什么是 Gen AI？
生成式人工智能（也称为生成式 AI 或 gen AI）是一种可以创建新的内容和想法（包括对话、故事、图像、视频和音乐）的 AI。它可以学习人类语言、编程语言、艺术、化学、生物学或任何复杂的主题，也可以重复利用已知知识来解决新问题。
例如，学习英语词汇并根据其处理的字词创作一首诗。
您的组织可以将生成式人工智能用于各种用途，例如聊天机器人、媒体创作以及产品开发和设计。
生成式人工智能示例
生成式人工智能在各个行业都有许多使用案例
金融服务
金融服务公司可以利用生成式人工智能工具，在降低成本的同时更好地为客户提供服务：
- 金融机构使用聊天机器人生成产品推荐并回复客户查询，从而改善整体客户服务
- 贷款机构加快金融服务不足的市场（特别是在发展中国家）的贷款审批
- 银行快速检测到索赔、信用卡和贷款中的欺诈行为
- 投资公司利用生成式人工智能的强大功能，以低成本为其客户提供个性化的金融建议
医护及生命科学
生成式人工智能最有前景的使用案例之一是加速药物发现和研究。生成式人工智能可以创建具有特定特性的新型蛋白质序列，以此设计抗体、酶、疫苗和基因疗法。
医疗保健和生命科学公司使用生成式人工智能工具设计合成基因序列，为合成生物学和代谢工程应用程序设计合成基因序列。例如，这些公司可以创建新的生物合成途径或优化用于生物制造的基因表达。
生成式人工智能工具还可以创建合成的患者和医疗保健数据。这些数据对于在不访问大型现实数据集的情况下训练 AI 模型、模拟临床试验或研究罕见疾病非常有用。
汽车和制造业
汽车公司将生成式人工智能技术用于从工程到车内体验和客户服务的多种用途。例如，这些公司可以优化机械零件的设计，以减少车辆设计中的阻力或调整辅助系统的设计。
汽车公司使用生成式人工智能，通过快速回答最常见的客户问题来优化客户服务。生成式人工智能可以创建新的材料、芯片和零件设计，以优化制造流程并降低成本。
另一个生成式人工智能使用案例是合成数据以测试应用程序。这对于通常未包含在测试数据集中的数据（例如缺陷或边缘情况）特别有用。
远程通信
电信领域的生成式人工智能使用案例专注于重塑由订阅用户在客户旅程的各个接触点上的累积互动定义的客户体验：
例如，电信组织可以应用生成式人工智能，通过类似人类的实时对话代理来改善客户服务。这些组织可以通过个性化的一对一销售助手来重塑客户关系。他们还可以通过分析网络数据来推荐修复方法，从而优化网络性能。
媒体和娱乐
从动画和脚本到完整的电影，生成式人工智能模型只需花费相当于传统生产一小部分的成本和时间，即可制作出新颖的内容。
业内其他生成式人工智能使用案例包括：
- 艺术家可以通过人工智能生成的音乐来补充和增强他们的专辑，从而创作出全新的体验。
- 媒体组织使用生成式人工智能，通过提供个性化内容和广告来改善受众体验，从而增加收入。
- 游戏公司使用生成式人工智能来创建新游戏并允许玩家构建头像。
生成式人工智能的优点
高盛表示，生成式人工智能可推动全球国内生产总值（GDP）增长 7%（或近 7 万亿美元），并在十年内将生产率增长提高 1.5 个百分点。接下来，我们将介绍生成式人工智能的更多优点。
生成式人工智能技术如何演变？
过去几十年来，统计学中一直使用基本生成模型来帮助进行数值数据分析。神经网络和深度学习是现代生成式人工智能的最新先驱技术。2013 年开发而成的变分自动编码器是第一个可以生成逼真图像和语音的深度生成模型。
VAE
VAE（变分自动编码器）引入了创建多种数据类型的创新变体的功能。该功能推动其他生成式人工智能模型的迅速出现，例如生成式对抗网络和扩散模型。这些创新侧重于让生成的数据日益类似于真实数据，尽管这些数据是人为创建的。
转换器
2017 年，随着转换器的推出，人工智能研究发生进一步的转变。转换器将编码器和解码器架构与注意力机制无缝集成。转换器以卓越的效率和多功能性简化语言模型的训练过程。像 GPT 这样的著名模型已成为基础模型，它们能够在广泛的原始文本语料库上进行预训练，并针对不同的任务进行微调。
转换器变革自然语言处理可能实现的功能。它们为从翻译、摘要到回答问题等任务提供了生成式功能。
未来
许多生成式人工智能模型持续取得长足进步，并且已经形成跨行业应用。最近的创新侧重于完善模型以使用专有数据。研究人员还希望创建越来越类似人类行为的文本、图像、视频和语音。
生成式人工智能如何运作？
像所有人工智能一样，生成式人工智能的运作方式是使用机器学习模型，机器学习模型是根据大量数据进行预训练的超大型模型。
基础模型
基础模型（FM）是在广泛的广义和未标记数据上训练的机器学习模型。这些模型能够执行各种各样的一般任务。
FM 是这项已经发展了数十年的技术的最新进展结果。通常，FM 使用学习的模式和关系来预测序列中的下一个项目。
例如，在生成图像时，模型会分析图像并创建更清晰、更明确定义的图像版本。同样，对于文本，模型会根据之前的单词及其上下文预测文本字符串中的下一个单词。然后，模型使用概率分布技术选择下一个单词。
大型语言模型
大型语言模型（LLM）就是一类基础模型。例如，OpenAI 的生成式预训练转换器（GPT）模型是 LLM。LLM 专门处理基于语言的任务，例如摘要、文本生成、分类、开放式对话和信息提取。
LLM 的与众不同在于它们能够执行多项任务。实现此功能的原因是 LLM 包含许多参数，使其能够学习高级概念。
像 GPT-3 这样的 LLM 可以考虑数十亿个参数，并且能够根据很少量的输入生成内容。通过在预训练中接触各种形式和多种模式的互联网规模数据，LLM 学会了在各种环境中应用它们的知识。