虑如何将任务细分，让 AI 逐步分多次处理。
英语学习方面，读英文基本上没有什么畏难情绪了。因为我知道我随时可以让 AI 给我讲解。关于克服阅读畏难情绪，之前也写过想法（m.okjike.com）。练习得越多，感受越深。
吴恩达教授在《Generative AI for Everyone》里提过一个观点：AI has the potential to give every individual the ability to hire intelligence at low cost.
确实如此啊。如果没有生成式 AI，总是碰到读不懂的英文，谁能随时给我从各种不同的角度解释呢？谁陪我练口语而我不用担心尴尬呢？谁在深夜里依然随叫随到给我批改作文、给我优化建议呢？
如果你对生成式 AI 感兴趣，《Generative AI for Everyone》课程确实是很好的学习指南。我对这个课程写过详细的笔记：
第一部分：m.okjike.com
第二部分：m.okjike.com
第三部分：m.okjike.com
让 AI 多干点活儿！
24 518
(The Batch 翻译) 主题：智能体工作流 (agentic workflow) 为生成高质量的合成数据打开了新思路
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
2 01
使用生成式 AI 做英文语法检查踩的那些坑。
无论是练习雅思写作还是平时写一些简单的英文，写完第一件事总是先检查语法错误。不知道为什么，英文语法在我看来真的不容易掌握。为此，我还特意学习了 English with Ronnie 频道的语法课程（www.youtube.com），Ronnie 讲解得很生动也很有趣。但是这语法知识是真的进不了脑子。学完写起来还是错误一堆。
有个关于英文语法的笑话是这样的：
You dance, I dance, but he dances.
A million people dance, but he dances.
WTF? Does he dance more than us?
你看，英文语法就是这么神奇。
后来我索性直接采用朴实无华的方法：多写，闷着头就写，写完再校正错误。我相信写的量到一定程度了，校正的错误多了，语法准确率就会上来了。
Make mistakes and learn.
一开始我认为检查语法这样的任务对于现在的生成式 AI 来说应该是很简单的。由于 GPT-4 有消息条数限制，我需要用作其他用途，所以都是使用 GPT-3.5、Geimini 等其他 AI 来做语法检查的。这就是我踩坑的开始。
每当我一篇几百词的段落发过去之后，这些 AI 会像模像样地帮我挑出几个语法错误，然后称赞我写得好。谁又不喜欢听好话呢？渐渐地，我在一声声的夸奖中迷失了自己。这雅思写作不得拿个 7 分？
直到有一天，我打开我的 Grammarly 找一篇以前写过的段落，然后顺手把刚用 GPT-3.5 检查过的段落放到了 Grammarly 中。靠，我才发现 GPT-3.5 竟然有这么多语法错误没有检查出来。继续对照了几十篇段落之后，我终于意识到语法检查这个任务对于这些 AI 来说并不是那么简单的。
怎么没早点对结果做二次校验呢？怪我把语法检查这个任务想得太简单了，尤其是针对篇幅较长的段落。有点不甘心，于是又用 GPT-4 来和 Grammarly 做对照，最后发现 GPT-4 倒是可以胜任这个任务。
配合逐句分析的思路，有时候分析结果比 Grammarly 更好一些。比如有些句子虽然没有明显的语法错误，但是 GPT-4 会提示某个短语在英文中不常用，或提示某个单词在这个语境里不太合适。
最后实践下来，使用生成式 AI 做英文语法检查，比较有效的方式如下：
1. 要使用 GPT-4 或同等模型能力的 AI
2. 让 AI 采用逐句分析策略 (sentence-by-sentence)
3. 用英文提示词
通用参考提示词：Check the grammar accuracy of the following text sentence-by-sentence: {{your text}}
核心是 sentence-by-sentence, 类似「Let's think step-by-step.」
GPT-4 回复结果参考附图。
无论是练习雅思写作还是平时写一些简单的英文，写完第一件事总是先检查语法错误。不知道为什么，英文语法在我看来真的不容易掌握。为此，我还特意学习了 English with Ronnie 频道的语法课程（www.youtube.com），Ronnie 讲解得很生动也很有趣。但是这语法知识是真的进不了脑子。学完写起来还是错误一堆。
有个关于英文语法的笑话是这样的：
You dance, I dance, but he dances.
A million people dance, but he dances.
WTF? Does he dance more than us?
你看，英文语法就是这么神奇。
后来我索性直接采用朴实无华的方法：多写，闷着头就写，写完再校正错误。我相信写的量到一定程度了，校正的错误多了，语法准确率就会上来了。
Make mistakes and learn.
一开始我认为检查语法这样的任务对于现在的生成式 AI 来说应该是很简单的。由于 GPT-4 有消息条数限制，我需要用作其他用途，所以都是使用 GPT-3.5、Geimini 等其他 AI 来做语法检查的。这就是我踩坑的开始。
每当我一篇几百词的段落发过去之后，这些 AI 会像模像样地帮我挑出几个语法错误，然后称赞我写得好。谁又不喜欢听好话呢？渐渐地，我在一声声的夸奖中迷失了自己。这雅思写作不得拿个 7 分？
直到有一天，我打开我的 Grammarly 找一篇以前写过的段落，然后顺手把刚用 GPT-3.5 检查过的段落放到了 Grammarly 中。靠，我才发现 GPT-3.5 竟然有这么多语法错误没有检查出来。继续对照了几十篇段落之后，我终于意识到语法检查这个任务对于这些 AI 来说并不是那么简单的。
怎么没早点对结果做二次校验呢？怪我把语法检查这个任务想得太简单了，尤其是针对篇幅较长的段落。有点不甘心，于是又用 GPT-4 来和 Grammarly 做对照，最后发现 GPT-4 倒是可以胜任这个任务。
配合逐句分析的思路，有时候分析结果比 Grammarly 更好一些。比如有些句子虽然没有明显的语法错误，但是 GPT-4 会提示某个短语在英文中不常用，或提示某个单词在这个语境里不太合适。
最后实践下来，使用生成式 AI 做英文语法检查，比较有效的方式如下：
1. 要使用 GPT-4 或同等模型能力的 AI
2. 让 AI 采用逐句分析策略 (sentence-by-sentence)
3. 用英文提示词
通用参考提示词：Check the grammar accuracy of the following text sentence-by-sentence: {{your text}}
核心是 sentence-by-sentence, 类似「Let's think step-by-step.」
GPT-4 回复结果参考附图。
4 00
生成式 AI 在 A 类雅思阅读中的应用。
从我做剑雅 18-12 的真题以及阅读 AI 相关的论文和文章的感受来看，生成式 AI 在这个场景里主要的作用有两点：辅助克服心理恐惧、解释长难句。
我并没有用 AI 帮助我了解雅思阅读的基本规则，比如评分标准、题型等。这些基本信息显然通过像 NEEA 的备考指南 (www.chinaielts.org) 和 FAQ 来了解会更高效。
也没有用 AI 来制定雅思阅读练习计划。一个通用的计划意义不大。做几套剑雅真题熟悉所有题型之后，就会知道自己的薄弱环节在哪里。然后据此为自己设定训练计划。
针对雅思阅读考试，训练计划可以概括为 2 点：提升做题准确性和做题速度。
准确性的基础其实就是对文章内容的理解程度。和其他阅读理解一样，弄懂一篇文章就是理解每一句的含义、句与句之间的关系、段与段之间的关系。这个环节也是生成式 AI 能发挥极大价值的地方。
刚开始练习的时候，很多都读不懂，难免感到有些沮丧、失落、茫然无措。如果你知道有人能随时随地给你答疑，并且你试过几次之后发现真的可以搞懂，正反馈循环就建立起来了。慢慢地，你心里就会产生一种感觉：读不懂就读不懂，我来问问我的「老师们」就能搞懂了。
各生成式 AI 就是这些老师们，你只管问就行。也没有什么神奇的提示词 (prompt)，我自己感觉有效的方式就是把整个一段文字发给 AI，然后直接提问其中某个单词/句子如何理解。
发整段文字的好处是给 AI 提供单词/句子的上下文。就像我们在现实生活中向其他人提问一样，给更多的背景信息更加有助于别人理解问题，从而提供更好的答案。
另外，就像每个老师有一套自己的讲解风格一样，不同的 AI 解释的风格也有些不一样。如果一个老师的讲解没让你理解，就换一个问。
这样练几十篇文章，做题准确性就会有明显的提升。当准确性练到你的目标的时候 (比如正确率 30/40 对应 7 分)，就可以开始着重练习提升做题速度了。
对于做题速度来说，需要配合一些做题技巧。这个环节，我没有发现生成式 AI 可以为我提效或解决疑惑的地方。
雅思阅读三篇文章，根据我有限的经验，我没法在一个小时之内从头至尾地阅读完 3 篇文章。我的策略是略读 + 题目关键词/题意定位。
略读用来把握文章的结构。雅思的文章有着非常清晰的结构。比如主题是关于某个现象，那么通常结构就会是引言介绍、现象当前产生的影响（数据/研究等）、各机构/人员对该现象持什么观点、提出了什么解决方案，应采取什么措施、对未来的展望。
我的略读流程：
1. 读文章 title 和首段来了解主题是什么
2. 读每一段的首句，有些段落会读首句 + 尾句
通过这个略读流程，可以在脑海里构建起文章的结构，并把各段落大致对应到结构中。必要时，可以对段落做一些高亮和备注。
具体到做题，首先看有没有明显的关键词可以直接定位文章段落，比如时间、人物、机构、数字等。如果没有，则根据题意考虑对应的应该是文章结构中哪个环节。案例？某人的观点？当前的影响？未来预测？
同样，按照这个方式练几十篇文章，做题速度也就上来了。惭愧的是，我的阅读量积累得还不够，所以前阵子考试的时候，我是掐着点才做完所有题。三篇文章花的时间差不多是 15 + 18 + 26 分钟。
无他，继续多读吧。
P.S. 如果选择的是机考，对应阅读里的找原词填空题，我发现实际上是可以复制文章中的单词然后粘贴 (Ctrl + C/V) 到填空里的，尤其对于不熟悉的单词，我会选择复制粘贴，因为怕打错字。
从我做剑雅 18-12 的真题以及阅读 AI 相关的论文和文章的感受来看，生成式 AI 在这个场景里主要的作用有两点：辅助克服心理恐惧、解释长难句。
我并没有用 AI 帮助我了解雅思阅读的基本规则，比如评分标准、题型等。这些基本信息显然通过像 NEEA 的备考指南 (www.chinaielts.org) 和 FAQ 来了解会更高效。
也没有用 AI 来制定雅思阅读练习计划。一个通用的计划意义不大。做几套剑雅真题熟悉所有题型之后，就会知道自己的薄弱环节在哪里。然后据此为自己设定训练计划。
针对雅思阅读考试，训练计划可以概括为 2 点：提升做题准确性和做题速度。
准确性的基础其实就是对文章内容的理解程度。和其他阅读理解一样，弄懂一篇文章就是理解每一句的含义、句与句之间的关系、段与段之间的关系。这个环节也是生成式 AI 能发挥极大价值的地方。
刚开始练习的时候，很多都读不懂，难免感到有些沮丧、失落、茫然无措。如果你知道有人能随时随地给你答疑，并且你试过几次之后发现真的可以搞懂，正反馈循环就建立起来了。慢慢地，你心里就会产生一种感觉：读不懂就读不懂，我来问问我的「老师们」就能搞懂了。
各生成式 AI 就是这些老师们，你只管问就行。也没有什么神奇的提示词 (prompt)，我自己感觉有效的方式就是把整个一段文字发给 AI，然后直接提问其中某个单词/句子如何理解。
发整段文字的好处是给 AI 提供单词/句子的上下文。就像我们在现实生活中向其他人提问一样，给更多的背景信息更加有助于别人理解问题，从而提供更好的答案。
另外，就像每个老师有一套自己的讲解风格一样，不同的 AI 解释的风格也有些不一样。如果一个老师的讲解没让你理解，就换一个问。
这样练几十篇文章，做题准确性就会有明显的提升。当准确性练到你的目标的时候 (比如正确率 30/40 对应 7 分)，就可以开始着重练习提升做题速度了。
对于做题速度来说，需要配合一些做题技巧。这个环节，我没有发现生成式 AI 可以为我提效或解决疑惑的地方。
雅思阅读三篇文章，根据我有限的经验，我没法在一个小时之内从头至尾地阅读完 3 篇文章。我的策略是略读 + 题目关键词/题意定位。
略读用来把握文章的结构。雅思的文章有着非常清晰的结构。比如主题是关于某个现象，那么通常结构就会是引言介绍、现象当前产生的影响（数据/研究等）、各机构/人员对该现象持什么观点、提出了什么解决方案，应采取什么措施、对未来的展望。
我的略读流程：
1. 读文章 title 和首段来了解主题是什么
2. 读每一段的首句，有些段落会读首句 + 尾句
通过这个略读流程，可以在脑海里构建起文章的结构，并把各段落大致对应到结构中。必要时，可以对段落做一些高亮和备注。
具体到做题，首先看有没有明显的关键词可以直接定位文章段落，比如时间、人物、机构、数字等。如果没有，则根据题意考虑对应的应该是文章结构中哪个环节。案例？某人的观点？当前的影响？未来预测？
同样，按照这个方式练几十篇文章，做题速度也就上来了。惭愧的是，我的阅读量积累得还不够，所以前阵子考试的时候，我是掐着点才做完所有题。三篇文章花的时间差不多是 15 + 18 + 26 分钟。
无他，继续多读吧。
P.S. 如果选择的是机考，对应阅读里的找原词填空题，我发现实际上是可以复制文章中的单词然后粘贴 (Ctrl + C/V) 到填空里的，尤其对于不熟悉的单词，我会选择复制粘贴，因为怕打错字。
4 00
(The Batch 翻译) 主题：为什么需要更多算力来做推理？
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
1 00
基于上下文信息提供英文单词和句子解释的浏览器插件。
读英文文章的时候，我经常会遇到一个问题：单词都认识，句子结构也明白，但还是不太能理解整个句子所表达的含义。
一方面是因为很多单词是一词多义的，另一方面就是上下文语境不同，单词所表达的隐含意思是有差异的。
对于该问题，我之前常用的方式是把整个一段文字发给 AI，然后提问其中的某个词/短语/句子在这段文字里是什么意思。通常，经过 AI 的解释，我就能明白。
比如我之前看 Jimmy 的 stand-up 的时候，有些句子我听懂大概意思了，但我不明白为什么观众都在笑。我就会把字幕导出来，然后复制我不懂的那一段发给 AI 提问。例子如图一。
也就是说，对于读英文文章而言，如果有工具能在解释单词/短语/句子的时候，除了提供基础的翻译，还能自动根据上下文信息推理出进一步的解释，那么读英文文章就会更顺畅。
最近惊喜地发现，我一直在用的欧路词典插件新增了这个功能，很惊喜。效果见图二、图三。
比如图二里的 grounding，在翻译里会翻译成接地，想一想也能大致理解意思，但显然根据上下文推理出来的「情境理解」更容易让人明白 grounding 所表达的意思。
对于单词解释的场景也一样，如图三，根据上下文推理出来的解释会让阅读更顺畅。
顺带一提，这个插件也支持中英对照的「沉浸式翻译」。
欧路词典插件官方链接：www.eudic.net
读英文文章的时候，我经常会遇到一个问题：单词都认识，句子结构也明白，但还是不太能理解整个句子所表达的含义。
一方面是因为很多单词是一词多义的，另一方面就是上下文语境不同，单词所表达的隐含意思是有差异的。
对于该问题，我之前常用的方式是把整个一段文字发给 AI，然后提问其中的某个词/短语/句子在这段文字里是什么意思。通常，经过 AI 的解释，我就能明白。
比如我之前看 Jimmy 的 stand-up 的时候，有些句子我听懂大概意思了，但我不明白为什么观众都在笑。我就会把字幕导出来，然后复制我不懂的那一段发给 AI 提问。例子如图一。
也就是说，对于读英文文章而言，如果有工具能在解释单词/短语/句子的时候，除了提供基础的翻译，还能自动根据上下文信息推理出进一步的解释，那么读英文文章就会更顺畅。
最近惊喜地发现，我一直在用的欧路词典插件新增了这个功能，很惊喜。效果见图二、图三。
比如图二里的 grounding，在翻译里会翻译成接地，想一想也能大致理解意思，但显然根据上下文推理出来的「情境理解」更容易让人明白 grounding 所表达的意思。
对于单词解释的场景也一样，如图三，根据上下文推理出来的解释会让阅读更顺畅。
顺带一提，这个插件也支持中英对照的「沉浸式翻译」。
欧路词典插件官方链接：www.eudic.net
8 22
(The Batch 翻译) 主题：智能体 (AI Agent) 工作流设计模式之多智能体协作(Multi-agent collaboration)
推荐阅读的三篇论文：
- (arxiv.org) “Communicative Agents for Software Development,” Qian et al. (2023) (the ChatDev paper)
- (arxiv.org) “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation,” Wu et al. (2023)
- (arxiv.org) “MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework,” Hong et al. (2023)
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
推荐阅读的三篇论文：
- (arxiv.org) “Communicative Agents for Software Development,” Qian et al. (2023) (the ChatDev paper)
- (arxiv.org) “AutoGen: Enabling Next-Gen LLM Applications via Multi-Agent Conversation,” Wu et al. (2023)
- (arxiv.org) “MetaGPT: Meta Programming for a Multi-Agent Collaborative Framework,” Hong et al. (2023)
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
5 02
当前使用生成式 AI 的常见场景。
数据来源于哈佛商业评论根据一些论坛里的帖子做的统计，大致结论如下：
- 大多数情况下，个人使用生成式 AI 做头脑风暴，工作和生活场景都有涉及。有些人会使用生成式 AI 寻求某些具体的建议，例如推荐电影、推荐度假目的地以及为角色扮演游戏生成角色等
- 前五名中的其他用途：文本编辑、情感陪伴、深入研究一些利基主题和搜索信息
- 许多用户使用生成式 AI 来完善自己的工作成果，例如对代码进行故障排除或优化、在发送电子邮件之前编辑电子邮件、改进营销文案或调整图像
- 工作场景相关的用途包括起草求职信、为会议做准备、在会议发生后总结会议以及分析销售数据。许多学生发现生成式 AI 可以作为一种学习辅助工具，可以用来复习课程材料或创建个性化的学习方式
- 很多用户会利用生成式 AI 帮助他们更好地理解技术信息，例如法律建议或医疗专业知识。用户依靠聊天机器人来完成可能需要他们咨询人类专家的任务，例如起草法律投诉、总结充满行话的文件以及寻求有关医学测试结果的信息
附图来源：www.deeplearning.ai
数据来源于哈佛商业评论根据一些论坛里的帖子做的统计，大致结论如下：
- 大多数情况下，个人使用生成式 AI 做头脑风暴，工作和生活场景都有涉及。有些人会使用生成式 AI 寻求某些具体的建议，例如推荐电影、推荐度假目的地以及为角色扮演游戏生成角色等
- 前五名中的其他用途：文本编辑、情感陪伴、深入研究一些利基主题和搜索信息
- 许多用户使用生成式 AI 来完善自己的工作成果，例如对代码进行故障排除或优化、在发送电子邮件之前编辑电子邮件、改进营销文案或调整图像
- 工作场景相关的用途包括起草求职信、为会议做准备、在会议发生后总结会议以及分析销售数据。许多学生发现生成式 AI 可以作为一种学习辅助工具，可以用来复习课程材料或创建个性化的学习方式
- 很多用户会利用生成式 AI 帮助他们更好地理解技术信息，例如法律建议或医疗专业知识。用户依靠聊天机器人来完成可能需要他们咨询人类专家的任务，例如起草法律投诉、总结充满行话的文件以及寻求有关医学测试结果的信息
附图来源：www.deeplearning.ai
4 03
(The Batch 翻译) 主题：智能体 (AI Agent) 工作流设计模式之自主规划 (Planning)
推荐阅读的三篇论文：
- (arxiv.org) “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models,” Wei et al. (2022)
- (arxiv.org) “HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face,” Shen et al. (2023)
- (arxiv.org) “Understanding the planning of LLM agents: A survey,” by Huang et al. (2024)
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
推荐阅读的三篇论文：
- (arxiv.org) “Chain-of-Thought Prompting Elicits Reasoning in Large Language Models,” Wei et al. (2022)
- (arxiv.org) “HuggingGPT: Solving AI Tasks with ChatGPT and its Friends in Hugging Face,” Shen et al. (2023)
- (arxiv.org) “Understanding the planning of LLM agents: A survey,” by Huang et al. (2024)
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
4 04
如何更好地阅读 AI 领域内的相关论文。
读论文这件事可以概括为以下几点：
1. 为什么要读论文？
2. 从哪里发现高质量的论文？
3. 哪些类型的论文值得优先关注？
4. 读的时候重点关注论文里的哪些点？
前阵子，DeepLearning 邀请 Arize AI 的联合创始人 Aparna Dhinakaran 以及工程师 Amber Roberts 直播聊了一期如何更高效地阅读 AI 领域内的论文。结合这期节目的内容和我自己的感受，整理了一下关于读论文的思路。
一、为什么要读论文？
论文中往往包含了最新的研究成果、最酷炫的技术，甚至是颠覆性的创新。通过读论文，我们可以了解到哪些方法是有效的，哪些是过时的，让自己尽量跟上领域前沿的知识。
不同于新闻报道或一般的博客文章，论文通常会深入探讨一个问题，提供严谨的实验验证和详尽的理论分析。这种深度是一般的科技新闻无法比拟的。
很多时候，为了吸引眼球，有些媒体会刻意忽略某研究成果的边界条件、执行成本等因素，单拎出结果来展示，并且还可能夸大这种结果带来的影响。
所以，看到某某职业/行业又被什么技术颠覆了的时候，最好溯源一下这种技术的官方文档、论文等，看看到底是怎么回事。
二、从哪里发现高质量的论文？
1. 学术数据库：像 arXiv、Google Scholar 这样的学术数据库是搜索论文好地方；
2. 学术会议和期刊：关注 AI 领域的顶级会议（如 NeurIPS、ICML、CVPR）和期刊（如 JMLR、TPAMI），它们是高质量论文的发源地。根据自己的兴趣选择性地关注；
3. 社交媒体：X/Twitter、LinkedIn 上有很多大牛，他们会分享最新的研究成果和有趣的论文。比如 Andrew Ng、Andrej Karpathy、Yann LeCun、Geoffrey Hinton、Jim Fan 等。只要关注几个研究人员，刷着刷着就会刷到越来越多的领域内的研究人员；
4. 研究团队和实验室：关注知名 AI 实验室和研究团队的更新，他们经常会发布最新的研究论文。比如 DeepMind (deepmind.com)、OpenAI
(openai.com)；
5. 使用论文推荐系统。我常用的是这三个：
- HuggingFace Daily Papers: (huggingface.co)
- Aminer: (www.aminer.cn)
- Papers With Code (paperswithcode.com)
三、哪些类型的论文值得优先关注？
这期节目中推荐三类论文值得优先关注，分别是：调查型论文 (Survey Papers)、基准测试型论文 (Benchmarking Papers)、突破型论文 (Breakthrough Papers)。
调查型论文 (Survey Papers) 提供了对某一特定领域或主题的全面回顾和总结。它们通常包含了大量的背景信息、理论基础、现有研究的总结以及未来的研究方向。阅读调查型论文能够帮助你构建起对某一领域的比较全面的理解。例如，关于 RAG 的论文 "Retrieval-Augmented Generation for Large Language Models: A Survey"。
基准测试型论文 (Benchmarking Papers) 通常会介绍新的数据集、评估标准或测试协议，用于衡量和比较不同模型的性能。例如，"TruthfulQA: Measuring How Models Mimic Human Falsehoods" 提出了衡量 LLMs 在生成问题答案时真实性的基准测试。
突破型论文 (Breakthrough Papers) 通常报道了某项新技术、新算法或新模型，这些成果往往具有颠覆性，能够显著推进整个领域的发展。例如，"Attention Is All You Need" 这篇论文首次提出了 Transformer 模型。
四、读的时候重点关注论文里的哪些点？
结合自己的目标，对于不同的论文，具体的关注点会不一样。以下是一种通用的框架供参考：
1. 快速浏览：首先快速浏览整篇论文，注意标题、摘要、图表、结论等部分，以获得论文的总体框架和主要发现；
2. 深度阅读：在对论文有基本了解后，进行深度阅读，重点关注方法论、实验设计和数据分析等关键部分；
3. 背景知识补充：如果论文中使用了不熟悉的概念或方法，查阅相关资料以补充背景知识，以便更好地理解论文内容；
4. 图表分析：仔细分析论文中的图表和可视化数据，理解它们如何支持论文的论点和结论；
5. 关注研究局限性：识别论文的局限性、边界条件和未来研究方向，这有助于形成更全面的对该领域研究的理解；
6. 批判性思维：尝试理解论文的假设、数据来源、实验方法和结论，寻找可能的偏见和忽略的事项；
7. 比较阅读：如果可能，将论文与同一主题的其他研究进行比较，注意它们之间的异同和研究方法的选择；
8. 实践应用：思考是否有可能将论文中的研究成果应用到实际问题或自己的研究项目中；
9. 做笔记和总结：在阅读过程中做笔记，记录关键点、疑问和自己的想法。阅读结束后，尝试用自己的话总结论文的主要贡献和结论。比如像我这样，学到什么就写什么，哪怕只是论文中的某一个点。即使不太能理解一些论文的具体论证过程，理解方案、结论、限制条件应该还是可以的，也可以当作是练习英文阅读。
虽然是说如何更好地阅读 AI 领域内的论文，相信你已经发现，只要把论文信息源和论文类型一换，套用到阅读其他领域的论文上也是一样的。
How To Read AI Research Papers Effectively 直播回放：
www.youtube.com
Slide:
docs.google.com
附图来自该 Slide。
读论文这件事可以概括为以下几点：
1. 为什么要读论文？
2. 从哪里发现高质量的论文？
3. 哪些类型的论文值得优先关注？
4. 读的时候重点关注论文里的哪些点？
前阵子，DeepLearning 邀请 Arize AI 的联合创始人 Aparna Dhinakaran 以及工程师 Amber Roberts 直播聊了一期如何更高效地阅读 AI 领域内的论文。结合这期节目的内容和我自己的感受，整理了一下关于读论文的思路。
一、为什么要读论文？
论文中往往包含了最新的研究成果、最酷炫的技术，甚至是颠覆性的创新。通过读论文，我们可以了解到哪些方法是有效的，哪些是过时的，让自己尽量跟上领域前沿的知识。
不同于新闻报道或一般的博客文章，论文通常会深入探讨一个问题，提供严谨的实验验证和详尽的理论分析。这种深度是一般的科技新闻无法比拟的。
很多时候，为了吸引眼球，有些媒体会刻意忽略某研究成果的边界条件、执行成本等因素，单拎出结果来展示，并且还可能夸大这种结果带来的影响。
所以，看到某某职业/行业又被什么技术颠覆了的时候，最好溯源一下这种技术的官方文档、论文等，看看到底是怎么回事。
二、从哪里发现高质量的论文？
1. 学术数据库：像 arXiv、Google Scholar 这样的学术数据库是搜索论文好地方；
2. 学术会议和期刊：关注 AI 领域的顶级会议（如 NeurIPS、ICML、CVPR）和期刊（如 JMLR、TPAMI），它们是高质量论文的发源地。根据自己的兴趣选择性地关注；
3. 社交媒体：X/Twitter、LinkedIn 上有很多大牛，他们会分享最新的研究成果和有趣的论文。比如 Andrew Ng、Andrej Karpathy、Yann LeCun、Geoffrey Hinton、Jim Fan 等。只要关注几个研究人员，刷着刷着就会刷到越来越多的领域内的研究人员；
4. 研究团队和实验室：关注知名 AI 实验室和研究团队的更新，他们经常会发布最新的研究论文。比如 DeepMind (deepmind.com)、OpenAI
(openai.com)；
5. 使用论文推荐系统。我常用的是这三个：
- HuggingFace Daily Papers: (huggingface.co)
- Aminer: (www.aminer.cn)
- Papers With Code (paperswithcode.com)
三、哪些类型的论文值得优先关注？
这期节目中推荐三类论文值得优先关注，分别是：调查型论文 (Survey Papers)、基准测试型论文 (Benchmarking Papers)、突破型论文 (Breakthrough Papers)。
调查型论文 (Survey Papers) 提供了对某一特定领域或主题的全面回顾和总结。它们通常包含了大量的背景信息、理论基础、现有研究的总结以及未来的研究方向。阅读调查型论文能够帮助你构建起对某一领域的比较全面的理解。例如，关于 RAG 的论文 "Retrieval-Augmented Generation for Large Language Models: A Survey"。
基准测试型论文 (Benchmarking Papers) 通常会介绍新的数据集、评估标准或测试协议，用于衡量和比较不同模型的性能。例如，"TruthfulQA: Measuring How Models Mimic Human Falsehoods" 提出了衡量 LLMs 在生成问题答案时真实性的基准测试。
突破型论文 (Breakthrough Papers) 通常报道了某项新技术、新算法或新模型，这些成果往往具有颠覆性，能够显著推进整个领域的发展。例如，"Attention Is All You Need" 这篇论文首次提出了 Transformer 模型。
四、读的时候重点关注论文里的哪些点？
结合自己的目标，对于不同的论文，具体的关注点会不一样。以下是一种通用的框架供参考：
1. 快速浏览：首先快速浏览整篇论文，注意标题、摘要、图表、结论等部分，以获得论文的总体框架和主要发现；
2. 深度阅读：在对论文有基本了解后，进行深度阅读，重点关注方法论、实验设计和数据分析等关键部分；
3. 背景知识补充：如果论文中使用了不熟悉的概念或方法，查阅相关资料以补充背景知识，以便更好地理解论文内容；
4. 图表分析：仔细分析论文中的图表和可视化数据，理解它们如何支持论文的论点和结论；
5. 关注研究局限性：识别论文的局限性、边界条件和未来研究方向，这有助于形成更全面的对该领域研究的理解；
6. 批判性思维：尝试理解论文的假设、数据来源、实验方法和结论，寻找可能的偏见和忽略的事项；
7. 比较阅读：如果可能，将论文与同一主题的其他研究进行比较，注意它们之间的异同和研究方法的选择；
8. 实践应用：思考是否有可能将论文中的研究成果应用到实际问题或自己的研究项目中；
9. 做笔记和总结：在阅读过程中做笔记，记录关键点、疑问和自己的想法。阅读结束后，尝试用自己的话总结论文的主要贡献和结论。比如像我这样，学到什么就写什么，哪怕只是论文中的某一个点。即使不太能理解一些论文的具体论证过程，理解方案、结论、限制条件应该还是可以的，也可以当作是练习英文阅读。
虽然是说如何更好地阅读 AI 领域内的论文，相信你已经发现，只要把论文信息源和论文类型一换，套用到阅读其他领域的论文上也是一样的。
How To Read AI Research Papers Effectively 直播回放：
www.youtube.com
Slide:
docs.google.com
附图来自该 Slide。
14 18
(The Batch 翻译) 主题：智能体 (AI Agent) 工作流设计模式之整合外部工具
推荐阅读的三篇论文：
- (arxiv.org) “Gorilla: Large Language Model Connected with Massive APIs,” Patil et al. (2023)
- (arxiv.org) “MM-REACT: Prompting ChatGPT for Multimodal Reasoning and Action,” Yang et al. (2023)
- (arxiv.org) “Efficient Tool Use with Chain-of-Abstraction Reasoning,” Gao et al. (2024)
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
推荐阅读的三篇论文：
- (arxiv.org) “Gorilla: Large Language Model Connected with Massive APIs,” Patil et al. (2023)
- (arxiv.org) “MM-REACT: Prompting ChatGPT for Multimodal Reasoning and Action,” Yang et al. (2023)
- (arxiv.org) “Efficient Tool Use with Chain-of-Abstraction Reasoning,” Gao et al. (2024)
P.S. 文章来源是吴恩达 (Andrew Ng) 教授主理的一个 AI 周报，分享他对于 AI 的思考和洞察。
上一期：m.okjike.com
本期原文：www.deeplearning.ai
3 03