2022/12/07
圖文引用自：techbang
人類擅長分析事物。但機器甚至更強。機器可以分析一組資料，並找出其中存在的、適用大量用例的模式，不管這些用例是欺詐還是垃圾郵件檢測，預測交付的 ETA （估計到達時間），或預測接下來要展示什麼樣的 TikTok 影片給你。它們在執行這些任務上正變得越來越聰明。這就是所謂的「分析人工智慧」（Analytical AI）或傳統人工智慧。
但人類不僅擅長於分析事物——我們還擅長於創造。我們會寫詩、能設計產品、開發遊戲和編寫程式碼。直到最近，在創造性的工作上，機器還沒有機會與人類掰掰手腕——它們只能從事分析性的以及死記硬背的認知勞動。但是現在機器正在開始擅長創作出感性和美麗的東西。這個新類別被稱為「生成式人工智慧」（Generative AI），也就是說，機器正在產生新的東西，而不是分析已經存在的東西。
生成式人工智慧不僅正在變得更快、更便宜，而且在某些情況下創作出來的東西甚至比人類做出來的還要好。從社群媒體到遊戲，從廣告到建築，從編碼到平面設計，從產品設計到法律，從市場行銷到銷售，每一個需要人類原創性工作的行業都面臨著重塑。這些行業的部分職能可能會被生成式人工智慧完全取代，而在人機協同帶來的反覆運算得更頻繁的創作迴圈的作用下，其他一些職能更有可能會蓬勃發展——但在廣泛的終端市場上，生成式人工智慧應該會釋放出更好、更快、更便宜的創造力。我們的夢想是，生成式人工智慧將把創作和知識工作的邊際成本降為零，從而創造出極高的勞動生產率和經濟價值——以及相應龐大的市值。
生成式人工智慧涉及的領域——知識工作和創造性工作——牽涉到數十億工人。生成式人工智慧可以讓這些工人的效率和/或創造力至少提高 10%：他們不僅能變得更快、更有效率，而且比以前能力更強。因此，生成式人工智慧有產生數萬億美元經濟價值的潛能。
為什麼是現在？
生成式人工智慧與更廣泛的人工智慧都有一樣的「為什麼是現在」：更好的模型、更多的資料、更多的運算。這一類別的人工智慧的變化日新月異，我們甚至都無法全都捕捉下來，但概述其最近的歷史，好將當下放在一個合適的背景下去理解是值得的。
第 1 波浪潮：小型模型主宰時期（2015 年之前）
5 年多前，小型模型被認為是理解語言「最先進」的模型。這些小型模型擅長分析任務，並被部署到從預測交貨時間到欺詐分類的各種工作上。不過，對於通用的生成任務來說，它們的表現還不夠好。產生與人類水準相當的文章或程式碼仍然是白日夢。
第 2 波浪潮：規模競賽（2015 年至今）
Google Research 發表了一篇具有里程碑意義的論文（Attention is All You Need），裡面描述了一種新的，用於自然語言理解的神經網路架構，叫做 transformers，它可以生成高品質的語言模型，同時該模型還具備了更高的可並行性對訓練時間的要求明顯減少。這些模型是小樣本學習器，可以相對容易地針對特定領域進行定制化。
隨著模型變得越來越大，其表現開始與人類水準相當，然後就會超越人類，這是必然的。從 2015 年到 2020 年，用於訓練這些模型的計算量增加了 6 個數量級，在手寫、語音和圖像辨識、閱讀理解和語言理解方面的結果已經超過了人類的性能基準。 其中OpenAI 的GPT-3 脫穎而出：與GPT-2相比，GPT-3 模型的性能有了巨大飛躍，為大家在 Twitter 提供了從程式碼產生到諷刺笑話寫作等任務的誘人演示。
儘管這些基礎研究有了進展，但這些模型並不普遍。它們很龐大且很難跑起來（需要協調 GPU），沒法讓大家廣泛存取（不可用或僅限封閉測試版），而且當作雲端服務使用的成本很高。儘管存在諸多限制，但最早的生成式人工智慧應用已經開始加入競爭。
隨著 AI 模型的規模越來越大，它們的表現已經開始超越主要的人類性能基準。 …
