生成式人工智能（AI）是指能够用于创建新内容的算法，包括音频、代码、图像、文本、模拟和视频。自2022年11月ChatGPT面世以来，该领域取得了长足进展，每月都有新的工具、规则或迭代技术进步。尽管许多人对ChatGPT、AI和机器学习持恐惧态度，但机器学习确实具有巨大的潜力。自广泛部署以来，机器学习在多个行业中已证明其影响力，如医学影像分析和高分辨率天气预报。一项麦肯锡调查表明，AI采用在过去五年中几乎翻了一番，并且投资正在加速增长。
ChatGPT、DALL-E等生成式AI工具（“GPT”代表“生成预训练变换器”，“DALL-E”结合了超现实主义艺术家萨尔瓦多·达利和可爱的Pixar机器人WALL-E）有可能改变各种工作的执行方式。然而，这种影响的范围和风险仍然未知。因此，各行各业的组织都在竞相将生成式AI工具融入其商业模式，以期获得可观的收益。麦肯锡的研究显示，生成式AI应用每年可为全球经济增加高达4.4万亿美元的价值。在接下来的三年内，与AI无关的技术、媒体和电信领域的任何事物可能被认为是过时或无效的。
为了跟上这一关键话题的发展，请在这里订阅有关“人工智能”的电子邮件提醒。了解更多关于QuantumBlack，麦肯锡的人工智能知识。
人工智能与机器学习的区别
- 人工智能指的是让机器模仿人类智能来完成任务的做法。你可能已经与基于人工智能技术的语音助手（如Siri和Alexa）或客户服务聊天机器人互动过。
- 机器学习是人工智能的一种类型，通过构建能够从数据模式中“学习”的模型，而不依赖于人工指导。现在产生的数据量庞大且复杂，这增加了机器学习的潜力和需求。
主要的机器学习模型类型
- 经典统计技术：自18世纪至20世纪初，为小数据集开发了基础方法。
- 理论数学家艾伦·图灵等先驱在20世纪30年代和40年代开始研究机器学习的基本技术。
- 实验室限制：直到20世纪70年代后期，科学家们才开发出足够强大的计算机来实现这些技术。
- 预测模型：机器学习最初主要用于观察和分类内容中的模式。例如，一个经典的机器学习问题是识别一系列可爱猫咪图片中的模式，并分析随机图片是否符合这些模式。
生成式AI模型的构建
- 巨额投入：构建生成式AI模型通常是重大工程，仅少数资源丰富的科技巨头尝试过。OpenAI、DeepMind和Meta等公司拥有大量资金支持，并雇用了全球顶尖的计算机科学家和工程师。
- 成本问题：当模型被训练使用几乎整个互联网的数据时，成本会非常高昂。OpenAI没有公布确切的成本，但估计GPT-3的训练成本约为几百万美元。
生成式AI模型的输出
- 高质量模型：ChatGPT等模型的输出通常优于其前身，能够产生与人类生成内容难以区分的内容，或看似有些奇特的结果。
- 多样性输出：生成式AI模型可以产生文本、图像、代码、视频、音频或商业模拟等不同类型的输出。
- 准确性和适当性：输出有时不总是准确或适合所有情况。例如，DALL-E 2在尝试为感恩节晚餐生成图像时产生了不恰当的场景。
人工智能模型的局限性及克服方法
- 潜在风险：由于生成式AI模型相对新颖，我们尚未看到其长期效应。这涉及一些已知和未知的风险。
- 信息误导性：生成的输出可能听起来非常令人信服，但有时会产生错误信息，甚至带有偏见（因为它们基于互联网和社会的性别、种族等偏见）。
- 伦理和法律风险：可能涉及无意中发布偏见、冒犯或版权内容的声誉和法律风险。
- 缓解措施：包括精心选择用于训练模型的初始数据以避免包含有毒或偏见内容；使用定制化或专门的模型；以及确保在生成AI模型的输出发布或使用前由真实人类检查。
结论
生成式AI是一个快速发展的领域，其风险和机会可能会迅速变化。随着新应用场景的测试和新模型的推出，未来的发展值得密切关注。
