生成式人工智能：它是什么？ 优点、缺点及更多

生成式 AI 是人工智能的一部分，它使用机器学习模型基于训练集创建全新的输出。

换句话说，生成人工智能使算法能够像人类一样创造东西，而不是人工智能系统的标准分析性质。

这些输出的范围从深度伪造到人工智能聊天机器人、文本到图像和文本到视频的创作、音乐、绘画等等。

近年来，由于硬件和新机器学习方法的改进，生成式 AI 输出也变得如此出色，甚至令人惊叹。

这篇文章为您简要介绍了生成 AI 的基础知识和应用，以及它们如何影响您的个人生活和业务。

生成式 AI 的工作原理

人工智能研究最初集中在使用算法和神经网络来识别大型数据集中的模式。 这用于模式识别、分析、决策支持和异常检测。

神经网络是人脑的数字表示，用于模拟大脑的自然系统 思维. 这样的网络具有神经元的输入和输出层，具有一层或多层，称为隐藏层。

简单来说，您为每个数据单元（例如单词）激活一个输入神经元。 因此，例如，术语 “炽热的太阳” 输入神经网络将激活 3 个输入神经元 红色, 热态及 周日. 在输出层，你让它知道这 3 个输入的意思是“炽热的太阳“。

起初，这可能看起来既愚蠢又费时，但在你用“炽热的太阳“ 绿色炎热的太阳“”绿色冷太阳“和”黄色冷太阳”，然后它开始了解什么 热态, 墨绿色及 冷 可能。

图 1：具有“烈日”响应的简单神经网络

这是一个非常简化的解释。 但是，尽管神经网络是复杂的概念，但它们的研究是一次奇妙的旅程，不仅进入了人工智能世界，而且进入了人类的思想和意识。

此外，多年来，神经网络技术已经发展成为新的系统和平台，使当今的生成人工智能应用成为可能。 以下是使用的 3 个流行的神经网络：

• 生成对抗网络 (GAN) – 这是一个神经网络，它使用两个部分来生成输出。 第一部分是产生随机输出的生成器，而第二部分是鉴别器，用于评估工作以查看其真实或虚假。
  
  GAN 使用无监督学习系统，这意味着鉴别器部分会教生成器。 随着时间的推移，鉴别器在检测假货方面会变得更好，而生成器则学会产生更好的输出到逼真的图片。
  
• 变压器 – 这是另一种类型的神经网络，它通过将任何数据序列存储到另一个序列中来工作，然后解码器可以使用该序列来再现原始数据序列。
  
  Transformers 最适合具有顺序数据的项目，例如自然语言句子和音乐。 流行的基于变压器的神经网络包括微软的 GPT-3、中国北京的武道 2.0 和谷歌的 LaMDA。
  
• 变分自动编码器 (VAE) – 第三种神经网络用于检测图像中的噪声、绘制图像、缩小尺寸、分类和检测对象。 VAE 模型使用无监督学习方法使用压缩算法和模式来缩小数据文件。

生成式人工智能的好处

以下是生成式人工智能带来的优势：

• 更高质量的输出 – 生成式 AI 可用于查找和消除图像和视频中的噪声，从而提高其整体输出质量。
  
• 更便宜的流程 – 通过能够大幅减少制造业中药物和材料发现所需的时间和成本，产品的制造成本可以变得更便宜。
  
• 生产力提升 – 通过减少时间和工作量，帮助有创造力的人的生成式人工智能可以提高他们的生产力。
  
• 改善健康 – 在早期肿瘤检测中使用生成对抗网络 (GAN) 意味着更好的健康。
  
• 新发明 – 在合成新化学物质、模式、物质或其他材料中使用神经网络可能会带来新的发明。

生成式人工智能的缺点

还有一些与生成式 AI 相关的问题，例如创造力限制、设置成本和道德考虑。 仔细看看：

• 有限的创造力 – 虽然生成式 AI 创造了新的东西，但没有 外的开箱 涉及到思考，因为产生的输出通常是输入神经网络的数据的组合。 换句话说，人工智能系统缺乏独创性。 他们不能 概念化 或者自己构思一个想法，因为他们依赖于人类的输入来产生这些想法。
  
  然而，机器学习的模式识别功能和生成式 AI 的创造性方面与 6^th 瑜伽人体能量系统中的脉轮功能。
  
  只要机器保持这种状态，我们就是安全的，但它们是否应该进入最后的 7^th 脉轮理解和概念化信息的能力，这些使我们与其他动物区分开来的特征，然后人类可能面临灭绝。
  
• 设置成本高 – 人工智能系统的初始设置目前可能很高，尽管预计未来会下降。
  
• 道德和伦理考虑 –从 深造假货 描绘政客和名人对有争议的应用程序（例如引起女权主义者强烈反对的深裸）说有趣或奇怪的话，使用生成人工智能可能产生的负面结果是无限的。

流行的生成式 AI 应用程序

生成式人工智能技术可以应用于通常需要人类创造力的许多领域。 以下是其最受欢迎的应用和行业。

• 图片 – 全新人工智能艺术的产生，要么使用文本到图像的创建系统，要么通过自动编辑图像，例如添加面部特征、眼镜等。 这个不受欢迎的深裸应用程序甚至可以自动脱掉人们的衣服。
  
• 视频 – 生成式 AI 也被用于视频创作，例如将人的照片变成有声视频， 蒙娜丽莎 画微笑，说话的数字化身看起来和听起来都像真人。
  
• 文本 – 这包括使用自然语言处理 (NLP) 的书面文本和计算机代码。 从聊天机器人到语法校对员，再到文案和编码员的写作助手，这个领域非常广阔。
  
• 好莱坞电影 – 除了简单地创建视频之外，生成式 AI 还可以应用于更具创造性的情况，例如使用深度伪造创建完全不同的演员面孔、改变他们的年龄、令人印象深刻的角色（如漫威的军阀灭霸），甚至是 AI 生成的故事和剧本。
  
• 音乐 – 从播放神经网络到更复杂的系统，这些系统可以以半辅助或全自动的方式创作各种类型的音乐，生成式人工智能同样将颠覆音乐产业。
  
• 医疗保健 – 一系列应用，包括增强身体扫描以提供更好的诊断信息。
  
• 时尚 – 从不同的风格到个性化的定制服装、颜色、趋势预测和纹理，生成式人工智能同样准备好颠覆时尚行业。
  

• 电子商务个性化 – 用于预测客户偏好甚至提供主动解决方案、体验、有针对性的沟通、个性化产品推荐等的技术。
  
• 资料扩充 – 从现有但有限的数据中创建新数据点以增加可用信息量的过程。
  
• 生产 – 生成式人工智能有助于合成新材料、化学品和药物，从而降低生产成本。

生成式 AI 项目理念

最好的学习方式往往是实践。 因此，如果您对生成式 AI 及其提供的可能性感兴趣，那么没有比测试项目更好的尝试方法了。 以下是一些帮助您前进的想法：

1. 产生不存在的面孔。
2. 面对老化或操纵应用程序。
3. 从图像创建新的人体姿势。
4. 产生更高的图像分辨率。
5. 为黑白图像着色。
6. 从 3D 图像创建 2D 对象。
7. 创建卡通人物。
8. 去除图像中的噪点。
9. NLP意图分类聊天系统。
10. 长篇文章的简短摘要。
11. 文本到图像的艺术品创作。
12. CT扫描检测以提高癌症诊断。

顶级生成 AI 工具

许多个人和组织已经开发了广泛的工具，可以以一种或另一种方式帮助您进行生成式 AI 项目。 以下是其中一些最受欢迎的工具：

• OpenAI – 自然语言处理 GPT-3 和自然语言到代码翻译 Codex 模型。
• GAN 实验室 – 浏览器中的生成对抗网络。
• 夜店 - 人工智能艺术生成器。
• 火炬甘 – 使用 Pytorch 的 GAN 训练框架。
• 皮根 – 实现 GAN 的 Python 库。
• 生成生成网络 – 用于 GAN 的轻量级 Tensorflow 工具。
• 谷歌云人工智能 – 来自 Google 的 AI 工具集合。
• 人工智能二重奏 - 这让您可以用电脑演奏钢琴二重奏。
• 艺术饲养员 - 重新混合图像以创建独特的艺术品。
• 代码 T5 – 基于 Transformer 的模型来理解和生成代码。
• 模仿人工智能 - 复制和模仿任何人的声音。
• GAN 工具包 – 无代码 GAN 模型框架。
• 超GAN – 具有 UI 和 API 的可组合 Python 框架。
• 深梦 – 计算机视觉程序。
• 意象 – Nvidia 深度成像 PyTorch 库。
• 卡通化 - 创建卡通形象。
• Tensorflow – 流行的机器学习平台。
• Scikit学习 – Python 中的另一个机器学习平台。
• DALL-E - 令人印象深刻的文本到图像创建者。

使用生成式 AI 的初创公司

有许多初创公司专注于使用生成人工智能的一个方面或另一个方面来解决问题。 这里有一些：

• 改写.ai – 大规模的超个性化营销视频。
• 深度故事 - AI 故事和剧本生成器。
• 音乐家 – AI 生成的音乐。
• Synthesia – 使用文本生成视频。
• 点唱机 – 使用自动编码器的 AI 生成的音乐。
• 身份证明 - 从照片创建 AI 视频。
• 精灵AI – 法律模板和 AI 律师。
• 主要是AI – 用于人工智能开发的合成数据生成器。

结论

在对生成式 AI 的研究结束时，您已经了解了它是什么，不是什么，它是如何工作的，以及它正在帮助公司实现什么。

我们都可以肯定的一件事是，人工智能行业将继续增长。 因此，如果您是开发人员，请使用它。 如果您是企业主，请利用它。