从零开始构建人工智能：微软生成式人工智能课程

今年，生成式人工智能从小众好奇心转变为基础技能。为此，微软发布了 《初学者生成式人工智能》（Generative AI for Beginners） ，这是一门由微软云倡导者制作的免费在线课程，包含18节课。该课程以视频、书面指南和代码示例为框架，引导学习者从基础知识开始，逐步掌握负责任的人工智能、快速工程、代理、RAG（随机梯度下降）和微调。该课程内容精简实用，没有多余的内容——很少有MOOC课程能如此清晰地涵盖如此广泛的内容。

课程内容：十八个课程，切合实际需求

该课程涵盖 18 节课，分为包含核心概念的“学习”模块和包含 Python 或 TypeScript 代码的“构建”模块，每节课都以“继续学习”轨道结束。 内容包括视频、书面自述文件、代码笔记本和额外资源。

课程主题包括：

• 生成式人工智能和法学硕士简介；
• 探索和比较不同的法学硕士；
• 负责任地使用生成式人工智能；
• 快速工程（基础和高级）；
• 构建文本、聊天、图像生成应用程序；
• 使用矢量数据库搜索；
• 低代码AI应用程序（Power Platform，Copilot）；
• 与函数调用集成；
• 人工智能应用程序的用户体验设计；
• 应用程序生命周期，LLMOps；
• 确保人工智能应用的安全；
• 检索增强生成 (RAG) 和向量数据库；
• 开源模型和Hugging Face；
• 人工智能代理；
• 微调法学硕士；

许多课程都配有视频。例如，第 1 部分介绍 LLM 的内部工作原理和实际用例；第 2 部分介绍模型比较和部署；第 17 部分深入探讨 AI 代理：它们是什么、框架以及实际应用环境。

为什么微软希望开发人员学习生成式人工智能

人工智能素养正在向科技领域的基准预期迈进。微软的发布似乎具有战略意义：在教育新人的同时，将他们融入微软的生态系统——Azure 、 Copilot以及OpenAI 合作伙伴关系。

教育科技的增长反映了全球需求： HolonIQ 预测，到2025年，全球教育科技支出可能超过4000亿美元，其中数字技能是主要驱动力。微软的努力看起来不那么利他，而更注重生态系统的强化。通过Microsoft Learn教授开发人员使用 Azure 或 OpenAI，可以为其工具创建一条自然的学习渠道。

谷歌和NVIDIA也提供人工智能指南——谷歌的“AI for Everyone”路径；NVIDIA 的深度学习学院。然而，微软的内容将学习与 Azure 和实践项目紧密结合起来，而不仅仅是理论。

实际回报：开发人员从微软的“初学者生成式人工智能”课程中获得技能

学员将掌握 18 节课程中概述的具体技能：

• 构建原型，例如聊天机器人、基本 LLM 应用程序或图像工具；
• 将向量搜索和 RAG 集成到应用程序中；
• 使用函数调用将 LLM 与外部系统连接起来；
• 使用 Power Platform 和 Copilot 部署低代码应用程序
• 设计安全、生命周期感知的 AI 解决方案。

这些是初学者生成式人工智能课程的直接成果，由官方模块GitHub和Microsoft Learn提供支持。

微软如何将学习融入其生态系统

除了课程之外，微软还鼓励学习者通过其更广泛的生态系统扩展项目。例如，微软创业公司创始人中心 (Microsoft for Startups Founders Hub)提供高达 15 万美元的 Azure 积分和 2,500 美元的 OpenAI 积分（ 项目详情）。虽然这些激励措施并非课程本身的一部分，但它们为从教育到在微软堆栈内进行原型设计和扩展开辟了一条途径。

市场背景

更广泛的开发者社区进一步强化了这些技能的重要性。GitHub的《2024 年 Octoverse》报告指出，带有生成式 AI 标签的公共代码库同比增长 98%，全球项目数量接近 15 万个。这一增长表明，生成式 AI 已迅速从实验阶段发展成为主流开发者活动。

来自现场的声音：学习者的反应和背景

认真的建设者想要的不仅仅是口号。他们想要的是能够教会他们交付可运行系统的课程，以及一个与现代模型实际行为相匹配的框架。如今，最有用的信号来自于那些身处技术栈内部并在公开场合发布具体指导的实践者。

• 吴恩达 (Andrew Ng)，Coursera 联合创始人，DeepLearning.AI 创始人。他专注于应用型、以项目为中心的学习，将理论延伸至代理工作流程和执行。
  https://x.com/AndrewYNg/status/1882125891821822398
• Andrej Karpathy，人工智能研究员，前特斯拉和 OpenAI 工程师。他呼吁重新思考教育材料如何编码知识，使 LLM 原生的推理和交互模式成为核心，而不是边缘。https ://x.com/karpathy/status/1885026028428681698

这些立场共同描绘出一条清晰的需求曲线：以即时实用为目的的动手实践，以及对人工智能素养教学方式的更深入的重塑。这种结合为任何声称旨在培养从业者胜任实际产品工作的课程设定了基准。

人工智能教育竞争格局

微软将“初学者生成式人工智能”定义为其生态系统的学习路径和切入点，但更广泛的人工智能教育领域已经多样化。

赫尔辛基大学与MinnaLearn合作创建了“人工智能元素”免费课程，该课程已覆盖170个国家/地区的100多万人，提供26种语言版本。该课程侧重于Civic素养和易于理解的基础知识，而非特定于平台的技能。

fast.ai 由 Jeremy Howard 和 Rachel Thomas 创立，于 2016 年推出了《程序员实用深度学习》系列。该系列强调编程、实验以及无需机构支持即可获得现代模型训练的机会。

Coursera联合创始人吴恩达通过发布机器学习和深度学习课程，吸引了全球数百万学习者，从而重塑了在线人工智能教育。他的工作证明了大规模大学式课程的持久力。

微软将其课程定位为与其基础设施紧密相关的应用方向。“人工智能元素”专注于可访问性，fast.ai 追求编码深度，Coursera 则持续扩展学术框架。它们共同定义了人工智能教育既普及又充满战略竞争的格局。

从学习到构建：生成式人工智能教育的未来之路

面向初学者的生成式人工智能将培训定位为基础设施。它将学习者引导至既定的生态系统，其中汇聚了工具、工作流程和职业发展机会。微软简化了整个流程：从基础知识、负责任的人工智能、快速设计、检索、代理，到 Azure 和 OpenAI 内部的完整工作流程。最终实现了从理论到原型的直接衔接。替代方案揭示了其他逻辑。人工智能元素大规模开放，fast.ai 训练编程技能，Coursera 连接学术界和全球需求。

每种方法都体现了相同的基线：AI 的流畅性不再是可有可无的。区别在于渠道。企业项目加速技能发展，同时将其与平台绑定。独立轨道保持中立，但又与集成堆栈保持分离。这一决定决定了下一代从业者的学习方式，以及由谁来制定他们的实践规则。

《从零开始构建人工智能：微软生成式人工智能课程内部》一文最先出现在元宇宙 Post上。