01 Module 1- Understand the power of GenAI and how to yield it

来源：AI时代学习营 · AI Builder 课程 · 在学习书房阅读原版（含图）

一、第一模块议程 00:00

理解AI的重要性

• 学习重点:本课程中AI特指生成式AI（Generative AI）
  • 核心问题:为什么AI难以有效使用？
  • 为什么生成式AI如此重要？
• 实践环节:通过实际演示展示AI价值及应用方法
• 范式转变:需要理解AI带来的根本性变革，而不仅是技术工具二、常⻅AI使用问题

聊天功能局限

• 典型症状:“我每天使用AI聊天，但难以突破聊天功能”
• 深层原因:用户停留在基础交互层面，未开发高级应用场景
• 突破方法:需要系统学习如何将AI应用于专业工作流

信息过载问题

• 现象描述:“淹没在炒作中，难以辨别真实机会”
  • 具体表现:每日大量点击诱饵文章
  • 难以形成独立判断标准
• 解决方案:建立基于工程原理的评估框架

工作流集成困难

• 实际痛点:“尝试集成到工作流时笨拙且经常失败”
• 反效果:可能导致生产力下降而非提升
• 关键障碍:现有工作流程与AI特性不兼容

生产环境可靠性

• 演示与生产差距:“适合制作演示，但难以保证生产可靠性”
  • 核心矛盾:原型开发容易
  • 系统稳定性难以保障
• 课程承诺:教授连接AI解决方案与永恒工程原则的方法

AI范式转变

比尔盖茨观点

• 技术革命标准:比尔·盖茨认为在其一生中只有两项技术真正具有革命性，分别是图形用户界面(GUI)和人工智能(AI)
• 发表时间:该观点发表于2023年3月21日，正值GPT-4发布期间
• 历史定位:AI的革命性与移动电话和互联网相当，标志着”AI时代已经开始”

革命性技术比较

• 常⻅误解:许多人误以为比尔·盖茨提到的另一项革命性技术是移动电话或互联网
• 实际答案:图形用户界面(GUI)才是比尔·盖茨认为的另一项革命性技术
• 对比说明:虽然移动电话和互联网也很重要，但GUI在技术发展史上具有更基础性的变革意义

GUI技术革命

• 技术本质:GUI(图形用户界面)彻底改变了人机交互方式，使计算机操作变得直观
• 历史意义:比尔·盖茨亲身经历了GUI从无到有的发展过程，⻅证了其革命性影响
• 合理原因:GUI奠定了现代计算的基础，其重要性超过了许多表面看来更”革命性”的技术
• AI超越性:当前AI技术的发展已经超越了移动电话、互联网甚至PC软件的革命性影响

范式转变挑战

• 认知阻力：需要先”忘记”旧知识才能学习新知识
• 信息过载：新技术带来的海量信息需要消化
• 技能断层：需要持续学习新事物保持竞争力
• 标准缺失：旧评价体系失效，新标准尚未建立
• 情感障碍：专家变新手的心理落差和恐惧感

认知与情感障碍

• 双重挑战：不仅是技术更新，更包含认知重构和情感适应
• 典型表现：方向迷失感（disorienting）和知识焦虑
• 深层影响：旧有思维框架可能成为学习新范式的阻碍

旧知识陷阱

• 专业惯性：程序员/数据科学家的第一反应是建模，但在AI时代这可能成为危险陷阱
• 框架依赖：通过框架学习软件是旧范式的最佳实践，但在新范式中需要突破
• 假设检验：必须挑战旧有认知中隐含的未经验证的假设

目标不确定性

• 评价真空：传统领域有明确标准（如面试评估程序员能力），但AI工程师尚无共识
• 信息甄别：难以区分噪声与有效信号，缺乏权威知识来源判定标准
• 实践模糊：没有公认的最佳实践指南和教科书参考体系

专家恐惧心理

• 身份转换：从领域专家变为初学者的心理不适
• 存在焦虑：害怕被新技术边缘化的恐惧（fear of irrelevance）
• 学习阻碍：这种恐惧实际会阻碍对AI的接受和学习进程

AI本质理解

AI技术误解

• 认知偏差：多数人无法准确定义AI，仅将其视为”炫技工具”
• 理解缺口：参加AI课程的学习者往往缺乏对技术本质的把握
• 实践脱节：使用AI工具与理解其工作原理存在显著差距

生成式AI定义

• 核心机制：本质是预测下一个token（P(xt|xt- 1,…,x0)）
• 通用特性：与传统专用AI不同，具有解决通用任务的能力
• 应用突破：实现代码生成、复杂问题解答等传统搜索引擎无法完成的任务
• 代理能力：通过智能体(agents)扩展人类能力边界

范式转变实例

iPhone范式转变

• 范式转变本质：从功能性设备转变为解决方案平台，类似AI的发展方向
  • 具体表现：用户交互：从按键操作到触摸屏的人机交互革命
  • 应用生态：从单一功能到开放应用商店的解决方案平台
  • 设计理念：从硬件参数竞争转向用户体验为中心

• 旧范式局限：2007年文章仍用硬件参数（摄像头像素、3G网络等）对比iPhone与Nokia N95
  • 新范式特征：硬件：成为身体的自然延伸
  • 软件：提供移动连接和计算的基础平台

生态系统比较

• 短期比较：第一年iPhone与Nokia功能相近甚至部分参数落后
  • ⻓期影响：十年后形成完整生态系统（Uber/Tinder等应用生态）
  • Nokia无法与整个iOS生态系统竞争
  • 商业启示：早期识别新范式可抓住平台级机会
  • 开发者可在新平台上创造全新商业模式

硬件软件革新

• 双重变革：硬件层：设备成为人体自然延伸（触控交互革命）
• 软件层：开放平台赋能第三方创新（App Store模式）
• AI类比：类似iPhone从功能机到智能机的转变
• 当前AI发展正处于类似范式转换的关键期
• 未来可能在基础模型上构建全新应用生态

• 核心启示：真正的范式转变往往超越表面参数比较，需要从系统层面理解其革命性价值

AI接口演变

• 核心价值:AI技术通过赋予人类计算能力访问权实现范式转变，使普通人无需专业技术背景即可使用复杂计算资源。

编程接口局限

• 特点:功能强大:可完成通用计算任务
• 学习⻔槛:需要系统学习编程语言和逻辑
• 典型场景:开发复杂系统时需要编写大量代码实现功能

GUI接口特点

• 革命性突破:易用性:通过可视化界面降低使用⻔槛（如TikTok的滤镜、上传功能）
• 局限性:功能受限于预设按钮和界面设计
• 典型案例:短视频平台通过简单UI封装复杂算法（视频分发、AI滤镜等）
• 普通用户无需了解底层技术即可享受服务

自然语言接口

• 范式突破:通用性:可处理各类任务（类似编程）
• 易用性:通过自然语言交互（类似GUI）
• 历史意义:首次打破”功能强大则难用，易用则功能有限”的传统取舍
• 技术代表:生成式AI允许用户用日常语言访问强大计算资源八、实践演示

邮件发送任务

• 任务描述：通过Google Apps Script实现批量发送个性化欢迎邮件，邮件内容包含学员姓名、课程幻灯片链接和个人网站链接。
• 数据准备：使用Google表格存储两列数据 - Preferred Name（A列）和Email（B列）。
  • 邮件要求：标题固定为”Welcome!”
  • 需要美观的HTML格式内容
  • 包含个性化问候语和两个特定链接

AI代码生成

• 实现步骤：打开Google表格
• 进入Extensions → Apps Script
• 粘贴生成的完整脚本
• 首次运行时需要授权
• 脚本会自动遍历每一行发送邮件
• 脚本功能：读取表格数据（跳过表头）
• 构建美观的HTML邮件内容
• 处理空白行
• 发送个性化邮件
• 注意事项：默认第一行为表头
• 如果表格名称或列顺序不同需要调整脚本
• 建议先用自己的邮箱测试

执行结果验证

• 执行过程：点击Run执行sendWelcomeEmails函数
• 查看Execution log确认执行状态
• 约5分钟内应收到测试邮件
• 错误处理：如果未收到邮件需要检查： 执行日志是否有报错 邮箱是否正确 授权是否完整
• 学习启示：实践循环：真正的学习发生在”吸收→思考→行动”的循环中
• 行动障碍：阻碍学习进步的主要不是信息不足，而是缺乏实际行动
• 快速实践：通过这个简单任务快速进入实践环节，避免陷入纯理论学习

传统解决方案

• 三种传统方法：手动复制粘贴1000次
• 编写自动化代码
• 购买专业服务（如Mailchimp）

邮件服务商业价值

• 商业规模：购买专业服务是价值巨大的商业行为，如Mailchimp被Intuit以120亿美元收购
• 服务优势：提供预置按钮的GUI界面，将复杂代码封装为简单操作
• 典型案例：Mailchimp作为邮件营销平台，通过简化操作流程创造商业价值

GUI确定性优势

• 核心特征：GUI是通过预置按钮控制计算的简单方法
• 关键优势：提供可预测的结果输出
• 价值体现：节省大量重复劳动时间，用户愿意为时间节省付费
• 服务本质：将编程复杂度转化为确定性操作，如点击按钮即可完成邮件群发

编程自动化困境

• 理论预期：编程自动化应是”一次性投入，永久受益”
  • 现实困境：时间消耗：实际需要大量时间调试和维护脚本
  • 不确定性：代码运行结果难以预测
  • 机会成本：开发者可能失去完成原始任务的时间
  • 自动化悖论：理论：编写代码→自动化接管→专注高价值工作
  • 现实：编写代码→持续调试→无暇处理原始任务
• ⻔槛问题：编程不仅学习曲线陡峭，且产出效果难以保证十、AI范式转变

• 核心转变:从传统编程转向自然语言交互，这是AI带来的根本性变革
• 实现方式:用户只需描述目标，AI自动完成具体实现

人类需求分类

• 分类维度:按生产力和娱乐、集中化和⻓尾需求两个维度划分
  • 四象限模型:专业生成软件(PGS)
  • 专业生成内容(PGC)
  • 用户生成内容(UGC)
  • 用户生成软件(UGS)

娱乐需求

• 集中化娱乐:早期网络⻔户(如Yahoo)解决的典型需求
• ⻓尾娱乐:现代平台(如TikTok)满足的个性化需求
• 演变过程:从⻔户网站到短视频平台的进化路径

⻓尾生产力需求

• 特点:包含数十亿个小型定制化任务
• 传统局限:无人会为每个小任务专⻔开发GUI软件
• AI解决方案:通过自然语言交互满足个性化生产力需求
• 典型案例:自动化邮件发送、数据整理等日常办公任务十一、从编程到自然语言

• 转变本质:从”写代码”到”描述目标”的范式转换
• 技术实现:通过自然语言指令完成复杂编程任务
• 应用示例:用自然语言描述即可生成完整的Google Apps Script邮件发送程序

用户生成软件

• 核心概念:用户通过自然语言直接创建功能性软件
• 技术基础:AI将自然语言需求转化为可执行代码
• 优势:降低技术⻔槛，使非程序员也能进行软件开发
• 未来展望:这种新型计算方式将重塑软件开发和使用方式十二、范式转变中的历史经验

• 成功者共性:在过去的每次范式转变中，成功者都有一个共同点 - 他们不仅是使用者，更是建设者。比尔·盖茨、杰夫·⻉索斯、埃隆·⻢斯克、史蒂夫·乔布斯和⻢克·扎克伯格在成名前都是建设者。

GUI时代经验

• 历史借鉴:研究图形用户界面(GUI)时代的经验教训，可以帮助我们理解当前AI范式转变中的机遇。成功者往往在技术早期就开始建设，而非等待成熟。

AI早期阶段

• 发展阶段类比:当前AI处于类似大型机时代，而非笔记本电脑时代。工具虽然强大但仍有缺陷，就像IBM大型机(PDP-10)虽然庞大复杂但已可用。
• 技术成熟度:今日AI就像1970年代的大型计算机，虽然体积庞大(技术不完善)，但已具备实用价值，为早期建设者提供机会。

比尔盖茨案例

早期编程经历

• 技术积累:比尔·盖茨在中学时期就开始在PDP-10大型机上编程，中学学校拥有连接这台计算机的终端。
• 实践经验:高中时期就被计算机中心公司雇佣，并创立了”交通数据”公司，上大学前已是优秀程序员。

Altair机遇

• 关键转折:1975年第一台个人计算机Altair出现时，盖茨和保罗·艾伦因已有建设经验而能抓住机遇。
• 核心启示:机会属于那些在其他人开始前就已经开始建设的人。盖茨的成功源于他在PC时代来临前多年的技术积累和实践经验。十三、构建的重要性

• 学习效果提升路径：通过构建形成正向循环 - 更好的提示工程带来更好结果 → 更好的集成带来更好结果 → 保持技术更新带来更好结果 → 理解领域带来更好结果
• 最佳学习方式：动手构建是学习生成式AI最有效的方法，不需要成为比尔·盖茨级别的创新者也能通过构建获得最佳学习效果

构建作为指南针

• 技术筛选功能：在技术快速迭代的海洋中，构建项目成为判断新技术价值的指南针 -只需验证”这项新技术能否让我的项目运行得更好”
• 实践验证优势：可以直接测试新的提示工程方法是否适用于当前项目，为学习提供明确方向标

构建作为推进器

• 持续迭代动力：构建成果带来的满足感会推动持续改进，这种动力远超作业任务能提供的激励
• 能量循环机制：进入构建循环后，项目本身会激发好奇心和持续学习的能量，形成自我驱动的学习状态十四、保持初学者心态

• 新范式要求：在快速发展的生成式AI领域，要有效构建和学习就必须保持”愚蠢”的初学者心态
• 认知重置价值：承认自己在新范式中的无知状态，才能开放地接受新技术和新方法十五、生态系统发展时间

汽⻋替代案例

• 技术替代周期：汽⻋发明于1886年，但花费70年才完全替代⻢⻋，说明核心技术需要配套生态系统的同步发展
• 基础设施依赖：汽⻋普及需要道路、加油站、装配线等配套基础设施的完善，单独技术突破不足以推动变革
• 生态建设启示：当前AI发展同样需要时间构建完整生态系统，包括工具链、工作流程和行业标准等配套要素十六、AI编码作为接口

• 核心定位:编程本身不是目的，而是作为解决问题的通用接口
• 教学重点:本课程的目标不是培养程序员，而是教授如何将AI编码作为构建工具
• 现实意义:当前技术发展阶段需要掌握基础能力，就像在自动驾驶普及前需要学会驾驶和修⻋

驾驶与修⻋技能

• 能力要求:基础操作:需要掌握”驾驶”能力（使用AI编码工具）
• 故障处理:需要学会”修⻋“（调试和修复生成的代码）
• 组件替换:掌握”更换零件”（模块化替换代码组件）
• 基建能力:具备”铺路”（搭建基础开发环境）的能力
• 现实类比:当前技术生态如同未建成的高速公路系统，需要这些基础能力才能抓住机遇十七、现有编程生态系统

• 技术架构:基于现有编程生态构建，通过API实现具体功能（如读取数据、发送邮件等）
  • AI⻆色:文档解析:AI已学习全部API文档，充当”通用翻译器”
  • 代码生成:用自然语言指示AI编写连接现有API的胶水代码
  • 构建者优势:机会窗口:当前处于技术成熟度曲线的最佳位置
  • 能力边界:既不会过于原始难以构建，也不会完全自动化消除构建者价值
  • ⻛险提示:过程中必然会遇到各种技术挑战和困难
• 典型示例:1 function sendEmails() { 2 var sheet = SpreadsheetApp.getActiveSpreadsheet().getActiveSheet(); 3 var startRow = 2; 4 var numRows = sheet.getLastRow()-1; 5 var dataRange = sheet.getRange(startRow, 1, numRows, 2); 6 var data = dataRange.getValues(); 8 for (var i=0; i < data.length; ++i) { 9 var row = data[i]; 10 var preferredName = row[0]; 11 var emailAddress = row[1]; 12 var subject = “Welcome Email”; 13 var htmlBody = HtmlService.createHtmlOutput( 14 <body> 15 <p>Hello <strong>${preferredName}</strong>,</p> 16 <p>Welcome to the Maven Course!</p> 17 </body>).getContent(); 19 MailApp.sendEmail({ 20 to: emailAddress, 21 subject: subject, 22 htmlBody: htmlBody 23 }); 24 } 25 }十八、克服挑战创造价值

• 价值创造：克服困难的过程本身就是创造价值的过程，如果事情很容易完成，就不会产生真正的价值。
• 关键数据：Manus经过12次尝试才完成任务，这12次失败最终转化为竞争优势。
  • 核心技能：AI局限性认知：深刻理解AI的能力边界至关重要
  • 信念坚持：坚信任务可以通过AI完成是成功的前提，因为过程必然充满曲折
  • 反思能力：失败时深入分析原因并给AI提供有效指导是AI时代的核心技能
  • 需求澄清：需要不断修正和明确需求表达，人类思考的周密性同样重要
  • 任务分解：通过”中间件”概念将大任务拆解为小步骤，让AI专注于解决问题而非理解模糊指令十九、从用户到构建者

• 初学者心态：可能性开放：初学者思维充满可能性，而专家思维往往受限
• 自我限制：过往专⻓会成为盲点，如数据科学家可能自我设限认为开发任务超出能力范围
• 实践验证：实际尝试往往能突破自我认知的限制

• 身份重构：转变时机：现在是时候改变自我认知和身份定位
• 新定位：从技术使用者(user)转变为创造者(builder)

构建者信条

• 行动准则：改进思维：当应用不完全符合需求时，构建者会说”我可以改进它”
• 创造思维：当所需应用缺失时，构建者会说”我可以建造它”
• 内在化要求：需要将这两句话内化为个人信条，不断自我强化二十、寻找问题领域

价值与颠覆性

• 象限选择原则:应优先关注右下象限（高颠覆性但低市场价值）的问题领域
  • 价值判断标准:非价值非颠覆：属于伪需求（pseudo demands）
  • 有价值非颠覆：可能已被成熟企业解决（如GUI公司）
  • 有颠覆非价值：是初学者的最佳切入点
  • 实践建议:避免直接追求”高价值+高颠覆”的复合机会（对初学者不现实）
  • 选择对个人有价值但市场尚未认可的方向（如AI降低成本的个人网站）
  • 通过这类项目培养构建习惯和思维方式二十一、历史观察

技术应用阶段

• 初始阶段特征:将新技术应用于旧问题（如广播公司Mark Cuban的Broadcast.com）
• 典型案例：早期互联网视频传输（已有十亿美元市场规模）
• 发展规律:技术成本下降催生新可能（如AI将建站成本降至近乎零）
• 需要时间积累生态系统和创造力

原生解决方案

• 演进过程:信息爆炸后需要谷歌式解决方案（早期互联网网站稀少时不显价值）
• iPhone案例：乔布斯最初30分钟只强调iPod功能，未预⻅移动互联网潜力
• 构建哲学:无法预测”AI时代的谷歌”，应从简单需求起步
• Instagram启示：始于滤镜工具，演化成图片社交平台（后被Facebook收购）
• 核心方法论:聚焦”人们真正需要的小东⻄”
• 通过持续构建培养发现10倍机会的能力二十二、构建而非创造AI

• 核心原则:我们不是要构建基础AI模型，而是利用现有AI技术构建解决方案
  • 历史类比:浏览器时代的机会是构建网站而非更好的浏览器
  • iPhone时代的机会是开发应用而非制造新手机
  • 实施建议:从构建人们真正需要的简单应用开始
  • 明确区分：本课程教授的是AI应用开发，而非大语言模型(LLM)的底层构建二十三、学习生成式AI

• 本质特征:学习过程简单但实践难度大
• 需要同时掌握建设者思维和培养相应习惯

心态与习惯

• 关键要素:建设者思维:需要主动实践而非被动听课，如同学习游泳必须下水练习
• 习惯培养:建立持续实践的学习习惯，避免仅停留在理论层面
• 实践要求:不能仅满足于课堂听讲
• 需要通过实际项目积累经验
• 保持持续学习和迭代的节奏二十四、构建循环

产品开发流程

• 核心原则:Make something people want
  • 四步循环:发现问题:从身边或团队中的实际问题出发
  • 构建方案:针对问题开发解决方案
  • 克服挑战:每克服一个挑战，方案价值就提升一分
  • 寻找市场:验证方案的市场适应性
• 迭代关键:这个过程需要不断重复，通过持续迭代来抓住更多机会
• 起步建议:从小问题开始，逐步积累方法、技能和工具

克服挑战

• 价值提升:每克服一个挑战，解决方案的价值就会增加
• 持续改进:挑战是完善产品的必经之路
• 市场验证:需要通过市场检验来确认解决方案的有效性二十五、持续学习

• 课程意义:课程结束只是真正学习的开始
  • 成⻓路径:改变轨迹:通过持续应用新方法和习惯，可以改变人生轨迹
  • 社区支持:有专⻔的社区提供持续支持
  • ⻓期价值:非一次性知识:课程目标不是提供一次性知识提升
  • 能力培养:重点是培养持续学习和成⻓的能力
• 未来选择:每个决策点都可能开启新的人生路径二十六、社区支持

• 多语言支持：社区欢迎任何语言的发帖，虽然大部分内容使用中文，但官方提供英文支持（由Yan和YZ负责），并正在开发自动翻译功能。
• 终身价值：这是一个由往届学员和AI专家组成的终身社群，旨在持续支持成员的学习与发展。

社区功能

• 交流方式：项目分享：成员可以展示自己的AI项目
• 问答支持：Yan和YZ提供终身答疑服务，解答任何与AI相关的问题
• 经验交流：成员间可以分享学习方法和行业⻅解
• 成员背景：包含AI/ML工程师、技术教育者等专业人士，如：Yurheng Sun（课程助教）：负责优化学习环境，80%英文内容经过LLM润色
• Shushan He（AS/MLE）：专注于时间序列预测和优化问题

加入方式

• 访问路径：通过学生⻔户的公告区获取专属加入链接
  • 自我介绍：新成员需在#intros频道说明：背景信息
  • 学习动机
  • 联系方式（LinkedIn/Twitter等）
  • 曾用生成式AI解决的问题案例

课程作业

• 三项初始任务：熟悉课程⻔户和社区功能
• 完成自我介绍帖
• 预习Module 1-2的课程材料
• 重要日期：首次直播课：11月8日
• 可选Office Hour：11月15日16:00-17:30（PST）二十七、课程介绍

作业项目说明

五个小型项目

• 项目特点：包含五个迷你项目，虽然看起来复杂，但在AI帮助下每个项目可在约5分钟内完成
• 项目内容：包括数据提取、下载、网⻚增强、图像内容和GUI自动化等项目
• 完成建议：鼓励尝试并分享项目成果，部分学员已开始实践

答疑时间安排

答疑时间价值

• 时间设置：11月15日周六下午4:00-5:30（PST）
• 参与价值：课程中最有价值的环节之一，可获取针对性解答或从他人讨论中学习
• 发言规则：每人讨论时间控制在10分钟内

成功学生模式

• 成功模式：最成功学员的共同特点是完成所有作业并参加答疑时间
• 效果验证：通过这种方式能有效改变思维方式和习惯

下周任务安排

思维转变训练

• 任务要求：发现并记录5个日常生活中的”待解决问题”
• 训练目的：培养发现机会的思维方式，突破”生活无聊”的思维定式
• 时间安排：从当前到下周有一周时间完成
• 建议方法：可从他人分享中获取灵感，持续练习会发现更多可解决问题

个人网站介绍

网站功能说明

• 网站内容：为每位学员搭建了个人网站，包含个人信息摘要
• 访问方式：通过邮件中的链接访问，初始显示为信息摘要

信息处理流程

• 技术实现：通过自动化流程抓取并整合学员信息
• 内容生成：AI自动生成个人摘要和职业亮点
• 更新机制：答疑时间前会刷新网站内容

个人资料完善

• 完善建议：尽可能完整填写个人资料
• 特殊字段：添加”希望AI了解的关于我的信息”字段
• 效果提升：提供更多信息可显著提高AI输出质量

模块总结

AI学习难点

• 难点本质：AI难学是因为它代表全新范式
• 核心范式：自然语言作为计算接口
• 学习方法：最佳学习方式是通过实践构建
• 阶段特点：当前仍处早期阶段，挑战即机会
• 关键心态：培养构建者思维和习惯
• 终极目标：创造人们真正需要的东⻄
• 态度建议：保持”Stay foolish”的探索精神

课间休息安排

• 时间调整：原定10分钟休息缩短为5分钟
• 互动准备：休息后将进行引导式自我介绍

互动问答环节

• 参与方式：通过slido平台参与，代码9970750
• 功能说明：可查看他人回答并建立联系

自我介绍活动

活动时间优化

• 时间考量：50人每人半分钟至一分钟，至少需要半小时
• 形式创新：采用引导式自我介绍提高效率

屏幕共享说明

• 技术支持：提供屏幕共享辅助查看互动结果

工具使用调查

学员背景分析

• 工具使用：Notebook LM使用率38%，高于Cursor
• 职业分布：涵盖软件工程师、产品设计师、数据科学家等多种技术岗位
• 公司代表：包括Meta、Amazon、Visa、Intuit等知名企业

互助能力展示

• 专业帮助：产品构建思维、代码调试、税务规划等
• 生活技能：汽⻋维修、舞蹈教学、书籍俱乐部运营
• 健康建议：运动医学、血糖控制、伸展技巧
• 心理支持：快乐秘诀、职业过渡指导、创意表达

社区价值强调

共同学习目标

• 社区定位：致力于AI学习的价值共同体
• 成员特点：共享相似价值观和学习目标
• 技能预期：通过课程获取实用AI技能

社区互动建议

• 互动建议：阅读并回复他人自我介绍
• 连接方式：主动建立联系，利用互助机会
• 参与价值：通过帮助他人深化自身学习二十八、知识小结主题 核心内容 关键观点/金 实践案例 难点/挑战句AI范式革命 自然语言作 “AI打破编程 对比GUI发展 认知与情感为计算新接 与GUI的旧权 史（iPhone生 挑战：专家口 衡：既通用 态vs诺基 需重新成为又易学” 亚） 初学者学习路径 构建者思维 “用户抱怨功 邮件自动化 自动化陷优于用户思 能缺失，构 案例（自然 阱：调试耗维 建者思考如 语言生成代 时可能超过何创造” 码） 手动操作技术特性 生成式AI的本 “预测下一个 学员个人网 可靠性难质 token的通用 站生成（AI整 题：演示易任务处理器” 合多源数 做，生产环据） 境难部署历史机遇 生态发展周 “汽⻋取代⻢ Bill Gates抓住 判断力缺期规律 ⻋耗时70 PC机遇的早 失：难以区年：需配套 期编程积累 分真实机会道路/加油站” 与市场噪音实践方法论 构建-学习循 “真实学习发 5分钟迷你项 情绪障碍：环 生在吸收→ 目训练（复 对失去专家质疑→行动 杂任务拆 身份的恐惧的闭环中” 解）社区价值 协作学习网 “竞争优势仅 技能交换 早期工具限络 在于他人放 （税务优化/ 制：当前AI相弃时你仍坚 舞蹈教学 当于”主机时持” 等） 代”