生成式AI賦能哪些行業(yè)應(yīng)用場(chǎng)景？
小米汽車的誕生，不僅僅是小米品牌延伸的一個(gè)新領(lǐng)域，更是對(duì)整個(gè)汽車行業(yè)智能化轉(zhuǎn)型的一次大膽探索。
它不只是一輛車，而是小米長(zhǎng)期在AI領(lǐng)域投入和技術(shù)積累的集大成者。從智能駕駛到AI仿真系統(tǒng)，從結(jié)構(gòu)設(shè)計(jì)到材料革新，小米汽車在每一個(gè)細(xì)節(jié)中都透露出AI科技的深度融合和創(chuàng)新精神。
智能駕駛：AI的核心展現(xiàn)
小米汽車在智能駕駛領(lǐng)域的探索堪稱引領(lǐng)時(shí)代。它采用了最新一代的底層算法「BEV+Transformer+占用網(wǎng)絡(luò)」，完美融合大模型技術(shù)。這不僅是對(duì)傳統(tǒng)智能駕駛的一次技術(shù)革新，更是對(duì)未來(lái)駕駛體驗(yàn)的重新定義。
小米汽車的智能駕駛系統(tǒng)能夠?qū)崟r(shí)處理海量數(shù)據(jù)，從而做出快速準(zhǔn)確的駕駛決策。無(wú)論是復(fù)雜的城市駕駛環(huán)境還是高速公路的長(zhǎng)途旅行，小米汽車都能展現(xiàn)出卓越的自適應(yīng)能力。
上面這些材料是從網(wǎng)上發(fā)布的信息里整理的，雷布斯的發(fā)布會(huì)很酷，行業(yè)影響力也巨大的。在這里只想討一下，那被反復(fù)提到的所謂的生成式AI 算法和大模型，到底有哪些常見的行業(yè)應(yīng)用場(chǎng)景？
生成式AI技術(shù)在很多領(lǐng)域都有著廣泛的應(yīng)用，不僅讓我們的生活變得更加便利、有趣，也為科技文化藝術(shù)的發(fā)展提供了新的動(dòng)力。生成式 AI 帶來(lái)的產(chǎn)業(yè)變革不僅體現(xiàn)在技術(shù)層面，更在于對(duì)工作方式、業(yè)務(wù)流程乃至整個(gè)行業(yè)生態(tài)的重塑。
正如每一次技術(shù)革命都會(huì)帶來(lái)大量工作崗位的新舊更迭一樣，生成式 AI 帶來(lái)挑戰(zhàn)的同時(shí)，也孕育出了更多新的機(jī)會(huì)，如何順勢(shì)成長(zhǎng)，才是破局的關(guān)鍵。
對(duì)于技術(shù)開發(fā)人員來(lái)說(shuō)，生成式 AI 技術(shù)日新月異，開發(fā)人員需要不斷學(xué)習(xí)新的算法、框架和工具，以跟上技術(shù)的步伐；同時(shí)，數(shù)據(jù)處理與隱私保護(hù)問(wèn)題也愈發(fā)凸顯，需要開發(fā)者具備更多的安全方面的知識(shí)；此外，生成式 AI 帶來(lái)的跨學(xué)科合作，同樣也需要開發(fā)者去掌握更多維度的知識(shí)等等。
對(duì)于非技術(shù)人員來(lái)說(shuō)，隨著生成式 AI 技術(shù)的普及，一些傳統(tǒng)崗位可能會(huì)受到?jīng)_擊，比如客服、數(shù)據(jù)錄入員等。非技術(shù)人員需要不斷提升包括數(shù)據(jù)處理、信息分析和可視化等方面的能力，更好地理解和應(yīng)用生成式 AI 技術(shù)，進(jìn)而提升綜合數(shù)字素養(yǎng)，以保持職業(yè)競(jìng)爭(zhēng)力。
可以預(yù)見的是，隨著生成式 AI 的廣泛應(yīng)用，行業(yè)對(duì)人才的數(shù)字技能要求會(huì)越來(lái)越高，理解生成式 AI 相關(guān)原理，并將其靈活運(yùn)用于工作中去，成為了企業(yè)和員工共同需求。據(jù) Access Partnership 研究顯示，中國(guó)企業(yè)對(duì)掌握人工智能技能的人才非常重視，受訪企業(yè)普遍愿意為這類人才支付平均高出 33% 的薪資。另一方面，對(duì)于員工而言，與時(shí)俱進(jìn)地掌握生成式 AI 等前沿技術(shù)及知識(shí)同樣也是職業(yè)生涯進(jìn)階的關(guān)鍵。
生成式 AI 作為一種人工智能，可以生成新的內(nèi)容和想法，例如對(duì)話、故事、圖像、視頻和音樂。與所有其他人工智能 (AI, artificial intelligence) 一樣，生成式 AI 由機(jī)器學(xué)習(xí) (ML, machine learning) 模型提供支持。然而，為生成式 AI 提供支持的模型非常龐大，通常稱為基礎(chǔ)模型 (FM, foundation model)。FM 通常通過(guò)自監(jiān)督學(xué)習(xí)基于大量數(shù)據(jù)進(jìn)行預(yù)訓(xùn)練。
基礎(chǔ)模型的大小和通用性使其不同于傳統(tǒng)的 ML 模型。FM 使用深度神經(jīng)網(wǎng)絡(luò)來(lái)模擬人腦功能并處理復(fù)雜的任務(wù)。您可以對(duì) FM 進(jìn)行調(diào)整，以便用于廣泛的常規(guī)任務(wù)，例如文本生成、文本總結(jié)、信息提取、圖像生成、聊天機(jī)器人和問(wèn)答。FM 還可以作為開發(fā)更專門化模型的起點(diǎn)。FM 的示例包括 Amazon Titan、Meta Llama 2、Anthropic Claude等。
自監(jiān)督學(xué)習(xí)
盡管傳統(tǒng)的 ML 模型依賴于有監(jiān)督學(xué)習(xí)、半監(jiān)督學(xué)習(xí)或無(wú)監(jiān)督學(xué)習(xí)模式，但 FM 通常通過(guò)自監(jiān)督學(xué)習(xí)進(jìn)行預(yù)訓(xùn)練。對(duì)于自監(jiān)督學(xué)習(xí)，不需要標(biāo)注示例。自監(jiān)督學(xué)習(xí)利用數(shù)據(jù)內(nèi)的結(jié)構(gòu)自動(dòng)生成標(biāo)簽。
訓(xùn)練、微調(diào)和提示調(diào)整
基礎(chǔ)模型要經(jīng)過(guò)不同階段的訓(xùn)練才能達(dá)到最佳效果。
在訓(xùn)練階段，F(xiàn)M
使用自監(jiān)督學(xué)習(xí)或基于人類反饋的強(qiáng)化學(xué)習(xí) (RLHF, reinforcement learning from human feedback)
從大量數(shù)據(jù)集中捕獲數(shù)據(jù)。FM 的算法可以學(xué)習(xí)數(shù)據(jù)集中單詞的含義、上下文和關(guān)系。例如，在訓(xùn)練階段，模型可能會(huì)學(xué)習(xí) drink
是指飲料（名詞），還是飲用（動(dòng)詞）。
此外，在預(yù)訓(xùn)練期間可以使用基于人類反饋的強(qiáng)化學(xué)習(xí)
(RLHF, reinforcement learning from human feedback)
技術(shù)來(lái)使模型更好地適應(yīng)人類偏好。在這種方法中，人類提供關(guān)于模型結(jié)果的反饋，然后模型又使用這些信息來(lái)改變其行為。在訓(xùn)練階段，F(xiàn)M
使用自監(jiān)督學(xué)習(xí)或基于人類反饋的強(qiáng)化學(xué)習(xí) (RLHF, reinforcement learning from human feedback)
從大量數(shù)據(jù)集中捕獲數(shù)據(jù)。FM 的算法可以學(xué)習(xí)數(shù)據(jù)集中單詞的含義、上下文和關(guān)系。例如，在訓(xùn)練階段，模型可能會(huì)學(xué)習(xí) drink
是指飲料（名詞），還是飲用（動(dòng)詞）。
此外，在預(yù)訓(xùn)練期間可以使用基于人類反饋的強(qiáng)化學(xué)習(xí)
(RLHF, reinforcement learning from human feedback)
技術(shù)來(lái)使模型更好地適應(yīng)人類偏好。在這種方法中，人類提供關(guān)于模型結(jié)果的反饋，然后模型又使用這些信息來(lái)改變其行為。
Transformer 是一種深度學(xué)習(xí)架構(gòu)，具有將輸入文本轉(zhuǎn)換為嵌入的編碼器組件。它還具有使用嵌入來(lái)發(fā)出一些輸出文本的解碼器組件。與 RNN 不同，Transformer 具有極高的并行性，這意味著在學(xué)習(xí)周期內(nèi) Transformer 不是一次處理一個(gè)文本單詞，而是同時(shí)處理所有輸入。這樣一來(lái)，Transformer 可以顯著縮短訓(xùn)練時(shí)間，但需要更多的計(jì)算能力來(lái)加快訓(xùn)練速度。Transformer 架構(gòu)是 LLM 開發(fā)的關(guān)鍵。如今，大多數(shù) LLM 僅包含解碼器組件。
雖然 FM 是通過(guò)自監(jiān)督學(xué)習(xí)進(jìn)行預(yù)訓(xùn)練的，并且具有理解信息的內(nèi)在能力，但是微調(diào) FM 基礎(chǔ)模型可以提高性能。微調(diào)是有監(jiān)督學(xué)習(xí)過(guò)程，涉及采用經(jīng)過(guò)預(yù)訓(xùn)練的模型并添加特定的較小數(shù)據(jù)集。添加這些較小的數(shù)據(jù)集將修改數(shù)據(jù)的權(quán)重，以更好地適應(yīng)任務(wù)。
有以下兩種微調(diào)模型的方法：
- 指令微調(diào)，該方法使用關(guān)于模型應(yīng)如何響應(yīng)特定指令的示例。提示調(diào)整是指令微調(diào)的一種。
- RLHF，該方法提供人類反饋數(shù)據(jù)，從而產(chǎn)生更符合人類偏好的模型。
提示充當(dāng)基礎(chǔ)模型的指令。提示類似于微調(diào)，但您不需要提供對(duì)模型進(jìn)行微調(diào)時(shí)所提供的標(biāo)注樣本數(shù)據(jù)。您可以使用各種提示技術(shù)來(lái)實(shí)現(xiàn)更好的性能。與需要標(biāo)注數(shù)據(jù)和訓(xùn)練基礎(chǔ)設(shè)施的微調(diào)相比，提示工程是一種調(diào)整 LLM 響應(yīng)的更有效方法。
文本到文本模型是大語(yǔ)言模型 (LLM, large language model)，這種模型經(jīng)過(guò)預(yù)訓(xùn)練，用于處理大量文本數(shù)據(jù)和人類語(yǔ)言。這些大型基礎(chǔ)模型可以總結(jié)文本、提取信息、回答問(wèn)題、創(chuàng)建內(nèi)容（例如博客或產(chǎn)品描述）等。
文本到圖像模型接受自然語(yǔ)言輸入，并生成與輸入文本描述相匹配的高質(zhì)量圖像。文本到圖像模型的一些示例包括 OpenAI 推出的 DALL-E 2、谷歌研究大腦團(tuán)隊(duì)推出的 Imagen、Stability AI 推出的 Diffusion 以及 Midjourney。
總結(jié)
生成式AI技術(shù)可以說(shuō)是近年來(lái)人工智能領(lǐng)域中的一大亮點(diǎn)，因?yàn)樗诤芏囝I(lǐng)域都有著廣泛的應(yīng)用，甚至可以說(shuō)是“無(wú)處不在”。
在自然語(yǔ)言處理領(lǐng)域中，生成式AI技術(shù)可以被用來(lái)創(chuàng)造非常有趣、富有創(chuàng)意的文本內(nèi)容，比如小說(shuō)、詩(shī)歌、新聞報(bào)道等等。通過(guò)輸入一些關(guān)鍵詞或主題，AI可以幫助我們創(chuàng)作出非常吸引人的內(nèi)容，這為文化藝術(shù)的發(fā)展帶來(lái)了巨大的推動(dòng)力。
在計(jì)算機(jī)視覺領(lǐng)域中，生成式AI技術(shù)同樣發(fā)揮著非常重要的作用。比如，我們可以利用這種技術(shù)來(lái)創(chuàng)造出具有高度創(chuàng)意和藝術(shù)價(jià)值的圖像，甚至可以創(chuàng)作出全新的藝術(shù)品。此外，這種技術(shù)也可以用于圖像處理圖像修復(fù)等領(lǐng)域，幫助我們更好地保護(hù)和利用數(shù)字文化遺產(chǎn)。
除此之外，生成式AI技術(shù)還可以被用來(lái)開發(fā)聊天機(jī)器人、AI助手等智能產(chǎn)品。通過(guò)學(xué)習(xí)用戶的習(xí)慣、偏好等信息，這些AI產(chǎn)品可以提供更加個(gè)性化的服務(wù)和建議，幫助人們更好地完成各種任務(wù)和工作。
而在未來(lái)的AI伴侶開發(fā)中，生成式AI技術(shù)也將發(fā)揮著非常重要的作用。通過(guò)學(xué)習(xí)人類的語(yǔ)言、習(xí)慣等信息，AI伴侶可以更好地與我們進(jìn)行交流和互動(dòng)，幫助我們緩解孤獨(dú)、解決生活中的困難，成為我們生活中不可或缺的好伙伴。
本文轉(zhuǎn)載自公眾號(hào)數(shù)字化助推器 作者：天涯咫尺TGH
