生成式AI是人類一種人工智慧技術(shù)，可以產(chǎn)生各種類型的內(nèi)容，包括文字、圖像、音訊和合成資料。那什麼是人工智慧？人工智慧和機(jī)器學(xué)習(xí)之間的差異是什麼？

人工智慧是學(xué)科，是電腦科學(xué)的一個(gè)分支，研究智慧代理的創(chuàng)建，這些智慧代理是可以推理、學(xué)習(xí)和自主執(zhí)行動(dòng)作的系統(tǒng)。

從本質(zhì)上講，人工智慧與建築像人類一樣思考和行動(dòng)的機(jī)器的理論和方法有關(guān)。在這個(gè)學(xué)科中，機(jī)器學(xué)習(xí)ML是人工智慧的一個(gè)領(lǐng)域。它是根據(jù)輸入資料訓(xùn)練模型的程序或系統(tǒng)，經(jīng)過訓(xùn)練的模型可以從新的或未見過的資料中做出有用的預(yù)測(cè)，這些資料來自於訓(xùn)練模型的統(tǒng)一資料。

機(jī)器學(xué)習(xí)賦予電腦無需顯示程式設(shè)計(jì)即可學(xué)習(xí)的能力。最常見的兩類機(jī)器學(xué)習(xí)模型是無監(jiān)督和監(jiān)督ML模型。兩者之間的主要區(qū)別在於，對(duì)於監(jiān)督模型，我們有標(biāo)籤，標(biāo)記數(shù)據(jù)是帶有名稱、類型或數(shù)字等標(biāo)籤的數(shù)據(jù)，無監(jiān)督數(shù)據(jù)是沒有標(biāo)籤的數(shù)據(jù)。

該圖是監(jiān)督模型可能嘗試解決問題的例子。

舉例來說，假設(shè)您是餐廳的老闆，您有帳單金額的歷史數(shù)據(jù)，根據(jù)訂單類型，不同的人給了多少小費(fèi)，根據(jù)訂單類型是取貨還是送貨給了多少不同的人。在監(jiān)督式學(xué)習(xí)中，模型從過去的例子中學(xué)習(xí)，以預(yù)測(cè)未來的價(jià)值。因此這裡的模型根據(jù)訂單是取貨還是送貨，使用總帳單金額來預(yù)測(cè)未來的消費(fèi)金額。

這個(gè)範(fàn)例展示了無監(jiān)督模型可能解決的問題情況，在這裡要查看任期和收入，然後將員工分組獲取集群，看看是否有人在快速通道上。無監(jiān)督的問題都是關(guān)於查看原始數(shù)據(jù)，並查看他是否自然分組，讓我們更深入一點(diǎn)以圖形方式展示。

上面這些概念是理解生成式AI的基礎(chǔ)。

在監(jiān)督式學(xué)習(xí)中，測(cè)試資料值被輸入到模型中，該模型輸出預(yù)測(cè)，並將該預(yù)測(cè)與用於訓(xùn)練模型的訓(xùn)練資料進(jìn)行比較。

如果預(yù)測(cè)的測(cè)試資料值和實(shí)際訓(xùn)練資料值相距甚遠(yuǎn)，則稱為錯(cuò)誤，並且模型會(huì)嘗試減少此錯(cuò)誤，直到預(yù)測(cè)值和實(shí)際值更接近為止。

我們已經(jīng)探討了人工智慧和機(jī)器學(xué)習(xí)、監(jiān)督學(xué)習(xí)和無監(jiān)督學(xué)習(xí)之間的差異。那麼，讓我們簡(jiǎn)單探討一下深度學(xué)習(xí)的知識(shí)。

雖然機(jī)器學(xué)習(xí)是一個(gè)包含許多不同技術(shù)的廣泛領(lǐng)域，但深度學(xué)習(xí)是一種使用人工神經(jīng)網(wǎng)路的機(jī)器學(xué)習(xí)，允許他們處理比機(jī)器學(xué)習(xí)更複雜的模式。

人工神經(jīng)網(wǎng)路的靈感來自人腦，它們有許多相互連接的節(jié)點(diǎn)或神經(jīng)元組成，這些節(jié)點(diǎn)或神經(jīng)元可以透過處理資料和做出預(yù)測(cè)來學(xué)習(xí)執(zhí)行任務(wù)。

深度學(xué)習(xí)模型通常具有多層神經(jīng)元。這使他們能夠?qū)W習(xí)比傳統(tǒng)機(jī)器學(xué)習(xí)模型更複雜的模式。神經(jīng)網(wǎng)路可以使用標(biāo)記和未標(biāo)記的數(shù)據(jù)，稱為半監(jiān)督學(xué)習(xí)。在半監(jiān)督學(xué)習(xí)中，神經(jīng)網(wǎng)路在少量標(biāo)記資料和大量未標(biāo)記資料上進(jìn)行訓(xùn)練。 標(biāo)記資料有助於神經(jīng)網(wǎng)路學(xué)習(xí)任務(wù)的基本概念。而未標(biāo)記的數(shù)據(jù)有助於神經(jīng)網(wǎng)路泛化到新的例子。

在這個(gè)人工智慧學(xué)科中的地位，這意味著使用人工神經(jīng)網(wǎng)絡(luò)，可以用監(jiān)督、非監(jiān)督和半監(jiān)督方法處理標(biāo)記和未標(biāo)記資料。大型語言模型也是深度學(xué)習(xí)的子集，深度學(xué)習(xí)模型或一般意義上的機(jī)器學(xué)習(xí)模型。

深度學(xué)習(xí)可以分為判別式和生成式兩種。判別模型是一種用於分類或預(yù)測(cè)資料點(diǎn)標(biāo)籤的模型。判別模型通常在標(biāo)記資料點(diǎn)的資料集上進(jìn)行訓(xùn)練。他們學(xué)習(xí)資料點(diǎn)的特徵和標(biāo)籤之間的關(guān)係，一旦訓(xùn)練了判別模型，它就可以用來預(yù)測(cè)新資料點(diǎn)的標(biāo)籤。而生成模型則根據(jù)現(xiàn)有資料的學(xué)習(xí)機(jī)率分佈產(chǎn)生新的資料實(shí)例，因此產(chǎn)生模型產(chǎn)出新的內(nèi)容。

產(chǎn)生模型可以輸出新的資料實(shí)例，而判別模型可以區(qū)分不同類型的資料實(shí)例。

該圖顯示了一個(gè)傳統(tǒng)的機(jī)器學(xué)習(xí)模型，差異在於資料和標(biāo)籤之間的關(guān)係 ，或你想要預(yù)測(cè)的內(nèi)容。底部圖片顯示了一個(gè)生成式AI模型，嘗試學(xué)習(xí)內(nèi)容模式，以便產(chǎn)生輸出新內(nèi)容。

當(dāng)輸出外標(biāo)籤是數(shù)字或機(jī)率時(shí)為非生成式AI，例如垃圾郵件、非垃圾郵件。當(dāng)輸出為自然語言為生成式AI，例如語音、文字、圖像視訊。

模型輸出是所有輸入的函數(shù)，如果Y是數(shù)字，如預(yù)測(cè)的銷售額，則它不是GenAI。如果Y是一個(gè)句子，就像定義銷售一樣。它是生成性的，因?yàn)閱栴}會(huì)引發(fā)文字回應(yīng)。他的反應(yīng)將基於該模型已經(jīng)訓(xùn)練過的所有海量大數(shù)據(jù)。

總而言之，傳統(tǒng)的、經(jīng)典的監(jiān)督和無監(jiān)督學(xué)習(xí)過程，採(cǎi)用訓(xùn)練程式碼和標(biāo)籤資料來建立模型。根據(jù)用例或問題，模型可以為你提供預(yù)測(cè)，它可以對(duì)某些東西進(jìn)行分類或聚集，使用此勢(shì)力展示產(chǎn)生該過程的穩(wěn)健程度。

GenAI過程可以取得所有資料類型的訓(xùn)練程式碼、標(biāo)籤資料和未標(biāo)籤數(shù)據(jù)，建立基礎(chǔ)模型，然後基礎(chǔ)模型可以產(chǎn)生新內(nèi)容。例如文字、程式碼、圖像、音訊、視訊等。

從傳統(tǒng)程式設(shè)計(jì)到神經(jīng)網(wǎng)絡(luò)，再到生成模型, 我們已經(jīng)走了很長(zhǎng)一段路。在傳統(tǒng)的程式設(shè)計(jì)中，我們過去不得不編碼區(qū)分貓的規(guī)則。類型是動(dòng)物，腿有4條，耳朵有2個(gè)，毛皮是有的等等。

在神經(jīng)網(wǎng)路的浪潮中，我們可以提供網(wǎng)路貓和狗的圖片。並詢問這是一隻貓。他會(huì)預(yù)測(cè)出一隻貓。在生成式AI浪潮中，我們作為用戶，可以產(chǎn)生自己的內(nèi)容。

無論是文字、圖像、音訊、視訊等等，例如Python語言模型或?qū)υ拺?yīng)用程式語言模型等模型。從互聯(lián)網(wǎng)上的多個(gè)來源獲取非常大的數(shù)據(jù)。建構(gòu)可以簡(jiǎn)單的透過提問來使用的基礎(chǔ)語言模型。所以，當(dāng)你問他什麼是貓時(shí)，他可以告訴你他所了解的關(guān)於貓的一切。

現(xiàn)在我們來定義，什麼是生成式人工智慧？

GenAI是一種人工智慧，它根據(jù)從現(xiàn)有內(nèi)容中學(xué)到的知識(shí)來創(chuàng)建新內(nèi)容，從現(xiàn)有內(nèi)容中學(xué)習(xí)的過程稱為訓(xùn)練。並在給出提示時(shí)創(chuàng)建統(tǒng)計(jì)模型，使用該模型來預(yù)測(cè)預(yù)期的反應(yīng)可能是什麼，並產(chǎn)生新的內(nèi)容。

從本質(zhì)上講，它學(xué)習(xí)資料的底層結(jié)構(gòu)內(nèi)容，然後可產(chǎn)生與訓(xùn)練資料相似的新樣本。如之前所述，生成語言模型可以利用他從展示的例子中學(xué)到的知識(shí)，並根據(jù)該資訊創(chuàng)建全新的東西。

大型語言模型是一種生成式人工智慧，因?yàn)樗麄円宰匀话l(fā)音的語言形式生成新穎的文本組合，生成圖像模型，將圖像作為輸入，並可以輸出文本、另一幅圖像或影片。例如，在輸出文字下，你可以獲得視覺問答，而在輸出影像下產(chǎn)生影像補(bǔ)全，並在輸出影片下產(chǎn)生動(dòng)畫。

產(chǎn)生語言模型，以文字作為輸入，可以輸出更多的文字、圖像、音訊或決策。例如，在輸出文字下產(chǎn)生問答，並在輸出影像下產(chǎn)生影片。

我們已經(jīng)說過，生成語言模型透過訓(xùn)練資料了解模式和語言，然後給定一些文本，他們會(huì)預(yù)測(cè)接下來會(huì)發(fā)生什麼。

產(chǎn)生語言模型是模式匹配系統(tǒng)，他們根據(jù)您提供的資料來了解模式。 根據(jù)他從訓(xùn)練資料中學(xué)到的東西，他提供瞭如何完成這句話的預(yù)測(cè)。它接受了大量文字資料的訓(xùn)練，能夠針對(duì)各種提示和問題進(jìn)行交流，並產(chǎn)生像人類一樣的文字。

在transformer中，Hallucin是由模型產(chǎn)生的單字或片語，通常是無意義的或語法錯(cuò)誤的。幻覺可能由多種因素引起，包括模型沒有在足夠的數(shù)據(jù)上訓(xùn)練，或者模型是在嘈雜或骯髒的數(shù)據(jù)上訓(xùn)練的，又或者沒有給模型足夠的上下文，還存在，沒有給模型足夠的約束。

他們也可以讓模型更有可能產(chǎn)生不正確或誤導(dǎo)性的信息，例如雜TPT3.5有時(shí)可能產(chǎn)生的信息未必正確。提示詞是作為輸入提供給大型語言模型的一小段文字。並且它可以用於多種方式控制模型的輸出。

提示設(shè)計(jì)是建立提示的過程，該提示將從大型語言模型產(chǎn)生所需的輸出內(nèi)容。如之前所述，LLM在很大程度上取決於你輸入的訓(xùn)練資料。他分析輸入資料的模式和結(jié)構(gòu)，以便進(jìn)行學(xué)習(xí)。但是透過造訪基於瀏覽器的提示，使用者可以產(chǎn)生自己的內(nèi)容。

我們已經(jīng)展示了基於資料的輸入類型的路線圖，以下是相關(guān)的模型類型。

文字到文字模型。採(cǎi)用自然語言輸入並產(chǎn)生文字輸出。這些模型被訓(xùn)練學(xué)習(xí)文本之間的映射。例如，從一種語言到另一種語言的翻譯。

文字到圖像模型。因?yàn)槲淖值綀D像模型是在大量圖像上訓(xùn)練的。每個(gè)圖像都帶有簡(jiǎn)短的文字描述。擴(kuò)散是用於實(shí)現(xiàn)此目的的一種方法。

文字到影片和文字到3D。 文字到影片模型只在文字輸入產(chǎn)生影片內(nèi)容，輸入文字可以是從單一句子到完整腳本的任何內(nèi)容。輸出是與輸入文字相對(duì)應(yīng)的影片類似的文字到3D模型產(chǎn)生對(duì)應(yīng)於使用者文字描述的三位物件。例如，這可以用於遊戲或其他3D世界。

文字到任務(wù)模型。經(jīng)過訓(xùn)練，可以根據(jù)文字輸入執(zhí)行定義的任務(wù)或操作。此任務(wù)可以是廣泛的採(cǎi)取操作。例如回答問題、執(zhí)行搜尋、進(jìn)行預(yù)測(cè)或採(cǎi)取某種操作，也可以訓(xùn)練文字到任務(wù)模型來指導(dǎo)外B問或透過可以更改文件。

基礎(chǔ)模型是在大量資料上進(jìn)行預(yù)訓(xùn)練的大型AI模型。目的在於適應(yīng)或微調(diào)各種下游任務(wù)，例如情緒分析、圖像、字幕和物件辨識(shí)。

基礎(chǔ)模型有可能徹底改變?cè)S多行業(yè)，包括醫(yī)療保健、金融和客戶服務(wù)等，它們可用於檢測(cè)預(yù)測(cè)，並提供個(gè)人化的客戶支援。 OpenAI提供了一個(gè)包含基礎(chǔ)的模型來源語言，基礎(chǔ)模型包括用於聊天和文字的。

視覺基礎(chǔ)模型包括穩(wěn)定擴(kuò)散，可以有效的從文字描述產(chǎn)生套件品質(zhì)圖像。假設(shè)你有一個(gè)案例，需要收集有關(guān)客戶對(duì)您的產(chǎn)品或服務(wù)的感受。

生成式AI Studio，在開發(fā)者來看，讓您無需編寫任何程式碼即能輕鬆設(shè)計(jì)和建立應(yīng)用程式。它有一個(gè)可視化編輯器，可以輕鬆創(chuàng)建和編輯應(yīng)用程式內(nèi)容。還有一個(gè)內(nèi)建的搜尋引擎，允許用戶在應(yīng)用程式內(nèi)搜尋資訊。

還有一個(gè)對(duì)話式人工智慧引擎，可以幫助使用者使用自然語言與應(yīng)用程式互動(dòng)。您可以創(chuàng)建自己的數(shù)位助理、自訂搜尋引擎、知識(shí)庫、培訓(xùn)應(yīng)用程式等等。

模型部署工具可協(xié)助開發(fā)人員使用多種不同的部署選項(xiàng)，並將在模型部署到生產(chǎn)環(huán)境中。而模型監(jiān)控工具則幫助開發(fā)人員使用儀表板和許多不同的測(cè)量來監(jiān)控ML模型在生產(chǎn)中的表現(xiàn)。

如果把生成式AI應(yīng)用開發(fā)看成一個(gè)複雜拼圖的組裝，其需要的資料科學(xué)、機(jī)器學(xué)習(xí)、程式設(shè)計(jì)等每一項(xiàng)技術(shù)能力就相當(dāng)於拼圖的每一塊。

沒有技術(shù)累積的企業(yè)理解這些拼圖塊本身就已經(jīng)是很困難的事，將它們組合在一起就變成了一項(xiàng)更為艱鉅的任務(wù)。但如果有服務(wù)方能為這些技術(shù)能力薄弱的傳統(tǒng)企業(yè)提供一些預(yù)先拼好的拼圖部分，這些傳統(tǒng)企業(yè)就能夠更容易、更快速地完成整幅拼圖。

從國(guó)內(nèi)市場(chǎng)真實(shí)的情況來看，生成式AI的發(fā)展既不像當(dāng)初追風(fēng)口的從業(yè)者預(yù)估的那樣樂觀，也沒有唱衰者形容的那麼悲觀。

企業(yè)用戶追求應(yīng)用程式的穩(wěn)健性、經(jīng)濟(jì)性、安全性和可用性，這和大語言模型等生成式AI在訓(xùn)練過程中不惜花費(fèi)高昂算力成本達(dá)成更高的能力是完全不同的路徑。

這背後一個(gè)核心的問題是，在想像空間更大的企業(yè)級(jí)生成式AI領(lǐng)域，最重要的不是大模型能力有多強(qiáng)，而是如何能夠從基礎(chǔ)模型演變成各領(lǐng)域中的具體應(yīng)用，從而賦能整個(gè)經(jīng)濟(jì)社會(huì)的發(fā)展。