AI 助手、媒体模型与编程智能体入门指南

这份入门指南概览 AI 助手以及用于语言、图像、视频、模拟世界、编程和音频的工具。我重点介绍每类工具能做什么，以及我个人在哪里使用它们。所述产品、套餐和价格反映 2026 年 3 月的情况；这不是完整清单，而且可能变化。

ChatGPT 是一款通用助手，可以帮助写作、编程、回答问题和搜索网络。根据可用模型及功能，它还可以生成图像、处理 PDF 和其他文件，并支持语音交互。ChatGPT 是围绕 AI 模型构建的产品，既不是第一个聊天机器人，也不是第一个大语言模型。

在视频录制时，展示的个人套餐包括免费版、每月 8 美元的 Go、20 美元的 Plus 和 200 美元的 Pro。更高档位提供更多使用额度和额外功能或推理选项。限额、模型名称、地区价格和可用性都可能变化，因此选择套餐前应咨询服务商。

Anthropic 的 Claude 是另一款通用助手。我特别喜欢用它编程、写作，以及分析数据或编辑办公文档等工作任务。这是我个人与 ChatGPT 的比较，并非通用基准测试。在相关集成可用的情况下，Claude 可以连接 Gmail 等外部服务。

Claude 和 ChatGPT 都可以使用工具或集成，也支持自定义工作方式。例如，一项写作技能可以指定风格偏好，如避免某些反复出现的写法。我觉得 Claude 的配置更适合自己的工作，尽管两款产品的能力有所重叠。

我介绍的 Claude 套餐包括免费版、每月 20 美元或按年付费折合每月 17 美元的 Pro，以及每月 100 美元和 200 美元的更高用量 Max 选项。我认为付费使用对高需求工作有帮助，但价值取决于个人需求、当前限额和实际套餐功能。

Google 的 Gemini 也能处理许多通用助手任务。我觉得它速度快，并看重它与 Gmail、Drive 等 Google 产品的连接。上下文窗口大小指模型在一次请求中可接收的信息量，具体还受产品限制；窗口大并不保证每个细节都能准确理解或回忆。

Gemini 可以接收视频并回答有关内容的问题。视频中说它会观看每一帧，但不应这样假定：Google 的 API 文档描述了帧采样，具体设置取决于模型和界面。快速发生的事件可能被遗漏。其他产品和模型也可能支持视频或逐帧分析，因此这不是独有能力。

我用 Gemini 生成图像和开展研究，尤其是在需要综合多个来源生成报告时。Nano Banana 是 Google 的图像生成系列，我认为它的输出质量很高。我对 Gemini 搜索、Claude 工作与编程、ChatGPT 易用性的偏好都是主观的，反映我当时的体验。

展示的 Google 套餐包括有额度限制的免费使用，以及提供更多用量和功能的付费 Plus、Pro 和 Ultra 档位。具体模型和配额取决于套餐、国家和日期。应查看当前产品，而不要假定 2026 年 3 月的选项仍然不变。

Grok 是 xAI 的助手。我觉得它能访问 X，有助于了解当前讨论和趋势，不过就我的需求而言，我对它的总体评价低于其他产品。它也提供图像生成和语音等功能。我在视频中提到的付费价格是历史数据，可能与当前套餐不同。

对于喜欢动手尝试的人，可下载模型提供了另一条路径。如果整个工作流程都在本地，在本地运行模型可以将推理数据留在自己的机器上，也能让用户更好地控制模型和配置。隐私仍取决于软件、集成和数据处理方式。

本地推理仍有硬件、电力、配置和维护成本，即便没有按请求收取的托管 API 费用。LM Studio 等工具可以简化配置，但硬件容量决定了哪些模型和速度切实可行。我认为较小的本地模型足以完成许多任务，但我估计它们覆盖 95% 的使用场景只是个人近似判断，并非实测结果。

我列举了 Meta Llama、DeepSeek、MiniMax、Qwen、OpenAI 的 gpt-oss、NVIDIA Nemotron 和 Google Gemma 等可下载模型系列。它们的许可证、可用权重和条款各不相同：“开放权重”不自动意味着所有训练数据和代码开放，也不意味着所有用途都不受限制。Llama 影响很大，但并非第一个可以在本地运行的模型。

图像生成模型根据提示词创建图像，可用于营销、创意工作或实验。我让 Nano Banana 2 生成一张狗的图片，觉得结果很逼真。但外观逼真并不能证明图片描绘了真实发生的事件或真实对象。

我还提到 Midjourney、OpenAI 图像工具、Stable Diffusion、Flux 和 Ideogram 等例子。一些图像模型可以在本地运行，但硬件需求和质量因模型及配置而异。最佳选择取决于所需风格、成本、控制程度和任务。

视频生成通常需要更多本地计算资源，不过有合适硬件时也可以运行一些模型。我提到 OpenAI 的 Sora、Google 的 Veo、Runway 和 Kling 等视频生成系统。这些是录制时的产品例子，其可用性和功能可能变化。

世界模型是另一个新兴类别。有些模型生成用户可以交互的环境，类似游戏；我提到的例子包括 Google 的 Genie 和 World Labs 的 Marble。我觉得技术令人印象深刻，但实际用途仍然有限。这个术语还涵盖其他类型的模型和仿真，因此交互视频只是其中一例。

我还介绍了用于物理 AI 仿真的 NVIDIA Cosmos，并推测 Tesla 的驾驶系统由于在物理世界中导航，也可以从较广义上与世界建模联系起来。这只是宽泛的类比，并非证明这些系统使用相同架构或拥有相同能力的技术证据。

编程智能体将模型与运行框架结合：框架是提供工具的软件，让模型能够检查代码库、编辑文件、运行命令并测试修改。我喜欢这一类别，因为它让构建应用更加容易，但模型和周围工具是不同的组成部分。

我列举了 Cursor、Claude Code、OpenAI Codex、Devin 和 Factory 等编程智能体选项。Cursor 是我在这段视频中的个人最爱。这些工具的界面、集成、权限和底层模型各不相同，因此是否适合取决于工作内容以及如何审查其输出。

音频模型涵盖语音、文本转语音、音效和音乐。我提到的 ElevenLabs 是一个多语言语音和声音克隆示例；可以利用样本生成与某个声音相似的语音。OpenAI 的语音模式提供对话界面，用户可以说话并打断。

音乐方面，我提到 Suno 和 Udio 是根据提示词生成歌曲的例子。更广泛的要点是根据任务选择工具：回答问题、研究、编写代码、创建图片或视频，以及生成音频，需要不同的工具。视频说明中链接了一份介绍相关产品的参考 PDF。