AI的未来：探究下一代生成式模型

作者 | Nisha Arya        

译者 | 布加迪

审校 | 重楼

目前，生成式AI具备哪些能力？为了探究下一波生成式AI模型，它需要克服哪些挑战？

如果您一直关注科技界，就知道生成式AI是最热门的话题。我们听到了太多关于ChatGPT和DALL-E等方面的消息。

最近生成式AI方面的突破将彻底改变我们继续对待内容创建的方式和AI工具在所有行业领域的增长率。Grand View Research在其《人工智能市场规模、份额和趋势分析报告》中指出：2022年全球人工智能市场规模为1365.5亿美元，预计从2023年到2030年将以37.3%的年复合增长率增长。”

如今，来自不同行业或背景的越来越多的组织希望通过使用生成式AI来提高技能。

1、生成式AI的定义

生成式AI是一种算法，用于创建新的独特内容，比如文本、音频、代码和图像等。随着AI的发展，生成式AI有望席卷各行各业，帮助它们完成人们曾经认为不可能完成的任务。

生成式AI已经在创造可以模仿艺术大师的艺术作品了。时尚行业可以利用生成式AI为他们的下一款系列创造新的设计。室内设计师可以使用生成式AI在几天内为客户设计梦想的家居，而不是几周和几个月。

生成式AI相当新颖，在不断发展中，仍然需要时间来完善。然而，像ChatGPT这样的应用程序已经拉高了门槛，预计在未来几年会看到更多创新的应用程序发布。

2、生成式AI的作用

就像之前提到的，生成式AI仍在不断完善中。截至今天，我们可以将其分成三部分：

1）生成新的内容/信息

这可以是创建新的博客、视频教程或者放在墙上的某种新奇的艺术作品。而且，它也有助于开发一种新药。

2）取代重复的任务

生成式AI可以接管员工繁琐而重复的任务，比如撰写电子邮件、演示文档摘要、编程及其他类型的操作。

3）定制的数据

生成式AI可以为特定的客户体验创建内容，这可以用作确保成功、投资回报率、营销技巧和客户参与度的数据。利用消费者的行为模式，公司就能够区分有效的策略和方法。

下面是其中一种最流行的生成式AI模型：Diffusion Models。

Diffusion Model（扩散模型）

扩散模型旨在通过将数据集映射到低维潜在空间来学习数据集的底层结构。潜在扩散模型是一种深度生成式神经网络，由慕尼黑大学的计算机视觉小组和Runway开发。

扩散过程是当您慢慢地在压缩的潜在表示中添加或扩散噪声，并生成一个仅仅是噪声的图像。然而，扩散模型的方向恰好相反，采用了扩散的相反过程。噪声以一种可控的方式从图像中逐渐减少，因此图像慢慢看起来像原来的样子。

3、生成式AI的用例

生成式AI已经被来自不同行业领域的许多组织广泛采用。它让组织可以采用工具来帮助微调目前的流程和方法，并更有效地提升它们。比如说：

•媒体

假设媒体组织在创建一篇新的文章或一幅新的图片放到网站上，或者创建一个很酷的视频。生成式AI席卷了媒体行业，使它们能够以更快的速度生成高效的内容，并降低成本。个性化内容使组织能够将客户参与度提升到新的水平，并提供更高效的客户保留策略。

•金融

现在有一些AI工具，比如面向KYC和AML流程的智能文档处理（IDP）。而且，生成式AI使金融机构能够通过发现消费者支出的新模式和确定潜在问题来进一步做好客户分析工作。

•医疗保健

生成式AI可以帮助处理X光片和CT扫描等图像，以提供更准确的可视化结果、更好地定义图像，并以更快的速度检测诊断。比如说，如果使用借助GAN（生成式对抗网络）的插图到照片转换等工具，医院保健专业人员就能够更深入地了解患者当前的健康状况。

4、生成式AI的治理挑战

生成式AI的兴起已促使各国政府积极考虑如何能够控制生成式AI工具的使用。

一段时间以来，AI领域已向组织开放，可以做它们想做的事情。然而，早晚有人介入并围绕AI制定法规。许多人担心对生成式AI模型的监督、它将如何影响社会经济，以及知识产权和隐私侵犯等其他问题。

生成式AI目前在治理方面面临的主要挑战如下：

•数据隐私——生成式AI模型需要大量数据才能成功导出准确的输出内容。由于敏感信息可能被滥用，数据隐私是所有AI公司和工具都面临的一个挑战。

•所有权——由生成式AI创造的任何内容或信息的知识产权仍然是开放式讨论。一些人可能会说内容很独特，另一些人可能会说文本生成的内容是从互联网众多来源拼凑而成的。

•质量——随着大量数据被馈送到生成式AI模型中，须关注的首要问题是调查数据的质量，然后调查所生成的输出内容的准确性。医疗等行业是高度关注的领域，因为处理错误信息可能会带来严重影响。

•偏误——当我们研究数据质量时，还需要评估训练数据中可能存在的偏误。这可能会导致歧视性输出，导致AI在许多人眼中令人反感。

5、结语

生成式AI在被所有人积极接受之前还有很多工作要做。这些AI模型需要更好地理解来自不同文化背景的人类语言。对于我们来说，与人交谈时的常识对我们来说很自然，然而对AI系统来说却不是很常见。它们竭力适应不同的环境，因为它们被编程为用事实信息加以训练。

看到生成式AI在未来会扮演什么角色将是一件有趣的事情，我们须拭目以待。

原文链接：https://www.kdnuggets.com/2023/05/future-ai-exploring-next-generation-generative-models.html