1. 认知奠基：生成式AI到底是什么？它凭什么改变世界？

我们每天都在和“智能”打交道——手机推荐你喜欢的视频，购物平台猜中你想买的商品。但这些大多是判别式AI，它们擅长做选择题：“这张图是猫还是狗？”、“这条评论是好评还是差评？”

而今天我们要聊的主角——生成式AI，是个“作文能手”。它不满足于判断，而是主动创造：能写出一篇逻辑清晰的文章，画出一幅风格独特的插画，甚至帮你写一段可运行的代码。

你可以这样类比：

• 判别式AI = 阅卷老师：评判已有内容。
• 生成式AI = 原创作者：凭空产出新内容。

它的应用场景早已无处不在：

• 写作助手帮你起草邮件、撰写周报；
• AI绘画工具根据一句话描述生成精美图像；
• 编程辅助工具（如GitHub Copilot）实时推荐下一行代码；
• 智能客服不仅能回答问题，还能模拟语气与你自然对话。

你现在看到的很多“黑科技”，背后都是生成式模型在驱动。它不是未来，而是正在发生的现实。

小贴士：别被“模型”这个词吓到。你可以把它想象成一个超级记忆力+超强模仿力的学生——它读过互联网上的海量文本，学会了语言的规律，然后根据你的提示“续写”出合理的内容。

---

2. 核心概念扫盲：LLM、提示词、负责任AI，一个都不能少

LLM（大语言模型）是什么？它是如何“学会说话”的？

LLM，全称Large Language Model（大语言模型），是生成式AI的核心引擎。像GPT系列、Llama、PaLM等都属于这一类。

它是怎么训练出来的呢？简单来说，就是“预测下一个词”的游戏：

1. 给模型输入一大段文字，比如：“今天天气真”
2. 它的任务是猜下一个最可能的词，比如“好”
3. 不断重复这个过程，让它阅读整个互联网级别的语料库
4. 最终，它掌握了词语之间的关联模式，能够连贯地生成人类语言

这就像一个孩子不断听大人说话，慢慢学会语法和表达方式。只不过LLM“读”了几十亿本书、文章和网页。

当然，不同模型有各自特点：

• GPT系列（OpenAI）：通用性强，适合多种任务
• Llama系列（Meta）：开源免费，社区活跃
• PaLM（Google）：多语言支持优秀

目前我们不需要深入技术细节，只需知道：模型越强大，理解与生成能力就越接近人类水平。

提示工程（Prompt Engineering）入门

为什么两个人用同一个AI，结果天差地别？关键就在于“提问的艺术”——也就是提示工程。

模糊提问 vs 清晰指令：

模糊提问	清晰指令
“写点什么”	“以李白口吻写一首七言绝句，主题为‘秋夜望月’，押平声韵”

后者显然更容易得到理想结果。这就是提示的力量。

初学者可用三个技巧提升输出质量：

1. 角色设定：告诉AI“你是谁”

   示例：“你是一位资深Python工程师，请帮我优化这段代码。”

2. 格式指定：明确输出结构

   示例：“请用Markdown列表形式列出5个优点，每条不超过20字。”

3. 示例引导：给一个样例作为参考

   示例：“仿照下面这句话的风格，再写两句：春风拂面花自开，流水潺潺入梦来。”

掌握这些方法后，你会发现AI不再是“随机发挥”，而是真正成为你的创作伙伴。

必须了解的“安全绳”：负责任的生成式AI

AI很强大，但它也会犯错。我们必须清醒认识到它的三大风险：

• 偏见（Bias）：如果训练数据包含性别、种族等刻板印象，AI可能会复现甚至放大这些问题。
• 幻觉（Hallucination）：AI会自信地说出错误信息，比如虚构不存在的论文或历史事件。
• 隐私泄露：你不小心输入的敏感信息，可能被用于后续训练或暴露给他人。

因此，微软课程特别强调“负责任AI”原则。我们在使用时也应建立正确观念：

• 对AI输出保持批判性思维，重要信息务必核实；
• 不传播未经验证的内容；
• 避免输入个人身份、公司机密等敏感数据。

技术没有善恶，关键在于使用者的态度。

---

3. 开发准备：5分钟搞定你的AI实验场

想动手实践，不必从零搭建复杂环境。以下是最快上手的方案：

所需工具清单

• 浏览器：访问Azure OpenAI Studio或Hugging Face等平台
• Python基础环境：推荐使用Google Colab，免安装、免费GPU
• Azure账号：可申请免费额度，用于调用OpenAI服务

推荐学习路径

建议按以下顺序推进：

1. 先用网页版Playground测试想法（无需代码）
2. 再通过Python脚本调用API实现自动化
3. 最后尝试本地部署开源模型（进阶）

这种渐进式学习能有效降低挫败感。

安全提示

当你获取API密钥时，请牢记：

🔐 绝不将API密钥提交到GitHub公开仓库

一旦泄露，他人可用它进行消费，可能导致费用失控。建议使用环境变量存储密钥，或将密钥加入.gitignore文件排除。

---

4. 构建你的第一个AI输出：让AI为你写一首诗

现在，让我们一起完成人生第一个生成式AI项目：调用Azure OpenAI服务，让AI写一首古风诗句。

分步操作指南

1. 登录 Azure OpenAI Studio
2. 创建资源并部署一个模型（如 gpt-35-turbo）
3. 进入“Keys and Endpoints”页面，复制你的API端点和密钥
4. 打开 Google Colab，新建一个Notebook
5. 粘贴以下代码并运行：

import os
import openai

# 设置密钥（请替换为你的实际密钥）
openai.api_key = "your-api-key-here"
openai.api_base = "https://your-resource-name.openai.azure.com/" 
openai.api_type = 'azure'
openai.api_version = '2023-05-15'

# 调用模型生成内容
response = openai.ChatCompletion.create(
    engine="gpt-35-turbo", # 部署的模型名称
    messages=[
        {"role": "system", "content": "你是一位精通古典诗词的文人"},
        {"role": "user", "content": "请以‘春江花月’为主题，写一首七言律诗"}
    ],
    temperature=0.7,  # 控制创意程度，0为保守，1为奔放
)

# 输出结果
print(response.choices[0].message.content)

6. 查看返回结果，你应该能看到一首完整的古诗。

关键参数说明

• temperature=0.7：数值越高，输出越有创意但也越不稳定；建议初学者从0.5~0.8开始尝试。
• messages：采用对话格式，支持多轮交互，更贴近真实聊天场景。

成果展示（文字模拟）

假设成功运行，你可能会看到类似这样的输出：

春江潮水连海平，
花影摇波夜未宁。
月照兰舟轻似梦，
风传玉笛远如筝。
千山雾散星初落，
一雁声寒露已凝。
此际相思何处寄，
天涯共此两分明。

恭喜！这是你和AI合作完成的第一首原创诗歌。

---