人工智能入门：从零开始理解 AI

课程简介

欢迎来到 AI 的世界！这门课程将带您从零开始理解人工智能，不需要任何技术背景。我们将用最浅显易懂的方式，解释 AI 是什么、如何运作、以及如何改变您的 business。无论您是宠物店老板、批发商还是制造商，这门课程都将为您打开 AI 的大门。

学习目标：

• 理解人工智能的基本定义与发展历史
• 区分不同类型的 AI 技术
• 了解 AI 在日常生活与商业中的应用
• 认识 AI 的局限性与常见迷思
• 为下一步的 AI 学习奠定基础

---

1.1 什么是人工智能？定义与历史演进

为什么学这个？

在开始学习 AI 之前，我们需要先搞清楚：AI 到底是什么？它从哪里来？这将帮助您建立正确的认知框架。

核心教学

人工智能（Artificial Intelligence, AI） 是让电脑模拟人类智能的技术。简单来说，就是让机器能够“学习”、“思考”和“做出决策”。

AI 的发展历史可以分为几个重要阶段：

1950s — AI 的诞生

• 1950年，数学家 Alan Turing 提出了著名的“图灵测试”：如果一台机器能让人类分不清它是不是真人，那它就具备了智能
• 1956年，“人工智能”这个词在达特茅斯会议上正式诞生

1960s-1980s — AI 的冬天

• 早期的 AI 研究充满了乐观，但技术跟不上期望
• 经费削减，AI 进入低谷期

1990s-2000s — 机器学习的崛起

• 1997年，IBM 的深蓝击败国际象棋世界冠军
• 机器学习算法开始成熟

2010s — 深度学习革命

• 2012年，深度学习在影像辨识上取得突破
• 2016年，AlphaGo 击败围棋世界冠军

2020s — 生成式 AI 时代

• 2022年，ChatGPT 横空出世，AI 进入大众视野
• 2023-2026年，各种 AI 工具爆发式增长

商业范例

一家拥有 12 间门市的连锁健身中心，过去教练排班与会员续约全靠人工判断，经常出现热门时段人手不足、冷门时段人力闲置，续约率长期低于五成。

导入 AI 排班与会员流失预测系统后，营运效率明显改善。

• 做法：以 AI 分析历史到馆人流与课程报名资料自动排班，结果：热门时段人力覆盖率提升至 95%，闲置工时减少约 30%。
• 做法：用机器学习模型预测高流失风险会员并推送专属优惠，结果：三个月内续约率由 48% 提升到 65%。
• 做法：以聊天机器人处理请假、场馆查询等常见问题，结果：柜台人员每日处理量减少约 40%，响应时间缩短至 1 分钟内。

小技巧

• 把重复性工作交给 ChatGPT 或 Claude，例如请它整理会议纪录并列出待办事项。
• Prompt 写法用“角色＋任务＋格式”，如“你是助理，把以下邮件浓缩成三点，用表格呈现”。
• 用 Notion AI 自动摘要长文件，再用 Canva 一键生成简报草稿。
• 例行通知与表单串接交给 Zapier，设定触发条件后自动执行，不必手动复制贴上。

练习题

您认为 AI 最早可以追溯到哪一年？那个时候的 AI 和今天有什么不同？

想一想您的日常工作中，有哪些任务是重复性的？这些任务可能适合用 AI 来协助吗？

本节摘要

• AI 是让电脑模拟人类智能的技术
• AI 发展经历了70多年的演进，从理论到实践
• 2022年后，生成式 AI 让 AI 真正进入大众生活
• AI 的核心价值：处理重复性工作，让人类专注创造性任务

---

如何开始认识 AI：3 步建立正确概念

1. 寻找一个你行业的 AI 应用例子：打开 ChatGPT（chat.openai.com）免费注册，询问它“我是从事[你行业]的，AI 可以帮我解决什么问题？”记下答案中你能理解的 3 个建议。
2. 分辨“媒体 AI”同“实用 AI”：新闻报导的多数是前沿研究（机器人、自动驾驶），企业日常使用的其实是文字生成、数据分析、客服自动化这类成熟工具。初学者从后者入手，见效最快。
3. 用“数据 + 算法 = 模型”框架理解一切 AI 产品：以后看到任何 AI 服务，提出三个问题：它用什么数据训练？用什么方法学习？学出来的模型擅长做什么？这个框架足以让你判断 90% 的 AI 产品宣传。

1.2 AI 的分类：弱 AI vs 强 AI vs 超级 AI

为什么学这个？

了解 AI 的分类，能帮助您正确评估不同 AI 工具的能力范围，避免对 AI 产生不切实际的期望。

核心教学

AI 可以按照能力水平分为三大类：

· 弱 AI（Narrow AI / ANI）

• 只能执行特定任务
• 目前所有商用 AI 都属于这一类
• 范例：Siri、Google 翻译、ChatGPT、推荐系统
• 特点：在特定领域可能超越人类，但无法跨领域

· 强 AI（General AI / AGI）

• 具备人类水平的通用智能
• 目前尚未实现，但各大公司正在积极研发
• 能够学习、推理、解决任何问题
• 预计未来 5-15 年可能出现

· 超级 AI（Super AI / ASI）

• 超越人类所有智能的 AI
• 目前纯属理论阶段
• 引发许多伦理与安全讨论

商业范例

一家约 40 人的连锁健身工作室，过去教练排课、会员续约提醒全靠人工处理，行政每天花三小时以上整理资料，还常漏掉即将到期的会员。

导入弱 AI 工具后，行政负担明显下降，但 AI 只负责它擅长的那一环，教练调度与定价决策仍由人来判断。

• 做法：用 AI 自动生成每月会员续约提醒文案，结果：行政作业时间从每天 3 小时降到 40 分钟，续约率提升 12%。
• 做法：用 AI 分析会员出席纪录并标记流失风险，结果：高风险会员名单准确率达 85%，教练跟进成功率提高 20%。
• 做法：用 AI 草拟教练排班建议表，结果：排班冲突减少 70%，但最终班表仍由店长确认调整。

小技巧

面对“AI 什么都能做”的说法，可用以下方式实测与验证：

• 用 ChatGPT 或 Claude 测试跨领域任务，例如同时要求写程式与写诗，观察它是否需分段提示才能完成。
• 在 Notion AI 输入“请帮我规划三个月行销计划并预测营收”，检查它是否给出模糊数字。
• 用 Zapier 串接 ChatGPT 与试算表，验证它能否自动处理未预期的字段格式。
• 请 Claude 回答训练资料截止后的实时新闻，确认它是否坦承无法得知。

练习题

您目前使用过哪些 AI 工具？它们分别属于哪一类？

为什么了解 AI 的分类对企业决策很重要？

本节摘要

• 弱 AI：专注单一任务，目前所有商用 AI 都是弱 AI
• 强 AI：人类水平通用智能，尚未实现
• 超级 AI：超越人类，纯属理论
• 正确认识 AI 能力范围，才能做出明智的商业决策

---

实际应用：如何按任务类型选择 AI 工具

理解了弱 AI 之后，实务上更关键的是按任务类型选择工具。市场上 AI 工具五花八门，但其实都是围绕六大能力：

能力类型	代表工具	企业应用场景	成熟度
文字生成	ChatGPT、Claude、Gemini	行销文案、邮件、报告初稿	成熟，即用
图像生成	Midjourney、DALL-E	社交媒体配图、产品概念图	成熟，需审美把关
语音处理	Whisper、各云端语音 API	会议记录、客服录音分析	成熟
数据预测	Excel AI 功能、专用 SaaS	销售预测、库存规划	需数据基础
视觉辨识	行业方案为主	品质检测、人流统计	行业定制
流程自动化	Zapier AI、Make	跨系统资料同步、通知	成熟，即用

1.3 机器学习 vs 深度学习 vs 生成式 AI 的关系

为什么学这个？

这三个词经常被混用，但它们之间有着清晰的层级关系。搞清楚它们的关系，能帮助您更精准地选择适合的 AI 工具。

核心教学

这三者之间是“包含关系”：

人工智能（AI）
└── 机器学习（Machine Learning）
└── 深度学习（Deep Learning）
└── 生成式 AI（Generative AI）

· 机器学习（ML）— AI 的核心方法

• 让电脑从数据中学习规律，而不是被人类写死规则
• 范例：您给 AI 看 10,000 张猫和狗的照片，它学会分辨猫和狗
• 应用：垃圾邮件过滤、信用评分、推荐系统

· 深度学习（DL）— ML 的进阶版

• 使用“神经网络”模仿人脑结构
• 能处理更复杂的任务（影像、语音、文字）
• 需要大量数据和计算资源
• 应用：人脸辨识、自驾车、语音助手

· 生成式 AI（GenAI）— DL 的最新应用

• 能够“创造”新内容（文字、图片、音乐、视频）
• 基于大型语言模型（LLM）
• 代表：ChatGPT、Claude、Gemini、Midjourney
• 应用：文案撰写、图片生成、程式码编写

商业范例

一家年营收约新台币 3 亿元的连锁健身中心，近年会员续约率下滑，教练难以预测哪些学员即将流失，行销活动也缺乏个人化。管理层希望用数据提早介入，降低流失并提升续约。

• 机器学习：分析过去 18 个月的入场频率与合约资料，找出高流失风险族群，提前 30 天辨识出 75% 可能不续约的会员。
• 深度学习：整合穿戴装置数据、课程出席与请假纪录，将流失预测准确率由 68% 提升至 87%。
• 生成式 AI：依预测结果自动产出个人化挽回方案与教练关怀消息，每周节省 20 小时人工撰写时间，续约率提升 12%。
• 三者串接后，整体行销转换成本降低 18%，年度续约营收增加约 1,500 万元。

小技巧

• 客服自动回复选 ChatGPT，知识检索选 Claude 读长文件。
• 行销文案用 ChatGPT，prompt 写“目标客群＋语气＋字数”。
• 报表整理交给 Zapier 串接，别自己写程式。
• 设计素材用 Canva，内部知识库用 Notion AI 问答。

练习题

如果您想让 AI 帮您自动回复客户消息，这属于哪种 AI 技术？

机器学习和深度学习的主要区别是什么？

本节摘要

• 机器学习：从数据中学习规律
• 深度学习：用神经网络处理复杂任务
• 生成式 AI：创造新内容的最新技术
• 三者是包含关系，不是互斥关系

---

用一张图搞懂三层关系

三个词的关系是：机器学习是最大的类别（AI 学习数据的方法总称）→ 深度学习是机器学习中使用多层神经网络的一支 → 生成式 AI是深度学习中“能创作新内容”的应用层。即是：生成式 AI ⊂ 深度学习 ⊂ 机器学习 ⊂ AI。

1.4 AI 如何“学习”？数据、模型、算法三要素

为什么学这个？

理解 AI 的学习机制，能帮助您更好地准备数据、选择工具，并预期 AI 的表现。

核心教学

AI 的学习过程可以用一个简单的公式来理解：

数据 + 算法 = 模型

· 数据（Data）— AI 的“教材”

• AI 需要大量数据来学习
• 数据质量决定 AI 的表现（垃圾进，垃圾出）
• 类型：文字、图片、数字、音讯、视频
• 企业常见数据：销售记录、客户资料、库存数据

· 算法（Algorithm）— AI 的“学习方法”

• 决定 AI 如何从数据中提取规律
• 不同算法适合不同任务
• 常见类型：监督学习、非监督学习、强化学习

· 模型（Model）— AI 的“大脑”

• 学习完成后的成果
• 能够对新数据做出预测或决策
• 需要持续更新和优化

商业范例

一家拥有 40 间门市的连锁健身中心，近年会员续约率跌至 55%，教练难以判断哪些人即将放弃会籍。他们决定导入 AI，从三要素着手找出挽回时机。

• 数据：汇整近 3 年 12 万名会员的入场刷卡、课程出席与缴费纪录。
• 算法：比对哪些行为组合与中断会籍高度相关，例如连续 2 周未到访。
• 模型：训练后可标示“此会员有 78% 几率在 30 天内不再续约”。
• 商业结果：针对高风险名单主动关怀，续约率由 55% 提升至 68%。

小技巧

• 用 Notion 建数据库，字段设“完整、准确、有组织”三检查项。
• 把原始档案丢进 ChatGPT，下 prompt：“列出缺漏字段与重复值”。
• 用 Claude 分析 CSV，请它标出格式不一致的资料列。
• 设 Zapier 自动把新表单资料写入 Notion，减少人工输入错误。

练习题

您的企业目前有哪些数据可以供 AI 学习？

为什么说“数据质量”比“数据数量”更重要？

本节摘要

• 数据是 AI 的燃料，质量决定表现
• 算法是 AI 的学习方法
• 模型是学习完成后的成果
• 企业导入 AI 的第一步：整理好数据

---

动手做：体验 AI 如何“学习”

1. 准备一组数据：打开 Excel，列出过去 8 周的两栏数据 — 促销费用和门市营业额。
2. 叫 AI 找规律：将数据贴入 ChatGPT（或用 Excel 内建分析功能），输入“分析这两组数据的关系，预测如果我下周增加 $5,000 促销费，营业额大约会变成多少？”
3. 观察 AI 如何回答：它会找出大致的线性关系（这就是“模型”），给出一个预测数字以及置信范围。
4. 理解“垃圾进垃圾出”：故意留空几格再问一次，观察预测变得不稳定 — 这就是数据质量如何直接决定 AI 表现。

1.5 神经网络基础：模仿人脑的运算方式

为什么学这个？

神经网络是现代 AI 的核心技术。了解它的基本概念，能帮助您理解为什么 AI 能够处理如此复杂的任务。

核心教学

人工神经网络（Artificial Neural Network） 是模仿人脑神经元连接方式的计算模型。

人脑 vs 神经网络：

人脑	神经网络
神经元	节点（Node）
突触	连接权重（Weight）
信号传递	数据流动
学习 = 改变突触强度	训练 = 调整权重

神经网络的基本结构：

输入层 → 隐藏层（多层） → 输出层

• 输入层：接收原始数据（如图片像素、文字）
• 隐藏层：提取特征和规律（层数越多，能力越强）
• 输出层：产生结果（如分类、预测）

为什么叫“深度”学习？

• 因为使用了很多层（深度）的神经网络
• 早期只有 2-3 层，现在可以有 100+ 层
• 层数越多，能学到的特征越复杂

商业范例

一家年营收约 8,000 万元的连锁健身中心，过去教练得花大量时间人工检视学员的动作视频，不仅效率低，也难以标准化判断，导致续约率长期停滞在 55% 左右。

• 输入层：接收学员手机拍摄的深蹲、硬举等动作视频，每秒抽取 30 帧画面。
• 隐藏层：辨识关节角度、脊椎曲线与重心偏移，自动标记 12 种常见错误姿势。
• 输出层：实时产出矫正建议与个人化训练菜单，教练复核时间减少 70%。
• 商业结果：三个月内学员续约率提升至 68%，教练人均服务学员数增加 2.3 倍。

小技巧

• 用 ChatGPT 问“用三层比喻解释神经网络”，请它举公司组织例子。
• 在 Claude 贴上一段文字，请它标出“输入层、隐藏层、输出层”对应句子。
• 用 Notion 建三栏表格，分别记录每层功能与实例。
• 请 ChatGPT 把“影像辨识”拆成三层流程，各写一句。

练习题

神经网络的“深度”指的是什么？

为什么更深的神经网络通常能处理更复杂的任务？

本节摘要

• 神经网络模仿人脑结构，由节点和连接组成
• 基本结构：输入层 → 隐藏层 → 输出层
• “深度”学习指的是多层神经网络
• 每一层负责提取不同层次的特征

---

不用懂数学都要懂的神经网络直觉

想像一间公司：基层员工各自接收信息（输入层），中层主管综合消化（隐藏层），管理层做最终判断（输出层）。深度学习的“深度”就是中层有多少级。训练 AI 的过程，就好像公司不断按“判断错了多少”来调整每层的判断准则 — 错得多就大改，错得少就微调（这个机制叫反向传播）。

人脑概念	神经网络对应	企业直观理解
神经元	节点（Node）	一个做简单判断的员工
突触链接强度	权重（Weight）	这个员工的意见有多大话语权
学习经验	训练调整权重	按出错记录修正判断准则
专家直觉	训练成熟的模型	见过许多案例之后的快速判断

1.6 AI 在日常生活中的应用案例

为什么学这个？

了解 AI 的实际应用，能帮助您发现自己 business 中的 AI 机会。

核心教学

AI 已经深入我们生活的方方面面：

个人生活中的 AI

• 语音助手：Siri、Alexa、Google Assistant
• 推荐系统：Netflix 推荐、YouTube 推荐、淘宝推荐
• 地图导航：Google Maps 实时路况预测
• 拍照美化：iPhone 人像模式、美颜滤镜
• 垃圾邮件过滤：Gmail 自动分类
• 翻译工具：Google 翻译、DeepL

商业中的 AI

• 客服聊天机器人：24/7 自动回复客户
• 数据分析：销售预测、市场趋势分析
• 内容创作：文案撰写、图片生成
• 库存管理：自动补货、需求预测
• 行销优化：广告投放、个人化推荐
• 财务管理：自动记账、发票辨识

宠物行业的 AI 应用

• 宠物辨识：AI 辨识品种、健康状态
• 智慧喂食器：根据宠物体重自动调整喂食量
• 健康监测：穿戴装置追踪宠物活动量
• 电商推荐：根据宠物类型推荐适合的产品
• 库存预测：预测宠物食品季节性销量

商业范例

一间拥有 12 间分店的连锁健身中心，过去每晚由教练轮流回复会员查询，平均延迟超过 6 小时，导致续会率持续下滑。

• 导入 AI 客服系统自动处理预约与课程查询：回复时间从 6 小时缩短至 2 分钟，客服人力需求降低 40%。
• 以 AI 分析会员出席与消费纪录，主动推送个人化续会方案：续会率提升 22%，教练行政负担减少 15 小时／周。
• 用 AI 预测热门时段并动态调整教练排班：场地使用率提升 18%，高峰时段投诉下降 30%。
• 透过 AI 汇整会员意见回馈，每周自动产出改善清单：处理时效加快 3 倍，整体满意度上升 27%。

小技巧

想找出生活中可交给 AI 的任务，可从这几个方向着手：

• 用 ChatGPT 整理每日会议纪录，输入“请将以下逐字稿浓缩成三点待办事项”。
• 用 Zapier 把 Gmail 附件自动存进 Google Drive，省去手动下载。
• 用 Notion AI 一键摘要长篇文章，先贴上内容再按摘要键。
• 用 Canva 的 Magic Design，输入主题即生成社群贴文版型。
• 用 Claude 改写冗长邮件，指令写“请改成三段、每段一句”。

练习题

列出您日常生活中使用的 3 个 AI 工具

您的 business 中，哪些工作最适合用 AI 来协助？

本节摘要

• AI 已广泛应用于个人生活和商业场景
• 宠物行业有许多 AI 应用机会
• AI 最擅长处理重复性、数据驱动的任务
• 从日常痛点出发，最容易找到 AI 应用场景

---

由生活应用到业务应用：迁移练习

你其实日日都用紧 AI：Google Maps 智能改道（路况预测）、YouTube/Netflix 推荐（协同过滤）、手机相簿人脸分类（视觉辨识）、输入法联想词（语言模型）。企业应用就是将同一套能力搬到你的业务数据上面。

1. 列出你每日用的 3 个 AI 功能，写下它们解决什么问题（例如：Map 帮我避开塞车 = 用实时数据预测路况）。
2. 做迁移：问自己“我的业务有没有类似的‘预测需求’？”（例如：哪款货下周会缺货？哪个客快将流失？）
3. 选一个需求，在 ChatGPT 试做第一版：输入你的真实数据（去敏感资料），叫 AI 分析及建议。

1.7 全球 AI 发展趋势与主要玩家

为什么学这个？

了解 AI 产业格局，能帮助您选择可靠的 AI 工具和合作伙伴。

核心教学

全球 AI 主要玩家

公司	代表产品	特点
OpenAI	ChatGPT、DALL-E、GPT-5	生成式 AI 领导者
Google	Gemini、DeepMind	搜索 + AI 整合
Anthropic	Claude	安全性、长文本处理
Microsoft	Copilot、Azure AI	Office 生态整合
Meta	Llama（开源）	开源 AI 推动者
百度	文心一言	中国市场领导者
阿里巴巴	通义千问	电商 AI 应用

2026 年 AI 趋势

AI Agent 兴起：从问答式 AI 进化到能自主执行任务的 Agent

多模态融合：文字 + 图片 + 语音 + 视频的统一 AI

AI 民主化：No-Code 工具让非技术人员也能用 AI

行业垂直化：针对特定行业的 AI 解决方案

AI 治理：各国加强 AI 法规和伦理规范

🇭🇰 香港及亚洲市场

• 香港企业 AI 采用率持续上升
• 中小企业开始接触 AI 工具
• 宠物产业数字化转型加速
• 跨境电商 AI 需求增长

商业范例

一间香港连锁健身中心，每月需处理逾 200 份来自海外器材供应商的英文规格书与保养条款，过去全靠人手翻译，平均延误 5 天才完成，拖慢采购与教练培训进度。

• 做法：导入 DeepL 翻译规格文件，再以 ChatGPT 校对专业术语，翻译时间由 5 天缩短至 4 小时。
• 做法：以 ChatGPT 自动生成中文摘要与采购建议，主管审核时间由 90 分钟减至 15 分钟。
• 做法：建立术语对照表并串接翻译流程，每月节省约 60 小时人力成本。
• 做法：将翻译结果同步至内部知识库，新教练培训准备期由 2 周缩短至 3 天。

小技巧

• 测试繁体中文时，用同一段 prompt 分别问 ChatGPT 与 Claude，比较用词准确度。
• 行销人员可先试 Canva 的 Magic Studio 生成贴文图，再评估是否升级付费。
• 知识管理用 Notion AI 整理会议纪录，下 prompt 时指定“输出繁体中文重点条列”。
• 流程自动化先用 Zapier 免费方案串接两个工具，确认省时再扩充。

练习题

您认为哪家公司的 AI 产品最适合您的业务？为什么？

2026 年的 AI 趋势中，哪个对您的行业影响最大？

本节摘要

• 全球 AI 主要玩家：OpenAI、Google、Anthropic、Microsoft、Meta
• 2026 年趋势：AI Agent、多模态、行业垂直化
• 香港中小企业正加速 AI 采用
• 选择 AI 工具要考虑语言、行业、预算

---

企业视角解读趋势：你需不需要理会？

趋势	什么意思	对中小企业的实际意义
模型竞赛（GPT/Claude/Gemini）	大厂争最强通用模型	不必纠结于选择哪一个——使用哪个免费版本都可以，重点是你如何提问
多模态	AI 识同时处理文字/图/声音	影张货品相就出到文案 — 内容制作成本暴跌
AI Agent	AI 自己规划步骤完成任务	“叫 AI 每朝汇总订单通知我”呢类自动化平民化
开源模型	免费可自建的模型（Llama等）	数据敏感的行业可以自行托管，成本还会下降
法规收紧	EU AI Act 等监管	使用 AI 处理客户个人资料前需考虑隐私合规

1.8 AI 的局限性、偏见与常见迷思

为什么学这个？

了解 AI 的局限性，能帮助您避免过度依赖 AI，做出更平衡的决策。

核心教学

常见迷思 vs 现实

迷思	现实
AI 什么都能做	AI 只擅长特定任务
AI 会取代所有人类工作	AI 更多是增强人类能力
AI 永远正确	AI 会犯错，需要人类把关
AI 不需要人类介入	AI 需要人类指导和监督
导入 AI 很贵	有很多免费或低成本工具

AI 的主要局限

幻觉（Hallucination）：AI 有时会“一本正经地说假话”

数据偏见：如果训练数据有偏见，AI 也会有偏见

缺乏常识：AI 不理解人类的常识和context

无法处理全新情况：AI 只能基于学过的数据做判断

隐私风险：输入的数据可能被用于训练

如何安全使用 AI

• 重要决策前，请人类专家复核 AI 的输出
• 不要在 AI 中输入敏感商业信息
• 定期检查 AI 的表现，确保没有偏见
• 使用信誉良好的 AI 工具

商业范例

一间 30 人的健身工作室想用 AI 快速产出会员电子报，主题是“运动后饮食建议”。AI 生成“运动后应完全避免碳水化合物”的内容，但这与运动营养学共识相违，若直接发送将影响教练专业形象。

• 做法：要求 AI 标注每项建议的来源与适用对象。结果：错误信息拦截率提升至 9 成，客诉减少约 4 成。
• 做法：由 2 位教练交叉审核 AI 草稿。结果：每篇电子报审核时间压在 15 分钟内，维持每周 3 篇产出。
• 做法：建立内部禁用词与迷思清单，供 AI 比对。结果：3 个月内累积 60 条条目，重复错误下降约 7 成。

小技巧

• 用 ChatGPT 产出草稿后，务必逐句核对数据与引用来源。
• 请 Claude 回答时加上“请标出不确定的地方”，方便您判断风险。
• 要 Canva 生成文案前，先自行确认品牌语气与禁用词。
• 把 Notion AI 的输出贴回原文对照，删掉重复或错误段落。
• 用 Zapier 串接流程时，设定人工审核步骤再发送。

练习题

您听过哪些关于 AI 的迷思？

如何在使用 AI 的同时确保信息准确性？

本节摘要

• AI 不是万能的，有明确的能力范围
• AI 会犯错（幻觉），需要人类把关
• 数据偏见可能导致 AI 结果不公正
• 把 AI 当作助手，而不是决策者

---

风险管理：AI 幻觉实测

1. 引诱 AI 讲大话：向ChatGPT提问一个极冷门的问题（例如“2024年香港宠物美容师牌照考试的合格率”——这样的东西根本不存在）。
2. 观察幻觉：AI很可能一本正经地编造一个数字出来。这就是幻觉。
3. 学识防御：在prompt末尾加上一句“如果不确定，请直接告诉我不知道”，幻觉率会明显下降。
4. 建立核实习惯：所有AI提供的事实、数字、法例引用，发布前必须查证官方来源。

1.9 AI 对社会与经济的深远影响

为什么学这个？

了解 AI 的宏观影响，能帮助您在战略层面思考 AI 对您行业的长期影响。

核心教学

经济影响

生产力提升：AI 自动化重复性工作，让员工专注高价值任务

新商业模式：订阅制、个人化服务、数据驱动决策

就业结构变化：部分工作消失，但新工作类型出现

中小企业机会：AI 降低了进入门槛，小公司也能用大公司的工具

社会影响

教育变革：需要培养 AI 协作能力

隐私挑战：数据收集和使用的伦理问题

数位鸿沟：会用 AI 的人和不会用的人差距拉大

创意产业：AI 生成内容的版权和原创性问题

宠物行业的 AI 影响

• 正面：提升服务效率、改善宠物健康监测、优化供应链
• 挑战：小型宠物店可能被拥有 AI 能力的大型连锁店竞争
• 机会：AI 让中小宠物企业也能提供个人化服务

商业范例

一家拥有 12 间门市的中型连锁健身中心，近年会员续约率跌破五成，教练难以掌握学员到访频率与训练停滞点，行销活动也缺乏针对性。

• 做法：以 AI 分析会员进场与器材使用数据，自动标记连续两周未到访者并推送专属回归方案，可量化结果：三个月内回流率提升 18%。
• 做法：依学员训练纪录生成个人化课表并实时调整强度，可量化结果：平均课程完成率由 61% 提高至 79%。
• 做法：串接线上预约与线下签到资料，动态调配教练排班，可量化结果：热门时段教练闲置时间减少 25%。
• 做法：以续约几率模型筛选高风险会员，由客服优先关怀，可量化结果：年度续约率回升 12 个百分点。

小技巧

• 每周用 ChatGPT 拆解一则产业新闻，prompt 写“用三点总结并列出对中小企业的影响”。
• 把重复的报价、回信流程交给 Zapier 串接 Gmail 与 Notion 自动归档。
• 用 Claude 读完财报后，要求它输出“风险、机会、行动建议”三段式摘要。
• 在 Canva 开一份 AI 作品集，每月放一件用 AI 完成的实际工作成果。

练习题

您认为 AI 将如何改变您所在行业的竞争格局？

作为企业主，您需要做哪些准备来应对 AI 时代？

本节摘要

• AI 正在重塑经济结构和商业模式
• 中小企业面临挑战，但也迎来前所未有的机会
• 宠物行业的 AI 转型正在加速
• 现在开始学习 AI，就是为未来投资

---

工作不会被取代，但会被重组

历史规律：ATM出现后，银行柜员数量反而上升（因为开设分行变便宜了），但工作内容由数钱变成销售和顾问。AI时代同样——被取代的是“任务”而非“职位”。对个人的实际启示：

1.10 课程总结 + 测验

课程回顾

恭喜您完成了“人工智能入门”课程！让我们回顾一下学到了什么：

AI 的定义：让电脑模拟人类智能的技术

AI 的分类：弱 AI（现在）→ 强 AI（未来）→ 超级 AI（理论）

技术层级：机器学习 → 深度学习 → 生成式 AI

学习三要素：数据 + 算法 = 模型

神经网络：模仿人脑的多层计算结构

日常应用：AI 已深入生活的方方面面

产业格局：OpenAI、Google、Anthropic 等主要玩家

局限性：AI 会犯错，需要人类把关

未来影响：AI 将重塑商业和社会

测验题

Q1：目前所有商用 AI 都属于哪一类？

• A) 超级 AI
• B) 强 AI
• C) 弱 AI
• D) 量子 AI

Q2：AI 学习的三要素是什么？

• A) 硬件、软件、网络
• B) 数据、算法、模型
• C) 输入、处理、输出
• D) 程式、测试、部署

Q3：什么是 AI 的“幻觉”（Hallucination）？

• A) AI 能够想像不存在的东西
• B) AI 有时会生成错误但看起来合理的内容
• C) AI 能够做梦
• D) AI 能够看到人类看不到的东西

Q4：以下哪个不是 AI 的局限性？

• A) 需要大量数据
• B) 可能有数据偏见
• C) 永远不会犯错
• D) 缺乏常识

Q5：选择 AI 工具时，应该考虑哪些因素？（多选）

• A) 是否支持繁体中文
• B) 是否有适合您行业的功能
• C) 价格是否在预算内
• D) 以上皆是

答案： C, B, B, C, D

下一步学习建议

完成这门课程后，建议您继续学习：

课程 2：生成式 AI 全面指南 — 深入了解 ChatGPT、Claude 等工具

课程 5：Prompt Engineering — 学习如何有效与 AI 对话

课程 6：ChatGPT 实战应用 — 掌握最热门 AI 工具的实战技巧

---

恭喜您完成本课程！

您已经建立了 AI 的基础认知，接下来可以开始学习具体的 AI 工具了。