中文字幕无码av不卡一区,亚洲综合AV永久无码精品一区二区,黑人巨大白妞出浆,黄色高清无码免费看,久久久久免费精品国产,久久无码人妻丰满熟妇区毛片,欧美日韩国产综合草草,久久福利网站,亚洲一区二区三区中文字幕在线,av国内精品久久久久影院

人工智能技術(shù)的飛躍發(fā)展，尤其是大語(yǔ)言模型的應(yīng)用，正深刻改變信息生產(chǎn)和交流的方式。通過(guò)深度學(xué)習(xí)與自然語(yǔ)言處理的創(chuàng)新融合，諸如ChatGPT、通義千問(wèn)等智能系統(tǒng)能夠理解并生成高質(zhì)量文本內(nèi)容。本篇將聚焦AIGC的核心——大語(yǔ)言模型的工作機(jī)制及其實(shí)際應(yīng)用，揭示這一顛覆性技術(shù)如何重塑信息時(shí)代的內(nèi)容創(chuàng)作生態(tài)。

說(shuō)起過(guò)去一年的熱門科技詞匯，AIGC當(dāng)之無(wú)愧位列其中。

但你真的了解AIGC嗎？

從某一天開(kāi)始，我們突然發(fā)現(xiàn)AI可以生成文字、圖片、音頻、視頻等等內(nèi)容了，而且讓人難以分清背后的創(chuàng)作者到底是人類還是AI。

這些AI生成的內(nèi)容被叫做AIGC，它是“AI Generated Content”，即AI生成內(nèi)容的簡(jiǎn)寫。像ChatGPT生成的文章，GitHub Copilot生成的代碼、Midjourney生成的圖片等等，都屬于AIGC。

一、生成式AI與相關(guān)領(lǐng)域的聯(lián)系

而當(dāng)AIGC這個(gè)詞在國(guó)內(nèi)火爆的同時(shí)，海外更流行的是另外一個(gè)詞Generative AI，即生成式AI。從字面上來(lái)看，生成式AI和AIGC之間的關(guān)系很好理解，生成式AI所生成的內(nèi)容就是AIGC。所以像ChatGPT、GitHub Copilot、Midjourney等都屬于生成式AI。

由此可見(jiàn)，AIGC和生成式AI的概念都是很簡(jiǎn)單直白的。

但是因?yàn)锳IGC這個(gè)詞在國(guó)內(nèi)比生成式AI更加流行，很多語(yǔ)境下AIGC也被用于指代生成式AI。

那么生成式AI和AI、機(jī)器學(xué)習(xí)、監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)、深度學(xué)習(xí)、大語(yǔ)言模型等等詞匯之間又是什么關(guān)系呢？有沒(méi)有一種剪不斷理還亂的感覺(jué)？這個(gè)很難一言以蔽之，那通過(guò)一張圖就可以直觀理解它們之間的關(guān)系了。

AI也叫人工智能，是計(jì)算機(jī)科學(xué)下的一個(gè)學(xué)科，旨在讓計(jì)算機(jī)系統(tǒng)去模擬人類的智能，從而解決問(wèn)題和完成任務(wù)。

早在1956年，AI就被確立為了一個(gè)學(xué)科領(lǐng)域，在此后數(shù)十年間經(jīng)歷過(guò)多輪低谷與繁榮。

二、機(jī)器學(xué)習(xí)

機(jī)器學(xué)習(xí)是AI的一個(gè)子集，它的核心在于不需要人類做顯式編程，而是讓計(jì)算機(jī)通過(guò)算法自行學(xué)習(xí)和改進(jìn)，去識(shí)別模式、做出預(yù)測(cè)和決策。

比如，如果我們通過(guò)代碼告訴電腦，圖片里有紅色是玫瑰，圖片里有說(shuō)明是向日葵，那么程序?qū)ǚN類的判斷就是通過(guò)人類直接編寫邏輯達(dá)成的，不屬于機(jī)器學(xué)習(xí)，機(jī)器什么也沒(méi)學(xué)。

但是如果我們給電腦大量玫瑰和向日葵的圖片，讓電腦自行識(shí)別模式、總結(jié)規(guī)律，從而能對(duì)沒(méi)見(jiàn)過(guò)的圖片進(jìn)行預(yù)測(cè)和判斷，這種就是機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)領(lǐng)域下有多個(gè)分支，包括監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)。

在監(jiān)督學(xué)習(xí)里，機(jī)器學(xué)習(xí)算法會(huì)接受有標(biāo)簽的訓(xùn)練數(shù)據(jù)，標(biāo)簽就是期望的輸出值。所以每一個(gè)訓(xùn)練數(shù)據(jù)點(diǎn)都既包括輸入特征，也包括期望的輸出值。

算法的目標(biāo)是學(xué)習(xí)輸入和輸出之間的映射關(guān)系，從而在給定新的輸入特征后，能夠準(zhǔn)確預(yù)測(cè)出相應(yīng)的輸出值。

監(jiān)督學(xué)習(xí)：

經(jīng)典的監(jiān)督學(xué)習(xí)任務(wù)包括分類，也就是把數(shù)據(jù)劃分為不同的類別以及回歸，也就是對(duì)數(shù)值進(jìn)行預(yù)測(cè)。

比如拿一堆貓貓狗狗的照片和照片對(duì)應(yīng)的“貓”“狗”標(biāo)簽進(jìn)行訓(xùn)練，然后讓模型根據(jù)沒(méi)見(jiàn)過(guò)的照片預(yù)測(cè)是貓還是狗，這就屬于分類。

拿一些房子特征的數(shù)據(jù)，比如面積、臥室數(shù)量、是否帶陽(yáng)臺(tái)等和相應(yīng)的房?jī)r(jià)作為標(biāo)簽進(jìn)行訓(xùn)練，然后讓模型根據(jù)沒(méi)見(jiàn)過(guò)的房子的特征預(yù)測(cè)房?jī)r(jià)——這就屬于回歸。

無(wú)監(jiān)督學(xué)習(xí)：

無(wú)監(jiān)督學(xué)習(xí)和監(jiān)督學(xué)習(xí)不同的是：他學(xué)習(xí)的數(shù)據(jù)是沒(méi)有標(biāo)簽的，所以算法的任務(wù)是自主發(fā)現(xiàn)數(shù)據(jù)里的模式或規(guī)律。

經(jīng)典的無(wú)監(jiān)督學(xué)習(xí)任務(wù)包括聚類，也就是把數(shù)據(jù)進(jìn)行分組。

比如拿一堆新聞文章，讓模型根據(jù)主題或內(nèi)容的特征自動(dòng)把相似文章進(jìn)行組織。

強(qiáng)化學(xué)習(xí)：

強(qiáng)化學(xué)習(xí)則是讓模型在環(huán)境里采取行動(dòng)，獲得結(jié)果反饋。

從反饋里學(xué)習(xí)，從而能在給一定情況下采取最佳行動(dòng)來(lái)最大化獎(jiǎng)勵(lì)或是最小化損失。所以就跟是小狗似的，剛開(kāi)始的時(shí)候，小狗會(huì)隨心所欲做出很多動(dòng)作，但隨著和馴犬師的互動(dòng)，小狗會(huì)發(fā)現(xiàn)某些動(dòng)作能夠獲得零食，某些動(dòng)作沒(méi)有零食，某些動(dòng)作甚至?xí)馐軕土P。

通過(guò)觀察動(dòng)作和獎(jiǎng)懲之間的聯(lián)系，小狗的行為會(huì)逐漸接近訓(xùn)犬師的期望。

強(qiáng)化學(xué)習(xí)可以應(yīng)用。

在很多任務(wù)上，比如說(shuō)讓模型下圍棋，獲得不同行動(dòng)導(dǎo)致的獎(jiǎng)勵(lì)或損失反饋，從而在一局局游戲里優(yōu)化策略，學(xué)習(xí)如何采取行動(dòng)達(dá)到高分。

三、深度學(xué)習(xí)的方法與應(yīng)用

那問(wèn)題來(lái)了：深度學(xué)習(xí)屬于這三類里的哪一類呢？

——他們屬于里面的任何一類！

深度學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)方法，核心在于使用人工神經(jīng)網(wǎng)絡(luò)模仿人腦處理信息的方式，通過(guò)層次化的方法提取和表示數(shù)據(jù)的特征。

神經(jīng)網(wǎng)絡(luò)是由許多基本的計(jì)算和儲(chǔ)存單元組成，這些單元被稱為神經(jīng)元。

這些神經(jīng)元通過(guò)層層連接來(lái)處理數(shù)據(jù)，并且深度學(xué)習(xí)模型通常有很多層，因此成為深度。

比如要讓計(jì)算機(jī)時(shí)給小貓的照片。在深度學(xué)習(xí)中，數(shù)據(jù)首先被傳遞到一個(gè)輸入層，就像人類的眼睛看到圖片一樣，然后數(shù)據(jù)通過(guò)多個(gè)隱藏層。

每一層都會(huì)對(duì)數(shù)據(jù)進(jìn)行一些復(fù)雜的數(shù)學(xué)運(yùn)算來(lái)幫助計(jì)算機(jī)理解圖片中的特征，例如小貓的耳朵、眼睛等等。最后計(jì)算機(jī)會(huì)輸出一個(gè)答案，表明這是否是一張小貓的圖片。

神經(jīng)網(wǎng)絡(luò)可以用于監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、強(qiáng)化學(xué)習(xí)，所以深度學(xué)習(xí)不屬于他們的子集。

生成式AI是深度學(xué)習(xí)的一種應(yīng)用，它利用神經(jīng)網(wǎng)絡(luò)來(lái)識(shí)別現(xiàn)有內(nèi)容的模式和結(jié)構(gòu)，學(xué)習(xí)生成新的內(nèi)容，內(nèi)容形式可以是文本、圖片、音頻等等。

四、大語(yǔ)言模型 (LLM)

而大語(yǔ)言模型“Large Language Models”簡(jiǎn)稱 LLM，也是深度學(xué)習(xí)的一種應(yīng)用，專門用于進(jìn)行自然語(yǔ)言處理任務(wù)。

大語(yǔ)言模型里面的大字說(shuō)明模型的參數(shù)量非常大，可能有數(shù)十億甚至到萬(wàn)億個(gè)，而且訓(xùn)練過(guò)程中也需要海量文本數(shù)據(jù)集，所以能更好的理解自然語(yǔ)言以及生成高質(zhì)量的文本。

大語(yǔ)言模型的例子有非常多，比如國(guó)外的GPT、LLaMA，國(guó)內(nèi)的ERNIE、ChatGLM等，可以進(jìn)行文本的理解和生成。

以GPT-3這個(gè)模型為例，它會(huì)根據(jù)輸入提示以及前面生成過(guò)的詞，通過(guò)概率計(jì)算逐步生成下一個(gè)詞或token來(lái)輸出文本序列。想對(duì)大語(yǔ)言模型背后的原理有更多了解的話，可以收看下一節(jié)視頻。

但不是所有的生成式AI都是大語(yǔ)言模型，而所有的大語(yǔ)言模型是否都是生成式AI，這也存在些許爭(zhēng)議。

前半句很好理解，生成圖像的擴(kuò)散模型就不是大語(yǔ)言模型，它并不輸出文本。同時(shí)有些人認(rèn)為不是所有大語(yǔ)言模型都是生成式AI，因?yàn)橛行┐笳Z(yǔ)言模型由于其架構(gòu)特點(diǎn)不適合進(jìn)行文本生成。

谷歌的BERT模型就是一個(gè)例子，它的參數(shù)量和序列數(shù)據(jù)很大，屬于大語(yǔ)言模型。

應(yīng)用方面，BERT理解上下文的能力很強(qiáng)，因此被谷歌用在搜索上，用來(lái)提高搜索排名和信息摘錄的準(zhǔn)確性。它也被用于情感分析、文本分類等任務(wù)。但同時(shí)BERT不擅長(zhǎng)文本生成，特別是連貫的長(zhǎng)文本生成。所以有些人認(rèn)為此類模型不屬于生成式AI的范疇。

以上這些概念共同構(gòu)成了AIGC的核心要素，希望能幫助你對(duì)時(shí)下熱門的AIGC建立更多了解。