原来这才是【生成式AI】！！

随着ChatGPT、文心一言等AI产品的火爆，生成式AI已经成为了大家茶余饭后热议的话题。

可是，为什么要在AI前面加上“生成式”这三个字呢？

难道还有别的AI吗？

1. 生成式AI究竟是个啥？

如果将人工智能按照用途进行简单分类的话，AI其实要被划分为两类：决策式AI和生成式AI。

决策式AI：专注于分析情况并做出决策。它通过评估多种选项和可能的结果，帮助用户或系统选择最佳的行动方案。

例如，在自动驾驶车辆中，就是通过决策式AI系统决定何时加速、减速或变换车道。

生成式AI：专注于创造全新内容。它可以根据学习到的数据自动生成文本、图像、音乐等内容。

例如，你可以将几篇论文发给生成式AI，他可以生成一篇文献综述，囊括了这几篇论文的关键思想、重要结论。

看到这里，你就知道为什么ChatGPT、文心一言属于生成式AI了吧？

接下来，让我们正式走入生成式AI的世界。

2. 生成式AI的前世今生

其实，生成式AI的并不是这几年刚刚诞生，它实际已经经历了三个阶段：

早期萌芽阶段

1950年，Alan Turing提出了著名的“图灵测试”，这是生成式AI领域的一个里程碑，预示了AI内容生成的可能性。

1957年，Lejaren Hiller和Leonard Isaacson完成了历史上第一首完全由计算机“作曲”的音乐作品《Illiac Suite》。

1964年至1966年间，Joseph Weizenbaum开发了世界上第一款可人机对话的机器人“Eliza”，它通过关键字扫描和重组完成交互任务。

1980年代，IBM公司基于隐形马尔科夫链模型，创造了语音控制打字机“Tangora”。

沉淀积累阶段

随着互联网的发展，数据规模快速膨胀，为人工智能算法提供了海量训练数据。但是由于硬件基础有限，此时的发展并不迅猛。

2007年，纽约大学人工智能研究员Ross Goodwin的人工智能系统撰写了小说《1 The Road》，这是世界第一部完全由人工智能创作的小说。

2012年，微软公司公开展示了一个全自动同声传译系统，可以自动将英文演讲者的内容通过语音识别、语言翻译、语音合成等技术生成中文语音。

快速发展阶段

2014年起，大量深度学习方法的提出和迭代更新，标志着生成式AI的新时代。

2017年，微软人工智能少女“小冰”推出了世界首部100%由人工智能创作的诗集《阳光失了玻璃窗》。

2019年，谷歌DeepMind团队发布了DVD-GAN架构用以生成连续视频。

2020年，OpenAI发布ChatGPT3，标志着自然语言处理（NLP）和AIGC领域的一个重要里程碑。

2021年，OpenAI推出了DALL-E，主要应用于文本与图像的交互生成内容。

自2022年开始到现在，OpenAI多次发布ChatGPT新型号，掀起了AIGC又一轮的高潮，它能够理解和生成自然语言，与人类进行复杂的对话。

自此，生成式AI已经到了一个井喷式状态。那么，生成式AI究竟是基于什么样的原理呢？

3.轻松搞懂“生成式AI”原理

在刚刚的介绍中，大家应该都对生成式AI有了一个表象的认知：学习知识+生成新知识。

但它是如何学习的呢？又是如何生成的呢？

这时候，我们就得来看看生成式AI更深层次的定义了：

定义

以ChatGPT为代表的生成式AI，是对已有的数据和知识进行向量化的归纳，总结出数据的联合概率。从而在生成内容时，根据用户需求，结合关联字词的概率，生成新的内容。

是不是一下子懵了？

不急，这就触及到生成式AI的原理了。待文档君给你慢慢解析。

其实制作一个生成式AI，就像把一个泥人变成天才，一共需要四步：捏泥人→装大脑→喂知识→有产出。

Step1：捏泥人——硬件架构的搭建

要打造一个生成式AI的“泥人”，首先要考虑的就是底层硬件。底层硬件构成了生成式AI的算力和存力。

算力——泥人的骨架

生成式AI需要进行大量的计算，尤其是在处理如图像和视频时。大规模计算任务离不开下面这些关键硬件：

GPU（图形处理单元）：提供强大的并行计算能力。通过成千上万个小处理单元并行工作，大幅提高了计算效率。

TPU（张量处理单元）：专门为加速人工智能学习而设计的硬件，能够显著加快计算速度，进一步增强了骨架的强度。

存力——泥人的血液

生成式AI需要处理和存储大量的数据。

以GPT-3为例，光是训练参数就达到了1750亿个，训练数据达到45TB，每天会产生45亿字内容。

这些数据的存放离不开下面这些硬件设施：

大容量RAM：在训练生成式AI模型时，大量的中间计算结果和模型参数需要存储在内存中，大容量的RAM能够显著提高数据处理速度。

SSD（固态硬盘）：大容量的SSD具有高速读取和写入能力，可以快速加载和保存数据，使泥人能够高效地存储信息。

泥人捏好了，但是现在只能是一个提线木偶，没有任何能力，所以我们就要给他装上大脑。

Step2：装大脑——软件架构构建

软件架构是泥人的大脑，它决定了这个泥人将以什么样的方式对数据进行思考推理。

从仿生学的角度，人类希望AI能够模仿人脑的运行机制，对知识进行思考推理——这就是通常所说的深度学习。

‍‍‍‍‍‍‍为了实现深度学习，学者们提出了大量的神经网络架构：

深度神经网络（DNN）是最普遍的神经网络架构，但是随着数据对于网路架构的要求越来越复杂，这种方法逐渐有些吃力。

卷积神经网络（CNN）是一种专门为处理图像数据而设计的神经网络架构，能够有效地处理图像数据，但是需要对输入数据进行复杂的预处理。

随着任务复杂度的增加，循环神经网络（RNN）架构成为处理序列数据的常用方法。

由于RNN在处理长序列时容易遇到梯度消失和模型退化问题，著名的Transformer算法被提出。

随着算力的发展，生成式AI的网络架构发展越来越成熟，也开始各有侧重：

Transformer架构：是目前文本生成领域的主流架构，GPT、llama2等LLM（大语言模型）都是基于Transformer实现了卓越的性能。

GANs架构：在图像生成、视频生成等领域有广泛应用，能够生成高质量的图像和视频内容。

Diffusion架构：在图像生成、音频生成等领域取得了很好的效果，能够生成高质量、多样化的内容。

网络架构搭建好了，脑子是有了，但是脑子里空空如也呀。所以我们通过数据训练给这个人造大脑喂知识。

Step3：喂知识——数据训练

目前有两种训练方式：预训练和SFT（有监督微调）

预训练：是指将一个大型、通用的数据集作为知识喂给AI进行初步学习。

经过预训练的模型叫作“基础模型”，它对每个领域都有所了解，但是无法成为某个领域的专家。

SFT：SFT是指在预训练之后，将一个特定任务的数据集喂给AI，进一步训练模型。

例如，在已经预训练的语言模型基础上，用专门的医学文本来微调模型，使其更擅长处理医学相关的问答或文本生成任务。

但是，无论是预训练还是SFT，AI的大脑是如何吸收这些知识的呢？

这就涉及到“理解”能力了，我们以Transformer架构为例，讲讲AI对于文本的理解。

对于AI来说，理解分两步：理解词语和理解句子。

理解词语的本质就是词语的归类。研究人员提出了一种方法：将词语在不同维度上进行拆解，从而对词语进行归类。

假设有四个词语：西瓜、草莓、番茄和樱桃。AI在两个维度上对这些词语拆解：

颜色维度：用1代表红色，2代表绿色。

形状维度：用1代表圆形，2代表椭圆形。

基于这个维度，AI对词语进行打分归类。

西瓜：颜色=2（绿色），形状=1（圆形）

草莓：颜色=1（红色），形状=2（椭圆形）

番茄：颜色=1（红色），形状=1（圆形）

樱桃：颜色=1（红色），形状=1（圆形）

通过这些打分，我们可以看到词语在不同维度上的分类。

例如，“番茄”和“樱桃”在颜色和形状维度上都是相同的，说明它们在这两个维度上的含义相同；“草莓”和“西瓜”在颜色和形状维度上都有所不同，说明它们在这两个维度上的含义不同。

当然，区分他们的维度不仅仅只有两个，AI还可以从大小、甜度、是否有籽等大量维度对他们进行打分，从而分类。

只要维度足够多、打分足够准确，AI模型就可以越精准地理解一个词语的含义。

对于目前较为先进的AI模型来说，通常维度的数量可以达到上千个。

学习词语并理解为量化的结果只完成了第一步，接下来 AI 就需要进一步理解一组词语的合集：句子。

我们知道即使同一个词语在不同语句中，也会具备不同的含义。

例如：

• 这是一顶绿色的帽子。

某某公司致力于打造绿色机房。

在不同句子中，“绿色”这个词含义不同，AI是如何知道他们有不同的含义呢?

这就得益于transformer架构的“自注意力（Self Attention）”机制。

简单来说，当 AI 理解包含了一组词语的句子时，除了理解词语本身，还会“看一看”身边的词。单个词语和句子中其他词语之间的关联性，称之为“注意力”，由于是和同一个句子自身的词语结合理解，所以称之为“自注意力”。

因此，在Transformer架构中，可以分为以下两步：

将每个词语转换为一个向量。这个向量表示词语在多维空间中的位置，反映了词语的各种特征。

使用自注意力机制来关注句子中的不同部分。它能够在处理每个词语时，同时考虑句子中其他词语的信息。

Step4：有产出——内容生成

在理解完大量词语、句子之后，AI就可以生成内容了。它是如何生成内容的呢？

这就是一个概率的问题了。

问大家一个问题：

我在餐厅吃×。

×填个字，你会填什么？

根据你既往的经验，大概率你会填“饭”。

其实，×还可以是“饼”、“面”、“蛋”等等。

像人一样，生成式AI也会根据它第三步中学到的经验，给这些字加上概率。然后选择概率高的词作为生成的内容。接着，AI 将重复这一过程，选择下一个可能性最高的词语，从而生成更多内容。

但有的时候，我们希望答案是丰富多彩的，回到刚刚那个例子，我们现在不希望AI接的下一个字是“饭”，那要怎么办呢?

AI提供了一个调节参数，叫温度，范围从0到1。

在温度为0时，说明匹配概率要选尽量大的，在以上例子中，AI很可能选择“饭”；

在温度为1时，说明匹配概率要选尽量小的，在以上例子中，AI很可能选择“饼”。

数值越接近1，得到的内容越天马行空。

比如，温度设为0.8，那么AI生成的句子可能是：

我在餐厅吃饼，这个饼又大又圆，我想把它套在脖子上......

但是，我们看到大多数AI产品，只有一个对话框，如何修改温度参数呢？

答案是“提示词”，也就是我们通常所说的prompt。

如果你输入是“你是一名某某领域的专家，请用严谨的口吻写一篇关于xx的文献综述。”这时AI的温度接近0，就会选择匹配概率尽量高的词语生成句子。

如果你输入是“请你请畅想一下xx的未来。”这时AI的温度接近1，就会选择匹配概率尽量低的词语组成句子，生成意想不到的内容。

现在知道prompt的重要性了吧！

所以，我们可以认为，AI生成的本质就是一场词语接龙：AI根据当前字，联系它之前记录的下个字的出现概率以及你的期望，选择接下来的字。

当然，生成式AI的内部原理远比小编讲的要复杂，小编这里只能算一个基础的科普。

3. “生成式AI”去向何方？

那么生成式AI真的会实现通用人工智能，从而替代人类嘛？目前，有两种看法：

积极派：以OpenAI的CEO Altman、英伟达CEO黄仁勋为首的积极派，非常看好生成式AI的未来，他们曾表示“再过几年，人工智能将会比现在更加强大和成熟；而再过十年，它定将大放异彩“，“AI可能在5年内超越人类智能”。

消极派：以深度学习先驱杨立昆为首的消极派，一直认为生成式AI无法通向用人工智能。他在多个场合表示“像ChatGPT这样的大型语言模型将永远无法达到人类的智能水平”，“人类训练的人工智能，难以超越人类”。

那么对于我们普通人来说，我们要怎么对待生成式AI呢？

我们普通人不妨就把它当做一个工具，学会使用它，提高我们的工作效率，丰富我们的日常生活， 保持对世界的好奇心，充分享受科技带来的便利就好啦！