生成式 AI

生成式人工智慧的演變

儘管 GenAI 已在全球掀起熱潮，但它並非全新的技術，而是基於我們已使用數十年的技術，包括 AI、機器學習和統計方法。GenAI 的起源可以追溯得更久遠，但我們從 1966 年的聊天機器人 ELIZA 開始說起。

ELIZA 是由 Joseph Weizenbaum 所打造，他設計這個系統來模仿羅傑心理治療師，以反映患者的語言為主要特徵進行互動。ELIZA 使用模式匹配技術來實現這項成就，它是最早嘗試圖靈測試（Turing Test）的程式之一。圖靈測試是一種模擬遊戲，用來檢驗機器是否能展現出類似人類的智慧行為。 

隨著分析非結構化文本資料的方法進化，1970 年代到 1990 年代的語義網絡、本體學、循環神經網絡等都有增長。 從 2000 年到 2015 年，語言建模和文字嵌入程序改進，並且 Google 翻譯器出現。

2014 年，Ian Goodfellow 與其團隊開發了生成式對抗網絡 (GAN)，該技術讓兩個神經網絡互相競爭（即進行訓練）。一個網絡負責生成資料，而另一個網絡則試圖判斷這些資料是否為真。Transformer 模型於 2017 年推出。它們引入了自注意力機制（self-attention mechanism），使模型在進行預測時能夠判斷輸入資料中不同部分的重要性。此外，BERT 和 eLMO 等架構也變得流行。

接著，生成式預訓練轉換器（Generative Pre-trained Transformer, GPT）模型登場，第一款 GPT 模型於 2018 年問世。這種生成式模型以大量網路文字資料進行訓練，透過 1.17 億個參數，它開始生成風格與內容類似於訓練資料的文字。到了 2023 年，大型語言模型（GPT）已發展到能熟練應對高難度考試的程度，例如律師資格考試。

當今世界中的生成人工智慧

生成人工智慧如何運作

生成人工智慧技術的一些流行範例包括 DALL-E，這是一種從文字輸入創建圖像的圖像生成系統，ChatGPT（文本生成系統），Google Bard 聊天機器人以及微軟的人工智慧支持的 Bing 搜索引擎。 另一個例子是使用生成式 AI 來創建系統、業務流程甚至一個人的數位表示，例如對某人目前和未來的健康狀況的動態表示。

產生技術有三種主要類型（數位孿生，大語言模型和合成數據生成）。

許多其他技術啟用和支持生成人工智慧：

一個演算法是一個旨在完成特定任務或解決問題的逐步指示列表。許多計算機程序是以計算機可以理解的方式編寫的一系列算法。 當算法開始補充或取代人類決策時，我們必須探討其公平性，並要求對它們的開發方式進行透明度。

人工智慧使機器可以從經驗中學習，適應新的輸入並執行類似人類的任務。 人工智慧通常很依賴於深度學習和 NLP。 通過這種技術，可以訓練計算機以通過處理大量資料和識別模式來完成特定任務。

資料管理對於確保可信、具倫理且無偏見的輸出至關重要，這對於 AI、機器學習任務以及在大量資料集上訓練後用來理解和生成內容的 LLM 特別關鍵。

深度學習是機器學習的一個子集，可訓練電腦執行類似人類的任務，如語音識別、圖像辨識和預測，它提升了利用資料進行分類、識別、檢測和描述的能力。深度學習模型，如生成對抗網路（GANs）和變分自編碼器（VAEs），在大量資料集上進行訓練，並能生成高品質的資料。較新的技術，如 StyleGANs 和轉換器模型（Transformer models），擅長打造逼真的影片、圖片、文字和語音。

機器學習 是一種數據分析方法，可建構自動化分析模型。它是一個人工智慧的分支，它訓練機器如何學習。 機器學習基於系統可以從數據中學習，識別模式並在最小的人工干預下做出決策的理念。

自然語言處理 是人工智慧的一個分支，可幫助電腦了解、解釋和操縱人類語言。NLP 從許多學科，包括計算機科學和計算語言學，以填補人類溝通和計算機理解之間的差距。

神經網絡 是具有互聯節點的計算系統，工作類似人類大腦中的神經元。神經網絡使用演算法來識別原始數據中的隱藏模式和關聯，將其集成並分類，並隨著時間的推移持續學習和改進。

強化學習是一種機器學習模式，是當算法通過試驗和錯誤，發現哪些動作產生最大的獎勵時， 它逐漸學習最佳（或最有獎勵）的政策或目標，也就是說它的反饋機制依賴獎勵信號。 它經常用於機器人，遊戲和導航。

了解各組織如何使用 GenAI 工具

許多組織已在採用 GenAI，而銀行和保險業在日常業務中的採用率處於領先地位。本資訊圖表展示了一些早期成功案例，例如管理風險、提升員工滿意度、降低營運成本以及提高客戶留存率。

後續步驟

了解 GenAI 解決方案如何強化人類的創造力和心血。