内容摘要
本视频是"人人皆可用的生成式 AI"课程第一周第三讲，聚焦于大语言模型（LLM）在日常实践中的具体用途。吴恩达通过一系列生动的例子——查询信息、润色写作、创意故事、食谱搜索——展示了 LLM 作为"思维伙伴"的价值，同时坦诚指出其局限性：LLM 存在"幻觉"（虚构事实）问题，在医疗、健康等高风险领域尤需谨慎。视频重点帮助学习者建立判断力：何时用 LLM，何时用网络搜索。
核心观点
-
LLM 提供了一种全新的信息获取方式，但需警惕"幻觉"
向 LLM 提问可以得到自然语言回答，例如"南非的首都是什么？"但 LLM 有时会"一本正经地编造事实"（hallucination），在高风险场景下必须用权威资料加以核实。 -
上下文对话能够帮助 LLM 给出更准确的回答
LLM 的回答质量高度依赖上下文。例如先问"LM 代表什么"，再追问"在 AI 语境下呢"，LLM 才会给出"大语言模型"这个正确答案。对话来回是引导 LLM 聚焦的有效方式。 -
LLM 是优秀的写作助手和创意伙伴
要求 LLM 润色文章、改善表达清晰度，或者临时创作一个有趣故事（如"写一个涉及卡车的 300 词故事来鼓励孩子刷牙"），LLM 表现出色。虽然远不如顶级作家，但作为快速生成工具已经够用。 -
LLM vs 网络搜索：场景决定选择
- 用网络搜索：医疗健康问题（扭伤脚踝怎么处理）——优先梅奥诊所、哈佛健康等权威网页；常见食谱（菠萝派）——网上有大量质量稳定的参考。
- 用 LLM：偏门、小众、创意性问题（咖啡味菠萝派怎么做）——网络上几乎找不到，LLM 可以作为思维伙伴帮你"想"一个方案。
-
LLM 擅长的三大任务类别：写作、阅读、对话
下一讲将系统梳理生成式 AI 的能力边界，并围绕"写作（Writing）、阅读（Reading）、对话（Chatting）"三类任务展开。
关键收获
💡 收获 1："幻觉"是 LLM 的已知缺陷，使用时要有意识地核实
LLM 可能用自信的语气给出错误答案。这不是偶发事故，而是技术局限。在涉及事实、数据、医疗建议时，务必用可信来源二次验证。
💡 收获 2：LLM 最适合"没有标准答案"或"需要发散思维"的问题
当一个问题互联网上已有大量权威答案时，直接用搜索引擎更高效。当问题偏门、创意或主观时，LLM 才是最佳伙伴。
💡 收获 3：对话来回（迭代式提问）是提升 LLM 回答质量的关键技巧
不要只问一次，要像跟人对话一样补充上下文、追问澄清，LLM 会在来回中逐渐收窄到你真正想要的答案。
💡 收获 4：LLM 可以做有趣的即兴创作，但别用于高风险决策
给孩子讲个关于卡车的睡前故事？完全没问题。决定是否做手术？绝对不行。用途决定可信度阈值。
💡 收获 5：LLM 已经进入日常工具箱，但定位是"助手"而非"权威"
LLM 不是百科全书，也不是专业顾问，而是一个随时可用、有创造力、但也会犯错的思维伙伴。把它定位准了，它的价值才能被充分发挥。
重要引述
"A LM can sometimes make facts up — we call this hallucination."
（LLM 有时会编造事实——我们称之为"幻觉"。）
"Sometimes a back and forth with an LM is helpful too — it helps you give the right context to get the information you're looking for."
（有时候与 LLM 来回对话很有帮助——它能帮你给出合适的上下文，从而获取你真正需要的信息。）
"For something more esoteric... there aren't any web pages on coffee infused pineapple pies — this would be one example where an LM can help be a thought partner."
（对于更小众的需求……网上几乎找不到关于咖啡味菠萝派的网页——这就是 LLM 能作为思维伙伴发挥价值的一个例子。）
总体结论
本讲的价值在于它非常接地气：没有艰深的技术原理，而是直接给出"什么时候用 LLM、什么时候用搜索引擎"的决策框架，并用菠萝派、脚踝扭伤等生活场景说明。核心结论是：LLM 是思维伙伴，而非权威信源。在模糊、创意、发散性任务上，LLM 是绝佳工具；在有明确答案的事实性或高风险问题上，传统搜索和专业权威仍然不可替代。这个判断力框架对任何开始使用 AI 工具的人都极为实用。
逐字稿（中文翻译）
可以访问大语言模型的网页界面有很多。ChatGPT 是最广为人知的一个，Google 的 Bard、Microsoft 的 Bing 以及其他一些平台也都表现不错。让我们来看看人们是如何使用这些 LLM 应用的。无论你是否已经在日常使用它们，我希望这能给你一些新的思路，让你了解它们在哪些场景下可能对你有帮助。
LLM 提供了一种获取信息的全新方式。例如，你问它"南非的首都是什么？"，它会给出这样的回答。不过，正如我们稍后会讲到的，LLM 有时候会编造事实——我们称之为"幻觉"（hallucination）。因此，如果你真的需要一个准确答案，在正式使用前最好用权威资料核实一下。但在这个例子里，它确实正确地给出了南非的首都（或者说三个首都）。
有时候，与 LLM 来回对话很有帮助。例如，你问"LM 代表什么意思？"，它可能会回答"LM 是法律领域的一个术语"——这实际上也是互联网上 LM 这个缩写的一个常见用法。但如果你接着追问"那在 AI 语境下呢？"，它就会说"在 AI 语境下，LM 指的是大语言模型（Large Language Model）"。所以，这种来回对话有助于你给 LLM 提供正确的上下文，从而获取你真正想要的信息。
LLM 还可以作为思维伙伴，帮你梳理问题。例如，我经常用 LLM 来帮我打磨写作。你可以告诉它"请改写这段话，让它更清晰简洁"，优秀的 LLM 确实很擅长为你重写文本。
这里还有一个有趣的例子：你可以让它"写一个 300 词的涉及卡车的故事"——比如你有个喜欢卡车的孩子（就像我儿子一样），你想用故事来鼓励他刷牙。LLM 确实能创作出挺有趣的故事。我觉得这远比不上伟大小说家的水准，但作为一个临时快速生成的东西，我觉得还不错。
现在，有时候你在寻找某个信息时，可能会想：我应该用网络搜索还是用 LLM？
举个例子：如果你在运动中不幸扭伤了脚踝，想知道该怎么处理，网络搜索能带你找到权威且可信的资源，比如梅奥诊所或哈佛健康的网页，这些来源对医疗类问题的建议是值得信赖的。当然，你也可以问 LLM 扭伤脚踝怎么办，它会给你一些回答。但鉴于 LLM 有时会一边编造内容、一边听起来非常自信的倾向，对于任何医疗或健康相关的建议，我建议在采纳之前务必二次核实。
再举一个例子：如果你想烤一个菠萝派，在网上搜索食谱会发现大量结果，选一个来自可信网站或知名厨师的食谱，通常能得到不错的成品。或者，你也可以让 LLM 给你"编"一个食谱，它会给出一个也许还行、但也很可能有点奇怪的方子。所以对于菠萝派，我还是建议去网页上找——因为网上有很多稳定可靠的好食谱。
但如果你想找一个更偏门的方子——比如朋友给你出了个难题，让你做一个"咖啡味菠萝派"，那我找了一圈，确实几乎没有相关网页。这就是 LLM 可以作为思维伙伴的一个典型场景——帮你想想怎么去烤一个咖啡味菠萝派。
以上就是你可能会发现 LLM 网页界面有用的一些任务类型。本周我们还会探索更多例子，讨论 LLM 的优势与局限，并介绍一些最佳实践。正如你从本视频中看到的，生成式 AI 能做的事情非常多样。在下一个视频中，我们将更系统地讨论生成式 AI 作为一项通用技术的定位，并梳理它能做的事情——包括写作、阅读和对话这三大类。让我们接着来看。
本文档根据视频字幕整理翻译，内容为 DeepLearning.AI "Generative AI for Everyone" 课程第一周第三讲。
LLM：你的思维伙伴
下载 MP3