生成式人工智慧：你需要了解的一切
生成人工智慧( generative AI )是一種人工智慧技術，可以產生各種類型的內容，包括文字、影像、音訊和合成資料。最近圍繞生成人工智慧的熱議，是由新使用者介面的簡單性驅動的，可以在幾秒鐘內建立高品質的文字、圖形和影像。
應該注意的是，這項技術並不新穎。生成人工智慧於 20 世紀 60 年代在聊天機器人中引入。但直到 2014 年，隨著生成對抗網路（GAN）的引入 —— 一種機器學習演算法 —— 生成人工智慧才能建立令人信服的真實人物的真實圖像、影像和音訊。
一方面，這種新發現的能力開闢了機會，包括更好的電影配音和豐富的教育內容。它還解開了對深度偽造（數位偽造圖像或影像），和對企業的有害網路安全攻擊的擔憂，包括真實模仿員工老闆的邪惡請求。
以下的報導將更詳細地討論，最近的另外兩個進步，在生成性人工智慧成為主流方面發揮了關鍵作用：Transformers 和它們啟用的突破性語言模型。Transformers 是一種機器學習方式，它使研究人員能夠訓練越來越大的模型，而無需提前標記所有資料。因此，新模型可以在數十億頁的文字上進行訓練，從而獲得更深入的答案。此外，Transformers 解鎖了一個名為注意的新概念，該概念使模型能夠追蹤跨頁面、章節和書籍的單詞之間的連線，而不僅僅是單個句子。不僅僅是文字：Transformers 還可以利用他們追蹤連線的能力，來分析密碼（Code）、蛋白質、化學物質和 DNA。
所謂的大型語言模型（LLM）的快速進步 —— 即具有數十億，甚至數萬億引數的模型 —— 開啟了一個新時代，在這個時代中，生成性人工智慧模型可以寫出引人入勝的文字，繪製逼真的圖像，甚至在飛行中建立一些有趣的情景喜劇。此外，多模態人工智慧的創新，使團隊能夠跨多種媒體生成內容，包括文字、圖形和影像。這是 Dall-E 等工具的基礎，這些工具可以從文字描述中，自動建立影像或從影像生成文字標題。
儘管有這些突破，我們仍處在於使用生成人工智慧建立可讀文字和逼真的風格化圖形的初期。早期的實施存在準確性和偏見性問題，以及容易產生幻覺和吐出奇怪的答案。儘管如此，迄今為止的進展顯示，這種生成性人工智慧的內在能力，可以從根本上改變企業技術的營運方式。展望未來，這項技術可以幫助編寫程式、設計新藥、開發產品、重新設計業務流程，和轉變供應鏈。
生成人工智慧是如何工作的？
生成人工智慧從提示開始，該提示的形式可以是文字、圖像、影像、設計、音符，或人工智慧系統可以處理的任何輸入。然後，各種人工智慧演算法響應提示返回新內容。內容可以包括散文、問題解決方案，或由一個人的圖片或音訊製作的真實膺品(realistic fakes)。
早期版本的生成人工智慧，需要透過 API 或其他複雜的流程提交資料。開發人員必須熟悉特殊工具，並使用 Python 等語言編寫應用程式。
現在，生成人工智慧的先驅們正在開發更好的使用者體驗，讓你用通俗易懂的語言描述請求。在初始反應處理後，你還可以自定義結果，並回饋你希望生成的內容反映的樣式、色調和其他元素。
生成人工智慧模型
生成人工智慧模型結合各種人工智慧演算法，來表示和處理內容。例如，為了生成文字，各種自然語言處理技術，將原始字元（例如字母、標點符號和單詞）轉換為句子、詞語部分、實體和動作，使用多種編碼技術表示為向量。同樣，圖像被轉換為各種視覺元素，也表示為向量。一個警告是，這些技術還可以編碼訓練資料中包含的偏見、種族主義、欺騙和誇張。
一旦開發人員確定了代表世界的方式，他們就會應用特定的神經網路來生成新內容，以反應處理查詢或提示。GAN 和變異自動編碼器（VAE，variation autoencoders）等技術 —— 帶有解碼器和編碼器的神經網路 —— 適合生成逼真的人臉、人工智慧訓練的合成資料，甚至特定人類的傳真。
最近在 Transformers 方面取得了進展，如谷歌的雙向編碼器表示器（BERT）、OpenAI 的 GPT 和谷歌 AlphaFold，也產生了神經網路，不僅可以編碼語言、圖像和蛋白質，還可以生成新內容。
神經網路如何改變生成人工智慧
自人工智慧早期以來，研究人員一直在建立人工智慧和其他工具，用於以寫程式方式生成內容。最早的方法，稱為基於規則的系統，後來被稱為「專家系統」，使用明確精心製作的規則，來生成反應處或資料集。
神經網路構成了當今許多人工智慧和機器學習應用的基礎，扭轉了這個問題。神經網路目的在模仿人類大腦的工作方式，從現有資料集中尋找模式中「學習」規則。第一個神經網路是在 20 世紀 50 年代和 60 年代開發的，由於缺乏運算能力和資料集小而受到限制。直到 2000 年代中期大數據的出現和電腦硬體的改進，神經網路才變得用於生成內容。
當研究人員找到了一種方法，讓神經網路在電腦遊戲行業，用於渲染影片遊戲的圖形處理單元（GPU）上並行執行時，該領域加速了。過去十年開發的新機器學習技術，包括上述生成對抗網路和 Transformers，為人工智慧生成內容的顯著進步奠定了基礎。
什麼是 Dall-E、ChatGPT 和 Gemini？
ChatGPT、Dall-E 和 Gemini（前 Bard，即一般所稱 Google AI）是流行的生成人工智慧介面。
Dall-E。Dall-E 接受過大型圖像及其相關文字描述資料集的訓練，是多模式人工智慧應用程式的一個例子，可以辨識多個媒體（如視覺、文字和音訊）的連線。在這種情況下，它將單詞的含義與視覺元素聯結起來。它是在 2021 年使用 OpenAI 的 GPT 實現建立的。第二個功能更強的 Dall-E 2 版本於 2022 年釋出。它使使用者能夠以使用者提示驅動的多種樣式生成圖像。
ChatGPT。這個由人工智慧驅動的聊天機器人，於 2022 年 11 月席卷全球，它建立在 OpenAI 的 GPT-3.5 實現之上。OpenAI 透過帶有互動式回饋的聊天介面，提供了一種互動和微調文字反應處理的方式。早期版本的 GPT，只能透過 API 訪問。GPT-4 於 2023 年 3 月 14 日釋出。ChatGPT 將與使用者對話的歷史納入其結果，模擬真實對話。在新的 GPT 介面令人難以置信的受歡迎程度後，微軟宣佈對 OpenAI 進行大量新投資，並將 GPT 的一個版本，整合到其必應搜尋引擎中。
Gemini。谷歌是處理語言、蛋白質和其他類型內容的先驅，Transformers 人工智慧技術的另一個早期領導者。它為研究人員公開了其中一些模型。然而，它從未為這些模型釋出公共介面。 微軟決定在必應中實施 GPT，這促使谷歌急於推出面向公眾的聊天機器人 Google Gemini，該聊天機器人基於其 LaMDA 系列大型語言模型的輕量級版本。在 Gemini 匆忙首次亮相後，谷歌的股票價格大幅下跌，因為語言模型錯誤地表示韋伯望遠鏡是第一個在外國太陽系中發現行星的望遠鏡。與此同時，由於結果不準確和行為不定，微軟和 ChatGPT 的實現，在早期出遊中也失去了面子。此後，谷歌在其最先進的 LLM PaLM 2 基礎上，推出了新版本的 Gemini，該版本使 Gemini 在反應處理使用者查詢時，更加有效率和視覺化。
生成人工智慧的應用案例是什麼？
生成人工智慧可以應用於各種應用案例，以生成幾乎任何類型的內容。由於 GPT 等尖端突破，各種使用者都越來越容易使用該技術，這些突破可以針對不同的應用進行調整。生成人工智慧的一些應用案例包括以下內容：
- 實施聊天機器人，以提供客戶服務和技術支援。
- 佈署深度偽造物，來模仿人甚至特定個人。
- 改進不同語言的電影和教育內容的配音。
- 撰寫電子郵件回覆、約會簡介、簡歷和學期論文。
- 創造特定風格的逼真藝術。
- 改進產品演示影片。
- 建議測試新的藥物化合物。
- 設計實物產品和建築。
- 最佳化新的晶片設計。
- 以特定風格或語氣創作音樂。
生成人工智慧有什麼好處？
生成性人工智慧可以廣泛應用於許多商業領域。它可以使解釋和理解現有內容更容易，並自動建立新內容。開發人員正在探索生成人工智慧，可以改善現有工作流程的方法，並著眼於完全調整工作流程以利用該技術。實施生成性人工智慧的一些潛在好處包括：
- 自動化編寫內容的手動過程。
- 減少回覆電子郵件的工作量。
- 改進對特定技術查詢的反應處理。
- 創造人們的現實形象。
- 將複雜的資訊總結成連貫的敘述。
- 簡化以特定風格建立內容的過程。
生成人工智慧的侷限性是什麼？
生成性人工智慧的早期實施生動地說明了其許多侷限性。生成人工智慧提出的一些挑戰，來自於用於實施特定運用案例的具體方法。例如，複雜主題的摘要，比包含支援關鍵點的各種來源的解釋更容易閱讀。然而，摘要的可讀性是以使用者能夠審查資訊的來源為代價的。
以下是實施或使用生成性人工智慧應用程式時，需要考慮的一些限制：
- 它並不總是能辨識內容的來源。
- 評估原始來源的偏見可能具有挑戰性。
- 聽起來逼真的內容使辨識不準確的資訊更加困難。
- 很難理解如何調整新情況。
- 結果可以掩蓋偏見、偏見和仇恨。
你只需要注意：Transformers 帶來了新功能
2017年，谷歌報告了一種新型神經網路架構，該架構顯著提高了自然語言處理等任務的效率和準確性。突破性的方法被稱為 Transformers，是基於注意力的概念。
在高層次上，注意力是指對事物（例如單詞）如何相互關聯、補充和修改的數學描述。研究人員在他們的開創性論文《關注就是你所需要的》中描述了這種架構，展示了 Transformers 神經網路，如何比其他神經網路更準確地在英語和法語之間進行翻譯，而且只有四分之一的訓練時間。突破性技術還可以發現，隱藏在資料中的其他事物之間的關係或隱藏的秩序，這些事物可能沒有意識到這些事物，可能因為它們太複雜而無法表達或辨別。
自引入以來，Transformers 架構發展迅速，產生了 GPT-3 等 LLM 和更好的預訓練技術，如谷歌的 BERT。
圍繞生成人工智慧的擔憂是什麼？
生成性人工智慧的興起也助長了各種擔憂。這些與結果的品質、濫用和濫用的可能性，以及破壞現有商業模式的可能性有關。以下是生成人工智慧當前狀態所帶來的一些具體問題類型：
- 它可以提供不準確和誤導性的資訊。
- 如果不瞭解資訊的來源和來源，就更難信任。
- 它可以促進新的剽竊行為，這些抄襲行為忽視了內容創作者和原創內容藝術家的權利。
- 它可能會破壞圍繞搜尋引擎最佳化，和廣告建構的現有商業模式。
- 它使生成假新聞更容易。
- 這使得聲稱不法行為的真實照片證據，只是人工智慧產生的假貨更容易。
- 它可以冒充人們進行更有效的社會工程網路攻擊。
鑑於 GenAI 工具的新穎性及其快速採用，企業應該透過採用健全的人工智慧工程實踐，並使負責任的人工智慧成為其 GenAI 努力的基石，為不可避免的「幻滅槽」做好準備，這是新興技術的一部分。
生成性人工智慧工具有哪些例子？
生成性人工智慧工具適用於各種模式，如文字、影像、音樂、程式和語音。探索的一些流行的 AI 內容生成器包括以下內容：
- 文字生成工具包括 GPT、Jasper、AI-Writer 和 Lex。
- 影像生成工具包括 Dall-E 2、Midjourney 和 Stable Diffusion。
- 音樂生成工具包括 Amper、Dadabots 和 MuseNet。
- 程式生成工具包括 CodeStarter、Codex、GitHub Copilot 和 Tabnine。
- 語音合成工具包括 Descript、Listnr 和 Podcast.ai。
- 人工智慧晶片設計工具公司，包括 Synopsys、Cadence、Google 和 Nvidia。
按行業分列的生成人工智慧應用案例
新的生成人工智慧技術，有時被描述為類似於蒸汽動力、電力和運算的通用技術，因為它們可以深刻影響許多行業和應用案例。必須記住，與以前的通用技術一樣，人們通常需要幾十年的時間，才能找到組織工作流程的最佳方法，以利用新方法，而不是加快現有工作流程的一小部分。以下是生成性人工智慧應用可能影響不同行業的一些方式：
- 財務可以在個人歷史背景下觀察交易，以建構更好的詐欺檢測系統。
- 律師事務所可以使用生成人工智慧，來設計和解釋合同，分析證據並提出論點。
- 製造商可以使用生成人工智慧，來組合來自攝影機、X 光和其他指標的資料，以更準確、更經濟地辨識有缺陷的產品組成和根本原因。
- 電影和媒體公司可以使用生成人工智慧，來更經濟地製作內容，並用演員自己的聲音將其翻譯成其他語言。
- 醫療行業可以使用生成人工智慧，來更有效地辨識有前途的候選藥物。
- 建築公司可以使用生成人工智慧，來更快地設計和適應原型。
- 遊戲公司可以使用生成人工智慧，來設計遊戲內容和等級。
生成人工智慧中的倫理和偏見
儘管有希望，但新的生成人工智慧工具在準確性、可信度、偏見、幻覺和剽竊方面開闢了一罐蠕蟲 —— 這些道德問題可能需要數年才能解決。這些問題對人工智慧來說都不是特別新。例如，微軟在 2016 年首次涉入聊天機器人，名為 Tay，在它開始在推特上噴灑煽動性言論後，不得不關閉。
新穎的是，最新的生成性人工智慧應用程式，在表面上聽起來更加連貫。但這種類似人類語言和連貫性的結合，並不是人類智慧的同義詞，目前關於生成人工智慧模型，是否可以被訓練為具有推理能力，存在著很大的爭論。一名谷歌工程師甚至在公開宣佈，該公司的生成性人工智慧應用程式「對話應用程式語言模型」（LaMDA）有知覺後被解僱。
生成性人工智慧內容的令人信服的現實主義，引入了一套新的人工智慧風險。它使檢測人工智慧生成的內容變得更加困難，更重要的是，當事情出錯時，檢測變得更加困難。當我們依靠生成的人工智慧結果，來編寫程式或提供醫療建議時，這可能是一個大問題。生成人工智慧的許多結果不透明，因此很難確定，例如，它們是否侵犯了版權，或者它們得出結果的原始來源是否存在問題。如果你不知道人工智慧是如何得出結論的，你就無法解釋為什麼它可能是錯誤的。
生成性人工智慧與人工智慧
生成人工智慧專注於建立新的原創內容、聊天回應處理、設計、合成資料甚至深度偽造。它在創意領域和新穎的問題解決方面特別有價值，因為它可以自主產生許多類型的新產出。
如上所述，生成人工智慧依賴於 Transformers、GAN 和 VAE 等神經網路技術。不同的是，其他類型的人工智慧使用的技術，包括卷積神經網路、循環神經網路和強化學習。
生成人工智慧通常從一個提示開始，該提示允許使用者或資料來源，提交啟動查詢或資料集，以指導內容生成。這可能是一個探索內容變化的迭代過程。另一方面，傳統的人工智慧演算法，通常遵循一套預定義的規則，來處理資料並產生結果。
兩種方法都有其優勢和劣勢，取決於要解決的問題，生成人工智慧非常適合涉及 NLP 的任務，並要求建立新內容，傳統演算法對涉及基於規則的處理和預定結果的任務更有效。
生成人工智慧與預測人工智慧與會話人工智慧
預測性人工智慧與生成性人工智慧不同，使用歷史資料中的模式來預測結果，對事件進行分類和可操作的見解。組織使用預測性人工智慧來提高決策性，並制訂資料驅動策略。
會話人工智慧幫助虛擬助理、聊天機器人，和客戶服務應用程式等人工智慧系統，以自然的方式與人類互動和互動。它使用 NLP 和機器學習的技術來理解語言，並提供類似人類的文字或語音回應。
生成人工智慧歷史
Joseph Weizenbaum 在 20 世紀 60 年代，建立的 Eliza 聊天機器人是生成人工智慧的最早例子之一。這些早期的實現使用了基於規則的方法，由於詞彙有限、缺乏上下文和過度依賴模式等缺點，很容易打破。早期的聊天機器人也很難客製化和擴充。
2010 年神經網路和深度學習的進步，使該技術能夠自動學習解析現有文字、對影像元素進行分類和轉錄音訊，該領域再次復甦。
Ian Goodfellow 在 2014 年推出了 GANs。這種深度學習技術為組織競爭神經網路，以生成和評價內容變化，提供了一種新穎的方法。這些可以產生現實的人、聲音、音樂和文字。這激發了人們對如何利用生成人工智慧，來創造在影像中模仿聲音和人物的逼真的深度偽造的興趣和恐懼。
從那時起，其他神經網路技術和架構的進步，有助於擴大生成人工智慧的能力。技術包括 VAE、長期短期記憶、Transformers、擴散模型和神經輻射場。
使用生成人工智慧的最佳實踐
使用生成性人工智慧的最佳實踐將因模式、工作流程和預期目標而異。也就是說，在使用生成性人工智慧時，考慮準確性、透明度和易用性等基本因素很重要。以下做法有助於實現這些因素：
- 為使用者和消費者，明確標記所有生成性人工智慧內容。
- 酌情使用主要來源，來審查生成內容的準確性。
- 考慮偏見如何融入生成的人工智慧結果中。
- 使用其他工具仔細檢查，人工智慧生成的程式和內容的品質。
- 瞭解每個生成人工智慧工具的優勢和侷限性。
- 熟悉結果中的常見失敗模式，並繞過這些模式。
生成性人工智慧的未來
ChatGPT 令人難以置信的深度和易用性，促使了生成人工智慧的廣泛採用。可以肯定的是，快速採用生成性人工智慧應用程式，也證明了安全、負責任地推出這項技術的一些困難。但這些早期實施問題，激發了對檢測人工智慧生成的文字、圖像和影像的更好工具的研究。
事實上，ChatGPT、Midjourney、Stable Diffusion 和 Gemini等生成人工智慧工具的流行，也推動了各級專業知識的無盡訓練課程。許多目的在幫助開發人員，建立人工智慧應用程式。其他人更關注，希望在整個企業中應用新技術的商業使用者。在某些時候，行業和社會，也將建立更好的工具來追蹤資訊來源，以創造更值得信賴的人工智慧。
生成人工智慧將繼續發展，在翻譯、藥物發現、異常檢測和新內容的生成方面取得進步，從文字和影像，到時尚設計和音樂。儘管這些新的一次性工具很好，但生成性人工智慧在未來的最大影響，將來自於將這些功能，直接整合到我們已經使用的工具中。
例如，語法檢查器會變得更好。設計工具將直接將更多有用的建議，無縫嵌入我們的工作流程中。訓練工具將能夠自動辨識組織一個部分的最佳實踐，以幫助更有效地訓練其他員工。這些只是生成人工智慧在短期內，改變我們工作方式的一小部分。
生成性人工智慧對未來的影響很難說。但是，當我們繼續利用這些工具，來自動化和增強人類任務時，我們將不可避免地發現，自己不得不重新評估人類專業知識的性質和價值。
生成人工智慧常見問題
以下是人們對生成人工智慧的一些常見問題。
誰創造了生成人工智慧？Joseph Weizenbaum 在 20 世紀 60 年代，作為 Eliza 聊天機器人的一部分，建立了第一個生成人工智慧。
Ian Goodfellow 在2014年展示了生成性對抗網路，以培養看起來逼真和聽起來像的人。
隨後對 Open AI 和 Google 的 LLMs 的研究點燃了最近的熱情，這種熱情已經演變為 ChatGPT、Google Gemini 和 Dall-E 等工具。
生成性人工智慧如何取代工作崗位？生成性人工智慧有可能取代各種工作，包括以下內容：
- 編寫產品描述。
- 建立行銷副本。
- 生成基本的網路內容。
- 發起互動銷售外聯。
- 回答客戶的問題。
- 為網頁製作圖形。
一些公司將在可能的情況下尋找機會取代人類，而另一些公司將使用生成性人工智慧，來增加和增強其現有勞動力。
你如何建構一個生成的人工智慧模型？生成性人工智慧模型，從高效率編碼你想要生成的內容的表示開始。例如，文字的生成人工智慧模型，可能會從找到一種將單詞，表示為向量的方法開始，該向量描述了同一句子中經常使用的單詞，或意味著相似事物的單詞之間的相似性。
LLM 研究的最新進展，幫助該行業實施了相同的流程，以表示在影像、聲音、蛋白質、DNA、藥物，和 3D 設計中發現的模式。這種生成性人工智慧模型，提供了一種有效的方式，來表示所需的內容類型，並有效地迭代有用的變體。
你如何訓練生成人工智慧模型？生成性人工智慧模型，需要針對特定用例進行訓練。LLMs 的最新進展，為針對不同應用案例客製化應用程式，提供了一個理想的起點。例如，OpenAI 開發的流行的 GPT 模型，已被用於編寫文字、生成程式，和基於書面描述建立影像。
訓練涉及針對不同的應用案例調整模型參數，然後對給定的訓練資料集進行微調結果。例如，呼叫中心可能會針對服務代理，從各種客戶類型中獲得的各種問題，以及服務代理作為回報的回應，來訓練聊天機器人。影像生成應用程式，與文字區分，可能會從描述影像內容和樣式的標籤開始，以訓練模型生成新影像。
生成人工智慧如何改變創意工作？生成人工智慧有望幫助創意工作者探索各種想法。藝術家可能會從基本設計概念開始，然後探索變化。工業設計師可以探索產品變化。建築師可以探索不同的建築佈局，並將其視覺化，作為進一步完善的起點。
它還可以幫助創意工作的某些方面民主化。例如，商業使用者可以使用文字描述來探索產品行銷影像。他們可以使用簡單的命令，或建議進一步完善這些結果。
生成人工智慧的下一步是什麼？ChatGPT 生成類似人的文字的能力，引發了人們對生成人工智慧潛力的廣泛好奇心。它還照亮了未來的許多問題和挑戰。
在短期內，工作將側重於使用生成性人工智慧工具，改善使用者體驗和工作流程。建立對生成人工智慧結果的信任也非常重要。
許多公司還將根據自己的資料客製化成為生成人工智慧，以幫助改善品牌和溝通。編寫程式團隊將使用生成人工智慧，來強制執行公司特定的最佳實踐，以編寫和格式化更可讀和一致的程式。（3S Market：這就是偏見的開始）
供應商將將生成人工智慧功能整合到其附加工具中，以簡化內容生成工作流程。這將推動這些新功能，如何提高生產力的創新。
作為增強分析工作流程的一部分，生成性人工智慧也可以在資料處理、轉換、標籤，和審查的各個方面發揮作用。語義網路應用程式可以使用生成人工智慧，將描述工作技能的內部分類，自動對映到技能訓練和招聘網站上的不同分類。同樣，業務團隊將使用這些模型，來轉換和標記第三方資料，以獲得更複雜的風險評估和機會分析能力。
未來，生成人工智慧模型將得到擴充，以支援 3D 建模、產品設計、藥物開發、數位雙胞胎、供應鏈和業務流程。這將使產生新產品創意、嘗試不同的組織模式，和探索各種商業理念變得更加容易。
定義了最新的生成人工智慧技術
代理 GPT AgentGPT 是一種生成性人工智慧工具，使用者能夠建立自主的人工智慧代理，可以委派一系列任務。
人工智慧藝術（人工智慧藝術）人工智慧藝術是使用人工智慧工具，建立或增強的任何形式的數位藝術。
人工智慧提示人工智慧（AI）提示是人與 LLM 之間的互動模式，允許模型生成預期輸出。這種互動可以以問題、文字、程式片段或案例的形式進行。
人工智慧提示工程師人工智慧（AI）提示工程師是建立，基於文字的提示或線索的專家，這些提示或提示可以透過大型語言模型，和生成人工智慧工具進行解釋和理解。
人工智慧紅色團隊人工智慧紅色團隊，是模擬人工智慧應用程式的攻擊場景，以確定弱點並制訂預防措施。這個過程有助於保護人工智慧模型，免受一系列可能的滲透策略和功能問題。
亞馬遜基石亞馬遜基石（也稱為AWS Bedrock）是一個機器學習平台，用於在亞馬遜網路服務雲端運算平上，建構生成人工智慧（AI）應用程式。
蘋果智慧 Apple Intelligence 是蘋果正在在其產品（包括 iPhone、Mac 和 iPad 裝置）中整合的一套生成性人工智慧功能的平台名稱。
自動GPT Auto-GPT 是一個實驗性的開源自主人工智慧代理，基於 GPT-4 語言模型，該代理可以自動將任務鏈接在一起，以實現使用者設定的大局目標。
自主人工智慧自主人工智慧是人工智慧的一個分支，其系統和工具足夠先進，可以在有限的人類監督和參與下行動。
思想鏈提示這種提示工程技術，目的在透過以模仿人類推理的方式，建構輸入提示，來提高語言模型在需要邏輯、運算和決策的任務上的效能。
資料中毒（AI 中毒）資料或人工智慧中毒攻擊，是故意試圖操縱人工智慧和機器學習（ML）模型的訓練資料，以破壞其行為並引發扭曲、有偏見或有害的輸出。
嵌入語義搜尋模型嵌入語義搜尋模型，將資料轉換為更有效的符號，和統計電腦處理格式。
傑瑪 Gemma 是一個輕量級開源 GenAI 模型的集合，主要為谷歌 DeepMind 研究實驗室的開發人員和研究人員設計。
谷歌 Gemini Google Gemini 是一個多模式人工智慧（AI）大型語言模型家族，具有語言、音訊、程式和影像理解能力。
谷歌搜尋生成體驗谷歌搜尋生成體驗（SGE）是一套搜尋和介面功能，將生成人工智慧驅動的結果，整合到谷歌搜尋引擎查詢反應處理中。
谷歌搜尋實驗室（GSE）GSE 是 Alphabet 的谷歌部門的一項倡議，目的在在谷歌搜尋公開之前，以預覽格式為谷歌搜尋提供新的功能和實驗。
圖形神經網路（GNNs）圖神經網路（GNN）是一種神經網路架構，和深度學習方法，可以幫助使用者分析圖，使他們能夠根據圖的節點，和邊緣描述的資料進行預測。
影像到影像的翻譯 影像到影像翻譯是一種生成人工智慧（AI）技術，它將源影像轉換為目標影像，同時保留原始影像的某些視覺屬性。
盜夢夢得分初始得分（IS）是一種數學演算法，用於測量或確定生成人工智慧透過生成對抗網路（GAN）建立的影像品質。「初始」一詞是指創造力的火花，或人類傳統上經歷的思想或行動的最初開始。
ML 中的知識圖在機器學習領域，知識圖是一種圖形表示，捕捉不同實體之間的聯絡。它由表示實體或概念的節點，和表示這些實體之間關係的邊緣組成。
朗鏈 LangChain 是一個開源框架，允許軟體開發人員使用人工智慧（AI），及其機器學習子集，將大型語言模型與其他外部元件結合起來，以開發由 LLM 驅動的應用程式。
蒙面語言模型（MLM）傳銷用於自然語言處理任務，用於訓練語言模型。特定輸入中的某些單詞和令牌，在這種方法中被隨機掩蓋或隱藏，然後訓練模型透過使用周圍單詞，提供的上下情境關聯，來預測這些被掩蓋的元素。
神經符號人工智慧神經符號人工智慧，將神經網路與基於規則的符號處理技術相結合，以提高人工智慧系統的準確性、可解釋性和精確性。
及時工程提示工程是一種人工智慧工程技術，有多種用途。它包括用特定的提示，和推薦輸出來完善 LLM 的過程，以及為各種生成人工智慧服務，提煉輸入以生成文字或影像的過程。
Q學習 Q-learning 是一種機器學習方法，它使模型能夠透過採取正確的行動，來隨著時間的推移迭代學習和改進。
從人類回饋（RLHF）中強化學習 RLHF 是一種機器學習方法，它將獎勵和比較等強化學習技術與人工指導相結合，以訓練練人工智慧代理。
檢索增強生成 檢索增強生成（RAG）是一個人工智慧（AI）框架，從外部知識來源檢索資料，以提高反應處品質。
檢索-增強語言模型預訓練 檢索增強語言模型，也稱為 REALM 或 RALM，是一種人工智慧語言模型，目的在檢索文字，然後使用它來執行基於問題的任務。
語義網路（知識圖）語義網路是一種知識結構，描述概念如何相互關聯，以及它們如何相互連線。語義網路使用人工智慧編寫程式來挖掘資料，連線概念並引起人們對關係的關注。
語義搜尋語義搜尋是一種資料搜尋技術，它使用自然語言處理（NLP）和機器學習演算法，透過考慮搜尋者的意圖，和查詢中使用的術語的上下文含義，來提高搜尋結果的準確性。
變異自動編碼器（VAE）變異自動編碼器，是一種生成的人工智慧演算法，它使用深度學習來生成新內容，檢測異常並消除噪音。
向量嵌入 向量嵌入是捕捉單詞、短語和其他資料類型關係，和含義的數值表示。
視覺語言模型（VLM）VLM結合了機器視覺和語義處理技術，以理解影像中物件內部和物件之間的關係。
自然語言處理的一些生成模型是什麼？
自然語言處理的一些生成模型包括以下內容：
- 卡內基梅隆大學的 XLNet
- OpenAI 的 GPT（生成預訓練 Transformers）
- 谷歌的 ALBERT（“A Lite”BERT）
- 谷歌 BERT
- 谷歌 LaMDA
人工智慧會獲得意識嗎？
一些人工智慧支持者認為，生成性人工智慧是實現通用人工智慧，甚至意識的重要一步。谷歌 LaMDA 聊天機器人的一位早期測試人員，公開宣佈它有知覺，甚至引起了轟動。然後他被公司解僱了。
1993 年，美國科幻小說作家兼電腦科學家 Vernor Vinge 假設，30 年後，我們將擁有創造「超人智慧」的技術能力 —— 一種比人類更聰明的人工智慧 —— 之後人類時代將結束。人工智慧先驅 Ray Kurzweil 預測到，2045 年將有這樣的「奇點」。
許多其他人工智慧專家認為它可能遠得多。機器人先驅羅德尼·布魯克斯預測，人工智慧在一生中不會獲得 6 歲孩子的知覺，但到 2048 年，他可能會像狗一樣聰明和細心。
駕馭炒作與現實
人工智慧存在風險：人工智慧對人類構成威脅嗎？企業應該如何對待最近關於人工智慧對人類威脅的警告？人工智慧專家和倫理學家，為管理人工智慧風險提供意見和實用建議。
超越人工智慧的現實主義：在人工智慧風險中駕馭炒作與現實隨著人工智慧變得越來越廣泛，以聳人聽聞和真正關注為特色的觀，點正在塑造關於該技術，及其對未來影響的討論。
喬治·勞頓是一名駐倫敦的記者。 在過去的 30 年裡，他寫了 3000 多篇關於電腦、通訊、知識管理、商業、健康和其他他感興趣的領域的故事。
商機探討
沒有留言:
張貼留言