ML 和生成式 AI

在 2022 年 11 月 30 日首次发布 ChatGPT 后，人们对人工智能的兴趣已变得广泛。ChatGPT(GPT 代表生成式预训练 Transformer)是由 OpenAI 开发的对话式 AI 系统，任何人都可以尝试和使用，因为它可以促进人与机器人之间的自然对话。

在很短的时间内，ChatGPT 让我们思考 AI 如何影响我们的社会和经济。但有一件事是肯定的，AI 正在成为我们生活中至关重要的一部分，并将在未来几年塑造我们的未来。

就像生成式 AI 是 ChatGPT 和 Dall-E3 等工具背后的大脑一样，人们可以将"机器学习"和"深度学习"视为塑造生成式 AI 的主要组成部分。阅读本章可了解 ML 和 DL，以及这两个概念如何在塑造生成式 AI 的现有形式中发挥关键作用。

AI 不是一门孤立的学科;它是所有有助于超越人类能力的技术的总称。借助下图，让我们了解各个学科之间的关系以及与 AI 的关系。

生成式 AI 是 AI 的最新子类型，正在重塑创造力和创新格局。AI 的其他子类型，即机器学习和深度学习，为生成式 AI 奠定了基础。在本章中，我们将简要概述生成式人工智能的基础，包括机器学习、其子类型和深度学习。

机器学习 - 简要概述

机器学习是人工智能的一个子集，它使计算机系统或机器能够使用算法或方法从原始数据中提取模式。它通过从经验和可用数据中学习来构建模型，而无需明确编程。

基于训练方法以及数据可用性，机器学习有以下三个基本学习类别 −

监督学习

在此机器学习类别中，使用标记数据集训练算法。基本上，监督学习中的算法或模型都具有输入输出对，其中每个输入都与相应的输出或标签匹配。主要目标是建立一个模型来学习输入和输出之间的关系，使其能够准确预测或分类新的、看不见的数据。

无监督学习

在这个类别中，与监督学习相反，模型是在没有标记数据集的情况下进行训练的。它学会自主分析数据并从数据中得出见解。主要目标是建立一个模型来学习未标记数据中的关系。

强化学习

在这种机器学习范式中，模型不是使用标记或未标记的数据，而是在代理和环境的帮助下进行训练。代理通过与环境交互来学习做出决策。

首先，它在环境中采取行动，然后以奖励或惩罚的形式接收反馈。最后，代理使用反馈来改进其决策。

ML 在生成式 AI 中的贡献

让我们了解机器学习如何为生成式 AI 的基础做出贡献 −

从数据中学习

在开发的早期阶段，生成式 AI 模型使用监督学习来训练模型，以便它们可以根据学习到的输入和输出之间的关系生成内容。

了解模式和关系

生成式 AI 利用无监督学习来发现模式和关系。它帮助生成式 AI 模型从未标记的数据中生成新内容。

适应性和改进

在生成式 AI 中，适应性非常重要，尤其是对于需要持续改进的任务。生成式 AI 模型使用强化学习根据反馈和奖励来改进其输出。事实上，ChatGPT 使用带人工反馈的强化学习 (RLHF)，其中涉及少量人工反馈来改进代理的学习过程。

优化模型参数

生成式 AI 模型使用 ML 优化技术来微调参数。这可以提高它们的性能，并且可以生成更准确的内容。

迁移学习

生成式人工智能使用另一种称为迁移学习的机器学习范式来预训练其模型。它有助于模型加速特定内容生成过程的学习。

深度学习 - 简要概述

深度学习是机器学习的一个子集，其灵感来自人类大脑的结构和功能。它使用称为人工神经网络 (ANN) 的多层算法结构从输入数据中提取复杂特征。

与算法相比，深度学习算法一旦设置完成，就不需要太多的人为干预。它还需要更少的测试时间，因此可以立即生成结果。

让我们了解深度学习如何为生成式人工智能的基础做出贡献 −

分层表示

为了生成多样化的内容，生成式人工智能需要学习数据的分层表示。深度神经网络(具有多层的神经网络)是一种深度学习模型，可帮助生成式人工智能模型做到这一点。

卷积神经网络 (CNN)

它是一种用于分析图像的 ANN(人工神经网络)。它们使用卷积层自动从输入图像中学习特征的空间层次结构。生成式人工智能模型使用 CNN 从视觉数据中提取特征并促进文本到图像生成等跨模式任务。这使得 CNN 成为提升生成式 AI 能力的强大工具。

循环神经网络 (RNN)

它们是具有闭环的前馈神经网络，即所有节点都连接到所有其他节点。RNN 中的每个节点都用作输入和输出。生成式 AI 模型使用 RNN 从示例中学习并创建遵循其所学模式的新数据序列。

大规模数据处理

要训练生成式 AI 模型，我们需要访问大规模数据集。深度学习模型有助于处理此类数据集。

生成对抗网络 (GAN)

生成对抗网络 (GAN) 是一种用于生成建模的深度神经网络架构。 GAN 以其创新方法生成逼真的图像、视频和其他类型的内容生成，已被证明非常有效。

结论

在本章中，我们解释了人工智能的各个学科是如何相互关联的。我们还看到了机器学习和深度学习的概述，以及它们如何在奠定生成式人工智能卓越能力的基础方面发挥重要作用。

我们还重点介绍了各种机器学习范式，包括监督学习、无监督学习和强化学习。很明显，机器学习和深度学习将在释放生成式人工智能的全部潜力方面发挥关键作用。