内容摘要
本视频是"人人皆可用的生成式 AI"课程第二周第一讲，开启了第二周"构建 GenAI 软件应用"的主题。吴恩达以餐厅评论情感分析为核心案例，对比了传统监督学习方式（需要数月时间和专业 ML 团队）与基于提示词的开发方式（几分钟到几小时写好提示词，几小时到几天完成部署）的巨大效率差距，揭示了生成式 AI 正在大幅降低 AI 应用的构建门槛，从而推动 AI 应用的爆发式增长。
核心观点
-
GenAI 让原本需要 6～12 个月的 AI 应用，缩短到几天内可以构建完成
传统监督学习构建一个情感分析系统：收集数千条标注数据（1 个月）→ 训练模型（3 个月）→ 部署和稳定化（3 个月）= 总共 6～12 个月。而基于提示词的开发：写提示词（几分钟到几小时）→ 调用 LLM API（一行代码）→ 部署（几小时到几天）。 -
基于提示词的开发，代码量极少，门槛极低
吴恩达展示了情感分析的实际代码：指定 Prompt（几行）→ 调用 LLM（一行）→ 打印结果（一行）。这意味着原本需要机器学习工程师团队才能完成的任务，现在普通开发者几天即可实现。 -
GenAI 正在催生 AI 应用的爆发
原来只有大公司、大团队才能构建的 AI 应用，现在全球数百万人都可以在几天或一周内完成。这种"构建门槛降低"正在带来前所未有的 AI 应用多样性和数量增长。 -
重要前提：GenAI 对非结构化数据效果最好
虽然构建速度大幅提升，但 GenAI 的核心优势仍在文本、图像、音频等非结构化数据上。对于表格数据等结构化数据场景，传统监督学习仍然更优。 -
第二周将深入探讨超越"仅提示词"的技术
后续视频将介绍如何让 AI 操作公司私有文档（而非仅仅依赖互联网公开数据学到的知识），以及构建生成式 AI 软件项目的完整生命周期。
关键收获
💡 收获 1："提示词即应用"是 GenAI 最革命性的工程特性
以前构建 AI 应用需要数据标注 → 模型训练 → 部署的完整流程，动辄数月。现在一个好的提示词加一行 API 调用，就可以实现同等功能。这是一次从"AI 工程密集型"到"AI 民主化"的真实跨越。
💡 收获 2：构建门槛降低 = AI 应用数量爆发
当构建一个 AI 应用从"6～12 个月"变为"几天到一周"，参与人数就从"少数专业团队"变为"全球数百万人"。这种规模变化本身就是 AI 应用生态的革命。
💡 收获 3：情感分析是最直观的"传统 ML vs GenAI"对比案例
餐厅评论情感分析清晰展现了两种范式的差异：传统方式需要上千条标注样本和专业工程师，而提示词方式几乎不需要任何历史数据——只需要用自然语言描述任务。
💡 收获 4：传统 AI 的成果并未被废弃，而是门槛得到了补充
吴恩达强调，传统监督学习方式"是有效的，为很多应用创造了巨大价值"，只是它花的时间太长。GenAI 并不是替代，而是在构建速度和适用场景上提供了一个新的选项。
💡 收获 5：第二周的核心是：从"用 GenAI"到"用代码驱动 GenAI"
第一周是如何在网页界面使用 LLM；第二周将进一步展示如何将 LLM 嵌入代码和软件系统，以及如何超越仅凭公开互联网数据能做到的事情。
重要引述
"There are now many applications that have previously taken me and very good machine learning teams maybe 6 to 12 months to build, that today I think there are millions of people around the world that can now build in maybe days or a week."
（现在有很多应用，以前需要我和非常优秀的机器学习团队花 6 到 12 个月来构建，而今天我认为全球有数百万人可以在几天或一周内完成。）
"For prompt-based AI, this is what it feels like: you can specify a prompt in minutes or maybe hours and then deploy the model in hours or maybe days."
（对于基于提示词的 AI，感觉是这样的：你可以在几分钟或几小时内写好提示词，然后在几小时或几天内部署模型。）
"The lowering of the barrier to entry to building such applications is leading to a flourishing of a lot more AI applications."
（构建此类应用的门槛降低，正在催生大量 AI 应用的蓬勃发展。）
总体结论
本讲是第二周的"开篇破题"——用一个具体的对比案例（情感分析：传统 ML vs 提示词开发）直观展现了生成式 AI 在工程效率上的革命性突破。核心结论是：生成式 AI 将 AI 应用的构建从"专业团队数月工程"降低为"任何人数天工作"，这种门槛变化本身就在催生 AI 应用的指数级增长。同时，本讲也诚实地指出了这种效率跃升的适用边界——非结构化数据是 GenAI 的主战场，结构化数据任务仍需传统方法。这一平衡视角为后续更深入的技术讨论奠定了务实基础。
逐字稿（中文翻译）
欢迎回来！上周我们讨论了生成式 AI 既可以通过网页用户界面来使用，也可以被构建进软件应用中。本周我们将来看看有多少精彩的软件应用正在用生成式 AI 构建，我们还会了解一些超越"仅提示词"的技术选项，让你能用生成式 AI 做更多的事——比如让它操作你自己的私有文档，而不仅仅依赖它从互联网公开来源学到的知识。让我们来看看。
上周我们看到了一些生成式 AI 应用的例子，比如：通过提示词回答关于公司停车政策的问题；阅读互联网上的餐厅评论来帮助进行声誉监控；或者构建一个聊天机器人来帮助接受餐厅点单。事实上，虽然这类应用在生成式 AI 兴起之前就已经存在，并且已经有人在构建了，但生成式 AI 让构建这些应用变得容易得多，在很多情况下也让它们工作得更好。
让我用餐厅评论声誉监控这个例子来说明。几年前，如果你想构建一个阅读餐厅评论的系统，需要编写大量看起来像这样的软件代码——一页又一页的代码，需要机器学习工程师来编写。具体来说，构建一个餐厅声誉监控评论系统的过程是这样的：你会使用监督学习——那种将输入 A 映射到输出 B 的技术。如果我来构建这个系统，我会先收集几百或几千个数据点，标注好样例：比如"吃过最好吃的东西，听起来太好吃了"——这是正面评价；"五彩缤纷的桌布让我笑了"——这是正面；"不值得等三个月"——这是负面。整个构建过程包括：首先获取标注数据，然后找 AI 团队帮助在数据上训练 AI 模型，让它学会根据不同输入输出"正面"或"负面"，最后还需要找一个云服务器（比如 AWS、Google Cloud 或 Azure）来部署和运行模型——这样当你输入"吃过最好的汉堡"时，它就能识别出这是正面情感。而这个过程通常需要几个月的时间。
相比之下，如果使用基于提示词的开发，以下就是你需要编写的全部代码来构建一个情感分类器。首先，我们在代码中指定一个提示词，我把它设为"my_prompt"，内容是："将以下评论分类为正面或负面情感"，然后是评论文本；指定好提示词代码之后，我只需要一行代码来调用大语言模型获取响应，再一行代码来显示或打印结果。这基本上就是构建这样一个系统所需的全部代码。事实上，在下一个视频中，我会给你看一个可选的练习，你可以亲自尝试这段代码。
而对于传统的监督学习方式来构建情感分类器，项目时间线大概是这样的：可能需要一个月来收集大约一千条标注样本（一千条带正/负标签的评论），然后可能需要一个团队花三个月在数据上训练 AI 模型，再花三个月来部署、确保它运行良好、稳定可靠。我不知道这对你来说是否感觉很长，但对于我合作过的很多优秀机器学习团队来说，这 6 到 12 个月的时间线是构建和部署一个有价值的 AI 模型相当现实的时间预期。这种方式是有效的，也为很多应用创造了巨大价值，但它确实需要很长时间。
相比之下，基于提示词的 AI 感觉是这样的：你可以在几分钟或几小时内写好提示词，然后在几小时或几天内部署模型。所以现在有很多应用，以前需要我和非常优秀的机器学习团队花 6 到 12 个月来构建，而今天我认为全球有数百万人可以在几天或一周内完成。这太棒了，因为构建此类应用的门槛降低，正在催生大量更多的 AI 应用蓬勃发展。这里有一个重要的注意事项，就是我们上周讨论过的：生成式 AI 对于文本、图像、音频等非结构化数据往往效果更好，但在这个确实很重要的前提下，建立在生成式 AI 之上的 AI 应用数量让整个社区能做的事情远比以前多得多。
在下一个可选视频中，我想邀请你和我一起尝试阅读餐厅评论和情感分类的代码。即使你这辈子从未看过或写过一行代码，也完全没问题，但我希望能让你体会一下现在做这件事需要多少代码，并让你自己试一试。所以希望你去看看，当然如果你想跳过也完全没关系。之后我们会回来聊聊构建生成式 AI 软件项目是什么感觉，我们会讨论一个生成式 AI 项目的生命周期。
本文档根据视频字幕整理翻译，内容为 DeepLearning.AI "Generative AI for Everyone" 课程第二周第一讲。
在软件应用中使用生成式 AI
下载 MP3