大家好，我是言川。在開(kāi)篇先說(shuō)下寫(xiě)這篇文章的背景。熟悉我的朋友應(yīng)該都知道，我目前是與優(yōu)設(shè)平臺(tái)聯(lián)合發(fā)起了一個(gè) AI 俱樂(lè)部，這個(gè)俱樂(lè)部主要是幫助會(huì)員們掌握 AI 技術(shù)的。但是我最近發(fā)現(xiàn)了一個(gè)“非常嚴(yán)重”的問(wèn)題，不少會(huì)員寶子們來(lái)問(wèn)我什么是 AIGC、什么是智能體、AIGC 能應(yīng)用到哪些場(chǎng)景中......確實(shí)我也發(fā)現(xiàn)了，現(xiàn)在兩極分化太嚴(yán)重了，真正懂 AIGC 的人數(shù)量極少，大部分人還是處于似懂非懂的狀態(tài)。

于是，為了解決大家對(duì) AIGC 知識(shí)的不足，我耗時(shí) 36h，寫(xiě)下了這篇累計(jì) 2W 字的 AIGC 科普文章。由于本文比較長(zhǎng)，大家可能一時(shí)會(huì)難以吸收，所以建議大家收藏起來(lái)反復(fù)觀看。并且，我在文末給大家準(zhǔn)備了一份福利，記得一定去看看。

為什么要讀這篇文章？我把我的經(jīng)驗(yàn)分享給你。

我在往期分享的文章中，大部分內(nèi)容是在 AI 應(yīng)用層分享經(jīng)驗(yàn)知識(shí)，對(duì) AIGC 原理的經(jīng)驗(yàn)分享較少。而面對(duì) AI 技術(shù)不斷的發(fā)展，我們?cè)趹?yīng)用層的學(xué)習(xí)是遠(yuǎn)遠(yuǎn)跟不上技術(shù)更新的速度。但現(xiàn)在 AIGC 的技術(shù)框架是比較成熟的，我們能看到的新技術(shù)、新功能，大部分都是在以往經(jīng)過(guò)驗(yàn)證且成熟的技術(shù)架構(gòu)上更新。所以，當(dāng)你從底層原理去學(xué)習(xí)并理解 AI 技術(shù)（如大模型、智能體、多模態(tài)等），不論將來(lái) AI 如何革新甚至革命，你都能游刃有余的應(yīng)對(duì)，重要的是培養(yǎng)一個(gè)深度學(xué)習(xí)、思考的習(xí)慣。

所以本篇文章，就是給大家進(jìn)行掃盲的。而我也會(huì)盡量用人能聽(tīng)懂的話(huà)語(yǔ)、大量的舉例來(lái)幫助你更好的學(xué)習(xí)。

一、AIGC 介紹及發(fā)展經(jīng)歷

為什么 AIGC 能在近 2 年突然爆發(fā)，并且影響普通人和傳統(tǒng)行業(yè)。這一切都不是突然出現(xiàn)，而是隨著人工智能產(chǎn)業(yè)的多年發(fā)展，技術(shù)實(shí)現(xiàn)從感知智能升級(jí)為認(rèn)知智能。

感知智能主要聚焦在視覺(jué)、聽(tīng)覺(jué)以及嗅覺(jué)等信號(hào)的處理，它使得機(jī)器能夠像人類(lèi)一樣處理這些信號(hào)。

認(rèn)知智能則更加關(guān)注語(yǔ)言推理，它聚焦在理解和生成語(yǔ)言的能力上。認(rèn)知智能使得機(jī)器能夠進(jìn)行復(fù)雜的閱讀理解任務(wù)并與人類(lèi)進(jìn)行有效的對(duì)話(huà)，這就 AIGC 實(shí)現(xiàn)智能產(chǎn)品化的重要形式。

如果要更加深入的了解 AIGC，我們則需要從它的前世今生開(kāi)始說(shuō)起。

1. 什么是 AIGC

從零開(kāi)始掃盲，第一個(gè)問(wèn)題，什么是 AIGC？AIGC 是 AI Generated Content 的縮寫(xiě)，直譯即是生成式人工智能。

在 AIGC 出現(xiàn)之前，我們生產(chǎn)內(nèi)容的方式是 PGC（專(zhuān)家生產(chǎn)內(nèi)容）和 UGC（用戶(hù)生產(chǎn)內(nèi)容）。而 AIGC 則是利用人工智能技術(shù)自動(dòng)生成內(nèi)容的新型生產(chǎn)方式，而這種生產(chǎn)方式被行業(yè)內(nèi)定義為 Web 3.0 互聯(lián)網(wǎng)形態(tài)。

按照模態(tài)劃分（指的是 AIGC 技術(shù)能夠處理和生成的內(nèi)容類(lèi)型），AIGC 又可以分為文本生成（如 ChatGPT、Kimi 等）、圖像生成（如 StableDiffusion、Midjourney 等）以及視頻生成（如可靈 AI、Sora 等）。當(dāng)然還有一個(gè)模態(tài)劃分，也是未來(lái) AI 大模型的發(fā)展趨勢(shì)，叫做多模態(tài)。多模態(tài)指的是同時(shí)處理來(lái)自不同模態(tài)的信息，如文本、圖像、音頻等。也就是說(shuō)一個(gè) AI 大模型，能同時(shí)處理多種內(nèi)容生成類(lèi)型。

自 2022 年 OpenAI、Midjourney、StableDiffusion 等先進(jìn) AI 工具的推出以來(lái)，AIGC 得到了快速發(fā)展，內(nèi)容由 AI 生成的比例呈指數(shù)級(jí)上升，這標(biāo)志著內(nèi)容生產(chǎn)模式正從 PGC 和 UGC 向 AIGC 轉(zhuǎn)型。

此外，2022 年 12 月 16 日，Science 雜志發(fā)布了 2022 年度科學(xué)十大突破，其中 AIGC 赫然在列，標(biāo)志著其重要性和影響力。AIGC 的火爆是技術(shù)積累與發(fā)展策略雙重變革的產(chǎn)物，因此 2022 年更應(yīng)該是 AIGC 的“應(yīng)用元年”。

2. AIGC 發(fā)展歷程

正如前文提到的，AIGC 技術(shù)并不是突然出現(xiàn)，而是隨著 AI 技術(shù)迭代而迎來(lái)爆發(fā)式增長(zhǎng)。我們可以將 AIGC 的發(fā)展分為四個(gè)階段，早期萌芽階段、沉淀積累階段、快速發(fā)展階段以及產(chǎn)品爆發(fā)階段。

第一階段：早期萌芽（1950s-1990s）

1950 年，艾倫·圖靈首次提出“圖靈測(cè)試”，給出判定機(jī)器是否具有“智能”的實(shí)驗(yàn)方法。但由于該時(shí)期受限于科技水平的發(fā)展，AIGC 僅限于小范圍的實(shí)驗(yàn)。

直到 1957 年，萊杰倫·希勒和倫納德·艾薩克森完成了一部由計(jì)算機(jī)創(chuàng)作的音樂(lè)作品。但直到 80 年代末至 90 年代中期，高昂的成本投入以及難以商業(yè)化的問(wèn)題，導(dǎo)致資本投入有限，所以在這個(gè)階段，AIGC 并沒(méi)有出現(xiàn)顛覆性的成果。是不是有點(diǎn)像前幾年很火熱的元宇宙概念，成本高、商業(yè)落地難。

第二階段：沉淀積累（1990s-2010s）

從這個(gè)階段開(kāi)始，AIGC 開(kāi)始從實(shí)驗(yàn)性質(zhì)轉(zhuǎn)向?qū)嵱眯浴Ｒ驗(yàn)樽?2006 年開(kāi)始，深度學(xué)習(xí)算法取得重大突破，同時(shí) GPU、CPU 等算力設(shè)備性能不斷提升，互聯(lián)網(wǎng)得到快速發(fā)展，為各類(lèi)人工智能算法提供了海量訓(xùn)練數(shù)據(jù)。

到 2007 年，世界首部完全由人工智能創(chuàng)作的小說(shuō)《1 The Road》問(wèn)世，給 AIGC 研究方向一記強(qiáng)力的定心針。

2012 年，微軟公開(kāi)展示了一個(gè)全自動(dòng)同聲傳譯系統(tǒng)，通過(guò)深度神經(jīng)網(wǎng)絡(luò)（DNN）可以自動(dòng)將英文演講者的內(nèi)容通過(guò)語(yǔ)音識(shí)別、語(yǔ)言翻譯、語(yǔ)音合成等技術(shù)生成中文語(yǔ)音。如后續(xù)各大手機(jī)廠商推出的語(yǔ)音助手的 sir、小愛(ài)同學(xué)等，但此時(shí)的 AI 還不能被稱(chēng)為 AIGC。

第三階段：快速發(fā)展（2010s-2021）

自 2014 年以來(lái)，生成式對(duì)抗網(wǎng)絡(luò)（GAN）等深度學(xué)習(xí)算法的提出和持續(xù)迭代，標(biāo)志著人工智能生成內(nèi)容（AIGC）進(jìn)入了一個(gè)新的時(shí)代。在這一階段，AIGC 領(lǐng)域呈現(xiàn)出多樣化的內(nèi)容生成，其效果逐漸趨向逼真，甚至達(dá)到了令人類(lèi)難以辨識(shí)的程度。同時(shí)，各大廠商推出的相關(guān)產(chǎn)品或功能也進(jìn)一步證明了 AIGC 正快速發(fā)展的趨勢(shì)。

2017 年，微軟人工智能少女“小冰”推出了世界首部 100%由人工智能創(chuàng)作的詩(shī)集《陽(yáng)光失了玻璃窗》。

2018 年，英偉達(dá)推出的 StyleGAN 模型能生成高分辨率圖片。目前最新的模型 StyleGAN-T，能夠在短時(shí)間內(nèi)由文本生成大量圖像。

2019 年，DeepMind 發(fā)布了 DVD-GAN 模型用以生成連續(xù)視頻，在草地、廣場(chǎng)等明確場(chǎng)景下表現(xiàn)突出。

2021 年，OpenAI 推出了 DALL-E，并于一年后推出了升級(jí)版本 DALL-E-2，主要應(yīng)用于文本與圖像的交互生成內(nèi)容。

第四階段：產(chǎn)品爆發(fā)（2022-至今）

直到 2022 年（你沒(méi)看錯(cuò)，準(zhǔn)確來(lái)講 AIGC 產(chǎn)品的爆發(fā)是在 2022 年下半場(chǎng)），多款 AI 產(chǎn)品橫空出世。Stability AI 在 2022 年 8 月發(fā)布了 Stable Diffusion 模型，而 OpenAI 于同年 11 月 30 日推出了人工智能聊天工具 ChatGPT。圖像生成工具 Midjourney 的 V1 模型更早在 2022 年 2 月首次亮相。

起初，AIGC 的討論主要集中在科技圈，但隨著 2023 年新年假期結(jié)束，GPT-4 模型在 3 月份橫空出世，其多模態(tài)輸入和媲美甚至超越人類(lèi)的表現(xiàn)在專(zhuān)業(yè)領(lǐng)域引起了廣泛關(guān)注。經(jīng)國(guó)內(nèi)外媒體大肆報(bào)道宣傳，使得 AIGC 開(kāi)始進(jìn)入互聯(lián)網(wǎng)從業(yè)者、企業(yè)高管、投資者等更多人的視野。圖像生成工具如 Midjourney 和 Stable Diffusion 也開(kāi)始在設(shè)計(jì)領(lǐng)域掀起波瀾。而我也正是在這個(gè)時(shí)期，開(kāi)始學(xué)習(xí)并在自媒體平臺(tái)上分享 AI 繪畫(huà)經(jīng)驗(yàn)。

寫(xiě)到這里也是頗為感觸，我也是吃到了 AI 發(fā)展的紅利期，往往機(jī)會(huì)就是出現(xiàn)在風(fēng)口上，能否敏銳的抓住風(fēng)口，是每一個(gè)創(chuàng)業(yè)者、媒體人必修的能力。

2023 年，隨著市場(chǎng)反饋和 AIGC 發(fā)展趨勢(shì)，成百上千的 AI 產(chǎn)品涌現(xiàn)，新創(chuàng)業(yè)者和老牌企業(yè)紛紛向 AIGC 轉(zhuǎn)型，AI 時(shí)代正式到來(lái)，市場(chǎng)競(jìng)爭(zhēng)也變得激烈。盡管最初 AI 在視頻生成領(lǐng)域表現(xiàn)不佳，但 2024 年初 Sora 的出現(xiàn)標(biāo)志著 AI 視頻領(lǐng)域的競(jìng)爭(zhēng)正式開(kāi)始。直到現(xiàn)在（2024 年 10 月寫(xiě)文），市面上已出現(xiàn)多款 AI 視頻產(chǎn)品，如 Runway ML、Pika、LumaAI、可靈 AI、海螺、即夢(mèng)、清影等，涵蓋了音樂(lè)生成、數(shù)字人、語(yǔ)音合成等相關(guān)技術(shù)，AIGC 在視頻生成領(lǐng)域的技術(shù)也日益成熟。

AI 時(shí)代的到來(lái)迫使每個(gè)人都必須擁抱 AI 技術(shù)。從市場(chǎng)角度來(lái)看，AIGC 的發(fā)展仍處于初期階段，目前正處在一個(gè)探索和驗(yàn)證的階段，如同拿著錘子找釘子。AI 大模型就像一把強(qiáng)大的“錘子”，而找到合適的“釘子”并有效地使用這把“錘子”是我們需要不斷嘗試和驗(yàn)證的。

3. AIGC 發(fā)展必備條件

從上述的發(fā)展歷程我們可以觀察到，AIGC 從初期“智能”概念的提出，到 2022 年生成式 AI 工具的爆發(fā)，歷經(jīng) 70 多年，絕非偶然。它至少具備五項(xiàng)條件：模型訓(xùn)練技術(shù)創(chuàng)新、合成數(shù)據(jù)驅(qū)動(dòng)訓(xùn)練、GPU 芯片支持以及產(chǎn)業(yè)生態(tài)的成熟，下面我將從這四項(xiàng)條件逐一展開(kāi)分析。

條件一：模型訓(xùn)練技術(shù)創(chuàng)新

人工智能行業(yè)與其他行業(yè)有所區(qū)別，人工智能領(lǐng)域依賴(lài)于開(kāi)放科學(xué)和不斷的技術(shù)創(chuàng)新。什么意思呢？就是說(shuō)優(yōu)質(zhì)模型的開(kāi)源能夠加速技術(shù)進(jìn)步，例如 OpenAI 開(kāi)源的 CLIP 多模態(tài)預(yù)訓(xùn)練模型，它結(jié)合了自然語(yǔ)言理解和計(jì)算機(jī)視覺(jué)分析，使得模型訓(xùn)練可以直接利用互聯(lián)網(wǎng)上帶有文字描述的圖片素材，這大幅降低了數(shù)據(jù)獲取的門(mén)檻。

同時(shí)也為 CLIP 模型的開(kāi)源，也為圖像生成模型如 Stable Diffusion 提供了技術(shù)基礎(chǔ)。而 Stable Diffusion 的開(kāi)源則進(jìn)一步推動(dòng)了這一趨勢(shì)，降低了用戶(hù)使用 AIGC 進(jìn)行創(chuàng)作的門(mén)檻。

條件二：合成數(shù)據(jù)驅(qū)動(dòng)訓(xùn)練

傳統(tǒng)的模型訓(xùn)練面臨數(shù)據(jù)標(biāo)注費(fèi)時(shí)費(fèi)力、準(zhǔn)確率低、樣本數(shù)量不足等問(wèn)題。生成式 AI 的發(fā)展使得模型可以產(chǎn)生合成數(shù)據(jù)，這些數(shù)據(jù)又可以反哺模型訓(xùn)練，形成加速飛輪，顯著提高了訓(xùn)練效率和模型的性能。

條件三：GPU 芯片支持

AI 大模型的訓(xùn)練需要強(qiáng)大的計(jì)算能力，通常依賴(lài)于 GPU 芯片服務(wù)器。隨著芯片產(chǎn)業(yè)的不斷進(jìn)步，硬件能力也日益增強(qiáng)，足以支撐起模型訓(xùn)練的算力需求，這是 AIGC 發(fā)展的關(guān)鍵因素。

NVIDIA 在芯片技術(shù)上的領(lǐng)先地位，特別是在 AIGC 爆發(fā)期，使其成為全球最有價(jià)值的公司之一。老黃（黃仁勛）也因此吃到時(shí)代的紅利，個(gè)人身價(jià)在 2024 年達(dá)到了 1090 億美元，排名全球富豪榜第 13 位。

條件四：產(chǎn)業(yè)生態(tài)的成熟

隨著 AIGC 的技術(shù)進(jìn)步，AIGC 產(chǎn)業(yè)生態(tài)逐漸成型。整體而言，目前 AIGC 產(chǎn)業(yè)生態(tài)可劃分為三部分：上游預(yù)訓(xùn)練模型開(kāi)發(fā)、中游的模型開(kāi)發(fā)及銷(xiāo)售、下游的 AI 服務(wù)應(yīng)用。

① 上游基礎(chǔ)設(shè)施

這包括數(shù)據(jù)服務(wù)板塊、算力、模型開(kāi)發(fā)訓(xùn)練平臺(tái)/計(jì)算平臺(tái)等算法基礎(chǔ)平臺(tái)。這一層的門(mén)檻很高，預(yù)訓(xùn)練模型開(kāi)發(fā)需要巨大的資金和專(zhuān)業(yè)知識(shí)，因此有能力做預(yù)訓(xùn)練模型的公司主要是頭部科技企業(yè)和獨(dú)角獸公司。

② 中游模型層

模型層包括底層通用大模型、中間層模型和開(kāi)源社區(qū)。中游主要指的是模型的開(kāi)發(fā)和優(yōu)化，包括底層通用大模型的構(gòu)建、中間層模型的開(kāi)發(fā)，以及開(kāi)源社區(qū)的貢獻(xiàn)。這些模型是 AIGC 產(chǎn)業(yè)的核心，它們通過(guò)各種算法和技術(shù)處理上游提供的數(shù)據(jù)，生成高質(zhì)量的內(nèi)容。

③ 下游應(yīng)用層

應(yīng)用層則是在文本、音頻、圖像、視頻四類(lèi)模態(tài)的基礎(chǔ)上，發(fā)展出了策略生成和跨模態(tài)生成，并在金融、數(shù)據(jù)分析、設(shè)計(jì)等多個(gè)行業(yè)實(shí)現(xiàn)了商業(yè)應(yīng)用。

下游主要是將中游的模型應(yīng)用到具體的行業(yè)和場(chǎng)景中，如文本生成、音頻生成、圖像生成、視頻生成等，以及跨模態(tài)生成，即將一種模態(tài)的內(nèi)容轉(zhuǎn)換成另一種模態(tài)，例如將文本描述轉(zhuǎn)換為圖像。

二、AI 的技術(shù)理論

AIGC 技術(shù)與 AI 的發(fā)展密不可分，所以我們需要理解 AI 技術(shù)的演進(jìn)才能更容易的吸收 AIGC 的技術(shù)原理。

1950 年，艾倫·圖靈發(fā)表了一篇?jiǎng)潟r(shí)代的論文《計(jì)算機(jī)器與智能》，文中提出了著名的圖靈測(cè)試：“如果一臺(tái)機(jī)器能夠與人類(lèi)展開(kāi)對(duì)話(huà)，而保證其機(jī)器身份不被識(shí)破，那么就可以認(rèn)為這臺(tái)機(jī)器具有智能。

雖然此時(shí)圖靈已經(jīng)從理論角度給出了機(jī)器擁有智能的可能性，但 AI 正式發(fā)展成一門(mén)專(zhuān)業(yè)學(xué)科則是在 1956 年的達(dá)特茅斯會(huì)議，在這次會(huì)議上，“人工智能”的名稱(chēng)與概念正式確立，因此這次會(huì)議也被廣泛認(rèn)為是人工智能誕生的標(biāo)志，開(kāi)啟了人工智能領(lǐng)域曲折向上的技術(shù)發(fā)展之路。

如果我們繼續(xù)深挖下去，并要理解后面出現(xiàn)的多種 AIGC 技術(shù)相關(guān)的專(zhuān)業(yè)名詞（如深度學(xué)習(xí)、神經(jīng)網(wǎng)絡(luò)、生成式對(duì)抗網(wǎng)絡(luò)等），就需要先對(duì)早期人工智能誕生的三種發(fā)展流派有所了解。

1. AI 技術(shù)發(fā)展的三種流派

在人工智能誕生早期，出現(xiàn)了三大流派：符號(hào)主義、聯(lián)結(jié)主義和行為主義。這三大流派就類(lèi)似江湖上的武林幫派，比如武當(dāng)派、少林派、峨嵋派等。這些流派相愛(ài)相殺、互相競(jìng)爭(zhēng)又互相合作。這三種流派共同構(gòu)成了人工智能早期的理論基礎(chǔ)，并影響了后來(lái)人工智能的發(fā)展。

① 符號(hào)主義

符號(hào)主義認(rèn)為人類(lèi)的一切活動(dòng)（包括智力和體力）都是符合某種邏輯的，所有信息都可以抽象為各種符號(hào)。而人類(lèi)的認(rèn)知過(guò)程可以看作是運(yùn)用邏輯規(guī)則操作這些符號(hào)的過(guò)程，所以符號(hào)主義又叫邏輯主義。但是一旦涉及到非邏輯思維，那么它可能就會(huì)干瞪眼，沒(méi)辦法進(jìn)行推理了。

② 聯(lián)結(jié)主義

聯(lián)結(jié)主義認(rèn)為智能的關(guān)鍵不在于讓電腦等機(jī)器實(shí)現(xiàn)智力活動(dòng)，而是應(yīng)該模仿人腦的結(jié)構(gòu)，即神經(jīng)元之間的聯(lián)結(jié)，所以聯(lián)結(jié)主義又叫仿生學(xué)派。這派觀點(diǎn)認(rèn)為智能是大腦中神經(jīng)元網(wǎng)絡(luò)共同處理信息的結(jié)果，通過(guò)計(jì)算機(jī)模擬神經(jīng)網(wǎng)絡(luò)的工作模式來(lái)實(shí)現(xiàn)人工智能。但是這個(gè)是有賴(lài)于人類(lèi)對(duì)自身神經(jīng)系統(tǒng)的了解程度，到目前為止我們還沒(méi)法對(duì)這個(gè)神經(jīng)系統(tǒng)完全了解。

③ 行為主義

行為主義起源于控制論，強(qiáng)調(diào)模擬人在控制過(guò)程中的智能行為和動(dòng)作。這就有點(diǎn)像我們?nèi)伺c人之間的交流、溝通、沖突、合作出現(xiàn)的這種自適應(yīng)機(jī)制。但是限于時(shí)代和科技發(fā)展，行為主義直到上世紀(jì)末，隨著智能控制與機(jī)器人逐漸興起才引起重視。

總結(jié)一下，符號(hào)主義擅長(zhǎng)知識(shí)推理、聯(lián)結(jié)主義擅長(zhǎng)知識(shí)建模、行為主義擅長(zhǎng)感知+行動(dòng)。而三者的融合發(fā)展，或許才是未來(lái)人工智能發(fā)展的大勢(shì)所趨。

那么是哪些技術(shù)促進(jìn) AI 生成的內(nèi)容發(fā)展呢？你可能在某篇文章、某條視頻或某條論文里刷到過(guò)這些詞匯，如機(jī)器學(xué)習(xí)、監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)、深度學(xué)習(xí)、強(qiáng)化學(xué)習(xí)等等，那么它們有什么關(guān)系呢？別急，下來(lái)我會(huì)一一來(lái)解釋?zhuān)?dāng)你理解了這些技術(shù)原理，那么你將對(duì) AI 會(huì)有一個(gè)更深入的認(rèn)識(shí)。

2. 機(jī)器學(xué)習(xí)理論

① 機(jī)器學(xué)習(xí)介紹

1950 年，也是本文出現(xiàn)多次的老前輩圖靈，在他的論文《計(jì)算機(jī)器與智能》中提出了“學(xué)習(xí)機(jī)器”的概念，強(qiáng)調(diào)與其去編程模擬成人的大腦，還不如選擇更簡(jiǎn)單的兒童大腦，通過(guò)輔之以懲罰和獎(jiǎng)勵(lì)的教學(xué)過(guò)程，讓機(jī)器在學(xué)習(xí)后具備智能。

舉個(gè)栗子，如果我們通過(guò)編程代碼告訴電腦，圖片里有紅色的物體說(shuō)明是蘋(píng)果，圖片里有黃色的物體說(shuō)明是香蕉。那程序?qū)λ?lèi)的判斷就是通過(guò)人類(lèi)直接明確編寫(xiě)的邏輯達(dá)成的，而這不屬于機(jī)器學(xué)習(xí)，因?yàn)闄C(jī)器并沒(méi)有進(jìn)行學(xué)習(xí)。

再舉個(gè)栗子，如果我們給電腦喂大量的蘋(píng)果和香蕉的圖片，讓電腦自行識(shí)別判斷，總結(jié)規(guī)律，從而能對(duì)未見(jiàn)過(guò)的圖片進(jìn)行預(yù)測(cè)和判斷，這才是機(jī)器學(xué)習(xí)。

機(jī)器學(xué)習(xí)模型的訓(xùn)練過(guò)程可分為以下四步：

1. 數(shù)據(jù)獲取：需要收集和準(zhǔn)備用于訓(xùn)練模型的數(shù)據(jù)。這些數(shù)據(jù)可以來(lái)自數(shù)據(jù)庫(kù)、文件、網(wǎng)絡(luò)等，數(shù)據(jù)的質(zhì)量會(huì)直接影響模型的性能；
2. 特征工程：從原始數(shù)據(jù)中提取出有助于模型做出預(yù)測(cè)的特征，目的是使數(shù)據(jù)更適合機(jī)器學(xué)習(xí)算法處理，從而提高模型的性能；
3. 模型訓(xùn)練：使用特征工程處理過(guò)的數(shù)據(jù)來(lái)訓(xùn)練模型，并根據(jù)算法生成模型；
4. 評(píng)估與應(yīng)用：將訓(xùn)練好的模型應(yīng)用在需要執(zhí)行的任務(wù)上并評(píng)估其表現(xiàn)，通常涉及到使用測(cè)試集（在訓(xùn)練過(guò)程中未見(jiàn)過(guò)的數(shù)據(jù)）來(lái)評(píng)估模型的準(zhǔn)確性和其他性能指標(biāo)。如果模型的性能達(dá)到了預(yù)期，它就可以被部署到實(shí)際應(yīng)用中，用于做出預(yù)測(cè)或決策。

② 監(jiān)督學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)

機(jī)器學(xué)習(xí)又可以簡(jiǎn)單的劃分為監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)，它們?cè)谟?xùn)練數(shù)據(jù)的類(lèi)型和學(xué)習(xí)目標(biāo)上有所不同。

監(jiān)督學(xué)習(xí)：

監(jiān)督學(xué)習(xí)的目標(biāo)是學(xué)習(xí)輸入數(shù)據(jù)和輸出標(biāo)簽之間的映射關(guān)系，以便能夠?qū)π碌?、未?jiàn)過(guò)的數(shù)據(jù)做出準(zhǔn)確的預(yù)測(cè)。

監(jiān)督學(xué)習(xí)好比，在學(xué)校里，小言每次做完題目后，老師會(huì)進(jìn)行題目進(jìn)行批改，讓小言知道每道題是否答對(duì)。

監(jiān)督學(xué)習(xí)通常用于分類(lèi)和回歸問(wèn)題。

1. 分類(lèi)：在分類(lèi)問(wèn)題中，模型的目標(biāo)是預(yù)測(cè)離散的類(lèi)別標(biāo)簽。比如用一些貓和狗的圖片對(duì)應(yīng)貓狗的標(biāo)簽進(jìn)行訓(xùn)練，然后用模型未見(jiàn)過(guò)的圖片預(yù)測(cè)是貓還是狗。
2. 回歸：在回歸問(wèn)題中，模型的目標(biāo)是預(yù)測(cè)連續(xù)的數(shù)值。比如用一些房子特征的數(shù)據(jù)（房子面積、客廳、陽(yáng)臺(tái)等），然后用模型未見(jiàn)過(guò)的房子圖片預(yù)測(cè)房?jī)r(jià)。

無(wú)監(jiān)督學(xué)習(xí)：

無(wú)監(jiān)督學(xué)習(xí)的目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中的模式和結(jié)構(gòu)，而不是對(duì)數(shù)據(jù)進(jìn)行預(yù)測(cè)。

無(wú)監(jiān)督學(xué)習(xí)好比老師把大量的題目直接丟給小言同學(xué)，讓小言在題海中自己發(fā)現(xiàn)題目規(guī)律，當(dāng)題量足夠大的時(shí)候，小言雖然不能完全理解每道題，但也會(huì)發(fā)現(xiàn)一些知識(shí)點(diǎn)的固定的選項(xiàng)表述。

無(wú)監(jiān)督學(xué)習(xí)通常用于聚類(lèi)和關(guān)聯(lián)規(guī)則學(xué)習(xí)問(wèn)題。

1. 聚類(lèi)：在聚類(lèi)問(wèn)題中，模型的目標(biāo)是將數(shù)據(jù)進(jìn)行分組，使得同一組內(nèi)的數(shù)據(jù)點(diǎn)相似度高，不同組之間的數(shù)據(jù)點(diǎn)相似度低。
2. 關(guān)聯(lián)規(guī)則學(xué)習(xí)：關(guān)聯(lián)規(guī)則學(xué)習(xí)中，模型尋找數(shù)據(jù)特征之間的關(guān)聯(lián)規(guī)則。

③ 感知器與神經(jīng)網(wǎng)絡(luò)算法

在機(jī)器學(xué)習(xí)領(lǐng)域，監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)是兩種最基礎(chǔ)且易于掌握的方法。而監(jiān)督學(xué)習(xí)就是感知器算法的典型案例之一，它是構(gòu)建人工神經(jīng)網(wǎng)絡(luò)的基石。

我們通過(guò)一個(gè)例子來(lái)簡(jiǎn)化感知器的工作原理，這其中不涉及復(fù)雜的數(shù)學(xué)公式。

想象小言在大學(xué)選修了一門(mén)課程，他想通過(guò)收集過(guò)往學(xué)生的成績(jī)數(shù)據(jù)來(lái)預(yù)測(cè)自己是否會(huì)掛科。他首先設(shè)定了一個(gè)評(píng)分公式：第一次作業(yè)（占 30%）+第二次作業(yè)（占 30%）+考試（占 40%）=課程評(píng)分。如果評(píng)分達(dá)到或超過(guò) 60 分，就及格；否則，掛科。

小言嘗試將這個(gè)公式應(yīng)用于收集的數(shù)據(jù)，但發(fā)現(xiàn)要么所有人都不及格，要么所有人都及格。這說(shuō)明他需要調(diào)整作業(yè)和考試的權(quán)重。通過(guò)不斷調(diào)整，小言最終找到了合適的權(quán)重，能夠準(zhǔn)確預(yù)測(cè)學(xué)生是否會(huì)掛科。

這個(gè)過(guò)程可以由一個(gè)簡(jiǎn)單的感知器程序來(lái)完成。在這個(gè)程序中，作業(yè)和考試的成績(jī)作為輸入節(jié)點(diǎn)，相當(dāng)于神經(jīng)元接收信息。判斷是否掛科的輸出節(jié)點(diǎn)也是一個(gè)神經(jīng)元。計(jì)算合格與否的函數(shù)稱(chēng)為激勵(lì)函數(shù)。輸入和輸出節(jié)點(diǎn)之間的信號(hào)傳遞由評(píng)分公式計(jì)算，信號(hào)的強(qiáng)弱由成績(jī)對(duì)應(yīng)的權(quán)重決定。通過(guò)調(diào)整這些權(quán)重，模型學(xué)會(huì)了如何分類(lèi)。

人工神經(jīng)網(wǎng)絡(luò)是一種多層感知器，它不僅包括輸入層和輸出層，還引入了多個(gè)隱藏層。這些隱藏層的神經(jīng)元可以與輸入層和輸出層的神經(jīng)元相連，每個(gè)連接都有一個(gè)特定的權(quán)重系數(shù)。這樣的設(shè)計(jì)使得網(wǎng)絡(luò)能夠捕捉到更復(fù)雜的數(shù)據(jù)模式和關(guān)系。

隱藏層的引入是為了處理現(xiàn)實(shí)世界中的復(fù)雜性。在現(xiàn)實(shí)世界中，問(wèn)題往往不是簡(jiǎn)單的黑白對(duì)立，而是存在許多灰色地帶和變化。隱藏層使得神經(jīng)網(wǎng)絡(luò)能夠?qū)W習(xí)這些復(fù)雜的變化，從而提高模型的預(yù)測(cè)能力和泛化能力。通過(guò)在隱藏層中增加更多的神經(jīng)元，網(wǎng)絡(luò)可以學(xué)習(xí)更復(fù)雜的函數(shù)映射，解決更復(fù)雜的問(wèn)題。

總結(jié)來(lái)說(shuō)，感知器算法通過(guò)調(diào)整輸入權(quán)重來(lái)學(xué)習(xí)分類(lèi)任務(wù)，而人工神經(jīng)網(wǎng)絡(luò)則在此基礎(chǔ)上進(jìn)行更復(fù)雜的學(xué)習(xí)。在訓(xùn)練過(guò)程中，需要平衡經(jīng)驗(yàn)風(fēng)險(xiǎn)和結(jié)構(gòu)風(fēng)險(xiǎn)，以達(dá)到最佳的學(xué)習(xí)效果。

④ 強(qiáng)化學(xué)習(xí)算法

強(qiáng)化學(xué)習(xí)是 AIGC、大模型最核心的技術(shù)之一。2016 年 3 月，由谷歌 DeepMind 公司開(kāi)發(fā)的人工智能程序 AlphaGo 在五局三勝制的比賽中以 4 比 1 的總比分戰(zhàn)勝了世界圍棋冠軍李世石。而這臺(tái) AI 程序訓(xùn)練的過(guò)程就結(jié)合了強(qiáng)化學(xué)習(xí)的技術(shù)，自我對(duì)弈不斷提高自己的水平。

簡(jiǎn)單介紹下強(qiáng)化學(xué)習(xí)，強(qiáng)化學(xué)習(xí)是機(jī)器學(xué)習(xí)的一個(gè)分支，它主要關(guān)注如何在環(huán)境中采取行動(dòng)，來(lái)達(dá)成長(zhǎng)期累計(jì)收益最大化的目標(biāo)。與監(jiān)督學(xué)習(xí)和無(wú)監(jiān)督學(xué)習(xí)不同，強(qiáng)化學(xué)習(xí)不是直接從數(shù)據(jù)中學(xué)習(xí)，而是通過(guò)智能體（Agent）與環(huán)境（Environment）的交互來(lái)學(xué)習(xí)。

我們用一個(gè)《超級(jí)馬里奧》游戲的例子來(lái)說(shuō)明強(qiáng)化學(xué)習(xí)的概念，在這個(gè)游戲例子中，智能體就是馬里奧，環(huán)境是整個(gè)《超級(jí)馬里奧》的游戲世界。

1. 智能體：馬里奧是玩家控制的角色，他需要在游戲世界中做出各種決策，比如跳躍、奔跑、收集金幣等。
2. 環(huán)境：包括不同的關(guān)卡、敵人、障礙物、金幣、道具等。馬里奧在這個(gè)世界中進(jìn)行探索和交互。
3. 狀態(tài)：狀態(tài)描述了游戲世界在任何給定時(shí)刻的具體情況。對(duì)于馬里奧來(lái)說(shuō)，狀態(tài)可能包括他的位置、速度、是否處于無(wú)敵狀態(tài)、敵人的位置、金幣的數(shù)量等。
4. 行動(dòng)：行動(dòng)是馬里奧可以執(zhí)行的操作，比如：向右移動(dòng)、向左移動(dòng)、跳躍、靜止不動(dòng)、蹲下、使用道具等。
5. 獎(jiǎng)勵(lì)：獎(jiǎng)勵(lì)是馬里奧執(zhí)行行動(dòng)后從環(huán)境中獲得的反饋。比如收集金幣+200 分、擊敗敵人+100 分、到達(dá)旗桿：+1000 分（并進(jìn)入下一關(guān)）、掉入深淵或被敵人擊中：-1 條命。
6. 目標(biāo)：馬里奧的最終目標(biāo)是完成所有關(guān)卡，救出公主。在強(qiáng)化學(xué)習(xí)中，這個(gè)目標(biāo)可以被轉(zhuǎn)化為最大化累積獎(jiǎng)勵(lì)，比如通過(guò)盡可能多地收集金幣、擊敗敵人和快速通關(guān)。
7. 策略：策略是馬里奧根據(jù)當(dāng)前狀態(tài)決定采取的行動(dòng)的規(guī)則。一個(gè)好的策略會(huì)告訴馬里奧在特定狀態(tài)下應(yīng)該采取哪個(gè)行動(dòng)以最大化獎(jiǎng)勵(lì)。
8. 價(jià)值：價(jià)值函數(shù)預(yù)測(cè)從某個(gè)狀態(tài)出發(fā)，遵循特定策略所能獲得的累積獎(jiǎng)勵(lì)。例如，馬里奧可能會(huì)評(píng)估在某個(gè)位置跳躍的價(jià)值，以確定這是否是一個(gè)高價(jià)值的行動(dòng)。

所以強(qiáng)化學(xué)習(xí)的過(guò)程又可以分為以下幾點(diǎn)：

1. 觀測(cè)：馬里奧觀測(cè)當(dāng)前關(guān)卡的狀態(tài)。
2. 決策：根據(jù)觀測(cè)到的狀態(tài)和學(xué)習(xí)到的策略，馬里奧決定是跳躍、奔跑還是收集金幣。
3. 執(zhí)行：馬里奧執(zhí)行選定的行動(dòng)。
4. 反饋：環(huán)境對(duì)馬里奧的行動(dòng)給出反饋，比如得分增加或生命減少。
5. 學(xué)習(xí)：馬里奧根據(jù)反饋更新其策略，比如如果跳躍總是導(dǎo)致掉入深淵，他可能會(huì)學(xué)習(xí)到在那個(gè)位置應(yīng)該奔跑而不是跳躍。

通過(guò)這個(gè)過(guò)程，馬里奧（智能體）學(xué)習(xí)如何在《超級(jí)馬里奧》（環(huán)境）中導(dǎo)航，以最大化他的得分（獎(jiǎng)勵(lì)），并最終達(dá)成救出公主的目標(biāo)。

常見(jiàn)的強(qiáng)化學(xué)習(xí)應(yīng)用場(chǎng)景如智能駕駛、智能機(jī)器人、游戲世界（如 NPC）以及 AIGC 大模型等。那通過(guò)這個(gè)章節(jié)的介紹，你是不是就能理解為什么 AlphaGo 能戰(zhàn)勝世界圍棋冠軍。因?yàn)槿耸菚?huì)疲憊、犯錯(cuò)的，而機(jī)器程序如一臺(tái)永動(dòng)機(jī)，只要不斷電，它就能一直學(xué)習(xí)下去。

⑤ 深度學(xué)習(xí)算法

在機(jī)器學(xué)習(xí)中，選擇合適的特征對(duì)模型訓(xùn)練至關(guān)重要。但在某些情況下，如圖像和文本處理，直接提取有效特征非常困難。機(jī)器需要學(xué)習(xí)的是數(shù)據(jù)中的深層關(guān)系，而非簡(jiǎn)單的表面特征。人類(lèi)無(wú)法處理這種深層特征提取，因此需要依賴(lài)深度神經(jīng)網(wǎng)絡(luò)來(lái)自動(dòng)完成這一任務(wù)。

深度學(xué)習(xí)是一種機(jī)器學(xué)習(xí)技術(shù)，它使用具有多層結(jié)構(gòu)的深度神經(jīng)網(wǎng)絡(luò)來(lái)模擬人腦處理信息的方式，從而學(xué)習(xí)數(shù)據(jù)中的復(fù)雜模式和關(guān)系。作為機(jī)器學(xué)習(xí)的一個(gè)分支，深度學(xué)習(xí)特別擅長(zhǎng)處理和分析大規(guī)模數(shù)據(jù)集。深度學(xué)習(xí)與無(wú)監(jiān)督學(xué)習(xí)、監(jiān)督學(xué)習(xí)及強(qiáng)化學(xué)習(xí)的關(guān)系如圖：

最后總結(jié)一下，深度學(xué)習(xí)算法可以結(jié)合監(jiān)督學(xué)習(xí)、無(wú)監(jiān)督學(xué)習(xí)和強(qiáng)化學(xué)習(xí)來(lái)提高模型性能，而目前大部分 AIGC 模型的主體基本上都是深度強(qiáng)化學(xué)習(xí)模型。

3. Transformer 架構(gòu)

Transformer 架構(gòu)是一種深度學(xué)習(xí)模型，由 Google 公司于 2017 年在論文“Attention is All You Need”中提出的網(wǎng)絡(luò)架構(gòu)。該架構(gòu)最初的設(shè)計(jì)目的是解決 RNN（Recurrent NeuralNetwork，循環(huán)神經(jīng)網(wǎng)絡(luò)）串行輸入、串行編解碼導(dǎo)致的運(yùn)行速度緩慢的問(wèn)題，以顯著提升機(jī)器翻譯的效率。得益于 Transformer 優(yōu)秀的并行處理能力，越來(lái)越多的模型以 Transformer 為基礎(chǔ)進(jìn)行構(gòu)建，包括 GPT 系列模型和 BERT 模型。

目前市面上大部分的大語(yǔ)言模型都是基于 Transformer 架構(gòu)開(kāi)發(fā)的，它相當(dāng)于是大模型的基座，無(wú)比重要。如果要對(duì) Transformer 進(jìn)行詳細(xì)說(shuō)明，可能需要重新寫(xiě)一篇文章才行，本文大家先對(duì) Transformer 有一個(gè)基礎(chǔ)的認(rèn)知即可。

三、AIGC 大模型介紹

1. 文本生成模型

① 大語(yǔ)言模型介紹

這個(gè)小節(jié)我們介紹大語(yǔ)言模型，也可能是大家最熟悉的詞匯。簡(jiǎn)單介紹一下，大語(yǔ)言模型（Large Language Model）簡(jiǎn)稱(chēng) LLM，是大模型的一個(gè)子集，專(zhuān)門(mén)指在自然語(yǔ)言處理領(lǐng)域中使用的、參數(shù)數(shù)量巨大的模型。其中自然語(yǔ)言指的是人類(lèi)在日常生活中用來(lái)交流的語(yǔ)言。

再介紹下大模型，大模型通常指的是在機(jī)器學(xué)習(xí)和人工智能領(lǐng)域中，擁有大量參數(shù)的模型，比如深度學(xué)習(xí)模型、神經(jīng)網(wǎng)絡(luò)模型等。

所以我們前面介紹的技術(shù)原理都是與大語(yǔ)言模型息息相關(guān)的，由多種技術(shù)的結(jié)合、演進(jìn)、嘗試，就發(fā)展成為如今的 AIGC 時(shí)代。大語(yǔ)言模型的應(yīng)用例子有非常多，比如國(guó)外的 ChatGPT、Claude、LaMDA 等，國(guó)內(nèi)的文心一言、豆包、Kimi 等。

但并不是所有的 AIGC 都是屬于大語(yǔ)言模型，像生圖的擴(kuò)散模型就不屬于這一類(lèi)，它并不輸出文本，后文會(huì)介紹。

② 大語(yǔ)言模型生成原理

給大語(yǔ)言模型輸入文本內(nèi)容，它能返還相應(yīng)的輸出完成具體任務(wù)。完成的任務(wù)可以是文章總結(jié)、論文改寫(xiě)、信息生成、語(yǔ)言翻譯等。

大語(yǔ)言模型首先需要通過(guò)大量的文本進(jìn)行無(wú)監(jiān)督學(xué)習(xí)，以 GPT 3 為例，它的訓(xùn)練數(shù)據(jù)有多個(gè)互聯(lián)網(wǎng)文本語(yǔ)料庫(kù)。覆蓋線(xiàn)上書(shū)籍，新聞文章，科學(xué)論文，維基百科，社交媒體帖子等等，借助海量的訓(xùn)練文本數(shù)據(jù)。從而更好的理解文本的含義，并生成更準(zhǔn)確的預(yù)測(cè)。

但大語(yǔ)言模型的大指的不僅僅是訓(xùn)練數(shù)據(jù)巨大，而是參數(shù)數(shù)量巨大。參數(shù)是模型內(nèi)部的變量?？梢岳斫鉃槭悄Ｐ驮谟?xùn)練過(guò)程中學(xué)到的知識(shí)參數(shù)，決定了模型如何對(duì)輸入數(shù)據(jù)做出反應(yīng)，從而決定模型的行為。在過(guò)去的語(yǔ)言模型研究中發(fā)現(xiàn)，用更多的數(shù)據(jù)和算力來(lái)訓(xùn)練具有更多參數(shù)的模型，很多時(shí)候能帶來(lái)更好的模型表現(xiàn)。

比如要 AI 學(xué)習(xí)做一道中式菜，只允許 AI 調(diào)整鹽、胡椒和基本調(diào)料的量，與允許 AI 調(diào)整鹽、胡椒、各種香料（如孜然、肉桂、姜黃）、不同的食材（如肉類(lèi)、蔬菜、豆類(lèi)）、烹飪方法（如炒、煮、烤）以及火候和時(shí)間，后者由于可以調(diào)整的變量更多，更能讓 AI 模仿做出更豐富的菜肴。

當(dāng)前語(yǔ)言模型的參數(shù)數(shù)量已經(jīng)達(dá)到了過(guò)去模型的數(shù)萬(wàn)甚至數(shù)百萬(wàn)倍。以 OpenAI 的 GPT 系列為例，GPT-1 擁有 1.17 億個(gè)參數(shù)，GPT-2 的參數(shù)數(shù)量增至 15 億，而 GPT-3 的參數(shù)量更是激增至 1750 億。這種參數(shù)規(guī)模的增長(zhǎng)賦予了大型模型更廣泛的應(yīng)用能力，它們不再局限于單一或少數(shù)任務(wù)，而是能夠處理多種復(fù)雜的語(yǔ)言處理任務(wù)。

在此之前，為了執(zhí)行總結(jié)、分類(lèi)、信息提取等不同任務(wù)，我們可能需要訓(xùn)練多個(gè)專(zhuān)門(mén)的模型。但現(xiàn)在，一個(gè)大型模型就能夠勝任這些任務(wù)，顯著提高了效率和靈活性?；谶@種強(qiáng)大能力的 AI 聊天助手，如 Chad GPT、Cloude、Kimi、文心一言等，都是大語(yǔ)言模型應(yīng)用的實(shí)例，它們能夠提供更加豐富和智能的交互體驗(yàn)。

而提到大語(yǔ)言模型，就繞不開(kāi) Transformer 架構(gòu)，2017 年由谷歌的研究人員在論文《Attention Is All You Need》中首次提出。這種架構(gòu)徹底改變了自然語(yǔ)言處理（NLP）領(lǐng)域，特別是在處理序列到序列（seq2seq）任務(wù)時(shí)，如機(jī)器翻譯、文本摘要、問(wèn)答系統(tǒng)等。

③ 大語(yǔ)言模型關(guān)鍵技術(shù)

大語(yǔ)言模型的發(fā)展離不開(kāi)多種技術(shù)的支持，這些技術(shù)在大模型的開(kāi)發(fā)和應(yīng)用中扮演著至關(guān)重要的角色，它們使得模型能夠更加智能、靈活地處理各種復(fù)雜的任務(wù)和挑戰(zhàn)。

1. 遷移學(xué)習(xí)：通過(guò)將一個(gè)領(lǐng)域的知識(shí)遷移到另一個(gè)領(lǐng)域，提高模型在新任務(wù)上的性能。
2. 零樣本學(xué)習(xí)：使模型能夠識(shí)別從未見(jiàn)過(guò)的數(shù)據(jù)類(lèi)別，增強(qiáng)模型的泛化能力。
3. 小樣本學(xué)習(xí)：通過(guò)少量樣本進(jìn)行學(xué)習(xí)，與提示詞結(jié)合使用，提高模型的輸出質(zhì)量。
4. 持續(xù)學(xué)習(xí)：在一系列任務(wù)上訓(xùn)練模型，保留舊任務(wù)知識(shí)的同時(shí)學(xué)習(xí)新任務(wù)。
5. 多任務(wù)學(xué)習(xí)：并行學(xué)習(xí)多個(gè)任務(wù)，共享表征信息，提高模型的泛化能力。
6. 強(qiáng)化學(xué)習(xí)：通過(guò)人類(lèi)反饋來(lái)調(diào)整模型行為，使其與人類(lèi)價(jià)值觀對(duì)齊。
7. 上下文學(xué)習(xí)：模型根據(jù)測(cè)試集的輸入生成預(yù)測(cè)結(jié)果，而不需要針對(duì)特定任務(wù)調(diào)整參數(shù)。
8. 思維鏈：通過(guò)詳細(xì)的推理過(guò)程提示詞激發(fā)模型的多步推理能力。
9. 提示工程：通過(guò)設(shè)計(jì)合適的提示詞來(lái)引導(dǎo)模型生成更好的結(jié)果，而不需要修改模型參數(shù)。

④ 主流的 AI 生文模型

免死金牌：以上信息均為個(gè)人整理，旨在輔助讀者更深入地理解相關(guān)章節(jié)內(nèi)容。請(qǐng)注意，這些資料不涉及任何商業(yè)目的或用途。

2. 圖像生成模型

① GAN（生成對(duì)抗網(wǎng)絡(luò)）介紹

介紹 Diffusion 模型之前，我們需要先對(duì)有所了解，它是早期在生成圖像領(lǐng)域被大量應(yīng)用的算法之一，并且至今仍然被許多 AIGC 應(yīng)用所采用。

生成對(duì)抗網(wǎng)絡(luò)（Generative Adversarial Networks，簡(jiǎn)稱(chēng) GAN）是一種深度學(xué)習(xí)模型，由 Ian Goodfellow 等人在 2014 年提出。GAN 通過(guò)模擬生成數(shù)據(jù)與判別數(shù)據(jù)之間的對(duì)抗過(guò)程，用于生成新的數(shù)據(jù)樣本，這些樣本在統(tǒng)計(jì)上與真實(shí)數(shù)據(jù)不可區(qū)分。GAN 的核心思想是利用兩個(gè)神經(jīng)網(wǎng)絡(luò)，生成器（Generator）和判別器（Discriminator）之間的競(jìng)爭(zhēng)來(lái)提高生成數(shù)據(jù)的質(zhì)量。

生成器的作用是接收隨機(jī)噪聲作為輸入，并生成盡可能接近真實(shí)數(shù)據(jù)的樣本。在圖像生成的例子中，生成器會(huì)嘗試創(chuàng)建看起來(lái)像真實(shí)圖片的圖像。生成器的目標(biāo)是欺騙判別器，使其認(rèn)為生成的樣本是真實(shí)的。

判別器的任務(wù)是區(qū)分生成器生成的樣本和真實(shí)樣本。它接收生成的樣本和真實(shí)樣本作為輸入，并輸出一個(gè)概率值，表示輸入樣本是真實(shí)的概率。判別器的目標(biāo)是盡可能準(zhǔn)確地識(shí)別出哪些樣本是生成的，哪些是真實(shí)的。

GAN 的訓(xùn)練過(guò)程可以看作是生成器和判別器之間的一場(chǎng)對(duì)抗游戲：

固定生成器，更新判別器：在這個(gè)階段，生成器的參數(shù)保持不變，判別器通過(guò)比較真實(shí)樣本和生成樣本來(lái)學(xué)習(xí)如何更好地區(qū)分它們。判別器的目標(biāo)是最大化其正確分類(lèi)真實(shí)樣本和生成樣本的能力。

固定判別器，更新生成器：在這個(gè)階段，判別器的參數(shù)保持不變，生成器通過(guò)嘗試生成更高質(zhì)量的樣本來(lái)欺騙判別器。生成器的目標(biāo)是最小化判別器將其生成的樣本分類(lèi)為假的概率。

這兩個(gè)步驟交替進(jìn)行，直到生成器生成的樣本足夠好，以至于判別器無(wú)法區(qū)分真假樣本。

GAN 在多個(gè)領(lǐng)域都有廣泛的應(yīng)用，尤其是在圖像生成領(lǐng)域。它可以用來(lái)生成高質(zhì)量的圖像，如人臉、風(fēng)景、藝術(shù)作品等。此外，GAN 也被用于圖像到圖像的轉(zhuǎn)換、風(fēng)格遷移、數(shù)據(jù)增強(qiáng)、圖像超分辨率等領(lǐng)域。盡管 GAN 在文本生成方面也有所嘗試，但由于其對(duì)離散數(shù)據(jù)的處理能力相對(duì)較弱，因此在文本領(lǐng)域的應(yīng)用不如圖像領(lǐng)域廣泛。

① Diffusion 模型介紹

Diffusion 模型又叫“擴(kuò)散模型”，是一種應(yīng)用于細(xì)粒度圖像生成的模型，它通過(guò)模擬物理擴(kuò)散過(guò)程來(lái)生成數(shù)據(jù)，特別是在圖像生成領(lǐng)域表現(xiàn)出色。比如大家所熟知的 StableDiffusion、Midjourney、DALL·E 2 等 AI 繪畫(huà)工具，就是在 Diffusion 模型和 Clip 模型（后文介紹）技術(shù)上開(kāi)發(fā)的。

前文出現(xiàn)的《太空歌劇院》圖像，底層技術(shù)模型就涉及 Diffusion 模型。

Diffusion 模型的核心思想是模擬一個(gè)從有序到無(wú)序再到有序的過(guò)程。具體來(lái)說(shuō)，這個(gè)過(guò)程包括兩個(gè)主要階段：

正向擴(kuò)散：從一個(gè)清晰的數(shù)據(jù)點(diǎn)（例如一張圖像）開(kāi)始，逐漸添加噪聲，直到數(shù)據(jù)完全變成噪聲。這個(gè)過(guò)程可以看作是一個(gè)逐步破壞數(shù)據(jù)結(jié)構(gòu)的過(guò)程，每一步都讓數(shù)據(jù)更加無(wú)序。

逆向擴(kuò)散：從噪聲數(shù)據(jù)開(kāi)始，逐步去除噪聲，恢復(fù)出原始的清晰數(shù)據(jù)。這個(gè)過(guò)程需要模型學(xué)習(xí)如何從噪聲中恢復(fù)出有意義的結(jié)構(gòu)。

一句話(huà)總結(jié)，Diffusion 模型的核心思想是學(xué)習(xí)從噪聲中逐步恢復(fù)出清晰圖像的過(guò)程，從而實(shí)現(xiàn)高質(zhì)量的圖像生成。

② CLIP 模型介紹

CLIP 模型是由 OpenAI 在 2021 年發(fā)布的一種多模態(tài)預(yù)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，它通過(guò)對(duì)比學(xué)習(xí)的方式，將圖像和文本映射到同一個(gè)向量空間中，從而使得模型能夠理解圖像和文本之間的語(yǔ)義關(guān)系。

CLIP 模型結(jié)構(gòu)包含兩個(gè)主要部分：

1. 文本編碼器（Text Encoder）：用于將文本轉(zhuǎn)換為低維向量表示，通常采用 Transformer 架構(gòu)。
2. 圖像編碼器（Image Encoder）：用于將圖像轉(zhuǎn)換為類(lèi)似的向量表示，可以是卷積神經(jīng)網(wǎng)絡(luò)（深度學(xué)習(xí)算法）或視覺(jué)變換器。

③ Diffusion 模型生成原理

CLIP 模型與 Diffusion 模型是相互結(jié)合使用的，主要體現(xiàn)在 AI 繪畫(huà)和圖像生成領(lǐng)域。CLIP 模型通過(guò)對(duì)比學(xué)習(xí)的方式，將圖像和文本映射到同一向量空間中，使得模型能夠理解圖像和文本之間的語(yǔ)義關(guān)系。而 Diffusion 模型則通過(guò)模擬物理擴(kuò)散過(guò)程來(lái)生成數(shù)據(jù)，特別適用于圖像生成任務(wù)。

在結(jié)合使用時(shí)，CLIP 模型的文本編碼器部分通常被用來(lái)將用戶(hù)的文本輸入轉(zhuǎn)換為一系列的特征向量，這些特征向量捕捉了文本的語(yǔ)義信息，并可以與圖像信息相結(jié)合，以指導(dǎo)圖像的生成過(guò)程。

Diffusion 模型則利用這些文本特征向量作為條件，生成與文本描述相匹配的圖像。這種結(jié)合可以實(shí)現(xiàn)文本引導(dǎo)的圖像生成，即根據(jù)文本提示生成相應(yīng)的圖像內(nèi)容。

例如，在 Stable Diffusion 模型中，CLIP 模型的文本編碼器被用來(lái)將用戶(hù)的文本輸入轉(zhuǎn)換為特征向量，這些向量與隨機(jī)噪聲圖像一起被送入模型的后續(xù)部分，如圖像信息創(chuàng)建器和圖像解碼器，以生成與文本描述相匹配的圖像。

此外，CLIP 模型還可以用于圖像引導(dǎo)的文本生成，以及視頻內(nèi)容生成等更復(fù)雜的任務(wù)。隨著多模態(tài)模型的發(fā)展，CLIP 可能與視頻生成模型結(jié)合，產(chǎn)生復(fù)雜的圖像或視頻內(nèi)容，這在未來(lái)的電影、游戲、廣告等領(lǐng)域具有廣泛的應(yīng)用潛力。

總的來(lái)說(shuō)，CLIP 模型與 Diffusion 模型的結(jié)合，為 AI 繪畫(huà)和圖像生成領(lǐng)域帶來(lái)了新的可能性，使得模型能夠更好地理解和生成與文本描述相匹配的圖像內(nèi)容。

④ 主流的 AI 生圖模型

免死金牌：以上信息均為個(gè)人整理，旨在輔助讀者更深入地理解相關(guān)章節(jié)內(nèi)容。請(qǐng)注意，這些資料不涉及任何商業(yè)目的或用途。

3. 視頻生成模型

① 視頻生成模型介紹

AI 視頻模型的熱潮在 2024 年 2 月被點(diǎn)燃，當(dāng)時(shí) OpenAI 推出了 Sora，這是一個(gè)創(chuàng)新的文生視頻模型，能夠生成長(zhǎng)達(dá)一分鐘、高清晰度且連貫性高的視頻內(nèi)容，這在視頻生成領(lǐng)域是一個(gè)重大的技術(shù)突破。

緊隨其后，國(guó)內(nèi) AI 視頻工具迅速發(fā)展。截至 2024 年 10 月，快手推出的 AI 視頻生成器——可靈AI，已經(jīng)能夠生成長(zhǎng)達(dá)2分鐘、30fps幀率的高清視頻，分辨率高達(dá)1080p。

在模型技術(shù)層面，視頻生成類(lèi)模型的底層技術(shù)框架與圖像生成較為相似，主要包括 GAN（生成對(duì)抗網(wǎng)絡(luò)）、Transformer、Diffusion 模型三種路徑，其中 Diffusion 模型為當(dāng)前主流生成模型。

這三類(lèi)技術(shù)前文都有提到，本節(jié)不再重復(fù)贅述。

② 主流的 AI 生視頻模型

免死金牌：以上信息均為個(gè)人整理，旨在輔助讀者更深入地理解相關(guān)章節(jié)內(nèi)容。請(qǐng)注意，這些資料不涉及任何商業(yè)目的或用途。

3. 多模態(tài)模型

① 多模態(tài)模型介紹

簡(jiǎn)要說(shuō)明，多模態(tài)模型是一種能夠處理和理解來(lái)自多種不同信息源的數(shù)據(jù)，如文本、圖像、視頻、音頻和傳感器數(shù)據(jù)等。

例如，一個(gè)多模態(tài)的情感分析系統(tǒng)可能會(huì)同時(shí)分析文本內(nèi)容、音頻語(yǔ)調(diào)和面部表情來(lái)確定一個(gè)人的真實(shí)情感狀態(tài)。多模態(tài)學(xué)習(xí)的關(guān)鍵優(yōu)勢(shì)在于能夠通過(guò)不同模態(tài)的數(shù)據(jù)互相補(bǔ)充和增強(qiáng)，從而提高學(xué)習(xí)算法的性能和準(zhǔn)確性。

② 主流的多模態(tài)模型

目前大部分主流的大語(yǔ)言模型都在往多模態(tài)發(fā)展，故以下模型大部分與生文模型重合。

免死金牌：以上信息均為個(gè)人整理，旨在輔助讀者更深入地理解相關(guān)章節(jié)內(nèi)容。請(qǐng)注意，這些資料不涉及任何商業(yè)目的或用途。

四、大模型時(shí)代的 AI Agent

1. Agent 的發(fā)展歷程

Agent（代理）也被叫做智能體，能夠感知其環(huán)境并采取行動(dòng)以實(shí)現(xiàn)某種目標(biāo)的實(shí)體。智能體可以是軟件程序、機(jī)器人、或其他形式的系統(tǒng)。

如大語(yǔ)言模型（LLM）一樣，智能體也有它的發(fā)展歷程，我們可以分為以下 4 個(gè)階段：

1. 符號(hào)智能體：采用邏輯規(guī)則和符號(hào)表示來(lái)封裝知識(shí)并促進(jìn)推理過(guò)程。
2. 反應(yīng)型智能體：不使用復(fù)雜的符號(hào)推理，主要關(guān)注智能體與其環(huán)境之間的交互，強(qiáng)調(diào)快速和實(shí)時(shí)的響應(yīng)。
3. 基于深度強(qiáng)化學(xué)習(xí)的智能體：通過(guò)與環(huán)境的交互進(jìn)行學(xué)習(xí)，以獲得最大的累積獎(jiǎng)勵(lì)。
4. 基于大模型的智能體：利用規(guī)模龐大、數(shù)據(jù)豐富的語(yǔ)言模型或多模態(tài)模型，展現(xiàn)出了前所未有理解和生成能力。

如前文舉例的《超級(jí)馬里奧》游戲例子，其中馬里奧就是一個(gè)智能體。但游戲里的智能體與大家所熟知 coze 搭建的智能體不同，它屬于基于深度強(qiáng)化學(xué)習(xí)的智能體。

基于大模型的智能體目前的最新一代智能體，也是本章節(jié)主要介紹的核心內(nèi)容——Agent，后文將基于大模型的智能體簡(jiǎn)稱(chēng)為L(zhǎng)LM Agent。

② LLM Agent 技術(shù)原理

LLM Agent 是大型語(yǔ)言模型作為核心組件，通過(guò)整合規(guī)劃、記憶、工具使用和行動(dòng)執(zhí)行等能力，以實(shí)現(xiàn)復(fù)雜任務(wù)的自主完成。這些智能體能夠模擬人類(lèi)的思考和決策過(guò)程，靈活調(diào)用各種工具和資源，以達(dá)成預(yù)設(shè)的目標(biāo)和任務(wù)。它們?cè)诩夹g(shù)架構(gòu)上從面向過(guò)程轉(zhuǎn)變?yōu)槊嫦蚰繕?biāo)，通過(guò)感知、思考與行動(dòng)的緊密結(jié)合，完成復(fù)雜的任務(wù)。

LLM Agent 的核心優(yōu)勢(shì)在于其強(qiáng)大的自然語(yǔ)言理解和生成能力，以及通過(guò)持續(xù)學(xué)習(xí)和自我改進(jìn)，適應(yīng)不斷變化的社會(huì)需求和環(huán)境的能力。

③ 旅游助手 Agent 例子說(shuō)明

以“旅游助手”為例，按照拆分、規(guī)劃、記憶、工具使用、行動(dòng)執(zhí)行、思考與決策、持續(xù)學(xué)習(xí)與自我改進(jìn)這七個(gè)步驟，來(lái)說(shuō)明一個(gè)基于 LLM 的旅游助手智能體如何工作：

拆分：用戶(hù)向“旅游助手”提出需求：“我計(jì)劃下個(gè)月去巴黎旅游一周，預(yù)算大約是 5000 元，我對(duì)藝術(shù)和歷史特別感興趣?！?“旅游助手”通過(guò)自然語(yǔ)言理解能力解析用戶(hù)的請(qǐng)求，拆分出多個(gè)子任務(wù)/關(guān)鍵信息，如目的地（巴黎）、旅行時(shí)間（一周）、預(yù)算（5000 元）和興趣偏好（藝術(shù)和歷史）。

規(guī)劃：根據(jù)用戶(hù)的需求，“旅游好助手”開(kāi)始規(guī)劃行程。它首先確定旅行的日期，并根據(jù)預(yù)算和興趣，篩選出符合要求的景點(diǎn)、餐廳和住宿選項(xiàng)。

記憶：“旅游助手”回顧用戶(hù)以往的旅行記錄和偏好，比如用戶(hù)之前提到過(guò)喜歡安靜的住宿環(huán)境，或者對(duì)某些食物過(guò)敏，這些信息將被納入行程規(guī)劃中。

工具使用：為了獲取最新的景點(diǎn)信息和用戶(hù)評(píng)價(jià)，“旅游助手”可能會(huì)調(diào)用在線(xiàn)旅游平臺(tái)的 API，或者使用搜索引擎來(lái)獲取相關(guān)信息。它還可能使用匯率轉(zhuǎn)換工具來(lái)幫助用戶(hù)了解預(yù)算在當(dāng)?shù)氐馁?gòu)買(mǎi)力。

行動(dòng)執(zhí)行：“旅游助手”根據(jù)規(guī)劃和獲取的信息，為用戶(hù)預(yù)訂機(jī)票、酒店和景點(diǎn)門(mén)票，并生成詳細(xì)的行程單，包括每天的行程安排、交通方式和餐飲推薦。

思考與決策：在整個(gè)規(guī)劃過(guò)程中，“旅游助手”會(huì)不斷思考和調(diào)整策略。例如，如果發(fā)現(xiàn)某個(gè)景點(diǎn)臨時(shí)關(guān)閉，它會(huì)迅速尋找替代方案，并根據(jù)用戶(hù)的興趣偏好做出最佳決策。

持續(xù)學(xué)習(xí)與自我改進(jìn)：在用戶(hù)完成旅行后，“旅游助手”會(huì)請(qǐng)求用戶(hù)對(duì)行程的滿(mǎn)意度進(jìn)行反饋。據(jù)用戶(hù)的反饋，智能體會(huì)學(xué)習(xí)哪些方面做得好，哪些方面需要改進(jìn)，以便在未來(lái)為用戶(hù)提供更好的服務(wù)。此外，智能體還會(huì)分析其他用戶(hù)的旅行數(shù)據(jù)，以發(fā)現(xiàn)新的旅游趨勢(shì)和用戶(hù)偏好，從而不斷優(yōu)化其旅行規(guī)劃算法。

簡(jiǎn)而言之，Agent 通過(guò)將復(fù)雜的旅游規(guī)劃任務(wù)分解為多個(gè)子任務(wù)，利用大語(yǔ)言模型和預(yù)設(shè)的規(guī)則（例如提示詞），來(lái)逐步生成和優(yōu)化規(guī)劃方案。通過(guò)這一過(guò)程，智能體能夠精準(zhǔn)地輸出我們期望的旅游規(guī)劃結(jié)果，從而簡(jiǎn)化我們的準(zhǔn)備工作并提升旅行體驗(yàn)。

④ 智能體搭建平臺(tái)

對(duì)于初創(chuàng)團(tuán)隊(duì)和普通用戶(hù)來(lái)說(shuō)，訓(xùn)練大型語(yǔ)言模型可能是一個(gè)挑戰(zhàn)，但現(xiàn)在搭建定制化的智能體變得相對(duì)容易。國(guó)內(nèi)有多個(gè)平臺(tái)提供智能體搭建服務(wù)，本章節(jié)主要推薦兩個(gè)目前主流的智能體搭建平臺(tái)，Coze 和文心智能體。

Coze（扣子）

Coze（扣子）是由字節(jié)跳動(dòng)推出的 AI 大模型智能體開(kāi)發(fā)平臺(tái)，它提供了一個(gè)集成了插件、知識(shí)庫(kù)、數(shù)據(jù)庫(kù)、記憶、工作流等多功能為一體的 Agent 開(kāi)發(fā)環(huán)境。

工具鏈接： https://www.coze.cn/home

文心智能體

文心智能體平臺(tái)是由百度開(kāi)發(fā)的一款集成了多種 AI 技術(shù)的開(kāi)放平臺(tái)，旨在為開(kāi)發(fā)者提供強(qiáng)大的智能化服務(wù)和解決方案。該平臺(tái)支持開(kāi)發(fā)者根據(jù)自身行業(yè)領(lǐng)域和應(yīng)用場(chǎng)景，選擇不同類(lèi)型的開(kāi)發(fā)方式，打造大模型時(shí)代的產(chǎn)品能力。

工具鏈接： https://agents.baidu.com/center

五、AIGC 的應(yīng)用趨勢(shì)

丹妮拉·魯斯（Daniela Rus）說(shuō)過(guò)：“深入每個(gè)行業(yè)，你會(huì)發(fā)現(xiàn)人工智能正在改變工作的性質(zhì)?！彪S著人工智能生成內(nèi)容（AIGC）技術(shù)的進(jìn)步和普及，它已在多個(gè)行業(yè)領(lǐng)域展現(xiàn)出其活躍的身影，包括媒體、影視、電商和教育等行業(yè)。在本章節(jié)中，我將詳細(xì)介紹在我所熟悉的領(lǐng)域，AIGC 應(yīng)用的趨勢(shì)，以幫助大家更好地理解這些行業(yè)中的應(yīng)用現(xiàn)狀，并預(yù)見(jiàn)它們未來(lái)的發(fā)展趨勢(shì)。

1. AI+媒體行業(yè)

在媒體行業(yè)，AIGC 技術(shù)正成為信息獲取、整理和文案改寫(xiě)的重要工具。正如我寫(xiě)這篇文章時(shí)，就借助 Kimi、秘塔 AI 等工具進(jìn)行知識(shí)信息的查找以及總結(jié)。在 AI 技術(shù)出現(xiàn)之前，我撰寫(xiě)文章需要人工搜索關(guān)鍵詞，收集資料，效率低不談，知識(shí)內(nèi)容的準(zhǔn)確度也很難去判斷。并且設(shè)計(jì)師出身的我，在寫(xiě)這類(lèi)文章時(shí)，就是活脫脫的“草臺(tái)班子。”

通過(guò)使用 AIGC 工具，我能迅速找到一手信息源，并利用 AI 將大量信息轉(zhuǎn)化為簡(jiǎn)短的介紹，從而在短時(shí)間內(nèi)快速學(xué)習(xí)和整理這些信息，然后結(jié)合自己的語(yǔ)言理解進(jìn)行撰寫(xiě)，大幅提高了寫(xiě)作效率。

并且這種方式也可應(yīng)用于新聞資訊領(lǐng)域。在傳統(tǒng)新聞生產(chǎn)模式中，記者需要在現(xiàn)場(chǎng)通過(guò)觀察、詢(xún)問(wèn)、記錄來(lái)獲取準(zhǔn)確信息，而 AI 能在這個(gè)環(huán)節(jié)上進(jìn)行高效賦能。例如，在采訪(fǎng)過(guò)程中，記者可以使用科大訊飛的 AI 轉(zhuǎn)寫(xiě)工具實(shí)時(shí)生成文字稿、自動(dòng)撰寫(xiě)摘要、調(diào)整文風(fēng)、精簡(jiǎn)文本等，從而提高工作效率，確保新聞產(chǎn)出的時(shí)效性。

但 AI 在該領(lǐng)域尚未實(shí)現(xiàn)完全的“去人工化”。在撰寫(xiě)文稿時(shí)，AI 的表現(xiàn)可能較為刻板和單調(diào)，缺乏人類(lèi)在語(yǔ)境敘述方面的靈活性和豐富性。可能智能體是一個(gè)解決方案，但目前智能體也存在一定的局限性，這個(gè)后面有機(jī)會(huì)我們?cè)倭?。目前還是 AI+人的協(xié)作方式，但可以預(yù)見(jiàn)的是，隨著 AIGC 技術(shù)的繼續(xù)發(fā)展，傳媒或?qū)⑾蛑敲饺嫔?jí)。

2. AI+電商行業(yè)

我認(rèn)為 AIGC 在電商行業(yè)的賦能是最明顯的。AIGC 可以為商家提供大量的創(chuàng)意營(yíng)銷(xiāo)素材，在電商廣告領(lǐng)域?qū)@些創(chuàng)意營(yíng)銷(xiāo)素材有著海量的需求。比如使用 Midjourney 生成高質(zhì)量素材、StableDiffusion 設(shè)計(jì)合成營(yíng)銷(xiāo)圖等。

市面上有許多 AI 工具，能夠?qū)崿F(xiàn)一鍵模特?fù)Q裝和產(chǎn)品圖設(shè)計(jì)。商家只需要上傳產(chǎn)品圖和模特圖，就能迅速獲得一張模特穿著產(chǎn)品的展示圖。在電商服飾領(lǐng)域，頭部企業(yè)通常需要在 2-3 周內(nèi)上線(xiàn)一款新品，而面對(duì)成百上千的需求時(shí)，傳統(tǒng)的制作方式會(huì)耗費(fèi)大量時(shí)間和成本。而 AI 技術(shù)的加持，極大地提高了工作效率，降低了成本。

隨著直播電商的競(jìng)爭(zhēng)愈演愈烈，AI 數(shù)字人的需求量迎來(lái)了爆發(fā)式增長(zhǎng)。不知道大家有沒(méi)有發(fā)現(xiàn)，在美團(tuán)等平臺(tái)上，許多店鋪的直播中出現(xiàn)的“主播”并非真人，而是由數(shù)字人代替，他們能夠?qū)崿F(xiàn) 24 小時(shí)不間斷的直播。當(dāng)然你要是與他進(jìn)行互動(dòng)，可能會(huì)讓你失望。目前還只能作為暫時(shí)播講的替代，而在情緒表達(dá)和互動(dòng)方面無(wú)法有效地觸動(dòng)用戶(hù)，因此這些由數(shù)字人主導(dǎo)的直播轉(zhuǎn)化率通常不會(huì)很高。但還是那句話(huà)，AI 還在進(jìn)步，未來(lái)尚未可知。

3. AI+影視行業(yè)

自 2024 年 3 月 22 日央視頻推出國(guó)內(nèi)首部 AI 全流程制作的微短劇《中國(guó)神話(huà)》以來(lái)，AI 在視頻制作領(lǐng)域的應(yīng)用迎來(lái)了迅猛發(fā)展，AI 視頻創(chuàng)作工具如雨后春筍般涌現(xiàn)。

AI 技術(shù)正深刻地改變影視行業(yè)的各個(gè)環(huán)節(jié)，從劇本創(chuàng)作到后期制作，再到特效增強(qiáng)，AI 的深度融合為影視制作帶來(lái)了革命性的變化。利用 AI 文本生成工具，可以輔助創(chuàng)作劇本，以及如剪映等工具自動(dòng)化剪輯的方式，極大提升了影視工作者制作效率，還進(jìn)一步激發(fā)了他們的創(chuàng)意。雖然此時(shí)的 AI 視頻效果并不盡如人意，但趨勢(shì)以來(lái)。

4. AI+教育行業(yè)

“教育興則國(guó)家興，教育強(qiáng)則國(guó)家強(qiáng)”。伴隨著技術(shù)的爆炸式發(fā)展，教育這一古老的行業(yè)也迎來(lái)了顛覆性的未來(lái)。2017 年，我國(guó)首個(gè)國(guó)家級(jí)人工智能規(guī)劃《新一代人工智能發(fā)展規(guī)劃》出臺(tái)，文中明確提出，要利用智能技術(shù)加快推動(dòng)人才培養(yǎng)模式、教學(xué)方法改革，構(gòu)建包含智能學(xué)習(xí)、交互式學(xué)習(xí)的新型教育體系。

AI 在教育領(lǐng)域的應(yīng)用正在逐步改變傳統(tǒng)的學(xué)習(xí)方式和教學(xué)模式。通過(guò)圖像和語(yǔ)音識(shí)別、自然語(yǔ)言處理等技術(shù)，AI 不僅能夠生成和整理學(xué)習(xí)資料，使得學(xué)習(xí)資源更加豐富和易于獲取，還能通過(guò)收集學(xué)習(xí)者的數(shù)據(jù)，提供個(gè)性化的學(xué)習(xí)畫(huà)像和計(jì)劃，幫助學(xué)生了解自己的學(xué)習(xí)狀態(tài)。

對(duì)于老師來(lái)說(shuō)，AI 的應(yīng)用能夠減輕他們的負(fù)擔(dān)，通過(guò)自動(dòng)化批改作業(yè)和考卷等重復(fù)性工作。盡管在實(shí)際的應(yīng)用場(chǎng)景存在問(wèn)題，但大勢(shì)所趨，AI 發(fā)展加政策雙管齊下，我們有理由相信，借助人工智能，人類(lèi)將打造更好的“以人為中心的”的教育，實(shí)現(xiàn)所有人終身、全面的發(fā)展。

六、結(jié)語(yǔ)

在歷經(jīng) 14 天高強(qiáng)度的學(xué)習(xí)以及撰寫(xiě)后，終于是將本篇文章畫(huà)上了句點(diǎn)。在寫(xiě)之前，我對(duì) AI 技術(shù)也是半懂狀態(tài)，為了保證信息的準(zhǔn)確性，也是瘋狂折磨 AI 幫我查閱各種資料，而我也每每熬到深夜（甚至是通宵）才關(guān)掉電腦。在過(guò)程中，也在對(duì)朋友們吐槽，我好像在“考研”，因?yàn)?AI 技術(shù)的底層原理是確實(shí)難啃，而要對(duì)這些信息進(jìn)行整理更是讓我“癲狂”，因?yàn)槲铱偛荒苤苯訉?AI 寫(xiě)的文本信息直接復(fù)制粘貼吧......而且 AI 寫(xiě)的信息，確實(shí)會(huì)存在邏輯錯(cuò)誤的情況。

但我在開(kāi)始之前，就已經(jīng)做好準(zhǔn)備了，我一直崇尚費(fèi)曼學(xué)習(xí)法，通過(guò)學(xué)+寫(xiě)的方式進(jìn)一步消化知識(shí)。這樣我在后續(xù)的分享中，也能更加深度的去分享知識(shí)經(jīng)驗(yàn)了。希望大家閱讀本文能夠?qū)?AIGC 技術(shù)有一個(gè)基本的認(rèn)知，同時(shí)我也知道本文一時(shí)間難以消化，所以建議大家先收藏起來(lái)日后，遇到相關(guān)知識(shí)點(diǎn)可以來(lái)查閱。

福利來(lái)啦！如果你想學(xué)習(xí)更多 AI 設(shè)計(jì)相關(guān)知識(shí)，可以加入我主理的《優(yōu)設(shè) AI 俱樂(lè)部》，成為優(yōu)設(shè)會(huì)員將尊享 12 大權(quán)益。星球內(nèi)沉淀有 2000+優(yōu)質(zhì) AI 學(xué)習(xí)資料，AI 提示詞、AI 工具庫(kù)、AI 商業(yè)設(shè)計(jì)案例、AI研究報(bào)告......

現(xiàn)在加入，除了尊享 1 年期限的優(yōu)設(shè)會(huì)員服務(wù)以外，還額外贈(zèng)送超 5GB 的免費(fèi)商用字體包，再次強(qiáng)調(diào)，此字體包均通過(guò)人工審核檢查，確保無(wú)版權(quán)可免費(fèi)商用才會(huì)給到大家。所以，我們送出的字體包，請(qǐng)放心使用。下單后加言川微信「ychuanzs」領(lǐng)取~

參考文獻(xiàn)：

1. 杜雨、張孜銘著《AIGC：智能創(chuàng)作時(shí)代》
2. 張成文著《大模型導(dǎo)論》
3. 中國(guó) AIGC 市場(chǎng)研究報(bào)告-甲子光年
4. AIGC 應(yīng)用與實(shí)踐展望報(bào)告-甲子光年
5. 中國(guó) AI Agent 行業(yè)研究報(bào)告-甲子光年
6. AIGC 產(chǎn)業(yè)應(yīng)用研究報(bào)告，一文讀懂 AIGC 的前世今生-億歐網(wǎng)