2 生成式AI概述之生成式AI的历史背景

查看大图

历史线索能帮助判断一项技术解决了什么旧问题，也能看出哪些问题只是换了包装。

查看大图

我会把每个阶段对应的输入、输出和限制写在同一张表里。

在探讨生成式AI之前，了解其历史背景有助于我们更好地领悟这一领域的发展轨迹以及技术进步的关键节点。生成式AI是一种能够生成各种内容（包括文本、图像、音频等）的模型，其历史可以追溯到计算机科学发展早期的几个重要阶段。

早期阶段：基础 matemática 和智能的萌芽

生成式AI的理念根源于算法、概率模型和人工智能的初步探索。1950年代，阿兰·图灵提出的“图灵测试”开启了对机器智能的思考。虽然当时的技术水平有限，但这一时期的研究为日后的生成式AI奠定了基础。

查看大图

阅读生成式 AI 的历史背景时，可以按产出形式看能力演进。不同媒介的生成难点不同，后面选择工具和模型时也会更清楚。

• 案例: 例如，1956年的达特茅斯会议上，众多研究者讨论了计算机是否能够模拟人类智能。在这个历史背景下，诸如“能够生成自然语言”的想法并不鲜见。

神经网络的兴起与复苏

进入1980年代，神经网络的概念被重新提起，尤其是反向传播算法的提出，使得深度学习的研究逐渐兴起。尽管早期的神经网络相对简单，但随着计算能力的提升和数据集的丰富，研究者们开始探索更为复杂的生成模型。

查看大图

看《生成式AI概述之生成式AI的历史背景》时，先把图中的问题、关键词、操作和验收标准对上，再读正文会更省力。读完后，最好能用自己的项目重新讲一遍。

• 案例: 1990年代，Yann LeCun等人提出了卷积神经网络（CNN），为后来的图像生成奠定了基础。此时的研究仍以理论和小规模实验为主。

随机过程与生成模型

在这个阶段，研究者们开始关注“随机过程”，尤其是“隐马尔可夫模型（HMM）”和“生成对抗网络（GAN）”的相关研究，后者的提出标志着生成式AI迈出了重要的一步。

• 案例: 2014年，Ian Goodfellow提出的GAN模型通过两个相互竞争的网络（生成器和鉴别器）创造性地生成新的数据样本，极大地推动了生成式AI的发展。

深度学习的黄金时代

进入21世纪的第二个十年，尤其是2014年之后，深度学习开始在各个领域取得突破性进展。这一阶段标志着生成式AI进入了“黄金时代”。尤其是在文本和图像的生成方面，研究者们构建了许多创新的模型。

• 文本生成方面: Google的Transformer模型在2017年横空出世，为自然语言处理领域带来了革命性的变化。基于Transformer架构的GPT（生成式预训练变换模型）系列模型开始崭露头角，大幅提升了文本生成的能力。

• 图像生成方面: 随着生成对抗网络的不断优化，DeepArt等工具让普通用户能够将自己的照片转换成艺术作品，展示了生成式AI的广泛应用潜力。

生成式AI的伦理问题与应用场景

随着技术的成熟，生成式AI与社会伦理问题也逐渐浮出水面。例如，假冒信息生成、隐私泄露等问题引发了公众的讨论。这也促使研究者们开始致力于构建负责任的生成模型。

• 应用场景: 除了内容创作和艺术领域，生成式AI在教育、医学图像生成等方面也得到了应用。研究者们利用生成的医学影像辅助医生进行疾病诊断。

查看大图

学完《生成式AI概述之生成式AI的历史背景》后，不妨换一个自己的场景试一次，重点观察输入、处理和输出是否能对应起来。

查看大图

如果想把《生成式AI概述之生成式AI的历史背景》用到自己的任务里，可以先缩小场景，只验证一个最关键的判断点。

总结与展望

生成式AI的历史发展是一个从理论走向实践、从简单到复杂的过程。以其丰富的应用潜力，生成式AI已成为现代科技的重要组成部分。理解其历史背景不仅有助于我们洞察当前的发展状态，也能为未来的创新提供启示。

在接下来的文章中，我们将进一步探讨生成式AI的当前发展，分析其在各个领域的成就与面临的挑战。