吳恩達：如何正確和AI對話，AI搜索和深度研究使用場景

AI而家可以做兩樣好唔同嘅嘢：一種係上網搜一搜，俾你一個快速嘅答案；另一種係花幾分鐘甚至更耐，將一個問題徹底研究透徹。

睇起身都係「問AI」，但背後嘅工作機制完全唔同。

吳恩達（Andrew Ng）喺佢嘅新課程《AI Prompting for Everyone》入面，專登用咗一個Module講呢件事。課程名叫「Finding Information」，第一課就將呢個問題講得好清楚：

AI攞知識有三種方式——

Pretrained knowledge，模型內置嘅知識。你問AI「光速係幾多」，佢直接答你，呢個係靠訓練時塞入佢個腦嘅嘢。

Web search，上網搜尋。你問AI「今日有咩熱點」，佢上網即刻揾，呢個係靠實時聯網嘅能力。

Deep research，深度研究。唔係簡單搜一嚇，而係AI會對一個問題做多輪探索、交叉驗證、層層推理，最後俾你一個結構化嘅報告。

三種能力，應對三種完全唔同嘅場景。

先講AI搜索。

你問：「量子計算係咩嚟？」

AI上網搜一搜，秒回你一段準確嘅定義。夠用。

你問：「iPhone 18幾時發佈？」

AI上網搜，俾你一個搜到嘅預測日期。

你問：「幫我睇嚇呢篇論文嘅主要貢獻係咩？」

AI上網搜，將摘要讀一次，俾你一個總結。可以。

AI搜索嘅優勢得一個字：快。適合啲有明確答案、唔係太複雜、事實性嘅問題。

但AI搜索有個天花板——佢只能處理佢揾到嘅內容，而且一旦問題變複雜，佢會傾向俾你一個「睇落合理」嘅答案，而唔係「經得起驗證」嘅答案。

咩叫「睇落合理」嘅答案？

比如你問AI：「Llama 4嘅核心技術係咩？」

佗好可能俾你一段流暢嘅描述，但呢段描述係拼湊出嚟嘅——將幾個相關模型嘅技術特點溝埋一齊，睇落似層層，其實有一半係幻覺。

呢個唔係AI講大話，而係佢做緊「語言接龍」，佢擅長將說話講得順，但唔擅長判斷呢個答案靠唔靠譜。

AI搜索嘅天花板：複雜問題、交叉驗證、多源比對，呢啲佢做唔到。

再講深度研究。

深度研究模式，AI會做呢幾件事——

多輪搜索，唔係搜一次就完，而係一層層挖落去。

交叉驗證，一個資訊點從多個來源核對，唔啱就排除。

邏輯推演，唔單止揾到答案，仲要將推導過程講清楚。

結構化輸出，最後俾你一個完整嘅分析報告。

呢種模式對付嘅係咩問題？

比如：「近三年自動駕駛技術有咩關鍵突破？各家嘅技術路線有咩分別？」

呢個問題，用AI搜索，你得到嘅係一篇綜述性文字，來源模糊，細節唔夠。

用深度研究，AI會分頭去挖特斯拉FSD嘅進展、Waymo嘅技術路線、華為HI嘅方案，然後做橫向對比，最後俾你一個有論據支撐嘅分析。

吳恩達喺課程入面特別強調咗一句話："Know when to use AI web search vs. when to use deep research mode for complex questions"—知道幾時用搜索，幾時用深度研究，呢個係用好AI嘅必備技能。

講個真實場景，好多人中過伏。

你想驗證一間公司嘅財務狀況，上AI搜咗嚇，AI俾你幾個數字，睇落好正式，你信咗。

但如果你用深度研究，AI會發現呢幾個數字來源唔同、時間點唔同、口徑唔同，佢會話你知：呢啲數字唔可以直接比較，你需要做咩調整先可以橫向對比。

AI搜索俾你嘅係「睇落啱嘅答案」。

深度研究俾你嘅係「經得起驗證嘅結論」。

分別就係咁。

仲有一種典型錯誤：用AI搜索做學術研究。

你以為揾咗幾篇論文嘅摘要就掌握咗呢個領域嘅研究現狀，其實只係皮毛。真正做研究嘅人會用深度研究模式，將相關論文逐篇拆解、揾關聯、畫知識圖譜。

呢個唔係AI嘅問題，而係工具選擇嘅問題。

核心判斷標準得一個：呢個問題複唔複雜、需唔需要多源驗證、容唔容忍模糊答案。

簡單問題，AI搜索夠曬。

複雜問題，唔好慳時間，用深度研究。

慳落嘅時間，可能會令你嘅結論一文不值。

而家嘅AI工具，呢兩套能力基本上都有。

ChatGPT有聯網搜索模式，都有DeepResearch模式。

Perplexity本質上係一個加強版嘅AI搜索，但係都緊加深度研究能力。

Claude、國內嘅通義千問、Kimi，好多都同時具備呢兩種能力。

問題係——好多人從來未用過深度研究。

或者用過，但唔知佢同搜索嘅分別，喺唔啱嘅場景下用深度研究，等咗好耐發現效率太低，又走返去用搜索。

結果就係：兩個工具都冇用啱，兩邊嘅價值都發揮唔到。

吳恩達呢門課最核心嘅一句話，我翻睇咗好多次：

"The more you understand how AI models find and use information, the better you'll get at knowing what to ask and how."

你越理解AI係點樣獲取同處理資訊，你就越知道應該問咩、點樣問。

呢句說話聽落基礎，但偏偏係最多人忽略嘅部分。

下次你想叫AI幫你查啲嘢，喺開口之前，先停一停，問自己一個問題：

我要嘅係一個答案，定係一個結論？

要答案，AI搜索就夠。

要結論，深度研究模式開動。

呢個判斷唔需要技術背景，只需要諗清楚自己想要咩。

呢個問題諗清楚咗，你用AI嘅效率會翻倍。

諗唔清楚，用錯工具，你會覺得AI「有時準有時唔準」，但真正嘅問題唔係喺AI，而係你揀錯咗場景。

歡迎喺評論區分享你嘅想法～

如果呢篇文章令你有得著，記得點讚、分享、推薦～

亦都歡迎關注我嘅公眾號，每日有AI最新資訊分享🦐

📚 參考課程：Andrew Ng《AI Prompting for Everyone》Module 1: Finding Information

https://www.deeplearning.ai/courses/ai-prompting-for-everyone/

AI現在能幹兩件差別很大的事：一種是聯網搜一下，給你個快速答案；另一種是花幾分鐘甚至更久，把一個問題徹底研究透。

看起來都是"問AI"，但背後的工作機制完全不同。

吳恩達（Andrew Ng）在他的新課《AI Prompting for Everyone》裏，專門用了一個Module來講這件事。課程名字叫"Finding Information"，第一課就把這個問題講透了：

AI獲取知識有三種方式——

Pretrained knowledge，模型內置的知識。你問AI"光速是多少"，它直接回答你，這靠的是訓練時塞進腦子裏的東西。

Web search，聯網搜索。你問AI"今天有什麼熱點"，它去網上現找，這靠的是實時聯網能力。

Deep research，深度研究。不是簡單搜一下，而是AI會對一個問題進行多輪探索、交叉驗證、層層推理，最後給你一個結構化的報告。

三種能力，應對三種完全不同的場景。

先說AI搜索。

你問："量子計算是什麼？"

AI聯網搜一下，秒回你一段準確的定義。夠用。

你問："iPhone 18什麼時候發佈？"

AI聯網搜，給你一個搜索到的預測日期。

你問："幫我看看這篇論文的主要貢獻是什麼？"

AI聯網搜，把摘要讀一遍，給你一個總結。可以。

AI搜索的優勢就一個字：快。適合那些有明確答案、不是特別複雜、事實性的問題。

但AI搜索有個天花板——它只能處理它能找到的內容，而且一旦問題變複雜，它會傾向於給你一個"看起來合理"的答案，而不是"經得起驗證"的答案。

什麼叫"看起來合理"的答案？

比如你問AI："Llama 4的核心技術是什麼？"

它很可能給你一段流暢的描述，但這段描述是拼湊出來的——把幾個相關模型的技術特點混在一起，看起來像那麼回事，其實有一半是幻覺。

這不是AI在撒謊，是它在做"語言接龍"，它擅長把話說得順，但不擅長判斷這個答案靠不靠譜。

AI搜索的天花板：複雜問題、交叉驗證、多源比對，這些它幹不了。

再說深度研究。

深度研究模式，AI會做這幾件事——

多輪搜索，不是搜一下就完事，而是一層層挖下去。

交叉驗證，一個信息點從多個來源核對，不符合就排除。

邏輯推演，不只是找到答案，還要把推導過程說清楚。

結構化輸出，最後給你一個完整的分析報告。

這種模式對付的是什麼問題？

比如："近三年自動駕駛技術有哪些關鍵突破？各家的技術路線有什麼區別？"

這個問題，用AI搜索，你得到的是一篇綜述性文字，來源模糊，細節不夠。

用深度研究，AI會分頭去挖特斯拉FSD的進展、Waymo的技術路線、華為HI的方案，然後做橫向對比，最後給你一個有論據支撐的分析。

吳恩達在課程裏特別強調了一句話："Know when to use AI web search vs. when to use deep research mode for complex questions"——知道什麼時候用搜索，什麼時候用深度研究，這是用好AI的必備技能。

說個真實場景，很多人踩過坑。

你想驗證一家公司的財務狀況，上AI搜了一下，AI給你幾個數字，看起來很正式，你信了。

但如果你用深度研究，AI會發現這幾個數字來源不同、時間節點不同、口徑不同，它會告訴你：這些數字不能直接比，你需要做哪些調整才能橫向對比。

AI搜索給你的是"看起來對的答案"。

深度研究給你的是"經得起驗證的結論"。

差別就在這兒。

還有一種典型錯誤：用AI搜索做學術研究。

你以為搜了幾篇論文的摘要就掌握了這個領域的研究現狀，其實只是皮毛。真正做研究的人會用深度研究模式，把相關論文逐篇拆解、找關聯、畫知識圖譜。

這不是AI的問題，是工具選擇的問題。

核心判斷標準就一個：這個問題復不復雜、需不需要多源驗證、容不容忍模糊答案。

簡單問題，AI搜索夠了。

複雜問題，別省時間，用深度研究。

省下的時間，可能會讓你的結論一文不值。

現在的AI工具，這兩套能力基本都有。

ChatGPT有聯網搜索模式，也有DeepResearch模式。

Perplexity本質上是一個增強版的AI搜索，但也在加深度研究能力。

Claude、國內的通義千問、Kimi，很多都同時具備這兩種能力。

問題是——很多人從來沒用過深度研究。

或者用了，但不知道它和搜索的區別，在不對的場景下用了深度研究，等了半天發現效率太低，又跑回去用搜索。

結果就是：兩個工具都沒用對，兩邊的價值都沒發揮出來。

吳恩達這門課最核心的一句話，我反覆看了好幾遍：

"The more you understand how AI models find and use information, the better you'll get at knowing what to ask and how."

你越理解AI是怎麼獲取和處理信息的，你就越知道該問什麼、怎麼問。

這話聽起來基礎，但恰恰是最多人忽略的部分。

下次你想讓AI幫你查點什麼，在開口之前，先停一下，問自己一個問題：

我要的是個答案，還是一個結論？

要答案，AI搜索就夠了。

要結論，深度研究模式走起。

這個判斷不需要技術背景，只需要想清楚自己要什麼。

這個問題想清楚了，你用AI的效率會翻倍。

想不清楚，用錯工具，你會覺得AI"有時候準有時候不準"，但真正的問題不在AI，在你選錯了場景。

歡迎在評論區聊聊你的想法~

如果這篇文章讓你有收穫，別忘了點贊、分享、推薦～

也歡迎關注我的公眾號，每天有AI最新資訊分享🦐

📚 參考課程：Andrew Ng《AI Prompting for Everyone》Module 1: Finding Information

https://www.deeplearning.ai/courses/ai-prompting-for-everyone/