LibGuides: GenAI 生成式人工智能: 概览

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.

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。