满地的中文媒体都在说NotebookLM支持中文播客了，都在追风，作为两家大厂AI产品顾问的黄叔，觉得大家都跑偏了。
NotebookLM这个功能让它的更大价值被大家忽略了！而这个更大的价值就是基于：
我们想一个问题，除了用腾讯的ima收藏信息，有多少人会持续使用它的提问能力？
黄叔测试了几次，不管是混元还是DeepSeek，都存在大量丢失信息的情况，原本相关的文档有10个，它可能只能给你找出3个，并且回答的质量差强人意，很容易陷入一个困境：收藏内容多反而质量低
为啥呢？简单回答就是模型能力和上下文限制了！
反观NotebookLM，这张图非常重要：
5月3日，也就是几天前，NotebookLM正式把底层模型升级到Gemini 2.5 Flash，2.5是 Google自家首个混合推理模型，并且是原生多模态！有了它的加持，对于复杂的多步骤推理问题也能轻松搞定，并且上下文窗口是可怕的100万 tokens！
一句话：
无论你是学生、研究者、专业人士还是内容创作者，NotebookLM 都能助你高效开展研究。强大的推理能力和百万级上下文窗口，让你轻松处理超长内容，深入挖掘关键信息。
因为，在Gemini 2.5 Flash的支撑下，它提供的 AI回答完全基于用户明确选择的文档和来源，这样和通用的LLM比起来，内容的可靠性和情境相关性无疑是非常足够的。
我们来show一个case，大家感受下，我找了6篇和flomo AI相关的pdf上传给NotebookLM，然后进行提问：
（NotebookLM的内容上传有些小技巧，比如公众号文章不能直接复制链接提交，可以用“飞书剪藏”插件同步到飞书云文档后，下载为PDF。音频文件可以直接上传或者用通义听悟转为文字后下载PDF再上传，因为这样可以看引用原文。）
Query：提取几个很值得分析的flomo对于AI的思考
Query：flomo对于AI的思考，有哪些局限性
几轮下来，一篇flomo对于AI的思考内容，其实已经大差不差的出来了，如果Chat的过程里，有回答的内容你觉得不错，还可以点击添加Note，存成一条笔记。
可以看到，NotebookLM没有幻觉，因为它仅从左侧上传的6个文档内提取答案，并且每一个答案都给到来源，鼠标移上去，可以看到具体的来源内容段落，非常方便。
我算是它的月活用户，这次打开发现它对于内容的抽取能力更强了！背后还是由于模型能力升级了。
除了Chat之外，NotebookLM还预置了几个功能，最近大火的中文播客，对应的是Audio Overview，除此之外，在下方的Notes区域，有几个预置的选项：
Study guide 、Briefing doc 、 FAQ 、Timeline
（点击查看大图）
我生成了一下，大家可以快速查看下生成的质量，超级高，基本看完你能特别快的理解内容的核心是什么了。
并且，完全免费，只需要合理的科学上网，如果你有edu邮箱，还能白嫖15个月的Google One 15个月的会员试用，其中就包含了NotebookLM Plus会员：
这里要强调一下，除了用量更大，Plus里有个能力非常关键，对于Chat的定制：
我个人偏好AI输出要走分析路线，更长一些，方便我看到更多信息，你也完全可以定制你的偏好风格。
甚至，5月底会在AppStore会上架App，到时用起来会更方便了：
OK，上面基于一些体验和信息，整合了一下NotebookLM的关键洞察，那下面，我们来进一步理解下，NotebookLM到底是什么：
我自己的感觉 NotebookLM 是学习工具 不是笔记工具
现在的大部分知识库软件在希望用户懒的学到知识，NotebookLM 让你用新的方法学习和研究
---from 闪念贝壳@Ping.
我们来详细看下它的功能：
- 支持导入多样化的源材料（如 PDF、谷歌文档/幻灯片、网页链接、YouTube 视频、音频文件）；
- 通过带有内联来源引用的交互式问答促进验证；
- 生成多种内容格式（如摘要、常见问题解答、时间线、学习指南、思维导图）；
- 以及提供独特且广受讨论的“音频概览”功能（即中文播客），以播客风格消化内容。
非常明显，NotebookLM是面向知识工作者的专业AI助手！
它的产品设计远超腾讯ima等一众知识库产品的背后，是什么呢？我们来看一下：
首先腾讯ima，我们随便拿一个公开的知识库测一下召回率：
这是一个DeepSeek知识库，总共175篇文章，基本90%以上的内容都是DeepSeek相关的，但它说只找到了40篇文章。。。
再加上模型能力的差异，答案质量更是不可言喻了。
另一层面，NotebookLM则是用笔记本的逻辑来分割知识库：
这个分割非常重要，对于黄叔来说，每次研究的主题其实都大相径庭，相互之间很少有关联，这样就没有必要全部放在一起，每次新建一个笔记本就行了。
在这个笔记本下，我只需要寻找到最优质的信息，然后不断地Chat，进行洞察的挖掘，就可以满足知识工作者的要求了！
这背后有一个非常重要的概念：
让 AI 根据自己的各种收藏自动涌现有点难，因为权重不好判断。导致的结果是：大综合的分析等于没有分析
From 少楠
是的，研究是有了课题后，基于项目的逻辑主动添加。但收藏在大家的心智里又很不一样，偏向于被动，最后导致缺少了去粗取精的过程，再叠加上面的概念，确实收藏的价值要存疑的。
如果AI无法提取出来高价值信息，那收藏不还是一种数字化的自我安慰吗？我们习惯性地将信息收入囊中，仿佛只要“拥有”了这些资料，就等同于掌握了知识。但事实恰恰相反：信息的堆积并不会自动转化为洞见。收藏的本质，是一种对未来可能需求的焦虑性储备，而非对当下认知的主动建设。
腾讯ima结合生态，很好的迎合了这种焦虑，但实际上并没有提供多少价值。
不管从模型，还是产品设计上，NotebookLM都展示了非常强的一面，并且可以随着Gemini模型的快速进化，而不断提高产品体验。
总结
?AI的价值不在于帮我们“记住”更多，而在于能否帮助我们“理解”更深。
只有当AI能够主动识别、提炼、重组信息，甚至提出超越原始材料的新问题时，收藏才有了被激活的可能。否则，所有的收藏都只是信息的坟场，等待着被遗忘。
所以，真正有意义的知识库，不是信息的仓库，而是洞见的孵化器。AI的使命，是成为我们认知的外延，而不是记忆的备份。
粤ICP备14082021号
免费POC，
零成本试错
