1 生成式AI概述：生成式AI的定义

查看大图

生成式 AI 的核心是根据训练到的模式生成新内容。阅读时，先把“识别”和“生成”的差别讲清楚。

查看大图

我会问：输出是分类判断，还是新写了一段文本、图片、音频或代码。

在数字化飞速发展的今天，生成式AI（Generative AI）正逐渐成为科技领域中的一颗璀璨明珠。那么，什么是生成式AI呢？以下是对这一术语的详细定义和理解。

生成式AI的定义

生成式AI是指一种能够根据输入数据生成新内容的人工智能技术。与传统的识别性AI（如分类或预测模型）不同，生成式AI具有“创造”的能力，它能够生成文本、图像、音频甚至视频等多种形式的输出。

查看大图

生成式 AI 的共同点是产出内容，但不同交付物的验收标准很不一样。先写清楚形式、控制点、风险和迭代方式，再看模型能力会更实际。

关键特征

1. 数据驱动：生成式AI依赖于大量的数据进行训练，从中学习数据的结构、模式和特征。例如，某个文本生成模型可能会使用数百万篇文章进行训练，以理解语言的构造。

2. 多样性与创造性：生成式AI不仅可以生成内容，还能够生成多样化的结果。例如，一个生成图像的模型可以基于给定的一些特征（如风格、色彩）生成多种不同的图像。

3. 自适应：生成式AI可以根据用户提供的提示或样本进行调整和优化。比如，在生成音乐时，用户可以指定曲调的风格，而模型将根据该风格生成新的乐曲。

实际案例

以下是一些生成式AI的实际应用案例：

• 文本生成：OpenAI的GPT-3是一个强大的文本生成模型，可以基于用户的提示生成连贯的文章、故事或对话。例如，用户输入“写一首关于春天的诗”，模型可能会生成如下内容：

  春天来了，万物复苏，
  花儿争艳，草绿如画。
  清风拂面，阳光温暖，
  这是生命的新篇章。
  

• 图像生成：DALL-E是一个可以根据文本描述生成图像的模型。用户输入“一个在星空下的独角兽”，模型就能够生成与之相符的独特图像。

• 音乐生成：Google的Magenta项目能够生成新的音乐作品。用户可以提供一些旋律或和声，系统便能创作出新的乐曲，甚至可以基于不同风格（如古典、爵士）生成音乐。

生成式AI的技术基础

生成式AI主要采用两大类技术：生成对抗网络（GANs）和变分自编码器（VAEs）。

查看大图

练习《生成式AI概述：生成式AI的定义》时，建议把输入条件、处理动作和可见结果写在一起，方便下次复查。

查看大图

复习《生成式AI概述：生成式AI的定义》时，建议把关键概念、操作步骤和可见结果放在同一页里回看。

查看大图

读《生成式AI概述：生成式AI的定义》时，可以把配图当成路线卡：先看整体顺序，再看每一步为什么这样做，最后再检查边界条件。

• 生成对抗网络（GANs）：由两个神经网络（生成器和判别器）组成。生成器负责生成新数据，而判别器负责判断生成的数据是否真实。二者相互对抗，通过不断优化，生成器可以产生越来越逼真的数据。

• 变分自编码器（VAEs）：这是一种特殊的自编码器，能够学习输入数据的潜在分布，然后从中生成新的数据。VAEs常用于生成图像和音乐。

示例代码

以下是一个使用TensorFlow库创建简单GAN的示例代码：

import numpy as np
import tensorflow as tf
from tensorflow.keras import layers

# 定义生成器
def build_generator():
    model = tf.keras.Sequential()
    model.add(layers.Dense(128, activation='relu', input_dim=100))
    model.add(layers.Dense(784, activation='sigmoid'))
    return model

# 定义判别器
def build_discriminator():
    model = tf.keras.Sequential()
    model.add(layers.Dense(128, activation='relu', input_shape=(784,)))
    model.add(layers.Dense(1, activation='sigmoid'))
    return model

# 生成器和判别器实例
generator = build_generator()
discriminator = build_discriminator()

# 编译判别器
discriminator.compile(loss='binary_crossentropy', optimizer='adam', metrics=['accuracy'])

# 创建GAN模型
discriminator.trainable = False
gan_input = layers.Input(shape=(100,))
generated_image = generator(gan_input)
gan_output = discriminator(generated_image)
gan = tf.keras.Model(gan_input, gan_output)
gan.compile(loss='binary_crossentropy', optimizer='adam')

总结

生成式AI是一种具有广泛应用潜力的技术，它正为创意产业、游戏设计、内容生产等领域带来革命性的变化。通过不断的发展，这项技术将继续演进，推动新的创新模式。

在下文中，我们将深入探讨生成式AI的发展历程，以更好地理解这种技术的起源及其未来的发展方向。