Skip to Main Content 跳至主要内容

 

           

GenAI 生成式人工智能: 概览

Guide for Generative AI， AI Literacy

生成式人工智能指南 GenAI Guide

2022年11月，OpenAI发布了全新对话式AI模型ChatGPT，它不仅能进行自然的多轮对话、高效的精准问答，还能提示词生成文本、编程代码、邮件等内容。此后，以ChatGPT为代表的生成式人工智能（Generative AI或GenAI）作为一种新兴技术，逐渐渗透到各个领域，包括文学创作、新闻报道、教育培训、艺术设计等。生成式人工智能对教育与研究产生了深远影响，包括新的风险和挑战，如人工智能使用的规范与伦理、数据安全与隐私、AI幻觉、版权、透明与责任、公平与偏见、歧视等问题。

图书馆有责任帮助用户提升AI素养，更好地理解人工智能的概念与原理、应用与规范以及意识到潜在的风险与伦理问题，并引导他们科学合理使用这一技术。本指南旨在为生成式人工智能辅助学习和科研提供规范指引，培养负责任的人工智能使用者，同时关注人工智能对商科教育所带来的变革。

EDUCAUSE, AI Literacy in Teaching and Learning: A Durable Framework for Higher Education, 2024.

什么是生成式人工智能 What is GenAI

生成式人工智能（Generative AI或GenAI）是一种利用机器学习模型来生成新数据实例的人工智能技术。这些新生成的数据实例在统计特性上与训练数据相似，但生成的内容具有创造性。生成式AI的核心思想是利用人工智能算法生成具有一定创意和质量的内容，通过训练模型和大量数据的学习，可以根据输入的指令生成与之相关的内容，例如文章、图像、音频、视频、代码等。

生成式AI的应用领域非常广泛，包括但不限于：

  1. 文本生成：生成连贯、相关性强的文本，从简短的推文到长篇文章。
  2. 图像和视频生成：创建逼真的图像或原创艺术作品，并执行风格转换等任务。
  3. 音频和音乐生成：合成听起来自然的语音和音频内容，以及生成原创音乐。
  4. 软件代码生成：生成原始代码、自动完成代码片段、翻译编程语言、自然语言编程和总结代码。
  5. 设计和艺术：生成独特的艺术和设计作品或协助进行设计。
  6. 模拟和合成数据：生成合成数据或基于真实数据的合成结构，如在药物发现中生成分子结构。

生成式AI面临的挑战包括计算资源需求高、数据依赖以及解释性差。尽管如此，生成式AI在各个领域取得了显著的成功，并将继续推动人工智能的发展。

注：内容由Kimi生成，请解释生成式人工智能，Moonshot AI，2024-12-16，https://kimi.moonshot.cn/ 

更多相关知识：

Techopedia: Generative AI

Coursera: What Is Generative AI?

生成式人工智能技术发展 GenAI Technology

在 DeepLearning.AI 的“面向所有人的生成式 AI”课程的讲座中，Andrew Ng 详细解释力生成式 AI 的工作原理

How Generative AI Works?

生成式人工智能发展的三大核心要素包括算力、算法、数据：

  • 算力（Computational Power）
    • 算力是生成式AI发展的重要基础，随着GPU和TPU等专用硬件的发展，计算能力得以提升，复杂的深度学习模型得以训练和运行。
  • 算法（Algorithms）
    • 算法的突破是生成式AI进步的关键。包括生成对抗网络（GANs）、变分自编码器（VAEs）、自回归模型、Transformer模型等在内的多种算法，共同推动了生成式AI在图像、文本、音频等多个领域的应用。
  • 数据（Data）
    • 数据是生成式AI的燃料。高质量的数据集对于训练强大的生成模型至关重要。数据的规模、多样性和标注质量直接影响模型的性能和泛化能力。

生成式人工智能发展的关键技术：

  • 生成对抗网络（Generative Adversarial Networks, GANs）：

    • GANs由一个生成器和一个判别器组成，生成器生成新的数据实例，判别器评估这些实例与真实数据的相似度。两者相互竞争，生成器不断学习如何生成更真实的数据，而判别器则学习如何更准确地区分真实数据和生成数据。

  • 变分自编码器（Variational Autoencoders, VAEs）：

    • VAEs对该潜在空间的连续、概率表示进行编码，使用变分推理生成类似于原始输入数据的新数据样本。它们通常用于生成连续数据，如图像和音频。

  • 自回归模型（Autoregressive Models）：

    • 通过预测数据的下一个元素来生成数据，通常用于序列数据，如文本或时间序列。

  • Transformer模型：

    • Transformer模型，尤其是BERT及其衍生模型，通过自注意力机制处理序列数据，广泛应用于文本生成和其他NLP任务。

  • 扩散模型（Diffusion Models）：

    • 扩散模型通过逐步去除噪声来生成数据，这种方法在图像和音频生成中显示出了强大的性能。

  • 强化学习（Reinforcement Learning, RL）：

    • 在某些生成任务中，强化学习可以用来训练生成模型，通过奖励和惩罚机制来引导生成过程，以达到特定的目标。

注：内容由Kimi生成，生成式人工智能涉及哪些关键技术，Moonshot AI，2024-12-16，https://kimi.moonshot.cn/ 

CSDN 大语言模型发展时间线及相关应用