现代人类社会的行业与分工，由大类到垂类领域的细分太过复杂，甚至说千千万万都不足为过。

只要还是个人，就不可能通晓所有的行业~

可效率和商业驱动的社会，跨领域的学习需求始终存在。

而国际知名的麦肯锡咨询公司，就是掌握一套科学且快速跨行学习另一个领域的知识的方法。

所以本文分享的就是如何把这套跨领域快速学习方法的底层思路迁移到我们的快速学习Ai中来。

当然，也不为了成为专家，咱小白首要的需求就是“约取快用，上手为王”，

把Ai快速融入到自己的工作流程里降本增效，是出发点也是核心目标~

第一我们来认识一下麦肯锡跨行业快速学习法

麦肯锡学习法的底层：

结构化思维+系统性学习

麦肯锡学习法的套路（三句话总结，本文只需要对照1）：

1．列举这个行业100个关键词，并一一搞清楚概念、内容、现状、行业所处位置；

2．找机会跟这个行业的3-5个专家深入沟通交流，听取他们在这个行业成为专家所经历的坎坷和高光时刻，找到他们之间所述的共同或类似的内容、观点、对本行业描述较多的部分，留心记录；

3．找到这个行业3-5本最经典的书籍认真看完，整理、归纳与提炼。

Ai毕竟是美丽国领衔起势，语言和一些舶来概念，都是干扰我们理解和上手的拦路虎。

但预先消解这些障碍，咱不要100个，50个实操层面必须要知晓的名词与概念在了解后就差不多了，实际使用的时候就基本够用，且与龙哥来一一观之~

领域大致念类 5个

• AIGC：人工智能生成内容，就是用AI来创作文章、音乐、图片、视频等；
• AGI：通用人工智能，指像人类一样能干各种事情的AI，预计在2027年实现；
• ASI：超级智能，AGI的下一阶段，比人类还机智的AI；
• ChatGPT：本次人工智能革命老大哥，一种聊天机器人，能和人聊天，回答各种形式的问题；
• LLM：大型语言模型，是训练用来理解和生成语言的复杂AI系统。

技术底层类 20个

• NLP：自然语言处理，让计算机能“听懂”人话的技术；
• NLG：自然语言生成，让计算机能“说”人话的技术；
• Transformer：一种让AI更懂人类语言的算法；
• Attention Mechanism：注意力机制，协助AI聚焦注意力在重大信息上；
• Deep Learning：深度学习，让AI通过大量数据学习；
• Generative Adversarial：生成对抗网络，两个AI相互竞争来提高性能，优化输出结果；
• RAG：重组机制，一种让AI能快速学习新任务的方法；
• 向量数据库：存储和检索向量数据的数据库，用于AI的快速搜索；
• Parameter：参数，调整AI行为的设置；
• Alignment：对齐，确保AI的行为符合我们的目标，主要指技术对齐与价值对齐两方面；
• Hallucination：幻觉，AI生成的不真实信息；
• Bias：偏见，AI由于数据不均衡而产生的不公平见解；
• Data Cleaning：数据清洗，去除数据中的错误和无关信息；
• Data Poisoning：数据投毒，故意污染数据来影响AI；
• Coherence：连贯性，确保AI生成的内容是逻辑一致的；
• Consistency：一致性，AI在不同情况下的表现要一致；
• Robustness：鲁棒性，AI在面对各种情况时的稳定性；
• 摩尔定律：预测计算机性能每两年翻一番的规律；
• Seed：种子，启动AI生成内容的初始输入；
• Token：标记，AI处理语言时的基本单位。

直观实操类 15个

• Prompt：提示（词），给AI的指令或问题，是小白上手实操最重大的沟通技能，也是下一篇的Ai认知重点要讲述的东西；
• Agent：智能体代理，代表用户或系统执行任务的程序；
• Multi-modal：多模态，AI能处理多种类型信息，如文字、图片、音频、视频；
• Markdown：一种简单的文本格式，让内容看起来更整洁；
• Chatbot：聊天机器人，能和人进行对话的AI，个人理解算是Agent智能体的一种，不算一个事物，但有部分包含关系；
• Ethical Concerns：伦理问题，使用AI时要思考的道德问题；
• Data Privacy：数据隐私，保护个人信息不被泄露；
• Data Breach：数据泄露，信息被非法获取；
• Fairness：公平性，确保AI对所有人都一视同仁；
• Inclusivity：包容性，让AI服务于不同背景的人；
• Regulation and Governance：法规与管理，制定规则来控制AI的使用；
• Inference：推理，AI根据已知信息得出结论；
• Creativity：创造力，AI生成新想法的能力；
• Innovation：创新，AI带来的新方法或产品；
• Imagination：想象力，AI创造不存在事物的能力。

平台软件类 10个

• Ollama：当前最好用的AI本地大模型部署工具；
• Docker：一种容器技术，配合Ollama让大模型更容易在本地安装和运行；
• LM Studio：大型语言模型工作室，用于开发和测试AI语言模型，更有着各种快速标注适配本地计算机的参数安装标准功能；
• AnythingLLM：一种多功能的大型语言模型，重点是具备本地数据上传为向量化的数据库的能力微调功能；
• Copilot：各类型的Ai助手，用于描述和命名人与Ai关系的定位；
• VPN：虚拟私人网络，俗称梯子、魔法或科学上网，保护网络连接的安全与访问外网 ；
• API：应用程序编程接口，让不同的软件能相互通信，用于接入别的程序或者大模型的一种方式；
• WebUI：网页用户界面，通过网页操作软件；
• Hugging Face：一个提供比较全面的各模态AI模型和工具的平台，需要科学上网；
• GitHub：全球最大开源社区，也有许多好用的工具和软件，也需要科学上网。

从严谨性和科学性而言，以上50个名词我的说法肯定是不足的甚至很偏颇，但从小白的上手层面而言，这样理解就够用啦！

最后，龙哥再分别列出国内外各10个我们接下来会常打交道、大致率用到的Ai平台，直接上表格

以上大模型或Ai工具不代表实际综合能力排名，仅仅是龙哥实操测试觉得某一能力表现足够优异给出的列表，但国内的前几位基本就是公认的和活跃度、商用层面做的最好的了，本文结合下一篇的“Prompt提示词技巧与模板”即可访问实操起来啦！

好了，欢迎关注龙哥的Ai认知系列篇，让你先人一步，更快上手Ai