AI时代：探索人工智能在职场中的多元应用前景
1.1. 微型化发展是否将成为新方向？
1.2. 数据资源是否会枯竭？
1.2.1. 人工智能系统的学习过程需要海量数据支撑
1.2.2. 按照现有的学习速率，"人类创造的公共文本储备"可能在2026至2032年间用尽，"甚至可能更早"
1.2.3. 2023年的研究显示，使用合成数据训练的系统质量会出现明显下滑
1.2.4. 可行的应对策略包括提升合成数据品质、探索人机协作增强的合成数据方式，以及加大新数据的获取、分享与合作
1.3. 人工智能将如何重塑劳动力市场？
1.4. "随机性"的关键意义
1.5. 预测未来本质上具有不可确定性
1.6. 技术演进与行业发展方向
1.6.1. 伴随各国持续扩大数据中心建设规模（尤其是绿色数据中心），计算能力将实现显著提升
1.6.2. 针对新型训练数据集的竞争将趋于白热化
1.6.3. 新型可穿戴设备（如耳机、手表）将支持生成式人工智能在本地终端直接运行
1.7. 社会与政治层面的变迁
1.7.1. 全球供应链紧张状况将加剧图形处理器短缺困境
1.7.2. 各國在人工智能监管与引导方面的策略将呈现更明显的分化趋势
1.7.3. 技术将更深入地融入社会规范，为医疗护理、人际关系、政治活动等提供支撑
1.8. 消费者期望的演变
1.8.1. "按需经济"将持续深化，消费者对即时服务与近乎瞬时满足的期待会更加强烈
1.8.2. 人工智能与自动化有望成为客户服务的主要一线响应方式，这一趋势将得到广泛认可
1.8.3. 消费者对数据访问权与自身数据控制权的要求将更为严格
1.9. 不确定因素
1.9.1. 可能爆发针对个人、企业及国家的大规模、高破坏性网络攻击
1.9.2. 气候危机加剧引发的连锁反应，可能改变人们对数据计算碳排放的态度
1.9.3. 发达经济体若出现经济增长放缓，将迫使人们直面一个棘手问题：在缺乏明确经济效益的情况下，是否仍要投资于人工智能相关技术？
1.10. 在检验新想法时，你需要找到一条关键路径——从组织内部的小范围试点起步，逐步扩展为整个企业的系统性变革
2.1. 需要解决的核心问题是什么
2.1.1. 人类历来以创造力为傲
2.1.2. 无论是达·芬奇（Leonardo Da Vinci）、莎士比亚，还是爱因斯坦（Albert Einstein），他们在为人类发展做出卓越贡献时，都未曾借助过ChatGPT这类生成式人工智能工具
2.1.3. 我们过去常常认为，创造力，即通过发散性思维产生新颖且有用的想法，是基于规则运行的机器人所无法拥有的能力
2.1.4. 生成式人工智能的出现彻底改变了这一认知
2.1.5. 人工智能在生成实用、有趣且新颖的想法方面表现卓越
2.2. 让人工智能模型发挥创造力并非难事，市面上任何一款主流的人工智能聊天机器人都能胜任
2.3. 关键要素
2.3.1. 背景信息
2.3.2. 目标定位
2.3.3. 评价标准
2.3.4. 回复数量
2.3.5. 启发线索
2.4. 航空公司的运营实践
2.4.1. "高空"娱乐中心
2.4.1.1. 理念：不设置独立的座椅靠背屏幕，而是在机舱内打造一个中央"娱乐中心"，配备大型高清屏幕
2.4.1.2. 经济性：省去了个人屏幕的采购与维护成本，更符合预算要求
2.4.1.3. 新颖性：营造集体体验氛围，鼓励乘客互动，同时以多样化内容满足乘客的不同偏好
2.4.2. "行前个性化"服务
2.4.2.1. 理念：允许乘客在出发前通过线上平台定制飞行体验，包括提前预订特定餐食、根据座位图选择心仪座位，甚至选定偏好的娱乐内容
2.4.2.2. 经济性：减少了临时请求和调整，简化了运营流程，可以节省时间和资源
2.4.2.3. 新颖性：提供个性化定制体验，满足乘客的个体需求与偏好
2.4.3. "飞行伙伴"计划
2.4.3.1. 理念：推出"飞行伙伴"服务，让乘客可基于共同兴趣、目的地或语言与同航班的其他乘客建立联系
2.4.3.2. 经济性：该计划无需大量额外投入，可整合到现有的数字平台中
2.4.3.3. 新颖性：鼓励社交互动，在乘客间构建社区感，让旅行体验更愉悦难忘
2.5. 人工智能的平均表现更优，并不意味着它能胜过最具创造力的人类
2.6. 人工智能未必是创意生成过程的终点，将其用于初始阶段以推动思路展开，同样能发挥出色作用
2.7. 你团队中最优秀的创意人才总能为人工智能生成的结果锦上添花
3.1. 优质文案需精心构思，既要心中有受众，又要目标清晰
3.2. 生成式人工智能模型以文本数据为主要训练素材
3.3. 文本生成本就是其核心应用场景之一，这并不令人意外
3.4. 跨领域生成流畅文案
3.5. 虽存在"幻觉"现象，但通常擅长生成真实内容
3.5.1. 尽管"幻觉"现象（模型生成不准确或虚构信息的情况）在这一维度的表现正持续优化，但仍是待解难题
3.5.2. 截至2023年末，ChatGPT生成的回复中，仍有约五分之一包含不准确信息，甚至是完全虚构的内容（即"幻觉回复"）
3.6. 生成内容易获受众认可
3.6.1. 麻省理工学院的一项研究显示，"生成式人工智能及增强型人工智能生成的内容，被认为比人类专家及增强型人类专家创作的内容质量更高"
3.6.2. 人们似乎已普遍接受人工智能能产出高质量内容这一理念
3.7. 在优质文案的另一核心特质——易理解性上，人工智能也展现出极强的能力
3.8. 定制化开源模型开发
3.9. 前沿模型微调
3.10. 直接使用前沿模型
3.11. 在人们的固有印象中，新闻业或许是最不可能接纳人工智能的领域之一
3.12. 对许多人而言，人工智能的发展可能威胁到其自我认同感，尤其是那些以独特写作风格为荣的人
3.13. 人工智能可作为文案的"初稿生成工具"，而非直接产出最终成品
3.14. 文案生成是人工智能应用场景中成本最低的一类
4.1. 仅靠文字，在吸引用户互动方面的效果相对有限
4.2. 图像生成所依赖的算法
4.3. 生成对抗网络（Generative Adversarial Network, GAN）
4.3.1. 它通过两个神经网络相互竞争实现功能—生成器神经网络负责创建图像，判别器神经网络则对生成的图像进行评估
4.3.2. 这一过程会反复进行，直至生成符合设定要求的图像
4.4. 扩散模型
4.4.1. 此类模型从随机的"含噪图像"起步，通过持续迭代优化，逐步将其提炼为符合需求的清晰图像
4.4.2. 整个过程能帮助模型学习如何生成具有真实感的视觉内容
4.5. Transformer模型
4.6. 微软设计器（Microsoft Designer）内置的图像生成工具、OpenAI的DALL·E、基于文本生成图像的Midjourney，以及采用残差神经网络（ResNet，原理与扩散模型相近）的Stable Diffusion，均是该领域的典型应用案例
4.7. 即便使用相同的提示词，不同模型生成的图像也会存在差异
4.7.1. 一方面源于模型的"随机性"本质（即设计时特意赋予其一定的功能随机性，这也是有人将生成式人工智能模型称为"随机鹦鹉"的原因—它们会从训练数据中随机"复述"所学内容）
4.7.2. 另一方面，也与不同模型生成输出内容的技术路径差异有关
4.8. 许多模型还支持"以图生图"功能：你可上传一张个人照片，让模型对其进行优化（如生成专业写真风格）、趣味改造（如"将我变成乐高玩偶形象"），或实现其他你能想到的创意构想
4.9. 核心信息
4.9.1. 需求明确性
4.9.1.1. 图像的核心主体是什么？
4.9.1.2. 场景设定为哪类环境？
4.9.1.3. 是否有必须纳入画面的特定元素？
4.9.2. 细节描述
4.9.3. 参考类比
4.10. 坦诚地向消费者说明我们使用人工智能的方式与原因
4.11. 始终让专业人员全程参与
4.12. 当前的图像生成技术尚未达到完美水准，需留意生成内容中的瑕疵问题
4.13. 人工智能生成的图像可作为创意灵感