生成式 AI

生成式 AI 正迅速成为人工智能 (AI) 体系不可或缺的组成部分，能够生成合成数据以及文本、图像和音频。近年来，生成式 AI 工具的持续曝光在推动 AI 进入公众视野方面发挥了关键作用。此外，公众对这类工具的日常使用，也引发了关于人工智能 (AI) 潜在应用的更广泛社会讨论。 

什么是生成式 AI？

生成式 AI 的定义：生成式 AI 是一类能够以文本、视频、图像和音频等形式生成新内容的人工智能。 

生成式 AI 指的是能够在数秒内生成此类新内容的深度学习模型。生成式 AI 形式多样，既包括社交媒体应用中实现面部提前衰老效果的趣味滤镜，也涵盖能够撰写脚本与文本、带来颠覆性变革的聊天机器人。近年来，得益于自然语言处理与大语言模型的发展，生成式 AI 在实际应用方面取得了显著进展。 

相关工具的集成使生成式 AI 能够对用户输入的查询与提示进行扩展处理。简单来说，生成式 AI 模型会基于输入提示及其训练数据，预测下一个字词、笔触或回复内容。此类模型利用从海量数据中学习到的规律，生成连贯且符合上下文的新内容。 

生成式 AI 的工作原理是什么？

生成式 AI 是一种发展迅速的 AI 形式，近年来在能力、效率和应用方面都取得了显著进步。尽管生成式 AI 模型能够生成极其复杂的输出结果，但其运行的基本过程依然依托核心 AI 原理。 

生成式 AI 的关键步骤包括训练、规律识别、生成和再训练。最初，模型会基于海量相关数据进行训练。对于通常聚焦于文本、视频或音频等媒介输出的生成式 AI 应用而言，这些训练数据通常是图像或文本形式，而非数值型数据。 

在训练过程中，模型学会识别数据中的属性、特征和规律。基于此类习得的知识，生成式 AI 模型能够在接到任务与提示时，生成具有独特性、相关性与准确性的内容。 

收到提示后，生成式 AI 模型会进行一系列复杂的计算，以理解提示的含义和要求。随后，模型会确定满足提示要求的最佳方式，并据此进行计算以生成对应内容。这一过程极为迅速，凸显了生成式 AI 作为工具的强大能力。 

最后，在完成一轮完整的训练、推理和输出周期后，模型将进入再训练阶段。这一关键步骤涉及根据新数据及其过往表现对模型进行更新。生成式 AI 的一大关键优势在于其能够随着时间的推移不断改进，从自身成功经验与失败教训中持续学习。 

生成式 AI 的发展历程是怎样的？

随着生成式 AI 在日常生活中的快速普及，其已成为人工智能领域的新型技术工具。然而，生成式 AI 的相关形态已存在一个世纪之久，并在 AI 的整体发展进程中发挥了关键作用。 

• 20 世纪初，起源：20 世纪 30 年代初研发的“机械脑”机器可借助机械计算机实现语言翻译。 
• 20 世纪 50 年代，语言学领域进展：20 世纪 50 年代末，生成式 AI 迎来又一重要进展。Noam Chomsky 在语言学领域展开研究，尤其是提出生成语法理论——包含一套形式语法分类体系，即如今所称的乔姆斯基层次结构。该层次结构有助于定义和分类自然语言语句中语法规则的复杂性，为高效语言处理算法的研发提供了支持。 
• 20 世纪 60 年代，进一步拓展：20 世纪 60 年代，生成式 AI 乃至整个人工智能领域迎来两大里程碑事件。麻省理工学院研发出首款聊天机器人 ELIZA，它依靠模式匹配与语句替换来回复用户输入，但并不具备真正的语义理解能力。两年后，也就是 1968 年，多模态人工智能程序 SHRDLU 诞生。它能够解析自然语言指令，在积木世界模拟环境中操控物件，并理解执行指令。例如，当用户发出“捡起红色积木”的指令，SHRDLU 便可理解指令并完成相应动作。 
• 20 世纪 80 年代，神经网络的发展：20 世纪 80 年代末，循环神经网络与卷积神经网络进行首次演示，进一步展示了生成式 AI 的应用。 
• 21 世纪，生成式 AI 迎来爆发：进入 21 世纪，依托各类创新的神经网络训练方法，生成式 AI 快速崛起，得以生成逼真的内容。硬件的进步最终实现了 AI 的规模化应用，显著提升了其智能水平与可及性。生成式 AI 融入更广泛社会的进程始于 21 世纪 10 年代，以苹果公司 2011 年推出的 Siri 及谷歌助手为标志，二者均可响应语音指令。近五年，OpenAI 推出的 DALL-E 和 ChatGPT 极大推动了该领域发展，可在数秒内生成逼真的图像与文本内容。 

生成式 AI 有哪些主要类型？

生成式 AI 目前包括六种不同的类型。然而，随着该领域技术的不断进步，我们或许很快就能看到一个包含更多分类的扩展分类体系。 

生成对抗网络 (GAN) 的工作原理是让两个神经网络相互对抗。生成器网络负责创建合成数据，判别器网络则判断数据是真实内容还是生成内容。通过这种对抗方法，两个网络不断优化，最终生成的结果也更加准确和逼真。 

循环神经网络 (RNN) 处理序列数据，能够根据数据序列中的前序元素预测后续元素，因此可用于各类生成任务。 

自回归模型通过根据先前输入预测下一个元素的概率，逐一生成数据。ChatGPT 就是该模型的典型实例。 

• 变分自编码器 (VAE) 能够将数据编码至潜在空间，然后通过解码重建原始数据，因此被广泛应用于图像生成任务。它们学习数据的概率表示，从而能够生成相似的新数据。 
• 强化学习通过评估先前生成样本的质量来生成数据。该方法已应用于多种任务，包括文本生成。 

基于 Transformer 的模型因其利用注意力机制来对序列中不同元素之间的关系进行建模，在生成式 AI 应用中日益流行。 

生成式 AI 是如何应用的？

随着生成式 AI 的日益普及，其应用领域也在迅速扩展。各大网站广泛引入聊天机器人就是典型体现。部署这些聊天机器人旨在优化客户服务流程，既能帮助员工专注于其他工作，又能维持与客户的良好关系。 

在客户服务领域，生成式 AI 还能提升整体客户体验和旅程。例如，旅游公司利用生成式 AI 为预订机票、酒店的用户定制个性化行程，自动规划出游方案。 

生成式 AI 也在改变我们使用搜索引擎的方式。如今，AI 搜索结果会提供大量搜索词和查询选项，旨在为用户提供最相关的信息。此外，生成式 AI 还被用于高效生成书面内容，使企业能够根据需要快速生成适用于其网站的相关文案。 

生成式 AI 正在通过处理和解读海量数据集来发现规律、趋势和可落地的决策洞察，从而彻底改变数据分析与洞察工作。金融、营销、商业智能等行业高度依赖及时、准确的洞察来推动决策，因此生成式 AI 的上述能力对这些行业至关重要。美光在存储与内存解决方案领域的前沿技术，在这场转型中发挥着关键作用。 

美光先进的技术能够提供处理密集型 AI 工作负载所需的高性能、高带宽基础设施，确保生成式 AI 应用高效稳定地运行。生成式 AI 与美光前沿解决方案协同赋能，正助力企业充分释放数据的全部潜力。