生成式AI為什麼受到各行業追捧？

生成式AI是人類一種人工智慧技術，可以產生各種類型的內容，包括文字、圖像、音訊和合成資料。那什麼是人工智慧？人工智慧和機器學習之間的差異是什麼？

人工智慧是學科，是電腦科學的一個分支，研究智慧代理的創建，這些智慧代理是可以推理、學習和自主執行動作的系統。

從本質上講，人工智慧與建築像人類一樣思考和行動的機器的理論和方法有關。在這個學科中，機器學習ML是人工智慧的一個領域。它是根據輸入資料訓練模型的程序或系統，經過訓練的模型可以從新的或未見過的資料中做出有用的預測，這些資料來自於訓練模型的統一資料。

機器學習賦予電腦無需顯示程式設計即可學習的能力。最常見的兩類機器學習模型是無監督和監督ML模型。兩者之間的主要區別在於，對於監督模型，我們有標籤，標記數據是帶有名稱、類型或數字等標籤的數據，無監督數據是沒有標籤的數據。

該圖是監督模型可能嘗試解決問題的例子。

舉例來說，假設您是餐廳的老闆，您有帳單金額的歷史數據，根據訂單類型，不同的人給了多少小費，根據訂單類型是取貨還是送貨給了多少不同的人。在監督式學習中，模型從過去的例子中學習，以預測未來的價值。因此這裡的模型根據訂單是取貨還是送貨，使用總帳單金額來預測未來的消費金額。

這個範例展示了無監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。無監督的問題都是關於查看原始數據，並查看他是否自然分組，讓我們更深入一點以圖形方式展示。

上面這些概念是理解生成式AI的基礎。

在監督式學習中，測試資料值被輸入到模型中，該模型輸出預測，並將該預測與用於訓練模型的訓練資料進行比較。

如果預測的測試資料值和實際訓練資料值相距甚遠，則稱為錯誤，並且模型會嘗試減少此錯誤，直到預測值和實際值更接近為止。

我們已經探討了人工智慧和機器學習、監督學習和無監督學習之間的差異。那麼，讓我們簡單探討一下深度學習的知識。

雖然機器學習是一個包含許多不同技術的廣泛領域，但深度學習是一種使用人工神經網路的機器學習，允許他們處理比機器學習更複雜的模式。

人工神經網路的靈感來自人腦，它們有許多相互連接的節點或神經元組成，這些節點或神經元可以透過處理資料和做出預測來學習執行任務。

深度學習模型通常具有多層神經元。這使他們能夠學習比傳統機器學習模型更複雜的模式。神經網路可以使用標記和未標記的數據，稱為半監督學習。在半監督學習中，神經網路在少量標記資料和大量未標記資料上進行訓練。 標記資料有助於神經網路學習任務的基本概念。而未標記的數據有助於神經網路泛化到新的例子。

在這個人工智慧學科中的地位，這意味著使用人工神經網絡，可以用監督、非監督和半監督方法處理標記和未標記資料。大型語言模型也是深度學習的子集，深度學習模型或一般意義上的機器學習模型。

深度學習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測資料點標籤的模型。判別模型通常在標記資料點的資料集上進行訓練。他們學習資料點的特徵和標籤之間的關係，一旦訓練了判別模型，它就可以用來預測新資料點的標籤。而生成模型則根據現有資料的學習機率分佈產生新的資料實例，因此產生模型產出新的內容。

產生模型可以輸出新的資料實例，而判別模型可以區分不同類型的資料實例。

該圖顯示了一個傳統的機器學習模型，差異在於資料和標籤之間的關係 ，或你想要預測的內容。底部圖片顯示了一個生成式AI模型，嘗試學習內容模式，以便產生輸出新內容。

當輸出外標籤是數字或機率時為非生成式AI，例如垃圾郵件、非垃圾郵件。當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，如果Y是數字，如預測的銷售額，則它不是GenAI。如果Y是一個句子，就像定義銷售一樣。它是生成性的，因為問題會引發文字回應。他的反應將基於該模型已經訓練過的所有海量大數據。

總而言之，傳統的、經典的監督和無監督學習過程，採用訓練程式碼和標籤資料來建立模型。根據用例或問題，模型可以為你提供預測，它可以對某些東西進行分類或聚集，使用此勢力展示產生該過程的穩健程度。

GenAI過程可以取得所有資料類型的訓練程式碼、標籤資料和未標籤數據，建立基礎模型，然後基礎模型可以產生新內容。例如文字、程式碼、圖像、音訊、視訊等。

從傳統程式設計到神經網絡，再到生成模型, 我們已經走了很長一段路。在傳統的程式設計中，我們過去不得不編碼區分貓的規則。類型是動物，腿有4條，耳朵有2個，毛皮是有的等等。

在神經網路的浪潮中，我們可以提供網路貓和狗的圖片。並詢問這是一隻貓。他會預測出一隻貓。在生成式AI浪潮中，我們作為用戶，可以產生自己的內容。

無論是文字、圖像、音訊、視訊等等，例如Python語言模型或對話應用程式語言模型等模型。從互聯網上的多個來源獲取非常大的數據。建構可以簡單的透過提問來使用的基礎語言模型。所以，當你問他什麼是貓時，他可以告訴你他所了解的關於貓的一切。

現在我們來定義，什麼是生成式人工智慧？

GenAI是一種人工智慧，它根據從現有內容中學到的知識來創建新內容，從現有內容中學習的過程稱為訓練。並在給出提示時創建統計模型，使用該模型來預測預期的反應可能是什麼，並產生新的內容。

從本質上講，它學習資料的底層結構內容，然後可產生與訓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到的知識，並根據該資訊創建全新的東西。

大型語言模型是一種生成式人工智慧，因為他們以自然發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，而在輸出影像下產生影像補全，並在輸出影片下產生動畫。

產生語言模型，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，在輸出文字下產生問答，並在輸出影像下產生影片。

我們已經說過，生成語言模型透過訓練資料了解模式和語言，然後給定一些文本，他們會預測接下來會發生什麼。

產生語言模型是模式匹配系統，他們根據您提供的資料來了解模式。 根據他從訓練資料中學到的東西，他提供瞭如何完成這句話的預測。它接受了大量文字資料的訓練，能夠針對各種提示和問題進行交流，並產生像人類一樣的文字。

在transformer中，Hallucin是由模型產生的單字或片語，通常是無意義的或語法錯誤的。幻覺可能由多種因素引起，包括模型沒有在足夠的數據上訓練，或者模型是在嘈雜或骯髒的數據上訓練的，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生不正確或誤導性的信息，例如雜TPT3.5有時可能產生的信息未必正確。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。

提示設計是建立提示的過程，該提示將從大型語言模型產生所需的輸出內容。如之前所述，LLM在很大程度上取決於你輸入的訓練資料。他分析輸入資料的模式和結構，以便進行學習。但是透過造訪基於瀏覽器的提示，使用者可以產生自己的內容。

我們已經展示了基於資料的輸入類型的路線圖，以下是相關的模型類型。

文字到文字模型。採用自然語言輸入並產生文字輸出。這些模型被訓練學習文本之間的映射。例如，從一種語言到另一種語言的翻譯。

文字到圖像模型。因為文字到圖像模型是在大量圖像上訓練的。每個圖像都帶有簡短的文字描述。擴散是用於實現此目的的一種方法。

文字到影片和文字到3D。 文字到影片模型只在文字輸入產生影片內容，輸入文字可以是從單一句子到完整腳本的任何內容。輸出是與輸入文字相對應的影片類似的文字到3D模型產生對應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。

文字到任務模型。經過訓練，可以根據文字輸入執行定義的任務或操作。此任務可以是廣泛的採取操作。例如回答問題、執行搜尋、進行預測或採取某種操作，也可以訓練文字到任務模型來指導外B問或透過可以更改文件。

基礎模型是在大量資料上進行預訓練的大型AI模型。目的在於適應或微調各種下游任務，例如情緒分析、圖像、字幕和物件辨識。

基礎模型有可能徹底改變許多行業，包括醫療保健、金融和客戶服務等，它們可用於檢測預測，並提供個人化的客戶支援。 OpenAI提供了一個包含基礎的模型來源語言，基礎模型包括用於聊天和文字的。

視覺基礎模型包括穩定擴散，可以有效的從文字描述產生套件品質圖像。假設你有一個案例，需要收集有關客戶對您的產品或服務的感受。

生成式AI Studio，在開發者來看，讓您無需編寫任何程式碼即能輕鬆設計和建立應用程式。它有一個可視化編輯器，可以輕鬆創建和編輯應用程式內容。還有一個內建的搜尋引擎，允許用戶在應用程式內搜尋資訊。

還有一個對話式人工智慧引擎，可以幫助使用者使用自然語言與應用程式互動。您可以創建自己的數位助理、自訂搜尋引擎、知識庫、培訓應用程式等等。

模型部署工具可協助開發人員使用多種不同的部署選項，並將在模型部署到生產環境中。而模型監控工具則幫助開發人員使用儀表板和許多不同的測量來監控ML模型在生產中的表現。

如果把生成式AI應用開發看成一個複雜拼圖的組裝，其需要的資料科學、機器學習、程式設計等每一項技術能力就相當於拼圖的每一塊。

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

從國內市場真實的情況來看，生成式AI的發展既不像當初追風口的從業者預估的那樣樂觀，也沒有唱衰者形容的那麼悲觀。

企業用戶追求應用程式的穩健性、經濟性、安全性和可用性，這和大語言模型等生成式AI在訓練過程中不惜花費高昂算力成本達成更高的能力是完全不同的路徑。

這背後一個核心的問題是，在想像空間更大的企業級生成式AI領域，最重要的不是大模型能力有多強，而是如何能夠從基礎模型演變成各領域中的具體應用，從而賦能整個經濟社會的發展。