学习ai的路径

AI 绘画对艺术界具有复杂且双面的影响： 积极方面： 改变传统艺术面貌，从生成艺术作品到辅助艺术创作。 技术进步使创作质量和速度取得突破，推动传统艺术数字化和普及化。 为艺术家提供新工具和可能性，帮助探索新创意表达方式，提高制作效率，降低制作成本。 促进艺术与观众互动，提供个性化和互动的艺术体验。 存在的问题： 人们对 AI 创作的艺术品和人类创作的艺术品接受程度相同，但不太愿意将 AI 视为艺术家，其在表达情感和创造性意图方面存在局限性。 引发艺术家对版权、原创性和伦理问题的担忧。 带来文化创意领域从业者职业安全的焦虑和“侵权”嫌疑的反对之声，挑战现有法律和伦理框架。 AI 绘画的关键词指南： 公式：主题+环境（背景、周围）+气氛（烈日下、雾蒙蒙、恐怖的、风暴席卷的）+灯光（顶光、雾气光、漫反射的、强对比的）+色彩（低饱和度、颜色鲜艳的、花里胡哨的、强反射的主色调、某种颜色是 accent color）+构图（黄金分割、三分法的、电影镜头、广角、鸟瞰图）+风格参考（超清细节的、照片级别的、写实的、抽象的、2D/3D、4k8k、数字雕刻、概念艺术、水墨、水彩、海报、某个软件、某个游戏、艺术家、艺术平台） 比如：找自己喜欢的艺术家风格放入风格参考关键词，喜欢的灯光风格放入灯光关键词，喜欢的颜色和调色板风格放入色彩关键词。 艺术与科技的融合： 呈现奇妙景象，AI 绘画将艺术与先进技术完美结合，引领艺术界走向未来。 利用机器学习和深度学习模拟人类创作过程，生成令人惊叹的作品，为艺术家提供新工具和全新体验。 打破传统手工绘画技巧局限，通过编程、算法和数据分析开拓新创作领域，使艺术更民主化和包容。

对于 AI 初学者，以下是一些可以学习的课程： 1. 特定的机器学习云框架： 例如。 相关课程如《》。 2. 对话式人工智能和聊天机器人： 单独课程《了解更多详情。 3. 深度学习背后的深层数学（Deep Mathematics）： 推荐 Ian Goodfellow、Yoshua Bengio 和 Aaron Courville 合著的《深度学习》（Deep Learning）一书，该书可在 https://www.deeplearningbook.org/ 上获取。 4. 人工智能的商业应用案例： 如《》（和欧洲工商管理学院 INSEAD 共同开发）。 5. 经典机器学习： 可参考《》。 6. 使用 Azure 认知服务（Azure Cognitive Services）来创建实用的人工智能应用： 如《》等。 此外，还可以： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，了解其主要分支及联系。 浏览入门文章，了解 AI 的历史、应用和发展趋势。 2. 开始 AI 学习之旅： 在「」中找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）按自己节奏学习，有机会获得证书。 3. 选择感兴趣的模块深入学习： 根据自身兴趣选择特定模块，如图像、音乐、视频等。 掌握提示词技巧。 4. 实践和尝试： 实践巩固知识，尝试使用各种产品创作作品。 在知识库分享实践成果。 5. 体验 AI 产品： 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式。

以下是为您提供的关于产品经理小白如何学习成为一名合格的 AI PM 的建议： 首先，了解一些重要的 AI 技术概念和框架： 1. 思维链：谷歌在 2022 年的论文中提到，思维链能显著提升大语言模型在复杂推理方面的能力，即便不用小样本提示，也可在问题后加一句“请你分步骤思考”。 2. RAG（检索增强生成）：外部知识库切分成段落后转成向量，存在向量数据库。用户提问并查找到向量数据库后，段落信息会和原本的问题一起传给 AI，可搭建企业知识库和个人知识库。 3. PAL（程序辅助语言模型）：2022 年一篇论文中提出，对于语言模型的计算问题，不让 AI 直接生成计算结果，而是借助如 Python 解释器等工具作为计算工具。 4. ReAct：2022 年《React:在语言模型中协同推理与行动》的论文提出了 ReAct 框架，即 reason 与 action 结合，让模型动态推理并采取行动与外界环境互动，比如用搜索引擎对关键字进行搜索，观察行动结果，可借助 LangChain 等框架简化构建流程。 个人总结：很多大佬都强调要关注或直接阅读技术论文，像产品经理转型为 AI 产品经理，需要懂技术脉络。但小白直接看技术论文有难度，虽可让 AI 辅助阅读，但仍需一定知识储备。林粒粒呀的相关视频是很好的科普入门，值得观看。 此外，还可以观看一些关于技术框架与未来想象的访谈视频，比如安克创新 CEO 阳萌的访谈，其观点可能会给您带来启发。

如果您想成为一名 AI 产品经理，可以从以下几个方面学起： 1. 掌握算法知识： 理解产品核心技术，了解基本的机器学习算法原理，有助于做出更合理的产品决策。 与技术团队有效沟通，掌握一定的算法知识，减少信息不对称带来的误解。 评估技术可行性，在产品规划阶段做出更准确的判断。 把握产品发展方向，了解算法前沿更好地规划产品未来。 提升产品竞争力，发现产品独特优势，提出创新特性。 提升数据分析能力，很多 AI 算法涉及数据处理和分析。 2. 学习相关案例：可以参考一些成功的 AI 产品经理的经验，比如 Kelton 作为 AIPM 一枚，深耕 NLP 方向 2 年，从 0 1 打造过两款 AIGC 产品，还完成过 LLM 评测体系的搭建。 3. 了解技术原理与框架： 如思维链，谷歌在 2022 年论文提到其能显著提升大语言模型在复杂推理的能力。 了解 RAG（检索增强生成），将外部知识库切分成段落后转成向量存于向量数据库。 学习 PAL（程序辅助语言模型）和 ReAct 框架等。 同时，建议您关注或直接阅读技术论文，虽然有难度，但完成一定知识储备后，可借助 AI 辅助阅读。也可以通过一些通俗易懂的科普内容入门，比如相关的科普视频。

以下是为小白推荐的一些好用的 AI 产品： 1. Notion AI（免费可用）：可在笔记和文档中应用 AI 的力量，让工作更迅速，写作更出色，思考更伟大。 2. Guidde AI（免费可用）：是一款生成式 AI 平台，使团队能够以 11 倍的速度传递专业知识，与客户或员工共享。 3. Arc Max：用 AI 优化浏览体验，在任何网页寻求 AI 辅助，智能标签页&下载重命名，集成 ChatGPT 等功能。 4. Trickle（免费可用）：用 AI 将截图转换成可搜索的珍贵资源，帮助总结和整理截图，提取洞察以便于搜索和查询。将视觉混乱的图片转化为智能档案，允许用户截取任何内容，并在以后轻松地检索和使用其内容。 需要注意的是，以上推荐带有强烈主观性，只给大家一些参考意见。说的有失偏颇也请大家原谅。同时，有些个人感觉不好用/不常用/没用过的产品就不在推荐范围内。

AI 对经济的影响主要体现在以下几个方面： 1. AI 模型的智能水平大致等于用于训练和运行它的资源的对数，这些资源主要包括训练计算量、数据和推理计算量。只要投入足够资金，就能获得连续且可预测的收益，这一扩展定律在多个数量级上都相当准确。 2. 使用给定水平的人工智能的成本每 12 个月下降约 10 倍，价格下降导致使用量大幅增加。例如从 2023 年初的 GPT4 到 2024 年中期的 GPT4o，每个令牌的价格在该时间段内下降了约 150 倍。 3. 社会经济上线性提升智力的价值具有超指数性质，因此看不出在不久的将来会停止对 AI 进行指数级投入的理由。 此外，如果上述观察继续成立，对社会的影响将是重大的。现在已经开始推出人工智能代理，它们最终将感觉像虚拟同事。以软件工程师代理为例，它最终能够完成大部分一名顶尖公司、工作几年的软件工程师在两三天内可以做的任务，但需要大量人类的监督和引导，且在某些方面表现出色，某些方面糟糕。想象拥有大量这样的虚拟同事存在于每一个知识工作领域。从某种程度上来说，AI 在经济上可能会像晶体管一样，是一项重大的科学发现，能很好地实现规模效应，并渗透到经济的几乎各个角落。 需要注意的是，世界不会一夜之间改变，短期内生活的大部分会与往常相同，2025 年人们的生活方式与 2024 年不会有太大差别。人们依然会相爱，组建家庭，在网上吵架，去大自然中远足等等。

以下是为您整理的 AI 共学内容路径： 1. “城市狂想”文旅短视频创意大赛相关共学课程： 9 月 5 日：AI 文旅视频赏析，分享老师十三，第一课回放： 9 月 6 日：AI 文旅视频入门，分享老师 WaytoAG 小田，共学文档： 9 月 7 日：AI 文旅视频入门，分享老师 WaytoAG 小田，第三课回放： 9 月 8 日：AI 文旅视频赏析，分享老师白马少年，第四课回放： 9 月 10 日：AI 文旅视频进阶玩法，分享老师 Tonix，第五课回放： 2. 「AI 编程共学」相关课程： 10 月 28 日 20:00 开始，分享人麦橘，回放链接： 10 月 29 日 20:00 开始，分享人梦飞，回放链接： 10 月 30 日 20:00 开始，分享人银海，回放链接： 10 月 31 日 20:00 开始，分享人南墙，回放链接： 3. 通往 AGI 之路知识库使用指南： 提到共学课程可供学习 config UI，从入门到精通都涵盖，还有个人专栏研究报告、产品数据、全球投融资情况等内容。 介绍了 AI 的案例和投稿，包含开发相关、微信机器人、人物角色等内容，位于 AI 产品案例板块 3.1。还提到了日报动态、法律法规、历史更新和社区介绍等。 重点介绍社区共创项目，包括 CONFIUI 生态大会东京站：11 月 16 17 日活动内容及报名等。

新手学习 AI 可以按照以下路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出自己的作品。 在知识库提供了很多大家实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

以下是为新手提供的 AI 学习路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，其上手容易且很有用。 4. 实践和尝试： 理论学习后，通过实践巩固知识，尝试使用各种产品做出作品。 可在知识库分享实践后的作品和文章。 5. 体验 AI 产品： 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验。 如果您的学习路径偏向技术研究方向： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果您的学习路径偏向应用方向： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 记住，学习 AI 是一个长期的过程，需要耐心和持续的努力。不要害怕犯错，每个挑战都是成长的机会。随着时间的推移，您将逐渐建立起自己的 AI 知识体系，并能够在这一领域取得成就。完整的学习路径建议参考「通往 AGI 之路」的布鲁姆分类法，设计自己的学习路径。

AI 技术路径主要包括以下方面： 1. 偏向技术研究方向： 数学基础：线性代数、概率论、优化理论等。 机器学习基础：监督学习、无监督学习、强化学习等。 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 自然语言处理：语言模型、文本分类、机器翻译等。 计算机视觉：图像分类、目标检测、语义分割等。 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 科研实践：论文阅读、模型实现、实验设计等。 2. 偏向应用方向： 编程基础：Python、C++等。 机器学习基础：监督学习、无监督学习等。 深度学习框架：TensorFlow、PyTorch 等。 应用领域：自然语言处理、计算机视觉、推荐系统等。 数据处理：数据采集、清洗、特征工程等。 模型部署：模型优化、模型服务等。 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。 在一些特定领域，如 AI 生成音乐，存在基于乐理规则的符号生成模型和基于音频数据的音频生成模型等技术路线。在游戏领域，AI 也有多种应用和技术发展，例如能基于玩家游戏行为评估玩家技能水平和游戏风格并动态调整游戏难度，以及将 AI 作为游戏玩法的一环等。

以下是为您提供的 AI 视频学习路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习，建议掌握提示词技巧。 4. 实践和尝试： 理论学习后，通过实践巩固知识，尝试使用各种产品做出作品。 在知识库查看大家实践后的作品、文章分享，并分享自己的实践成果。 5. 体验 AI 产品： 与 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人互动，了解其工作原理和交互方式，获得实际应用体验。 此外，作者二金分享了自己的学习经历：4 月 8 日开始接触 AGI 和离谱村，4 月 21 日和小伙伴一起做了第一个 AI 视频《贵重的包裹》，5 月 5 日做了第二个 AI 视频《好梦》，期间积极参与各种活动。其经历了尝鲜期、迷茫期，理想的成长期是确立好学习目标，找到适合自己的学习路径。 如果您不熟悉 AI 视频，可查看以下教程： 需要学习 AI 视频、参与 AI 视频挑战赛、参与 AI 视频提示词共创的小伙伴，可以直接扫二维码或联系三思或小歪【备注：AI 视频学社】，但必须有 AI 视频账号才能进群，请勿随便申请好友。AI 视频学社每周 1 次直播（周五直播），如：

以下是为新手入门提供的学习路径： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习之后，进行实践巩固知识，尝试使用各种产品做出作品。 在知识库查看大家实践后的作品、文章分享，并分享自己实践后的成果。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。 此外，对于 WayToAGI 知识库的使用： 1. 如果觉得视频太多很晕，可以从 Agent 板块开始，比如链接： ，从下往上看，一个一个点进去，都有视频。共学都有视频，都是手把手从注册开始的教学，不会就多看几遍，基本保障一个工具能调通、一个 Agent 能搭好。如果觉得内容多，可以先挑听过的工具开始。 2. 看了一些视频之后，如果想看理论或应用，可以找到导航，想看哪里点哪里。比如链接： 。 3. 还可以从常见工具开始体验，比如： 工具入门篇（AI Tools）：数据工具多维表格小白之旅，文章链接： ，适用人群为 Excel 重度使用者、手动数据处理使用者、文件工作者，可满足 80%数据处理需求。 工具入门篇（AI Code）：编程工具Cursor 的小白试用反馈，文章链接： ，适用人群为 0 编程经验、觉得编程离我们很遥远的小白，可降低技术壁垒。 工具入门篇（AI Music）：音乐工具Suno 的小白探索笔记，文章链接： ，适用人群为 0 乐理知识、觉得作词作曲和我们毫不相关成本巨大的小白，可参与音乐制作。

以下是为零基础学习 AI 提供的建议： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括其主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。 浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，比如图像、音乐、视频等，可根据自己的兴趣选择特定模块深入学习。 掌握提示词的技巧，它上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 知识库提供了很多实践后的作品、文章分享，欢迎实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验，并激发对 AI 潜力的认识。 此外，还有一个案例供您参考：二师兄来自上海，是典型的 80 后，房地产行业从业二十年，计算机零基础。2024 年 2 月，他在七彩虹的售后群中，因老哥分享用 AI 绘画的心得，要了 SD 秋叶安装包，下载了教学视频，迈出了 AI 学习的第一步。之后他不断学习和实践，如在 3 月啃完 SD 的所有教程并开始炼丹，4 月与小伙伴探讨 AI 变现途径，5 月加入 Prompt battle 社群，开始 Midjourney 的学习。

以下是一些比较好的 AI 知识库学习网站及相关学习建议： 通往 AGI 之路知识库： 提供了全面系统的 AI 学习路径，帮助您了解从 AI 常见名词到 AI 应用等各方面知识。 包含关于 AI 知识库使用及 AIPO 活动的介绍、AIPO 线下活动及 AI 相关探讨、way to AGI 社区活动与知识库介绍等内容。 信息来源有赛博蝉星公众号、国外优质博主的 blog 或 Twitter 等，推荐大家订阅获取最新信息并投稿。 有社区共创项目，如 AIPU、CONFIUI 生态大会，每月有切磋大会等活动，还发起了新活动 AIPO。 学习路径方面，有李弘毅老师的生成式 AI 导论等高质量学习内容，可系统化学习或通过社区共创活动反推学习，鼓励整理学习笔记并分享交流。 有经典必读文章，如介绍 GPT 运作原理、Transformer 模型、扩散模型等的文章，还包括软件 2.0 时代相关内容。 初学者入门推荐看 open AI 的官方 Cookbook，小琪姐做了中文精读翻译，也可查看 cloud 的相关内容。 有历史脉络类资料，整理了 open AI 的发展时间线和万字长文回顾等。 网站：ytoAGI.com 相关渠道：公众号“通往 AGI 之路”、 在线教育平台：如 Coursera、edX、Udacity 等，上面有一系列为初学者设计的课程，您可以按照自己的节奏学习，并有机会获得证书。 对于新手学习 AI，建议： 了解 AI 基本概念：阅读「」部分，熟悉 AI 的术语和基础概念。了解什么是人工智能，它的主要分支（如机器学习、深度学习、自然语言处理等）以及它们之间的联系。浏览入门文章，了解 AI 的历史、当前的应用和未来的发展趋势。 开始 AI 学习之旅：在「」中，找到一系列为初学者设计的课程。特别推荐李宏毅老师的课程。 选择感兴趣的模块深入学习：AI 领域广泛（比如图像、音乐、视频等），根据自己的兴趣选择特定的模块进行深入学习。掌握提示词的技巧，它上手容易且很有用。 实践和尝试：理论学习之后，实践是巩固知识的关键，尝试使用各种产品做出您的作品。在知识库提供了很多大家实践后的作品、文章分享，欢迎您实践后的分享。 体验 AI 产品：与现有的 AI 产品进行互动，如 ChatGPT、Kimi Chat、智谱、文心一言等 AI 聊天机器人，了解它们的工作原理和交互方式。

作为前端开发人员，以下是一些推荐学习的 AI 技术： 1. 了解 AI 基本概念： 阅读「」部分，熟悉 AI 的术语和基础概念，包括人工智能、机器学习、深度学习、自然语言处理等主要分支及其联系。 浏览入门文章，了解 AI 的历史、当前应用和未来发展趋势。 2. 开始 AI 学习之旅： 在「」中，找到为初学者设计的课程，特别推荐李宏毅老师的课程。 通过在线教育平台（如 Coursera、edX、Udacity）上的课程，按照自己的节奏学习，并有机会获得证书。 3. 选择感兴趣的模块深入学习： AI 领域广泛，如图像、音乐、视频等，可根据兴趣选择特定模块深入学习。 掌握提示词的技巧，其上手容易且很有用。 4. 实践和尝试： 理论学习后，实践是巩固知识的关键，尝试使用各种产品做出作品。 在知识库查看大家实践后的作品、文章分享，并进行自己实践后的分享。 5. 体验 AI 产品： 与现有的 AI 产品如 ChatGPT、Kimi Chat、智谱、文心一言等聊天机器人互动，了解其工作原理和交互方式，获得对 AI 在实际应用中表现的第一手体验。 此外，如果希望继续精进，对于 AI，可以尝试了解以下内容作为基础： 1. AI 背景知识： 基础理论：了解人工智能、机器学习、深度学习的定义及其之间的关系。 历史发展：简要回顾 AI 的发展历程和重要里程碑。 2. 数学基础： 统计学基础：熟悉均值、中位数、方差等统计概念。 线性代数：了解向量、矩阵等线性代数基本概念。 概率论：基础的概率论知识，如条件概率、贝叶斯定理。 3. 算法和模型： 监督学习：了解常用算法，如线性回归、决策树、支持向量机（SVM）。 无监督学习：熟悉聚类、降维等算法。 强化学习：简介强化学习的基本概念。 4. 评估和调优： 性能评估：了解如何评估模型性能，包括交叉验证、精确度、召回率等。 模型调优：学习如何使用网格搜索等技术优化模型参数。 5. 神经网络基础： 网络结构：理解神经网络的基本结构，包括前馈网络、卷积神经网络（CNN）、循环神经网络（RNN）。 激活函数：了解常用的激活函数，如 ReLU、Sigmoid、Tanh。 如果偏向技术研究方向： 1. 数学基础：线性代数、概率论、优化理论等。 2. 机器学习基础：监督学习、无监督学习、强化学习等。 3. 深度学习：神经网络、卷积网络、递归网络、注意力机制等。 4. 自然语言处理：语言模型、文本分类、机器翻译等。 5. 计算机视觉：图像分类、目标检测、语义分割等。 6. 前沿领域：大模型、多模态 AI、自监督学习、小样本学习等。 7. 科研实践：论文阅读、模型实现、实验设计等。 如果偏向应用方向： 1. 编程基础：Python、C++等。 2. 机器学习基础：监督学习、无监督学习等。 3. 深度学习框架：TensorFlow、PyTorch 等。 4. 应用领域：自然语言处理、计算机视觉、推荐系统等。 5. 数据处理：数据采集、清洗、特征工程等。 6. 模型部署：模型优化、模型服务等。 7. 行业实践：项目实战、案例分析等。 无论是技术研究还是应用实践，数学和编程基础都是必不可少的。同时需要紧跟前沿技术发展动态，并结合实际问题进行实践锻炼。请注意，以上内容由 AI 大模型生成，请仔细甄别。

对于不懂编码的文科生来说，学习扣子 Coze 的应用是具有一定挑战性的，但并非不可逾越。 根据相关资料，扣子 Coze 应用于 11 月底推出，其低代码或零代码的工作流等场景做得较好。在学习过程中，您需要熟悉操作界面、业务逻辑和用户界面，包括布局、搭建工作流、用户界面及调试发布，重点熟悉桌面网页版的用户界面。 课程安排方面，第一天会熟悉扣子应用、认识界面、搭建证件照简单应用，解决表单使用等卡点。 不过，社区中很多不懂代码的设计师和产品经理在搭建时也感到吃力。对于学习所需的时间，难以给出确切的时长，这取决于您的学习能力和投入程度。但如果您能认真参与课程学习，逐步掌握相关知识和技能，相信会在一段时间内取得一定的成果。