什麼是生成式人工智慧？ 綜合指南

人工智慧似乎無所不在。 對人工智慧未來的興奮、恐懼和猜測佔據了頭條新聞，我們中的許多人已經將人工智慧用於個人和工作活動。

當然，當人們提到最新的人工智慧工具時，他們談論的是生成式人工智慧。 生成式人工智慧的創新使機器能夠根據人類的簡單查詢快速創作一篇文章、一首歌曲或一件原創藝術作品。

那什麼是生成式人工智慧？ 它是如何運作的？ 最重要的是，它如何幫助您的個人和職業生涯？

本指南深入探討生成人工智慧的世界。 我們涵蓋不同的生成式人工智慧模型、常見且有用的人工智慧工具、用例以及當前人工智慧工具的優點和限制。 最後，我們考慮了生成式人工智慧的未來、技術的發展方向，以及負責任的人工智慧創新的重要性。

目錄

• 什麼是生成式人工智慧？
• 生成式人工智慧的工作原理
• 生成式人工智慧模型
• 生成式人工智慧工具
• 生成式人工智慧用例
• 優點和好處
• 缺點和限制
• 生成式人工智慧的未來
• 結論

什麼是生成式人工智慧？

生成式人工智慧是指機器學習的一個特定分支，其中模型根據大量原始資料進行訓練以創建原始輸出，無論是文字、圖像還是其他類型的內容。

人工智慧或機器學習就是根據歷史數據做出統計上可能的預測。 例如，傳統的機器學習技術可用於從可能的語氣清單中預測文章的語氣，例如「正式」或「有趣」。 這些技術根據許多範例建立文字語氣屬性的模型，然後使用該模型來評估新的輸入。

打個比方：如果有人向您展示一百萬個正式電子郵件的範例，然後向您展示一封新電子郵件，您也許能夠確定它是否具有正式語氣。 在處理一個想法的過程中，你的大腦會辨識出該電子郵件中的某些特徵——主題行、長度，也許還有禮貌用語——並意識到它們符合你的「正式」模型。 在非常高的層面上，傳統機器學習的工作方式大致相同。

但是，如果您想給國會議員寫一封新的正式電子郵件怎麼辦？ 這是產生人工智慧的領域。 與其他形式的機器學習一樣，生成式人工智慧仍然接受範例訓練，以建立世界模型，從而能夠對新輸入進行預測。 然而，生成式人工智慧模型通常需要在更大量的資料上進行訓練才能成功，而且模型本身也需要更加複雜。 資料科學家使用一種稱為神經網路的機器學習技術來建立生成人工智慧模型。

要給國會議員寫一封正式的電子郵件，生成式人工智慧模型需要了解「正式」寫作是什麼樣子、電子郵件的通常結構以及什麼是「國會議員」。 令人驚訝的是，沒有人對這些概念進行硬編碼或解釋如何將它們組合在一起——模型通過接受大量令人難以置信的原始文本（例如公共互聯網上的所有內容）的訓練來自行學習這一點。 這使得它基本上可以逐字預測一封新電子郵件，該電子郵件最有可能代表「給國會議員的正式電子郵件」。

生成式人工智慧的工作原理

為了更好地理解生成式人工智慧的工作原理，讓我們將其操作分解為簡單的步驟。

1用戶輸入提示

生成式人工智慧會回應人類輸入的提示。 例如，某人可能會輸入諸如「為專案經理的聘用機會寫一封專業的接受函」之類的提示。 提示越具體、寫得越好，模型就越有可能產生令人滿意的輸出。 您可能聽說過「提示工程」這個術語，它指的是調整提示措辭或包含附加指令以從生成人工智慧工具獲得更高品質、更準確結果的過程。

提示並不總是以文字形式提供。 根據生成式 AI 系統的類型（本指南後面將詳細介紹），提示可能會以圖像、影片或其他類型的媒體形式提供。

2生成AI工具分析提示

接下來，產生人工智慧分析提示，將其從人類可讀的格式轉變為機器可讀的格式。 出於本範例的目的，堅持使用文本，該模型將使用自然語言處理 (NLP) 對提示中的指令進行編碼。

首先將較長的文字區塊分割成稱為標記的較小單元，這些單元代表單字或單字的一部分。 該模型在語法、句子結構以及從訓練資料中學到的許多其他類型的複雜模式和關聯的背景下分析這些標記。 這甚至可能包括您之前給模型的提示，因為許多生成式人工智慧工具可以在較長的對話中保留上下文。

3該工具產生預測輸出

使用模型對提示進行編碼的所有內容，它嘗試產生最合理、統計上可能的回應。 本質上，該模型會問自己：“根據我迄今為止對世界的了解，並考慮到這個新的輸入，接下來會發生什麼？”

例如，假設您正在閱讀一個故事，當您讀到頁面末尾時，它會顯示“我媽媽回答了”，下一個單字位於下一頁。 當你翻過這一頁時，你認為下一個字會是什麼？ 根據您對世界的整體了解，您可能會有一些猜測。 它可以是電話，也可以是簡訊、電話、門禁或問題。 了解故事中在此之前發生的事情也可能有助於您做出更明智的猜測。

從本質上講，這就是像 ChatGPT 這樣的生成式 AI 工具對提示所做的事情，這就是為什麼更具體、更詳細的提示有助於它做出更好的輸出。 它有一個場景的開頭，例如「寫一首關於狗的有趣詩」。 然後，它嘗試使用其複雜的世界模型和其中的關係逐字完成故事。 至關重要的是，生成式人工智慧工具也透過人類回饋進行所謂的強化學習，以學習更喜歡人類會認可的反應。

如果您使用過生成式人工智慧工具，您會發現每次都會得到不同的輸出 - 即使您問同一問題兩次，該工具也會以略有不同的方式回應。 在非常高的層面上，原因是一定程度的隨機性是使生成式人工智慧的回應更加真實的關鍵。 如果工具每次都選擇最有可能的預測，那麼它通常會得到沒有意義的輸出。

生成式人工智慧模型

有許多技術可用於產生人工智慧。 它們的核心都使用神經網絡，這是一種類似人腦工作方式的架構。 您可能也聽過「深度學習」這個術語，它只是指具有三層以上的神經網路（這是除了最基本的神經網路之外的所有神經網路）。

神經網路由互連節點層組成。 每個節點都有自己的統計模型，專門根據從訓練資料中學到的知識來處理輸入的單一方面。 類似於大腦的各個部分致力於不同的任務（當你看到熟悉的面孔時，某些神經元可能會放電），神經網路的不同部分會識別不同的模式和關係。

雖然每個單獨的決策都很簡單（例如，一個節點可能專門識別一個單字是否是名詞），但最終的預測是所有這些決策共同產生的骨牌效應，從而產生非常複雜的輸出。

資料科學家實際上可以透過多種方式使用神經網路來建立生成人工智慧模型。 一些最常見的架構類型是：

生成對抗網路 (GAN) 和變分自動編碼器 (VAE) ：這兩類用於影像生成的模型在 2010 年代中期開始引起轟動，預示著當前生成人工智慧的熱潮。使用 GAN，一個神經網路生成輸出，另一個網路嘗試確定它是真還是假——這種來回使模型在訓練時變得更加聰明。 VAE 產生影像各部分的編碼，然後對編碼的各部分進行取樣並解碼以創建全新的影像。

擴散模型：在產生人工智慧的擴散模型中，訓練資料透過添加高斯雜訊而被破壞，然後透過反轉該雜訊的添加來恢復。您可以將新增高斯雜訊視為擾亂影像中的像素。 雜訊是“高斯”的，因為它是根據鐘形曲線上的機率添加的。 當模型反轉雜訊時，它會透過解碼這些機率來預測，即使有相同的提示，每次都會產生原始影像。

大型語言模型 (LLM)：此類模型使用稱為 Transformer 的神經網路架構。Transformer 本質上可以同時考慮輸入序列中的所有單詞，並找出它們之間的相關性，這使它們成為理解和生成文本的特別有用的技術。 雖然 Transformer 的概念自 2017 年就已出現，但應用大量訓練資料並透過人工強化來提高模型性能，使得我們今天在生成式 AI 自然語言工具方面取得了突破。

混合模型：混合模型將基於規則的計算與機器學習和神經網路相結合，將人類監督引入人工智慧系統的操作中。基本上，您可以採用上述任何生成式人工智慧模型，並在運行後或運行期間將它們置於基於規則或邏輯的系統中。

生成式人工智慧工具

您可能已經在工作、研究或個人活動中使用過一些更著名的生成式人工智慧工具。 例如，OpenAI 的 ChatGPT 通常用於從撰寫聚會邀請到尋找深奧和專業問題的答案等各種用途。

ChatGPT 使用大型語言模型 (LLM) 來處理使用者的自然語言提示並提供簡單的對話式回應。 該工具類似於聊天機器人或與真人交換訊息，因此得名。 谷歌的 Gemini 是另一種生成人工智慧工具，它使用法學碩士對使用者提示提供獨特的回應。 它的運作原理很像 ChatGPT。

法學碩士並不是消費者可以獲得的唯一類型的生成人工智慧。 DALL-E 是 OpenAI 的另一項生成式 AI 創新，它使用擴散模型來產生原始影像。 例如，使用者可能會提示 DALL-E 以亨利·馬蒂斯 (Henri Matisse) 的野獸派風格創建一個青蛙在籃球場上騎馬的圖像。 依靠其神經網路和龐大的資料集，該工具將創建一個原始圖像，其中包含使用者所需的風格元素和對圖像內容的特定要求。

這些是一些更廣為人知的生成式人工智慧工具的例子，但還有其他各種可用的工具。 例如，Grammarly 是一款人工智慧寫作工具，它使用生成式人工智慧來幫助人們提高寫作的清晰度和正確性，無論他們已經在哪裡寫作。

透過 Grammarly 的生成式 AI，您可以輕鬆快速地為電子郵件、文章、報告和其他項目產生有效、高品質的內容。 例如，向您的部門發送群組電子郵件，邀請他們參加公司活動或業務文件的執行摘要。

生成式人工智慧用例和應用

生成式人工智慧的潛在用途涵蓋多個行業和應用，無論是專業的還是個人的。 以下是一些需要考慮的生成式人工智慧用例。

衛生保健

• 根據診斷標準和臨床醫生筆記產生患者處方
• 根據預約期間所做的筆記產生摘要
• 急診室或遠距醫療分流任務－生成式人工智慧工具可以記錄患者的症狀並產生摘要，供臨床醫生在與患者會面之前查看
• 在大量病患財務資料中發現保險詐欺實例

銀行和金融

• 自動偵測潛在的詐欺活動
• 產生財務預測
• 提供專業和細緻的客戶支持
• 根據不同產品和服務過去表現的財務數據制定行銷計劃

行銷

• 產生不同版本的登陸頁面，用於標題和行銷文案的 A/B 測試
• 為不同地點建立相同銷售頁面的獨特版本
• 根據現有內容的表現數據獲得新的內容創意
• 為行銷活動快速建立新圖像或資訊圖表
• 產生用於行銷影片的獨特樂譜

娛樂和表演

• 為宣傳品創造獨特的影像
• 為虛擬實境建立新的沉浸式景觀和場景
• 電影、電視或戲劇中新劇本或創意的快速分鏡
• 透過在難以或不可能拍攝的場景中描繪角色來改善電腦生成的影像

生成式人工智慧的優點和好處

從上述用例可以看出，生成式人工智慧在效率和自動化方面帶來了非凡的優勢。 簡而言之，它使我們能夠透過自動化工作中較繁瑣的部分來更快地完成更多工作。

這種好處在醫療保健範例中可能最為明顯，其中包括分類相關任務和臨床醫生管理。 透過將這些活動外包給生成人工智慧，臨床醫生可以看到更多的患者，花更多的時間在每個患者身上，並提供更好的照護。

對於行銷人員來說，生成式人工智慧節省的時間也很可觀。 創建多個版本的行銷活動、根據不同的人群自訂訊息以及委託獨特的視覺創意資產佔用了行銷人員的大量時間。 將此類任務轉移給生成式人工智慧可以為行銷人員提供額外的專業和創意頻寬。 簡而言之，它使他們能夠將更多的注意力集中在需要他們專業知識的活動上。

生成式人工智慧讓人們將具有中度至重度認知負擔的耗時任務外包給自動化工具。 結果是這些人有更多時間專注於高價值活動。 生成式人工智慧的另一個好處是：它可以成為創造性的合作夥伴。 它可以幫助人們集思廣益新的想法和策略，或創建一篇文章或藝術作品的許多草稿，然後可以作為靈感或提供方向感。

生成式人工智慧的缺點與局限性

生成式人工智慧是一項令人興奮的技術，但這並不意味著它是完美的。

您可能聽說過一些律師使用 ChatGPT 進行法律研究，並在代表其客戶提交的摘要中引用了虛構的案例。 除了必須支付巨額罰款之外，這一失誤還可能損害了這些律師的職業生涯。 生成式人工智慧並非沒有缺點，了解這些缺點非常重要。

幻覺

有時，生成式人工智慧會出錯。 當這種情況發生時，我們稱之為幻覺。

雖然最新一代的生成式人工智慧工具通常會根據提示提供準確的信息，但檢查其準確性至關重要，特別是當風險很高且錯誤會造成嚴重後果時。 由於生成式人工智慧工具是根據歷史資料進行訓練的，因此它們可能也不知道最近發生的事件或無法告訴您今天的天氣。

偏見

一些著名的產生人工智慧工具輸出的資訊包含種族和/或性別偏見。 在某些情況下，工具本身也承認它們的偏見。

發生這種情況是因為工具的訓練資料是由人類創建的：一般人群中現有的偏見存在於產生人工智慧學習的資料中。

隱私和安全問題

從一開始，生成式人工智慧工具就引發了隱私和安全問題。 一方面，發送給模型的提示可能包含敏感的個人資料或有關公司營運的機密資訊。 這些工具將如何保護這些資料並確保使用者對其資訊擁有控制權？

與任何軟體一樣，生成式人工智慧工具也有可能被駭客攻擊。 這可能會導致內容不準確，從而損害公司的聲譽或使用戶受到傷害。 當您考慮到生成式人工智慧工具現在被用來執行自動化任務等獨立操作時，很明顯，必須保護這些系統。

使用生成式人工智慧工具時，請確保您了解資料的去向，並盡力與致力於安全和負責任的人工智慧創新的工具合作。

生成式人工智慧的未來

對組織來說，生成式人工智慧不僅僅是軟體。 他是你團隊中的初級成員。 幾乎每個行業都是如此，因此必須為人工智慧將如何改變您的工作方式做好準備。

根據 Gartner 的說法，企業應該制定人工智慧計劃，考慮到：

• 機會雄心：您或您的組織希望在部署人工智慧工具後享受的具體優勢。
• 部署：決定是使用現成的工具、內部建置還是使用您自己的專有資料訓練模型。
• 風險：組織需要考慮人工智慧固有的所有潛在風險，例如可靠性、安全性、資料隱私。

IBM 表示，我們也應該期待世界各國政府將人工智慧管理作為優先事項。 例如，歐盟目前正在努力將人工智慧分為不同的風險類別，並就其使用和部署制定某些規則。

考慮到這些活動，有必要考慮生成式人工智慧的倫理影響以及追求負責任的發展意味著什麼。 世界經濟論壇發布了人工智慧創新者在開發和部署新人工智慧系統時必須考慮的一系列因素。 他們包括：

• 人工智慧系統的功效
• 抵禦安全威脅的能力
• 減少偏見，避免邊緣群體受到不公平待遇
• 可解釋性，這意味著人工智慧系統的輸出應該是使用者可以理解的
• 隱私保護，包括資料最小化原則

最重要的是，人工智慧將繼續存在。 在未來的幾個月和幾年裡，預計機構和政府將越來越關註生成人工智慧領域負責任創新的挑戰。

結論：充分利用生成式人工智慧

生成式人工智慧在許多行業都是一股不可忽視的力量，更不用說日常的個人活動了。 隨著個人和企業繼續在工作流程中採用生成式人工智慧，他們將找到新的方法來減輕繁重的任務，並利用這項技術進行創造性的協作。

同時，重要的是要意識到生成人工智慧固有的技術限制和道德問題。 負責任的開發是一回事，而且很重要，但負責任的使用也很重要。 始終仔細檢查生成式人工智慧工具所創建的內容是否是您真正想要的。 如果您沒有得到預期的結果，請花時間了解如何最佳化提示以充分利用該工具。

透過跟上生成人工智慧的最新創新，您可以改善您的工作方式並增強您的個人專案。 雖然令人興奮，但當前世代的人工智慧工具僅提供了對地平線之外的事物的一瞥。