第1章 走进人工智能时代：AI、职业能力与人机协同

本章导读

人工智能正在从单点工具变成新的通用能力。它已经不只是搜索引擎中的推荐算法，也不只是聊天窗口里的问答助手，而是开始进入内容生产、数据处理、客户服务、设备运维、辅助设计、智能制造、物流调度、健康服务和智能终端等场景。

对你来说，学习人工智能通识课程的目的并不是从第一天就成为算法工程师，而是形成一种新的职业能力：能够理解 AI 的基本原理，判断 AI 适合进入哪个任务环节，设计人机协同流程，检查 AI 输出质量，并对最终结果负责。

后续学习将从本地智能体学习环境开始，逐步进入数据、语言、提示词、上下文、幻觉、RAG、视觉、多模态、工具调用、智能体、专业工作流和物理 AI 小作品。本章先回答四个问题：

1. AI 的能力正在怎样演进？
2. AI 会怎样影响相关专业学习和职业任务？
3. 人机协同与简单替代有什么区别？
4. 使用云端 AI、本地 AI 和国内常见大模型平台时，应注意哪些成本、隐私和安全边界？

本章实践不是复杂编程，而是一次“专业任务 + AI 协同机会”的入门分析。你将体验云端 AI，测试简单提问、结构化提示和风险检查三种提示方式，并完成一份“我的专业 AI 协同场景分析表”。

鲁迅在《故乡》中写道：世上本没有路，走的人多了，也便成了路。 学习人工智能也是在走一条新路。重要的不是追赶每一个新名词，而是看清工具、理解边界，把新技术转化为自己的学习能力。

学习目标

学完本章后，你应达到以下目标：

1. 知识目标：说明人工智能（artificial intelligence, AI）的基本含义，理解识别、生成、判断、工具调用和辅助行动等典型能力。
2. 知识目标：说出大语言模型（large language model, LLM）、提示词（prompt）、上下文（context）、云端 AI、本地 AI、智能体（AI agent）等基础概念。
3. 能力目标：能够把一个专业任务拆分为信息收集、方案生成、修改完善和最终确认等环节，并判断每一环节中 AI 可以参与到什么程度。
4. 能力目标：完成一次 AI 对话体验，比较简单提问、结构化提示和风险检查三种提示方式带来的输出差异，并记录人工复核意见。
5. 素养目标：形成隐私保护、版权意识、事实核验、平台成本意识和责任边界意识，不把 AI 生成内容直接当作最终答案。

先修要求与环境清单

本章不要求会编程，也不要求已经完成本地模型安装。学习时只需要具备三项准备：

1. 能使用手机或电脑访问课程指定的 AI 对话工具；
2. 能把一次 AI 对话的提示词、输出和人工修改记录保存下来；
3. 能按照练习要求填写 AI 黑箱小笔记和专业 AI 协同场景分析表。

本章推荐使用的学习材料包括：

相关内容见表1-1。

表1-1 学习材料与用途

知识准备：先认识这些词

本章会先接触几个后续会反复遇到的基础词语：

相关内容见表1-2。

表1-2 核心概念说明

本章需要使用一款课程指定的 AI 工具。可以是课程统一平台，也可以是在课程许可范围内使用的网页端工具。若平台需要注册，应遵守平台账号管理和个人信息保护要求。

开始实践前，请理解以下学习约定：

• 不上传真实个人敏感信息、企业内部资料和未经授权的照片或文件；
• 不把 AI 输出直接作为事实结论；
• 不把 AI 生成内容直接作为最终作业而不加理解、修改和说明；
• 不随意开通付费服务；
• 对 AI 参与完成的成果，应保留提示词、输出、修改记录和人工复核说明。

1.1 问题与现象：AI 不只是工具，而在改变任务结构

过去，很多专业任务依赖人的经验、流程和软件工具。例如，电商运营人员写商品详情页，数媒人员设计短视频脚本，汽修人员根据故障描述制定检查流程，护理人员整理模拟护理记录，物流人员根据订单和路线安排分拣与配送。

生成式 AI 出现后，这些任务并没有简单消失，而是出现了新的分工方式。

以电商商品详情页为例，过去可能是：

收集商品资料 → 人写卖点 → 人排版 → 人检查 → 发布

加入 AI 后，流程可能变成：

人确认商品真实参数
→ AI 生成多个文案版本
→ 人检查是否夸大宣传
→ AI 根据平台风格改写
→ 人最终审核并发布

这说明 AI 改变的是任务结构：一部分生成、整理、改写和检查工作可以由 AI 协助完成，但目标设定、事实确认、风险判断和责任承担仍然必须由人负责。

这种变化对未来职业任务尤其重要。进入真实职业场景后，你很可能不是单纯使用一个软件，而是要在多个工具、平台、模型和业务流程之间做出判断。

1.2 AI 的能力演进：从识别到生成，再到行动

1.2.1 识别型 AI：从数据中判断类别和规律

较早期的 AI 应用常见于识别和预测。例如，识别图片中的物体、判断评论情感、预测销量趋势、检测设备异常。这类能力依赖数据、特征和模型。

第4章将用体测数据解释数据、模型与预测的基本逻辑。

1.2.2 生成式 AI：从提示词生成文本、图片和代码

生成式 AI 可以根据提示词生成文字、图片、代码、表格和方案。它使普通人能够用自然语言调用复杂模型能力。ChatGPT 的普及让更多人第一次感受到生成式 AI 的能力：不需要写复杂程序，也能让模型参与写作、总结、翻译、问答和内容创作。

但是，生成式 AI 的输出具有概率性。它生成的内容可能流畅但不准确，这正是后续章节要学习的幻觉和证据链问题。

1.2.3 大模型：从单一任务走向综合能力

大语言模型（large language model, LLM）通常通过大规模数据和复杂神经网络训练，能够根据上下文生成自然语言内容。有些模型还支持图像、语音、视频和代码，逐步形成多模态能力。

学习大模型时，你不需要背诵架构细节，而要理解它在学习和工作流程中的角色：它可以生成方案、解释概念、总结资料、辅助编程、分析图片，但也需要提示词、证据、评测和人工复核。

1.2.4 智能体：从回答问题走向完成任务

智能体（Agent）是围绕目标进行计划、调用工具、观察结果并不断调整的 AI 系统。它不只是回答怎么做，还可以参与做的过程。

例如，在后续章节中，本地智能体将帮助我们：

检查环境 → 生成程序 → 调用工具 → 记录日志 → 根据结果修改方案

这就是从 AI 聊天走向 AI 协同执行。

1.2.5 多智能体与物理 AI：从屏幕走向现实世界

更复杂的任务中，可以让多个 AI 角色协同：一个负责规划，一个负责生成，一个负责检查，一个负责安全评估。再往后，当 AI 连接摄像头、传感器、执行器和智能终端时，就进入了物理 AI 的方向。后续综合实践会把本地智能体和最小物理 AI 小作品结合起来。

1.3 AI 对相关专业的影响：从岗位替代到能力重组

讨论 AI 与就业时，容易出现两个极端：一种认为 AI 会替代所有岗位，另一种认为 AI 只是一阵热闹。更现实的判断是：AI 会改变任务结构，重组职业能力。

1.3.1 数字媒体：从内容制作到 AI 辅助创意流程

数媒专业可以使用 AI 生成脚本草案、标题方案、分镜建议、海报文案和风格参考。但最终作品仍要考虑版权、审美、拍摄条件、平台规则和受众反馈。

AI 适合做：生成草案、扩展创意、改写风格。 人必须做：确定主题、判断版权、完成创作选择和质量把关。

1.3.2 汽车检测与维修：从经验检索到辅助诊断流程

汽修任务涉及安全和实物操作。AI 可以根据故障描述生成检查步骤，也可以解释传感器数据或维修手册中的概念。但最终判断必须依据检测设备、维修规范和专业人员确认。

AI 适合做：整理可能原因、解释术语、生成检查清单。 人必须做：现场检测、拆装操作、安全判断和最终维修决策。

1.3.3 电子商务：从文案生成到运营协同

AI 可以快速生成商品标题、详情页、客服回复、活动文案和用户评论分析。但它可能夸大商品效果、编造参数或忽略平台规则。

AI 适合做：多版本文案、客户问题归类、活动主题草案。 人必须做：核对真实参数、检查合规性、决定最终发布内容。

1.3.4 护理与健康服务：从记录整理到辅助提醒

AI 可以在模拟训练中帮助整理护理记录、生成沟通话术或提醒清单。但真实医疗护理高度敏感，涉及生命健康和隐私保护，不能让 AI 替代专业判断。

AI 适合做：模拟案例分析、记录整理、学习辅助。 人必须做：临床判断、伦理责任、隐私保护和实际照护行为。

1.3.5 物流与供应链：从人工分拣到智能调度建议

AI 可以根据订单、路线、库存和时效生成分拣建议或异常提醒。但现场执行还要考虑设备、人力、空间、天气和安全。

AI 适合做：路线建议、异常总结、订单分类。 人必须做：现场调度、风险处理、资源协调和最终决策。

这些例子说明，你需要形成的不是 AI 会不会取代我的简单判断，而是我怎样把 AI 放到自己的职业流程中。

1.4 人机协同：未来职业能力的核心

人机协同不是让 AI 直接替人完成一切，而是让人和 AI 形成可检查、可调整、可追责的任务流程。

一个基本的人机协同流程可以表示为：

人提出目标
→ AI 生成方案或草稿
→ 人检查边界和事实
→ AI 按反馈修改
→ 人进行最终确认

在这个流程中，人的价值并没有消失，而是变得更集中：

• 人负责目标：要解决什么问题？
• 人负责背景：有哪些真实条件？
• 人负责边界：哪些不能做？哪些有风险？
• 人负责验收：结果是否符合要求？
• 人负责责任：如果结果被使用，谁来承担后果？

AI 的价值也很清楚：

• 快速生成草稿；
• 解释陌生概念；
• 提供多种方案；
• 按格式整理内容；
• 帮助检查遗漏；
• 执行低风险重复任务。

后续所有实践都会围绕这条线展开：AI 先说明，人再确认，最后执行；执行后还要记录、复核和改进。

相关思想如图1-1所示。图中横轴表示任务是否容易标准化，纵轴表示结果是否涉及责任和风险。越靠右上角的任务，越需要人设定边界、核验证据并承担最终责任。

1.5 大模型、提示词和上下文

1.5.1 大语言模型（large language model, LLM）

大语言模型可以根据上下文预测和生成语言内容。它并不是数据库，也不是永远正确的百科全书。它更像一个强大的语言和模式生成系统。

因此，使用大模型时需要注意：

它擅长生成和解释；
它可能编造事实；
它需要清楚的任务说明；
它需要证据和人工复核。

1.5.2 提示词（prompt）

提示词是人与 AI 协作的任务说明。高质量提示词通常包含：

任务：要 AI 做什么？
背景：基于什么资料或场景？
约束：不能做什么？必须注意什么？
格式：输出成什么形式？
验收：怎样判断结果好不好？

例如：

请根据下面商品资料生成一段电商详情页文案。
要求：不得夸大功效，不得编造参数，语言适合18—25岁用户。
输出格式：标题、核心卖点、使用场景、风险提醒。

1.5.3 上下文（context）

上下文是 AI 本次回答时能看到的信息。它可能包括用户输入、历史对话、上传资料、系统指令等。上下文越清楚，AI 越容易围绕任务回答；上下文越混乱，AI 越容易遗漏或误解。

后续章节会学习上下文窗口、长文本中的“迷失在中间”以及 RAG 等问题。

1.5.4 行动循环的前置理解

后续章节会学习 ReAct 等人机协同方法。这里先建立一个简单认识：使用 AI 完成任务时，不应只看最终回答，而要保留可记录、可审查的过程表达：

计划 → 行动 → 观察 → 修改

这个循环是后续人机协同实践的基础。注意：学习时不要求 AI 展示隐藏的内部思维链，只需要记录任务计划、执行动作、观察结果和修改要求。

1.6 本地 AI 与云端 AI：工具选择不是小事

后续将搭建本地智能体学习环境。在导入阶段，你可以先使用云端 AI 进行体验。两者不是谁完全替代谁，而是适合不同场景。

相关内容见表1-3。

表1-3 云端 AI 与本地 AI 对比表

国内常见模型与平台

当前国内常见模型和平台包括通义千问（Qwen）、DeepSeek、GLM 等。它们都在快速更新，适合不同任务。这里不固定绑定某一个平台，因为模型能力、费用规则和使用条件会变化。

学习时应关注三点：

1. 这个平台是否由学校允许使用；
2. 数据是否可以上传；
3. 是否涉及计费、额度、账号权限和内容合规要求。

例如，部分平台会提供免费体验、学习账号或调用额度，但有效期、适用范围和使用规则都可能变化，应以平台当前官方说明和学校要求为准。练习中如需注册，应按学校或课程要求操作，不自行开通付费服务。

伦理、安全与边界：生成式 AI 的使用底线

幻觉风险

AI 可能生成错误事实、错误出处、错误数字，也可能把不确定内容说得很肯定。越是正式报告、专业判断、医疗健康、法律合同、财务数据等场景，越不能盲信 AI。

版权风险

AI 生成的文字、图像、音乐、视频和代码，可能涉及训练数据、素材来源、风格模仿、商标、肖像和平台规则。练习中可以使用的内容，公开发布、商业使用或竞赛提交时仍必须重新核查授权与平台规则。

数据泄露风险

上传真实个人信息、客户资料、企业文件、内部表格、病历、合同等，可能造成隐私和合规问题。你应尽早建立数据分级意识：哪些数据可公开，哪些只能校内使用，哪些不能上传。

责任不清风险

AI 可以参与生成结果，但不能替人承担最终责任。作品、报告、文案、设计、代码和业务建议，都需要说明 AI 使用情况，并进行人工复核。

AI 协同实践：我的专业任务能否被 AI 改造

实践目标

通过一次云端 AI 体验，分析自己的专业中有哪些任务适合 AI 协同完成，哪些环节必须由人确认。

第1步：选择一个专业任务

从下列示例中选择一个，也可以自己填写。

相关内容见表1-4。

表1-4 专业方向与可选任务记录表

第2步：用简单提示词提问

请帮我完成这个任务：____。

记录 AI 第一次回答的特点。

第3步：改成结构化提示词

我的专业方向是：____。
任务是：____。
请你先分析这个任务可以分成哪些步骤，再说明每一步中 AI 可以做什么、人必须做什么。
要求：
1. 不要编造专业数据；
2. 不确定的地方写需要人工确认；
3. 用表格输出。

比较两次输出差异。

第4步：让 AI 识别风险

请检查上面的方案中有哪些风险，特别是：隐私、版权、安全、专业误判、责任不清。请给出修改建议。

第5步：填写分析表

相关内容见表1-5。

表1-5 任务环节与 AI 可以做什么记录表

验证与证据：记录第一次 AI 体验

完成本章实践后，请保留以下证据，作为判断“是否真正完成学习”的依据。

相关记录项见表1-6。

表1-6 第一次 AI 体验证据清单

作业与反思

思考与自测

1. 大模型回答流畅，是否说明内容一定正确？为什么？
2. 云端 AI 与本地 AI 在隐私和成本方面有什么区别？
3. 在电商文案任务中，AI 可以做什么？人必须做什么？
4. 为什么不能把真实客户资料直接上传到 AI 平台？
5. 人机协同中，人最重要的职责有哪些？

作业1：200字短文

题目：

我的专业 + AI

要求：

1. 说明自己的专业方向；
2. 举出至少两个 AI 协同场景；
3. 说明 AI 可能带来的一个风险；
4. 说明人应该如何复核 AI 输出；
5. 字数约200字。

作业2：AI 黑箱小笔记

相关内容见表1-7。

表1-7 学习过程记录表

作业3：专业 AI 协同场景分析表

选择一个真实或模拟专业任务，填写：

相关内容见表1-8。

表1-8 项目与内容记录表

总结与思考

本章建立了一个底层认识：AI 的价值不只是回答问题，而是在学习和职业任务中形成新的协作方式。你需要掌握的不是单纯使用某个网页工具，而是理解任务、模型、数据、平台、风险和责任之间的关系。

计划—行动—观察—修改的行动循环，是后续人机协同实践的基础。

本章交付物

完成本章学习后，应形成以下材料：

相关内容见表1-9。

表1-9 本章交付物要求