生成式人工智能 (genAI) 是人工智能的一个分支，它通过学习和复制现有数据中的模式，生成新的原创内容，包括文本、图像、代码、音频和视频。它是机器学习技术的最新发展，目前已经融入日常生活。无论是在线购物时看到的“您可能还喜欢”推荐、照片应用中的自动编辑功能，还是回答您支持问题的聊天机器人，生成式 AI 都在改变您创建内容、沟通交流和完成工作的方式。
主要结论
- 生成式人工智能是人工智能的一个分支，通过从现有数据中学习模式来创作新的原始内容（文本、图像、代码、音频和视频）。
- 与通过识别模式并进行预测的传统 AI 不同，生成式 AI 的主要用途是创造新的内容。
- 生成式 AI 基于神经网络构建，采用生成对抗网络 (GAN)、变分编码器 (VAE)、Transformer 和扩散模型等架构。
- 从医疗保健和金融到创意工作和软件开发等各个行业都在使用生成式人工智能进行内容创建和自动化。
- 生成式人工智能带来了真实的风险，包括幻觉或有偏见的输出、版权和隐私纠纷、深度伪造和错误信息，以及对某些作业的干扰。
目录
- 生成式人工智能与传统 AI 有何不同？
- 生成式人工智能模型是如何随时间演变的？
- 不同类型的生成式人工智能是如何工作的？
- 生成式人工智能背后的技术是什么？
- 生成式人工智能基础模型是如何训练的？
- 生成式人工智能如何应用于不同行业？
- 实现生成式人工智能有哪些挑战？
- 如何将生成式人工智能添加到我的应用程序中？
- 结论：拥抱生成式人工智能
- 常见问题解答
- 相关资源
生成式人工智能与传统 AI 有何不同？
生成式人工智能和传统 AI 之间的核心区别在于它们各自的设计目标：
- 传统 AI 分析：它识别模式、进行预测、分类数据和执行基于规则的任务，从现有的信息中得出结论。
- 生成式人工智能创建：它的主要功能是生成以前不存在的新的原创内容。
生成式人工智能始于提示词。提示词可以来自人类，也可以来自 AI 智能体等机器。提示词可以包含文本、图像、视频或 AI 系统能够处理的任何输入。为了响应提示词，模型会访问各种数据，例如书籍、网站、代码存储库和互联网，并利用训练过程中学到的推理能力、模式和统计关系，根据具体请求生成定制化的新内容。
预测文本只是起点。生成式 AI 的早期应用主要包括预测文本和语音助手等基本功能，但如今生成式 AI 模型背后的大语言模型 (LLM) 更加先进。它们可以撰写带有来源的完整文章、设计定制视觉内容、创作音乐或生成可运行的代码。除了这些应用之外，还可以使用专业领域的数据训练其他生成式 AI 模型，为医疗保健、金融、法律甚至软件开发等行业提供支持。
生成式人工智能模型是如何随时间演变的？
我们今天所使用的生成式 AI，其起源可以追溯到近 70 年前。要了解这项技术是如何发展到今天，以及未来将走向何方，让我们回顾一下促成这一重要时刻的关键突破。
机器学习基础：20 世纪 50 年代至 80 年代
这些基础构件（先从数据中学习，再从错误中学习）早在生成式 AI 出现之前几十年就已经奠定。
早期的机器可以学习，但只能学习简单的东西。 1957 年，Frank Rosenblatt 构建了感知器，这是第一个从数据中学习模式，而不是由人类预先编程决策逻辑的 AI 系统。 但是，这些单层感知器有显著的局限性：它们只能解决相对简单的难题，当模式变得更复杂或更细微时，它们就无法解决问题。
接下来，机器开始从错误中学习。1970 年，Seppo Linnainmaa 取得了另一项突破，他提出了自动微分的反向模式（这一核心数学技术后来被广泛称为反向传播），为高效计算梯度提供了一种方法。换句话说，这项技术让神经网络能够从错误中学习：通过计算每个连接对错误的影响程度，然后相应地进行调整。
1986年的一篇论文终于破解了更困难的问题。 David Rumelhart、Geoffrey Hinton 和 Ronald Williams 在 1986 年发表的一篇开创性论文（常被引述为他们在《自然》杂志上的论文《通过反向传播误差学习表示》）证明了这种反向传播技术如何成功地训练多层神经网络，克服了单层感知器的局限性。
内存：20 世纪 90 年代
20 世纪 90 年代，研究人员推出了循环神经网络 (RNN)，赋予模型某种短期记忆能力，使其能够用于语言和语音等任务。但早期的 RNN 难以处理较长或更复杂的输入。1997 年，长短期记忆 (LSTM) 网络的问世改变了这一局面，使模型能够捕捉随时间变化的更复杂模式。这些神经网络设计方面的进步，加上硬件性能的提升，为训练支持当今系统的深度生成式模型奠定了基础。
竞争、对话与创造：2014-2022
在此期间取得的三项突破将早期的机器学习模型转变为我们今天所知的生成式人工智能：生成式对抗网络 (GAN)、转换器和扩散模型。
生成式对抗网络
生成式对抗网络由 Ian Goodfellow 及其同事于 2014 年引入，涉及两个相互竞争的神经网络，旨在生成与人类创作内容无法区分的内容。
一个网络（即生成器）创建合成内容，而另一个（即鉴别器）则尝试检测它是真实的还是虚假的。 这种对抗性设置会促使生成器在每一轮中进行改进，最终生成逼真的输出，例如高分辨率的图像和视频。 生成式对抗网络被广泛用于生成高分辨率的照片或视频帧，从而提高图像质量并填充缺失的视觉数据。
此外，它们在以下几个领域中发挥着作用：
- 艺术生成： 创作原创图像、艺术品和视觉设计
- 照片修复和着色：修复受损照片并将颜色添加到黑白图像中
- 医学成像：增强扫描效果并生成合成医学图像
- 药物研发：提出新的药物化合物供研究人员测试
- 数据增强：扩充其他模型的训练数据集
Transformer 架构，2017 年
Transformer 于 2017 年问世，是一种神经网络架构，使研究人员能够训练更大的模型，而无需预先标注所有数据。Transformer 可以同时分析完整的数据序列，而不是一次处理一个词。这项改进推动了现代 AI 聊天机器人和语言模型的发展，并为翻译、摘要和对话系统铺平了道路。
当今广泛应用：生成式预训练转换器架构是当今我们看到的许多生成式人工智能模型的基础，例如 OpenAI 的 ChatGPT、Google 的 Gemini 和 Anthropic 的 Claude。
扩散模型，2020 年代初期
扩散模型是如今领先的图像生成器（例如 DALL-E 和 Midjourney）背后的核心技术。它们通过逆转向图像中添加噪声的过程，从静态噪声开始，经过多个步骤逐步细化，最终生成清晰的高质量图像。这些技术有助于生成逼真的图像，其真实程度几乎可以达到以假乱真的效果。Stable Diffusion 就是这种方法的一种热门实现。
主流采用、多模态和代理：从 2022 年至今
生成式 AI 的发展速度在 21 世纪 20 年代初并没有放缓。2022 年 11 月 ChatGPT 的发布几乎一夜之间就让生成式 AI 进入主流应用，将一条研究发展轨迹转变为数百万人日常使用的工具。此后，这项技术沿着多个方向同步发展：
- 多模态模型可以在单个系统中处理文本、图像、音频和视频，而无需专门处理其中一种。
- 推理模型在得出答案前会分步骤处理问题，从而提高复杂任务的准确性。
- AI 代理不仅能够响应提示，还能代表用户执行操作、使用工具并完成多步骤任务，通常会自行向根本的模型发出提示，而不是等待人员发出请求。
不同类型的生成式人工智能是如何工作的？
尽管许多现代系统能够在单个多模态系统中创建不同类型的内容（如文本、图像、代码或视频），但每种类型仍采用不同的方法和培训方式运作。
文本生成
大型语言模型是目前广泛使用的功能强大的机器学习系统。
- 主要职能：他们使用自然语言处理 (NLP) 并专注于教计算机理解和生成人类语言。
- 工作原理：这些系统基于 Transformer 架构构建，能够像人类一样理解上下文以及词语之间的关系。
- 为什么这很重要：这一自然语言处理领域的突破使语言处理的准确性大幅提升，并能够更好地理解上下文。
当您与 ChatGPT 等系统交互时，您使用的是经过数十亿个网页、书籍和文章训练的大型语言模型。这些模型学习语法、语气和专业知识，从而能够流畅地处理各种自然语言查询。
图像生成
创建 AI 生成的图像可能让人感觉如同魔法，但后台有精密的技术在运转，以解析您的文本提示并生成所需的视觉效果。这些图像生成模型使用先进的文本编码器来理解您的说明，然后采用扩散模型等架构来创建实际图像。
代码生成
AI 代码工具在大量的开源代码库上进行训练，这让它们能够识别编程模式以及开发者解决问题的背后的逻辑。 用户可以用简单的英语描述他们需要什么，输出的结果就是用 Python 或 JavaScript 等编程语言编写的可运行软件代码。
视频和音频生成
AI 可以通过预测场景如何从一帧变化到下一帧来生成短视频。它从一个概念开始，例如一个人行走，然后逐步构建动作中的每个步骤，从而生成流畅、自然的连续画面。在语音生成方面，AI 会将书面文本转换为逼真的音频，并根据真实对话的节奏和感觉调整语调、语速和重音。
生成式人工智能背后的技术是什么？
生成式 AI 的能力建立在一系列强大的技术基础之上。让我们深入了解一下幕后究竟发生了什么。
神经网络和深度学习
神经网络是大多数生成式人工智能系统背后的引擎。可以将其视为人脑工作方式的简化版本：信息流经由被称为节点的相连处理单元所组成的多个层，每一层都学会识别数据中的不同模式或功能。当一个网络具有多个层时，该方法被称为深度学习。
在训练过程中，这些网络会将数据的不同特征（例如图像中像素的颜色或词语的含义）转换为称为向量的数学表示。通过分析数百万个示例，网络会学习识别其中的模式和关系，然后利用这些知识生成新的类似内容。
随着时间的推移，人们已经开发出不同类型的神经网络来执行不同的任务：
- 循环神经网络 (RNN) 曾用于早期系统，帮助 AI 处理语音和文本等内容。它们一次处理一个单词，并向前传递信息以理解接下来的内容。
示例：一款语音转文本应用，通过根据您刚说的话预测每个新词，将您的语音转换为实时字幕。 - 卷积神经网络 (CNN) 专用于分析计算机视觉任务中的图像，以检测边缘、形状和纹理等模式。
示例：一款使用 AI 在合照中检测并标记朋友面孔的照片应用。 - 变分自编码器 (VAE) 会将数据压缩成紧凑的数学形式，然后再将其重构，在此过程中学习消除噪声并生成新的变体。
示例：一个能够去除低光照照片颗粒感或生成图像细微变体的照片应用。 - Transformer 网络是现代生成式 AI 模型的基础，能够同时处理输入中的所有部分，因此在理解复杂语言和生成更长、更连贯的回答方面表现得好得多。
示例：一款能够即时理解整封邮件内容，并建议完整句子回复的邮件应用，例如“听起来不错，到时见。”
生成式人工智能基础模型是如何训练的？
与其针对每项任务分别训练模型，不如像 ChatGPT 这样的基础模型经过训练后，可以执行多种任务，例如回答问题、编写代码和总结文本。
训练这些模型需要大量资源，包括海量的计算能力和精心挑选的数据集。
训练这些模型需要使用多种类型的数据和反馈：
- 有标注和无标注的数据：用于初始训练的数据组合，帮助模型在没有直接监督的情况下，从各种内容中总结出具有普适性的模式
- 合成数据：通常用于补充真实数据集，尤其是在处理敏感或有限信息时
- 人类反馈：人们评估或纠正输出，通常称为“人类反馈强化学习”或 RLHF，旨在使响应更具帮助性、更准确并符合用户的期望
训练完成后，组织可以通过多种方式适配模型：
- 使用他们自己的数据微调他们以执行特定任务
- 添加自定义知识库
- 培训支持其特定领域或使用案例的附加层
- 添加来自科学论文、法律文档和技术手册等来源的新颖或复杂数据
生成式人工智能如何应用于不同行业？
生成式 AI 已应用于多个行业，用于内容创作和自动化，包括医疗保健领域的药物研发和合成医疗数据生成、金融领域的报告起草和客户服务，以及媒体领域的音乐创作和视频生成。
以下是不同行业如何利用这些工具：
- 医疗保健：医疗保健提供商使用它来增强医学成像，协助临床记录，并个性化治疗。 它还可以生成合成患者数据，用于培训机器学习模型，而不会暴露敏感信息。
- 药物发现：制药和生物技术公司使用生成式人工智能来加快早期药物开发，包括识别化合物和精炼分子结构。它还有助于设计临床试验。
- 业务流程自动化：生成式AI 可以自动化完成草拟报告、总结电子表格和回答客户询问等重复性任务，从而简化运营，让团队腾出精力从事更有价值的工作。
- 创意产业和 AI 艺术：设计师和艺术家使用 DALL-E、Midjourney 和 Adobe Firefly 等工具，从文本提示生成概念艺术和自定义图形。 生成式 AI 还可以为视频游戏和模拟创作音乐并构建环境、角色和头像，将曾经需要数小时的工作缩短为几分钟。
- 软件开发增强：生成式 AI 可以帮助开发人员编写样板代码、重构旧系统，以及根据自然语言提示创建函数。它与 MongoDB Atlas 等平台配合使用，还可以生成数据库查询、模式定义和应用程序逻辑。
- 市场营销和消息传递工具：营销团队利用生成式人工智能更快地制作博客文章、广告文案和电子邮件营销活动。Jasper、Copy.ai 和 Persado 等工具可以根据不同的受众调整语气和格式。
实现生成式人工智能有哪些挑战？
采用生成式 AI 可能会带来许多挑战，而这些挑战不仅涉及模型的设置和性能调优，还包括其他方面。其中一些挑战包括：
- 幻觉：模型可能会产生听起来合理但不正确的输出（幻觉）。
- 版权：未经许可，使用从网络抓取的数据和受版权保护的材料训练模型，引发了围绕合理使用和创作者补偿的法律争议；此外，AI 生成的作品是否能够获得版权保护，目前仍无定论。
- 偏差：模型可能会编码并放大训练数据中的偏见，从而在招聘、贷款审批等领域产生不公平或歧视性的结果，因此，多样化的训练数据和持续评估至关重要。
- 滥用：生成式人工智能可能会被滥用于深度伪造——在逼真的 AI 生成视频中模拟个人的外貌和言语——让人误以为某人说了或做了他们从未做过的事情。
如何将生成式人工智能添加到我的应用程序中？
当您希望将生成式人工智能添加到应用程序中时，您需要确定哪种方法符合您的需求——实现 AI 可以非常简单，也可以非常复杂。 在较简单的情况下，您可以添加聊天机器人来总结电子邮件。 更复杂的选项可能涉及微调 LLM、建立 Agent 工作流、构建检索增强生成系统 (RAG)，或者使用像 MongoDB 这样的矢量数据库构建您自己的向量存储。
对于更高级的应用场景，团队可以使用智能体平台，将记忆、检索和治理功能纳入应用架构。
当生成式 AI 应用不再局限于一次性响应，而是基于业务上下文执行多步骤工作流时，其实用性会进一步提升。MongoDB Atlas Agent Engine 为团队提供了用于构建、部署和治理智能体的平台，内置记忆和检索功能，使智能体能够利用准确的上下文开展工作，而不必每次都从头开始，也不必依赖相互割裂的管道。通过单一控制平面统一治理智能体的操作，同时支持不同的 LLM、框架和环境，帮助团队随着应用场景的变化不断演进其架构。
帮助您做出决定的关键问题包括：您是在寻找使用现有 AI 服务的快速、简单的解决方案吗？ 或者您是否需要更复杂的东西来处理您的专有数据和特定的业务逻辑？
准备好深入了解并开始在 Atlas 上构建了吗？ 立即设立集群或查看我们的文档。
如果您想从零开始，或者不知道从哪里入手，不妨查看我们的构建生成式 AI 应用学习徽章路径或赢取 RAG 技能徽章。
想要探索我们的解决方案？ 请参阅AI 使用案例
结论：拥抱生成式人工智能
生成式 AI 正在改变我们的写作、设计、编程和沟通方式，从分析信息转向创造信息。但要真正发挥其价值，仅仅能够使用它还不够：还需要了解其局限性，采取相应的安全措施，并以审慎的方式将其融入工作流程。随着组织逐步适应这一转变，应在创新与责任之间取得平衡。