Google Cloud Generative AI Leader
225道练习题
最后审核：April 2026
为你的学习之旅记录个人笔记和资源链接
按认证筛选
Google Cloud Generative AI Leader (GAIL) 是 Google 于 2024 年推出的一个基础性、非技术性认证，旨在验证考生对生成式 AI 概念、Google Cloud GenAI 产品以及企业在采用这些产品时面临的战略问题的熟练程度。它面向产品经理、业务领导者、销售工程师和顾问，他们需要能够可信地谈论 Gemini、Vertex AI、代理、RAG 和负责任的 AI，而无需编写代码或运行 Notebook。问题风格是概念性和基于场景的——选择合适的 Google Cloud GenAI 工具以实现业务成果，识别模型何时需要基础化或微调，以及理解治理权衡。它在受众和难度上与 AWS AI Practitioner (AIF-C01) 大致相当。
权重密度最大的领域。基础模型、概念层面的 Transformer、嵌入、模态（文本/图像/多模态）、提示工程、幻觉和基础化。约占考试的 30%。
最大的领域，占 35%。产品层面的 Gemini 系列（Pro、Flash、Ultra）、Vertex AI Studio、Vertex AI Agent Builder、Model Garden、Imagen、Veo、Codey 以及 Gemini for Google Workspace。预计会有产品映射场景题。
提示工程模式、检索增强生成 (RAG)、使用 Vertex AI Search 进行基础化、微调与提示的权衡、评估指标。占 20% — 严重依赖场景。
最小的领域，占 15%，但“权衡”问题密度最高：自建与购买、负责任的 AI 框架、成本考量、变更管理以及衡量 GenAI 投资回报率。
您将在考试中遇到的服务及其重要性。
Google Cloud 统一的 ML 平台，涵盖训练、调优、部署和推理——它是 GAIL 考试中所有其他 Vertex AI 功能的总称。
为什么会出现在考试中： Vertex AI 是领域 2 (Google Cloud 的生成式 AI 产品) 的入口——预计会出现关于何时使用它而非消费者 Gemini 产品的问题。
Google 的第一方模型 (Gemini, Imagen, Veo)、合作伙伴模型 (Claude, Llama, Mistral) 和开源模型的精选目录，支持一键部署。
为什么会出现在考试中： 领域 2 考查跨提供商的模型选择；Model Garden 是关于“如何在 Google Cloud 上评估和选择基础模型”的标准答案。
Google Gemini 系列 (Pro, Flash, Ultra) 的生产级 API 接口，支持多模态输入、长上下文、函数调用和事实锚定 (grounding)。
为什么会出现在考试中： Gemini API 是领域 1-3 中权重最高的场景服务——模型变体、上下文窗口和多模态能力是反复出现的考点。
用于构建对话式和任务导向型 AI 代理的低代码平台，它将 LLM 与工具、检索和企业数据源相结合。
为什么会出现在考试中： 代理模式出现在领域 2 和领域 4 (业务策略) 中——Agent Builder 是无需自定义编排即可部署代理的指定答案。
基于 Google 语义搜索构建的托管企业搜索服务，可从您的文档、网站和结构化数据中返回事实锚定的答案。
为什么会出现在考试中： 领域 3 (改进模型输出的技术) 考查事实锚定模式；Vertex AI Search 是“搜索即检索”RAG 流程的标准答案。
托管的检索增强生成 (RAG) 流水线，为 Gemini 事实锚定处理分块、嵌入、向量存储和检索编排。
为什么会出现在考试中： 领域 3 强调通过事实锚定减少幻觉——当出现“无需手动构建流水线即可实现 RAG”时，RAG Engine 是 Google Cloud 原生答案。
用于提示、比较模型、调优和导出代码的基于 Web 的工作区——是原型化 Gemini 和 Imagen 工作流的第一站。
为什么会出现在考试中： 领域 3 的提示工程问题将 Studio 引用为迭代提示、系统指令和少量样本的界面。
Google 的文本到图像基础模型家族，通过 Vertex AI 提供编辑、图像修复、超分辨率和品牌安全生成功能。
为什么会出现在考试中： 领域 2 涵盖多模态生成；Imagen 是考试中图像生成用例的标准 Google 答案。
基于 Kubeflow Pipelines / TFX SDK 的 ML 工作流托管编排器，提供版本化运行、沿袭和缓存。
为什么会出现在考试中： 领域 4 (业务策略) 涵盖生成式 AI 的运维化；Pipelines 是可复现调优和评估运行的指定服务。
ML 模型的中央注册表，提供版本控制、别名、评估指标和一键部署到端点的功能。
为什么会出现在考试中： 领域 4 中的模型治理场景将 Registry 列为“哪个模型在生产中以及谁批准了它”的审计追踪来源。
ML 特征的托管存储，提供在线 (低延迟) 和离线服务、BigQuery 集成和时间点正确性。
为什么会出现在考试中： 领域 4 引用 Feature Store 作为团队间共享特征以及避免生产生成式 AI 增强流水线中训练/推理偏差的方法。
托管的 JupyterLab 笔记本，预配置了 Vertex AI SDK、BigQuery 集成和 GPU/TPU 加速，用于 ML 迭代。
为什么会出现在考试中： Workbench 是领域 2 中用于进行 Gemini SDK 实际操作和在 Studio 之外进行提示实验的指定开发界面。
基于 Google 的 ScaNN 构建的托管近似最近邻向量数据库 (前身为 Matching Engine)，用于十亿级规模的相似性搜索。
为什么会出现在考试中： 领域 3 的事实锚定场景区分了 Vertex AI Search (托管 RAG) 和 Vector Search (自带嵌入)——了解其边界是考试中的常见问题。
预训练且可定制的文档理解服务，用于从发票、合同、表单和身份证明文件中提取结构化数据。
为什么会出现在考试中： 领域 2 将 Document AI 引用为“提取结构化数据”的预构建选项，然后将其传递给 Gemini——与自定义 Vertex AI 训练形成对比。
通过 Google 的 Translation API，提供跨 100 多种语言的神经机器翻译，支持自适应翻译调优和文档格式保留。
为什么会出现在考试中： 领域 2 引用 Translation API 作为与 Gemini 搭配使用的预构建服务，用于多语言生成式 AI 应用程序。
Google Cloud 预训练的 ASR (语音转文本) 和 TTS (文本转语音) API，支持自定义语音、Chirp 基础模型和 SSML。
为什么会出现在考试中： 领域 2 的多模态场景将 Gemini 与这些语音 API 搭配使用，以构建语音驱动的生成式 AI 应用程序，而无需训练自定义音频模型。
Google Cloud 的账户级访问控制：为 Vertex AI 训练、调优、部署和推理提供预定义和自定义角色。
为什么会出现在考试中： 领域 4 (生成式 AI 业务策略) 考查限制谁可以调用 Gemini 以及谁可以发布调优模型的最小权限模式。
加密密钥的托管创建和控制，包括用于训练数据、调优模型和嵌入的 CMEK (客户管理加密密钥)。
为什么会出现在考试中： Vertex AI 工件上的 CMEK 是领域 4 中在企业合规要求下保护模型 IP 和敏感训练语料的标准答案。
持续检测已部署 Vertex AI 端点上的特征偏移、预测漂移和数据质量问题，并提供告警和仪表盘。
为什么会出现在考试中： 领域 4 中负责任 AI 的问题引用 Model Monitoring 作为服务，用于在生产漂移导致幻觉或偏差回归之前进行捕获。
Google Cloud 的运维套件，用于收集日志、指标和追踪——包括 Vertex AI 请求日志、令牌使用量和端点延迟。
为什么会出现在考试中： 领域 4 的运维场景引用 Cloud Logging + Monitoring 用于生成式 AI 工作负载的成本归因、配额管理和事件响应。
$95k–$145k–$215k USD 每年
该范围涵盖了以美国为基地的、与 AI 相关联的业务职位，其中 Google Cloud GenAI 的熟练度是招聘要求。Google 本身、FAANG 以及资金充足的生成式 AI 初创公司将高级职位的总薪酬推高至 25 万美元以上。此认证是一个筛选信号——它补充了已证明的产品或售前经验，但其本身并不能直接获得这些薪资。
来源：levels.fyi 2025–2026（Google L4–L6 非工程类 AI 职位，合作伙伴解决方案顾问）, 美国劳工统计局 OEWS 2024 年 5 月（13-1111 管理分析师，11-9041 建筑与工程经理，41-9031 销售工程师）。数据为估算值；实际薪酬取决于职位、地区和经验。
随着企业 Gemini 和 Vertex AI 的采用从试点转向生产，以 Google Cloud 为中心的堆栈上的生成式 AI 招聘在 2024–2026 年间加速。GAIL 在不需要深度 ML 编码的职位中充当筛选信号——招聘人员用它来筛选能够可信地谈论 Gemini 系列选择、RAG 架构、代理模式和负责任的 AI 权衡的候选人。需求主要集中在 Google Cloud 合作伙伴、系统集成商以及基于 Vertex AI 构建的企业软件供应商。作为一个基础性认证，它本身并不能使候选人胜任 ML 工程职位；对于这些职位，Professional Machine Learning Engineer (PMLE) 是一个更强的信号。
没有正式的先决条件。Google 建议具备基本的业务或技术策略背景以及对云计算的基本熟悉度，但对于任何完成 Google Cloud Skills Boost 上官方 Generative AI Leader 学习路径（大约 8-12 小时）的人来说，这项考试都非常容易上手。
如果您完全没有 Google Cloud 背景，先完成 Cloud Digital Leader (CDL) 会有所帮助但并非必需——许多 GAIL 问题都假设考生对 Google Cloud 服务分类和共享责任模型有基本熟悉度。如果您已经持有 AWS AI Practitioner 或 Azure AI Fundamentals 认证，大多数生成式 AI 概念可以直接转移；您主要需要重新学习 Google 的产品名称（Gemini、Vertex AI Studio、Agent Builder、Model Garden）和 Google 的负责任的 AI 框架。
GAIL 是基础且易于上手的。如果您没有先前的 AI 或云背景，请计划在 3-4 周内学习 20-35 小时；如果您已持有与生成式 AI 相关的基础认证，则计划在 1-2 周内学习 8-15 小时。考试包含 50-60 道选择题/多选题，时长 90 分钟，通过 Pearson VUE 交付（Google 已于 2026 年初从 Kryterion / Webassessor 迁移）。
最常见的障碍是 Google 生成式 AI 产品表面的广度——Gemini 变体、Vertex AI Studio 与 Vertex AI Agent Builder 与 Model Garden 的区别、Imagen 与 Veo 的区别，以及 Workspace 端的 Gemini 集成。许多问题会给出两个合理的答案，并奖励最符合 Google 习惯的选择。Google 不公布具体分数——只显示通过/未通过。该认证有效期为三年，再认证需要重新通过当前版本的考试（没有单独的再认证考试）。
首次正式发布。Beta 考试于 2024 年年中以折扣价运行；自早期的 Workspace 认证以来，这是 Google Cloud 认证路径中的第一个全新认证。截至 2026 年 4 月的当前版本。
GAIL (Google Cloud Generative AI Leader) 是一门被认为是入门级考试，测试概念理解的广度而非实际操作的深度Foundational级别考试。大多数考生需要为基础级别考试学习 30-80 小时，分摊在 3-6 周内完成。 大多数在模拟考试中持续得分高于及格线的考生，在第一次尝试时都能通过。
大多数考生需要为基础级别考试学习 30-80 小时，分摊在 3-6 周内完成。 通过考试所需时间因个人经验而异。在底层技术方面具有实际生产经验的工程师通常所需时间较少；平台新手则应计划在学习时间范围的上限。
GAIL 是 GCP 生态系统中公认的证书，向雇主、招聘人员和客户表明您已具备经过验证的知识。它是否值得您投入时间和费用取决于您的角色和目标——对于日常使用 GCP 或希望从事相关工作的云工程师、架构师和顾问来说，其回报通常最大。
GAIL 的及格分数是 未公布。考试包含 50 道题，时长为 1 小时 30 分钟。
GAIL 考试费用为 $99 USD。费用由 GCP 设定，并可能因地区而异；预订前请务必在 GCP 官方认证页面确认当前价格。
Google Cloud 基础和助理级认证有效期为 3 年。通过重新通过当前版本的考试来重新认证。
是的。您可以选择在线考试（通过提供商的安全浏览器进行监考，在大多数地区全天候可用）或在工作时间内前往 Pearson VUE 线下考试中心参加。两种形式使用相同的题目、时间限制和及格分数。
CertLabPro 为 GAIL 提供了包含 15 种学习模式的练习题库。考试模拟模式与真实考试一致：50 道题，时长 1 小时 30 分钟，及格分数同样为 未公布。浏览模式允许您静态阅读所有问答。