生成式 AI

生成式 AI 正迅速成為人工智慧（AI)不可或缺的一部分，其可以產生合成數據以及文字、圖像和音訊。最近幾年生成式 AI 工具的曝光，在讓 AI 成為焦點方面發揮了關鍵作用。此外，人們日常使用這些工具，也引發了更廣泛的社會討論，探討人工智慧的可能用途。 

什麼是生成式 AI？

生成式 AI 定義：生成式 AI 是一種人工智慧，能以文字、影片、影像和音訊的形式建立新的內容。 

生成式 AI 是指可在數秒內產生此新內容的深度學習模型。生成式 AI 有多種形式，從社群媒體應用程式那些令人過早衰老的噱頭濾鏡，到能撰寫腳本和文字的革命性聊天機器人。。在過去幾年來，由於自然語言處理和大型語言模型所扮演的角色，因此生成式 AI 的實際用途取得了重大進展。 

包含這些工具讓生成式 AI 得以擴展使用者提出的詢問和提示。簡單而言，生成式 AI 模型會根據輸入提示和經過訓練的資料，預測下一個字詞、筆觸或回應。這些模型使用從大量資料中學習的模式來產生具有連貫性和上下文適當的新內容。 

生成式 AI 如何運作？

生成式 AI 是一種快速發展的人工智慧形式，近年來在功能、效率和應用方面都有顯著的進步。雖然其可以產生極為複雜的輸出，但執行生成式 AI 模型的基本流程仍根植於核心 AI 原則。 

生成式 AI 的關鍵步驟包括訓練、模式辨識、生成和重新訓練。一開始，模型會接受大量相關資料的訓練。對於通常專注於文字、影片或音訊內容等媒體輸出的生成式 AI 應用，此訓練資料通常是圖形或文字形式，而非數字形式。 

在訓練期間，模型會學習識別資料中的屬性、特性和模式。這些知識讓生成式 AI 模型在獲得任務和提示時，能夠產生獨特、相關且準確的內容。 

在收到提示後，生成式 AI 模型會執行一系列複雜的計算，以瞭解提示的意義和需求。模型接著會決定滿足提示要求的最佳方式，並據此進行計算以產生內容。這個過程非常快速，強調了生成式 AI 作為工具的力量。 

最後，在完成完整的訓練、推論和產出週期後，模型會接受再訓練。此關鍵步驟涉及根據新資料及其先前效能更新模型。生成式 AI 的關鍵優勢之一，是其隨著時間的推移而改進的能力，並從成功和失敗中學習。 

生成式 AI 的歷史為何？

隨著生成式 AI 在日常生活中快速成長，它成為 AI 的新工具。然而，數世紀以來，生成式 AI 的形式一直存在，在 AI的整體發展中扮演著重要的角色。 

• 20 世紀初，起源：20 世紀 30 年代初期開發的機械式腦機器可以使用機械電腦來翻譯語言。 
• 1950 年代，從事語言學工作：透過諾姆·喬姆斯基（Noam Chomsky）在語言學方面的工作，於 1950 年代後期取得了重大的 AI 發展，特別是他的生成式文法理論，包括目前稱為喬姆斯基層級結構（Chomsky hierarchy）的正式文法分類系統。喬姆斯基層級結構（Chomsky hierarchy）有助於定義和分類自然語言句子文法規則的複雜性，協助開發有效的語言處理演算法。 
• 1960 年代，進一步擴展：20 世紀 60 年代，生成式 AI 和 AI 的兩大突破時刻誕生了。第一個聊天機器人 ELIZA 是在 MIT 創造的。其使用模式比對和替代以回應使用者德輸入，但無法理解該內容。兩年後的 1968 年，多模態 AI 程式 SHDRLU 能夠解釋自然語言命令，在模擬環境（積木世界）中操縱物體，並理解和執行命令。例如，如果使用者說「拿起紅色方塊」，SHRDLU 就理解了該命令並相應地移動了紅色方塊。 
• 1980 年代，神經網路的發展：1980 年代晚期，首次展示了復發性神經網路和卷積神經網路，進一步展示了生成式 AI 的用途。 
• 21 世紀，生成式 AI 的繁榮發展：21 世紀出現了生成式 AI 的興起，採用創新的神經網路訓練方法，實現真實的內容製作。硬體的進步終於讓 AI 擴展成為可能，使其更加智慧化且易於存取。2010 年代，生成式 AI 開始融入更廣泛的社會，蘋果的 Siri（2011 年）和 Google 的 Assistant 都能夠回應語音請求。在過去五年中，OpenAI 的 DALL-E 和 ChatGPT 已大幅提升了領域，在幾秒內即可產生逼真的影像和文字。 

生成式 AI 的關鍵類型為何？

生成式 AI 目前包含六種不同的類型。然而，隨著這個領域的持續進步，我們很快就會看到更多類別的擴展類別。 

生成式對抗網路（GAN）會互相攻擊兩個神經網路。生成器網路會建立合成資料，而鑑別器網路則會評估資料是真實的還是生成式的。透過這種對抗方法，兩個網路都得到了改進，結果也更加準確和現實。 

遞歸神經網路（RNN）會處理序列資料，讓其可用於生成式任務，因為 RNN 可以根據先前的元素預測資料序列中的下一個元素。 

自動迴歸模型根據之前的輸入預測下一個元素的機率，一次產生一個元素的資料。自動迴歸模型的範例為 ChatGPT。 

• 變分自編碼器（VAE）因其能夠將資料編碼到潛在空間，然後解碼以重建原始資料，而被廣泛應用於影像生成任務中。它們學習資料的機率表示，從而能夠產生全新、類似的資料。 
• 強化學習可以透過評估先前產生的樣本品質來產生資料。此方法已應用於各種任務，包括文字產生。 

基於 Transformer 的模型由於利用注意力機制來建模序列中不同元素之間的關係，因此在生成式 AI 應用中越來越受歡迎。 

如何使用生成式 AI？

生成式 AI的應用隨著普及率的增加而快速成長。其中一個成長的例子是許多網站廣泛納入聊天機器人。這些聊天機器人的實施是為了簡化客戶服務營運，並有助於員工專注於其他任務，同時與客戶維持穩固的關係。 

在客戶服務方面，生成式 AI 也強化了整體客戶體驗和旅程。舉例來說，旅遊公司使用生成式 AI，為客戶預訂航班或酒店建立個人化行程，並自主規劃假期計畫。 

生成式 AI 也正改變我們使用搜尋引擎的方式。AI 結果現在提供廣泛的搜尋字詞和查詢，旨在為使用者提供最相關的資訊。此外，生成式 AI 用於建立高效的書面內容，使公司能夠根據需要快速為其網站生成相關副本。 

生成式 AI 透過處理和解讀大量資料集來發現模式、趨勢和可行的情報，進而徹底改變資料分析和見解。這些能力對金融、行銷和商業情報等行業至關重要，這些行業及時和準確的見解推動決策制定。美光在儲存和記憶體解決方案方面的領導地位在轉型中扮演著關鍵角色。 

我們的先進技術可實現處理密集 AI 工作負載所需的高效能和高頻寬基礎架構，確保生成式 AI 應用的高效運行。生成式 AI 與美光尖端解決方案之間的合作，讓企業能夠充分發揮其資料潛力。