经过DavidPierce是Vergecast的特约编辑和联合主持人，在消费技术领域拥有十多年的经验。此前，曾供职于《Protocol》、《华尔街日报》和《连线》。

如果你可以与你的笔记进行对话怎么办?这个问题最近占据了互联网的一个角落，因为Dropbox、Box、Notion等公司已经构建了生成式AI工具，让你可以与系统中已有的数据进行交互并根据数据创建新的东西。

Google的版本称为NotebookLM。它是一种人工智能驱动的研究工具，旨在帮助您组织自己的笔记并与之互动。(谷歌最初于今年早些时候宣布将其命名为ProjectTailwind，但很快就更改了名称。)目前，它实际上只是一个原型，但公司内部的一个小团队一直在试图弄清楚人工智能笔记本可能是什么样子。最终，如果NotebookLM继续存在，它可能会成为GoogleDocs的一项功能或Drive内部的工具，可以提取并理解您的所有文件。但就目前而言，它是自己的极其准系统的应用程序。

过去几周我一直在使用NotebookLM，既测试了该应用程序的功能，又试图找出人工智能研究工具适合我自己的工作流程的位置。我不确定我是否已经找到了正确的答案，我也不确定技术是否已经准备好。但我越来越相信，个性化的人工智能，在我关心的所有东西上进行训练，而不是其他东西，将是一个非常强大的东西。

要开始使用NotebookLM，您需要创建一个新项目。就我而言，我一直在对电子表格的历史和文化进行大量研究，因此我将我的项目称为“电子表格历史”。(很聪明，对吧?)然后，该应用程序提示我开始添加源-目前，它只接受和导入Google文档，但在其完成的形式中，它显然会接受许多其他类型的信息。每个项目最多可以有五个来源，每个来源最多可以有10,000个单词长，但我只知道这一点，因为Google的某人告诉我。如果您尝试导入太多或太大的源，NotebookLM就会悄悄失败。该应用程序足够新，团队甚至还没有自定义错误消息。再次：原型。

但经过一番尝试和错误后，我得到了我的资料：StevenLevy的开创性的“知识的电子表格方式”故事的一个版本、VisiCalc创建者DanBricklin的一系列博客文章、LaineNooney的书TheAppleII的一部分年龄，以及其他数千字的研究成果。当我导入每个源代码时，NotebookLM生成了所谓的“源代码指南”，其中有一个段落总结了文档，然后是关键主题列表和建议提出的问题。总的来说，指南非常好：对于Levy的故事，它显示了“电子表格”、“VisiCalc”、“Lotus1-2-3”、“电子表格建模”和“电子表格和决策”。其中三个是同一事物的变体，但是嘿，这是一篇关于电子表格的很长的文章。大多数关键主题都是电子表格。

NotebookLM存在的全部原因是为您提供一种与文档交互的新方式

NotebookLM存在的全部原因是为您提供一种与这些文档交互的新方式。它不是一种组织或增强研究的工具，它本质上是一个专门针对您提供的资源进行训练的聊天机器人，可以一次引用一个或一次全部引用它们。在Levy的示例中，源指南建议的问题之一是“使用电子表格的优点是什么?”当我向NotebookLM聊天机器人询问这个问题时，它想了想，然后返回了五个属性，这些属性使电子表格对于早期计算机用户来说非常强大。答案并不是基于整个互联网;而是基于整个互联网。它完全基于我粘贴到Google文档中的5,000左右单词。

(小题外话：显然，所有这些个性化人工智能工具都存在巨大的隐私问题和担忧。但在这种情况下，我并不担心——所有这些数据已经存在于其他谷歌产品中，所以我不相信使用大型语言模型解析它是一件有意义的不同的事情。但与人工智能的所有事物一样，您应该始终仔细考虑数据的去向以及如何使用它。)

当然，您也可以提出您能想到的任何其他问题。我最终开始使用NotebookLM主要是为了发现事物之间的共性。所有这些文件中最常出现的人是谁?最常引用哪些链接?这个领域的主要竞争对手有哪些?通过几个问题，我通常可以得到一组不错的起点来进行更多的研究。您还可以问“这里最令人惊讶的信息是什么?”之类的问题。并获得有时有趣的例子。NotebookLM还可以生成文档摘要或大纲，以便更轻松地浏览您的研究。

除了每个答案之外，NotebookLM还提供了引用。确切地说，它们不是来源，因为底层模型不仅仅是搜索和返回文本;而是搜索和返回文本。它们更像是地图上的点，即NotebookLM认为与问题最相关的10位文本，然后进行合成和使用以提供答案。NotebookLM告诉我，“速度”是电子表格的一个关键优势，不是因为Levy写了这句话，而是因为他引用了一群高管谈论他们能够使用这个速度更快的工具做的事情。

根据我迄今为止的经验，引文和答案之间的联系有时是明显的，有时是令人非常困惑的，但我喜欢模型试图展示其工作的方法。在大多数情况下，我发现引文比答案本身有用得多。NotebookLM所做的实际综合和回答有些不可靠，但它在识别与我的问题相关的信息方面确实做得很好。