人工智能正逐渐融入我们生活的方方面面。从预测金融趋势到预报天气，再到创建全新的文本和图像，人工智能无所不能。
以前，人工智能主要通过分析历史数据来预测结果。这些基于预测的模型被恰当地称为“预测性人工智能”。但机器学习的最新发展现在也允许人工智能合成新数据。这些模型被称为“生成性人工智能”。
生成模型现在绝对不可避免。ChatGPT、DALL-E、Bing AI 或 Gemini 等工具随处可见。而它们背后的公司，如 OpenAI、Google 或 Anthropic，正处于蓬勃发展的行业的中心。
所有这些都引发了一个问题：这两个人工智能如何工作、如何训练以及它们的应用可能是什么。这就是我们今天要关注的重点。
本文将深入详细比较生成式人工智能与预测式人工智能、它们的训练方法以及可能的应用。
机器学习基础知识
在探索这两种人工智能的机制和差异之前，让我们先探索一下机器学习，它是训练人工智能模型的基石。
ML 是指系统可以学习和执行任务而无需明确指令的任何模型或算法。例如，当 人工智能 无需被告知如何做就能从大量数据集中找到模式时，这就是 ML。这可能涉及各种方法。
1.监督机器学习
监督机器学习在训练之前预先确定正确的输入和输出类型。
2.无监督机器学习
这种机器学习方法并不确定正确的输出。相反，它让模型学习找到自己的模式来生成输出。
3.基于强化的学习
这种方法会获取模型的输出并判断其正确与否。反复试验的过程会逐步优化模型的输出和推理能力。
ML 还有其他子集，例如深度学习，我们稍后会深入探讨。
理解生成式人工智能
想象一下 像谷歌的 Gemini 或 Anthropic 的 Claude AI这样的人工智能聊天机器人。这些模型有数十亿个参数（简而言之，更多的参数通常意味着能力的提升）。
您可以要求这些模特为您写一篇新博客或一首诗，他们会想出一些新的东西！
生成式 AI的关键方面 是通过分析现有数据来创建新内容。这些模型对大量训练数据进行分类，以生成类似的可能模式。然后，这些模式用于 为该领域（文本、图像或其他）生成新的 AI 内容 。
尽管生成式人工智能可以生成“新”内容，但这些内容是否真正原创或衍生，往往引发争议。我们将留到下次再讨论这个问题。
如何训练生成式 AI 模型
虽然训练方法各不相同，但生成式人工智能有一个共同点——它们需要大量的训练数据。例如，OpenAI 的大型语言模型 (LLM) GPT-4 有大约 10 万亿个单词。
深度学习
在训练方面，生成式人工智能（尤其是生成式对抗网络）依赖于深度学习。这是一种机器学习，可以从大量数据中找出复杂的模式并做出准确的推断。
此外，这种训练方法可以从没有结构的未标记数据中寻找模式（无监督学习）。这减少了人工干预，并提高了参数数量。因此，生成式人工智能可以创建更复杂、更精密的输出。
神经网络
虽然深度学习是一种机器学习，但神经网络也是一种深度学习。这种技术在生成式人工智能中很流行。它们也称为深度神经网络 (DNN)，模拟人类大脑的神经元（称为节点）。神经网络允许模型在极少的人工协助下甚至在训练数据不足的情况下进行学习。
目前有许多类型的生成工具利用深度学习。 自然语言处理 或 NLP、 图像生成工具和文本生成器就是这样的例子。
生成式人工智能的类型
生成式人工智能已经扩展到多个领域，这意味着它们不仅限于一种类型的数据（文本、图像等）。
GPT-4 和 Gemini 等多模式模型可以处理和创建多种类型的数据（在本例中是图像和文本）。
话虽如此，不同类型的生成式人工智能包括：
文本到图像生成器，例如 Stable Diffusion 或
具有不同大型语言模型 (LLM) 的自然语言生成 (NLG) 模型。
语音合成工具，如 WaveNet 或音乐生成器，如 Mubert。
像 OpenAI 的 Sora 这样的 视频生成模型。
生成式人工智能的优点和缺点
以下是生成式人工智能的优点和缺点。
优点
将大量任意数据集情境化：生成式人工智能可以分析和推断大量未标记的数据集。与早期的预测模型相比，这减少了对人工干预的需求。
合成新数据或内容：其他模型通常仅限于根据先前的数据预测模式。生成式人工智能可以在从训练数据中学习后合成新数据（文本、图像、视频等）。
可扩展性：生成模型可以随着对更多数据的不断训练而不断改进。例如，使用 Transformer 的 NLP 可以识别更广泛的文本上下文，并能以极快的速度扩展。
持续学习和优化输出：生成模型的输出会随着获得更多训练数据而得到改善。这意味着即使在初步训练之后，它们也可以将新内容纳入输出中。
相关阅读： 人工智能的主要优势及实例
缺点
计算成本：生成模型的最大障碍是其计算成本。对涉及数十亿个参数的大数据进行训练需要访问额外的计算资源。因此，大多数大型生成模型都使用具有强大 GPU 的大型云服务器。
不可预测性增加：生成式人工智能擅长将大量未标记的数据集情境化并合成新数据。然而，这也会使它们变得不可预测。生成模型的输出可能出乎意料，有时甚至无关紧要。在一致性至关重要的情况下，这会带来问题。
幻觉和偏见：众所周知，生成模型常常会创造出现实中并不存在的事实。这被称为幻觉。
此外，如果训练数据包含特定偏见，生成模型也可能存在偏见。此类问题可能涉及生成的输出中包含种族偏见和刻板印象。
电子邮件营销已经是 一种高影响力低成本 的向现有客户传递营 销信息的方式-如果没有电子邮件，您的电子邮件列表将是您建立 最有效和 行业电邮清单 最有创意的方式。相较于其他方式，如果您的电子 邮件列表很短的话，信息将是不足的，也将会充满错误和冗余的信息。在同一个国家特定列表中测试不同版本的电子 邮件活动可以获得有价值的见解。
透明度降低：像 LLM 这样的大
型生成模型很难理解。因此，无法知道创建输出的确切过程。这增加了滥用、潜在有害结果或侵犯个人和组织隐私的风险。
相关阅读： 人工智能的局限性
生成式人工智能的用途
创意生成和内容创作
生成式人工智能彻底改变了人类产生创意的速度。例如，人们可以在几秒钟内利用生成式模型为博客、营销活动甚至初 如何创建 seo 常见问题解答页面 创公司提出创意。
这些想法也可以通过这些人工智能实现。像 Sora 这样的模型可以制作视频，Dorik 可以根据简单的提示创建网站，Claude 可以生成文本，Alpha3D 可以创建 3D 模型，等等。
即使输出通常需要一些人为的修改，这也可以加快并优化内容生成。
交互式聊天和搜索引擎
得益于自然语言处理 (NLP) 的强大功能，生成式人工智能可以创建具有类似人类语言的聊天机器人。不同的企业和公司已经采用了此类聊天机器人，它们通过自然对话与客户互动。
这可以提高客户保留率、减少响应时间和成本，同时改善客户体验。搜索引擎也在整合 GAI 来增强其搜索结果并提供相关响应。Google 的 Gemini（以前称为 Bard）和 Bing AI 就是这样的例子。
研究领域GAI 被用作众多领域的研究工具
获取大量数据集、在其中寻找模式并将其用于数据汇总或研究自动化已变得十分常见。
医疗保健行业正在使用它来增强诊断和个性化行动计划。如果对该领域的了解和样本有限，这尤其有益。它还减少了研究所需的时间。
大数据处理和情境化
由于生成式人工智能可以理解多个领域的非结构化数据集，因此它可以帮助处理和利用大数据。值得注意的是，分析数十亿行代码、传感器 手机号码列表 数据或对大量文本进行分类现在变得高效而简单。
因此，GAI 可以分析和分类这些数 据，并独立生成新的相关数据，而且所花的时间要少得多。
了解预测性人工智能
让我们想象一个企业场景。比如说，一个品牌通过机器学习分析历史销售数据来确定应该维持多少库存。这本质上就是预测人工智能。
预测性人工智能会查看以前的数据，并依靠统计分析来确定趋势和模式，并做出未来预测。它利用机器学习来提高预见性和预测能力，这一点与典型的数据分析不同。
预测性人工智能是如何训练的
预测性人工智能受益于大型数据集，通常称为 大数据。首先，必须收集、格式化和预处理这些训练数据以用于训练阶段。
完成后，AI 开始根据数据类型的相关预测模型对数据进行训练。此类模型的示例包括神经网络或线性回归。
随着模型的不断训练，它需要进一步评估和调整以优化其准确性、精确度和预测性能。
预测人工智能的优点和缺点
优点
控制力和可预测性增强：预测性人工智能的预测范围更加可控，训练数据也是如此。与生成模型相比，预测性人工智能往往更容易优化并实现预期输出。这也降低了幻觉等风险。
降低计算成本：与生成模型相比，预测模型的资源密集程度较低。与实际运行的生成模型相比，推理过程中的资源效率更高。这使得它们可供更多的用户和企业使用。
更易于解释和使用：大多数典型的预测模型（例如线性回归）比高度复杂的神经网络更容易解释和使用。因此，预测模型的推断更容易解释、控制和预测。
增强自动化和可扩展性
预测模型是数据驱动的，这意味着它们在输入更多数据时能够很好地扩展。在训练阶段之后，预测模型几乎不需要人工干预就能按预期运行。这使得它们更容易实现自动化，从而节省成本和精力。
缺点
依赖特征工程：特征工程可帮助预测模型识别特定数据集的正确特征和变量。虽然这可以提高预测准确性，但预测模型对此的依赖可能会耗费时间和资源。
过度概括的倾向：与生成模型不同，预测模型在理解新的、未见过的数据点方面并不那么出色。因此，它会尝试概括这些未见过的数据并将其融入现有特征和变量中。
对训练数据的依赖
预测模型的质量取决于训练数据。虽然生成模型也是如此，但预测模型在这方面受到的限制更多，而且不太可能摆脱这种限制。
范围较窄：预测性 AI 的范围可能比多模态大型语言模型 (LLM) 更窄。因此，它在不同领域中的灵活性和有效性都不如多模态大型语言模型。这在许多情况下会影响这些模型的可用性。
