AI工具：如何选择？

在比较工具之前，先优化你的提示词

AI工具常被以其原始性能来评判，但一个关键要素却被忽视：回答的质量既取决于模型本身，也取决于提示词。

常见错误

面对令人失望的回复时，许多人会感到沮丧：“这AI真没用，什么都不懂。”然而，往往只需更详细的提示就能改变一切。这合乎逻辑：每个生成的词语都依赖于上下文。上下文越精确，找到正确下一个词的概率就越高。经验丰富的用户花在优化请求上的时间比阅读回复的时间更多——我就是这样����。

优质提示词的基础

• 明确你的意图：你想要实现什么目标，以及出于什么目的。
• 为AI分配一个角色：专家、教师、记者、科普者……
• 指定预期格式：段落、列表、表格、结构化大纲。

示例

• 光合作用是植物、藻类和一些细菌利用阳光将二氧化碳和水转化为食物（葡萄糖）和氧气的过程。简单来说，就像植物用阳光当“能量”，把空气里的二氧化碳和土壤里的水变成自己的“饭”，同时放出氧气供我们呼吸。 **例子1**：你种了一盆绿萝。把它放在窗边晒太阳，它就能通过光合作用制造养分，叶子会一直绿油油；如果把它关在黑暗的柜子里，几天后叶子就会发黄，因为没阳光它无法“做饭”。 **例子2**：池塘里的水藻也是光合作用高手。阳光照进水里，水藻吸收水中的二氧化碳，快速生长繁殖，同时释放出氧气气泡。这就是为什么鱼缸里放水草能帮鱼呼吸——水草光合作用产生的氧气溶解在水中。
• 采用生命科学教师的视角。
• 将答案以编号列表的形式呈现。

注： 人工智能的崛起揭示了一个讽刺：机器越善于表达，人类就越需要比它们说得更好——至少更准确。 语言并非细枝末节，它是我们的思想与机器智能之间的接口。

AI用户演变（估算与预测）

相对于全球80亿居民，人工智能用户的数量仍然微不足道，这表明这场革命才刚刚开始。国际电信联盟（ITU）估计，到2025年，全球近四分之三的人口将实现联网，但仍有22亿人未能接入网络，因此2025年的人工智能用户数量低得惊人。

大语言模型是人工智能领域的瑞士军刀

大型语言模型（LLMs）是公众最为熟知的人工智能技术。当前人工智能的能力极为广泛，用途也极其多样，任何总结都无法罗列其所有优缺点；每种工具所开启的可能性过于广阔，难以被简单表格所局限。以下是根据我的经验整理的一份表格。

这些工具的常见局限性

尽管当前的人工智能取得了诸多成就，但它们仍存在结构性的弱点：

• 缺乏真正的理解——他们操纵概率。
• 偏见与幻觉——它们捏造事实，并复现训练数据中存在的刻板印象。
• 对边缘情况的脆弱性——上下文、词汇或词序的微小变化可能导致不一致、矛盾或错误的回应。
• 与现实世界缺乏物理基础——与生物不同，人工智能无法与环境互动。它们对世界的认知主要源于人类已产生的数据。
• 长推理的困难——当前系统在遵循复杂因果链、在长序列中保持一致性，或在常见案例之外进行推理时表现不佳。
• 依赖历史数据——模型基于从历史数据中学习到的统计分布来构建其响应。它们延伸的是已观察到的趋势，而非做出真正的预测。
• “金鱼效应”——所有AI都会适应用户的风格，但不会永久保留任何信息。它们会根据即时情境调整回应。你常常需要提醒它们你的规则，这可能会令人沮丧。

LLM免费配额对比

并非所有免费工具在使用限制上都相同。

关键要点

• 优化你的提示词。
• 要保持真正的生产力，请使用多个AI：你将永远不会被限制性配额所阻碍。
• 不要犹豫，向他们提交相同的提示，分析它们的差异，甚至反驳它们以完善答案。
• 最重要的是，保持批判性思维——它们不过是随机鹦鹉。