CUHK Datathon
Demo source Install apps and use your tokens https://my.feishu.cn/wiki/UdY8wekQtiIRXwkjfS7cn6A2nRg Sample data https://hub.marinecadastre.gov/pages/vesseltraffic
Demo source Install apps and use your tokens https://my.feishu.cn/wiki/UdY8wekQtiIRXwkjfS7cn6A2nRg Sample data https://hub.marinecadastre.gov/pages/vesseltraffic
Copilot for Microsoft Word Copilot for Microsoft Excel Copilot for Microsoft PowerPoint Copilot for Microsoft Outlook Copilot for Microsoft SharePoint
如果說蒸汽機解放了人類的體力,網際網路拓寬了人類的視野,那麼人工智慧(AI)的爆發,則是近代史上首次對人類「心智」與「決策權」的直接叩問。2022年以降,生成式人工智慧以席捲之姿進入大眾視野,它不再只是實驗室裡的數據模型,而是能寫詩、繪畫、編程甚至診斷疾病的「虛擬腦力」。然而,面對這股浪潮,我們若僅將AI視為更高效率的工具,恐怕會錯失這場革命的核心本質——我們正在見證人類與機器關係的重新定義。 超越人力的運算奇點 人工智慧的第一個顯著特性,是其對海量數據的處理能力已遠遠超越人類的生理極限。在醫療影像辨識、氣候模擬預測、供應鏈物流優化等領域,AI展現了「快、準、狠」的決策優勢。它能在數秒內讀完上千份醫學文獻,為罕見疾病提供診斷線索;也能在複雜的棋盤遊戲中,走出人類從未想像過的戰略步數。 這帶來的直接紅利,是將人類從繁重、重複且高精度的勞務中解放出來。企業不再需要耗費大量人力進行數據篩選,教師可以借助AI生成客製化的教案,程式設計師則能擺脫繁雜的語法除錯,專注於更高層級的系統架構。可以說,AI正像當年的電力一樣,成為無所不在的基礎資源,滲透進每一個產業的神經末梢。 演算法背後的隱憂與挑戰 然而,當我們將越來越多的判斷交給演算法時,隱藏的風險也隨之浮現。第一是「偏見的固化」。AI的學習基礎來自人類的歷史數據,而這些數據本身就帶有性別、種族或階級的偏見。當AI用於招募、借貸評分或司法量刑時,它可能悄悄地將過往的不公制度化,形成難以察覺的「演算法歧視」。第二是「真實的消融」。深偽技術(Deepfake)與生成式內容的氾濫,讓「眼見為憑」成為歷史。當虛假資訊能以假亂真,社會的信任基礎將面臨前所未有的考驗。 更深層的焦慮,來自於「黑盒子」般的不可解釋性。當AI給出一個錯誤的醫療建議或自駕車做出致命的判斷時,我們往往難以追溯其決策邏輯。這種不可知性,在涉及生命安危與法律責任時,將成為人類社會法治與倫理體系的巨大漏洞。 人機協作:互補而非取代 面對這些挑戰,我們急需轉變思維。人工智慧的真正價值,不在於「取代」人類,而在於「增強」人類(Augmented Intelligence)。AI擅長的是「計算」與「關聯」,它能在雜亂無章的數據中找到相關性,但它不懂「意義」。它無法體會失去至親的悲痛,無法感受正義降臨時的激昂,也無法在道德兩難中做出帶有溫度的取捨。 因此,未來的職場圖景將是「人類與AI共生」的生態系。人類提供方向、創意、倫理判斷與情感連結,AI則提供數據洞察、模擬推演與執行效率。以教育為例,AI可以負責知識點的傳授與測驗,而人類教師則能騰出更多時間進行品格教育、情緒輔導與思辨引導。這種分工,讓人力資源得以從「量」的堆疊,轉向「質」的躍升。 在演算法洪流中守護人性 人工智慧的發展如同一面鏡子,映照出人類智慧的光輝與盲點。我們無須自卑於算力的落後,也不必狂妄地試圖用科技征服一切。真正的考驗在於,我們是否有足夠的智慧,為這匹脫韁的「數位野馬」套上倫理與法規的韁繩。 在演算法決定我們看到什麼新聞、認識什麼朋友、買到什麼商品的時代,保持「批判性思考」與「自我意識」是最珍貴的防火牆。我們必須主動參與AI倫理標準的制定,確保技術的發展始終以「增進人類福祉」為終極依歸。唯有如此,當人工智慧真正觸及智慧邊界的那一刻,我們迎接的才不會是取代人類的「異星」,而是與人類共舞的「夥伴」。
提示詞 一: 學習診斷報告 學習診斷報告 你現在是一位資深的 [填入學科] 老師,非常擅長從學生的作答細節與錯題中診斷學習盲點。我剛剛上傳了學生在做這份作業/測驗時的實際作答情況(包含批改打叉的錯題) 。 請詳細閱讀圖片中的題目、文本內容與學生的實際作答,並為這位學生生成一份專業的**【學習診斷報告】。 報告必須包含以下三部分: 強項分析: 學生已經掌握了哪些概念? 弱點偵測(重點): 找出他『為什麼錯』?是概念定義混淆、邏輯推導錯誤,題目語境理解有偏差還是粗心大意? 補救路徑: 接下來我們需要重點複習的關鍵內容? 列出關鍵字、核心定義或記憶法,給出 1-2 個具體的複習或檢查建議,幫助學生下次遇到同類題型時能避免再犯 。 提示詞二: 引導式學習 – Guided Learning (把Gemini的模式轉為引導式學習-guided learning) 針對剛才分析報告中學生「表現最弱的盲點」開始進行『引導式學習(Socratic Dialogue)』** 。…
Task 1 https://learn.microsoft.com/en-us/training/modules/enhance-prompting-copilot-it/3-use-chat-define-project-framework Task 2 https://learn.microsoft.com/en-us/training/modules/enhance-prompting-copilot-it/4-use-whiteboard-identify-risks MS-4004 https://www.metricsthatmatter.com/url/u.aspx?87BFBFF9C237031255 Achievement Badge Code: Link: https://learn.microsoft.com/zh-tw/users/me/achievements?WT.mc_id=ilt_partner_webpage_wwl&ocid=5217210&redeem=XV47L6 AB-900 Badge https://learn.microsoft.com/zh-tw/users/me/achievements?WT.mc_id=ilt_partner_webpage_wwl&ocid=5217210&redeem=PRNL8M survey https://learn.microsoft.com/training/courses/ab-900t00?WT.mc_id=ilt_partner_webpage_wwl&ocid=5217210#study-guide
🎥 Camera Angles Examples: Wide shot Close-up Extreme close-up Medium shot Over-the-shoulder Bird’s-eye view Low-angle shot Dutch tilt 💡 Lighting Examples: Soft ambient light Harsh spotlight Golden hour glow Neon…
3004 Develop Computer Vision solutions in Azure Lab https://microsoftlearning.github.io/mslearn-ai-vision
Lab Develop a multi-agent solution with Azure AI Foundry Code: import os from dotenv import load_dotenv # Add references # Add references from azure.ai.agents import AgentsClient from azure.ai.agents.models import ConnectedAgentTool,…
Develop natural language solutions in Azure Lab Recognize and synthesize speech Code 1 from dotenv import load_dotenv from datetime import datetime import os # Import namespaces # Import namespaces from…
It is a combined course of 5 different courses. 3016 Develop generative AI apps in Azure 3026 Develop AI Agents on Azure 3003 Develop natural language solutions in Azure 3004…