第1版·微課版生成式人工智能基礎(chǔ)第2章周蘇教授QQ：81505050生成式AI與AIGC本章深入探討了生成式人工智能（生成式AI）與人工智能生成內(nèi)容（AIGC）的關(guān)鍵概念、技術(shù)發(fā)展、應(yīng)用場景以及面臨的倫理挑戰(zhàn)。通過Blockhead思維實驗引出對智能本質(zhì)的思考，指出LLM雖在文本生成中表現(xiàn)出色，但存在數(shù)據(jù)污染等問題。接著，回顧了NLP從基于規(guī)則的方法到統(tǒng)計方法，再到深度學(xué)習(xí)方法的演變歷程，強調(diào)LLM在NLP領(lǐng)域的里程碑意義。第2章生成式AI與AIGC本章中闡述了LLM的定義、核心特征，以及生成式AI與判別式AI的區(qū)別，明確了生成式AI的定義、應(yīng)用場景、未來發(fā)展趨勢及倫理挑戰(zhàn)，并對AIGC進行了定義，探討了其關(guān)鍵步驟、廣泛應(yīng)用場景以及與生成式AI的緊密聯(lián)系。在很多語境下，AIGC也被用于指代生成式AI。第2章生成式AI與AIGC此外，本章還分析了生成式AI的層次結(jié)構(gòu)，包括應(yīng)用層、平臺層、模型層和基礎(chǔ)設(shè)施層，并討論了AIGC在內(nèi)容生成領(lǐng)域的具體應(yīng)用，如內(nèi)容孿生、內(nèi)容編輯和內(nèi)容理解，展示了其在多模態(tài)內(nèi)容生成中的潛力。最后，總結(jié)了AIGC在文本、音頻、圖像、視頻、代碼生成等多個領(lǐng)域的廣泛應(yīng)用場景，強調(diào)其在推動內(nèi)容創(chuàng)作方式變革中的重要作用。第2章生成式AI與AIGC01Blockhead思維實驗02從自然語言處理起步03生成式人工智能04智能內(nèi)容生成目錄/CONTENTS05生成式AI應(yīng)用場景PART01Blockhead思維實驗在任何現(xiàn)有或想象中的未來計算機系統(tǒng)中，存儲數(shù)千個單詞的所有可能序列都是不現(xiàn)實的：與之相比，這些序列的數(shù)量使得宇宙中的原子數(shù)量都看起來是微不足道的。因此，研究人員重新利用神經(jīng)網(wǎng)絡(luò)的試驗和真實方法，將這些巨大的集合減少到更易管理的形式。神經(jīng)網(wǎng)絡(luò)最初被應(yīng)用于解決分類問題——決定某物是什么，例如輸入一張圖片，網(wǎng)絡(luò)將確定它是狗還是貓的圖像。神經(jīng)網(wǎng)絡(luò)必須以一種使相關(guān)的輸入產(chǎn)生相似結(jié)果的方式來壓縮數(shù)據(jù)。2.1Blockhead思維實驗1981年，內(nèi)德·布洛克構(gòu)建了一個“Blockhead（傻瓜）”假說——假定科學(xué)家們通過編程，在Blockhead內(nèi)預(yù)先設(shè)定好了近乎所有問題的答案，那么，當(dāng)它回答問題的時候，人們也許就根本無法區(qū)分是Blockhead還是人類在回答問題。顯然，這里的Blockhead并不被認(rèn)為是智能的，因為它回答問題的方式僅僅是從其龐大的記憶知識庫中檢索并復(fù)述，并非通過理解問題之后給出答案。哲學(xué)家們一致認(rèn)為，這樣的系統(tǒng)不符合智能的標(biāo)準(zhǔn)。2.1Blockhead思維實驗對于多年來一直在思考AI的哲學(xué)家來說，GPT-x（各種版本的GPT軟件）就像是一個已經(jīng)實現(xiàn)了的思維實驗。實際上，GPT-x的許多成就就是通過類似的內(nèi)存檢索操作產(chǎn)生的。GPT-x的訓(xùn)練集中包括了數(shù)億個人類個體生成的對話和數(shù)以千計的學(xué)術(shù)出版物，涵蓋了潛在的問答對。研究發(fā)現(xiàn)，深度神經(jīng)網(wǎng)絡(luò)多層結(jié)構(gòu)的設(shè)計使其能夠有效地從訓(xùn)練數(shù)據(jù)中檢索到正確答案。這表明，GPT-x的回答其實是通過近似甚至是精確復(fù)制訓(xùn)練集中的樣本生成的。2.1Blockhead思維實驗如果GPT-x真的是以這種方式運行，那么它就只是Blockhead的現(xiàn)實版本。由此，人們在評估LLM時存在一個關(guān)鍵問題：它的訓(xùn)練集中可能包含了評估時使用的測試問題，即“數(shù)據(jù)污染”，而這些問題應(yīng)該在評估之前予以排除。事實上，LLM不僅可以簡單地復(fù)述其提示的或訓(xùn)練集的大部分內(nèi)容，它們還能夠靈活地融合來自訓(xùn)練集的內(nèi)容，產(chǎn)生新的輸出。許多經(jīng)驗主義哲學(xué)家提出，能夠靈活復(fù)制先前經(jīng)驗中的抽象模式，可能不僅是智能的基礎(chǔ)，還是創(chuàng)造力和理性決策的基礎(chǔ)。2.1Blockhead思維實驗PART02從自然語言處理起步NLP（自然語言處理）是一門研究如何讓計算機理解、生成和分析人類自然語言的學(xué)科，它是AI和計算機科學(xué)的重要分支。NLP的發(fā)展經(jīng)歷了從基于規(guī)則的方法到統(tǒng)計方法，再到深度學(xué)習(xí)方法的轉(zhuǎn)變。LLM的興起標(biāo)志著NLP領(lǐng)域的一個重要里程碑，它們代表了深度學(xué)習(xí)方法在處理自然語言上的最新進展。2.2從自然語言處理起步NLP研究的主要內(nèi)容大致可以分為以下幾個方面。隨著技術(shù)的不斷進步，新的研究方向和應(yīng)用場景也在不斷涌現(xiàn)。（1）文本預(yù)處理：這是NLP的基礎(chǔ)步驟，包括文本清洗（去除無關(guān)字符、標(biāo)點符號等）、分詞（將文本切分成單詞或詞匯單元）、詞性標(biāo)注（為每個詞匯分配語法類別，如名詞、動詞等）、命名實體識別（識別文本中的特定實體，如人名、地點、組織機構(gòu)名等）。2.2.1NLP研究內(nèi)容（2）詞法分析：如何分析詞匯的形式和意義，包括詞干提?。▽⒃~匯還原為其詞根形式）、詞形還原（將詞匯還原為標(biāo)準(zhǔn)詞典形式）等。（3）句法分析：分析句子的結(jié)構(gòu)和組成成分，包括句法樹結(jié)構(gòu)的構(gòu)建、依存關(guān)系分析（確定詞匯間的語法關(guān)系）等。（4）語義分析：理解文本的深層含義，包括情感分析（判斷文本的情感傾向）、主題抽?。ㄗR別文本的主題內(nèi)容）、篇章理解（理解長篇文本的連貫性和邏輯關(guān)系）等。2.2.1NLP研究內(nèi)容（5）自然語言生成：將非自然語言形式的信息轉(zhuǎn)換成自然語言文本，如自動生成報告、新聞?wù)?、對話?yīng)答等。（6）機器翻譯：將一種自然語言自動轉(zhuǎn)換為另一種自然語言，這是NLP的重要應(yīng)用之一。（7）對話系統(tǒng)：構(gòu)建能夠與人類進行自然對話的系統(tǒng)，包括聊天機器人、語音助手等，涉及對話管理、上下文理解、自然語言生成等技術(shù)。（8）信息檢索與過濾：從大量文本中找出與查詢條件相匹配的信息，如搜索引擎、推薦系統(tǒng)等。2.2.1NLP研究內(nèi)容（9）語音識別與語音合成：將語音信號轉(zhuǎn)換為文本（語音識別），或?qū)⑽谋巨D(zhuǎn)換為語音信號（語音合成）。（10）知識圖譜與語義網(wǎng)：構(gòu)建和利用知識圖譜來增強機器對世界的理解和推理能力，用于問答系統(tǒng)、智能推薦等場景。（11）深度學(xué)習(xí)模型：使用深度神經(jīng)網(wǎng)絡(luò)（如RNN、LSTM、Transformer等）來處理自然語言任務(wù)，包括語言模型、詞向量表示（如Word2Vec、GloVe）、注意力機制等。2.2.1NLP研究內(nèi)容早期的NLP系統(tǒng)依賴于手工編寫的規(guī)則來解析和理解語言。這些規(guī)則基于語言學(xué)理論，試圖直接編碼語法和語義規(guī)則，但這種方法難以擴展到大規(guī)模文本和處理語言的靈活性。隨著數(shù)據(jù)量的增長和計算能力的提升，統(tǒng)計方法開始主導(dǎo)NLP領(lǐng)域。這些方法利用概率模型來處理語言，比如n元模型，能夠更好地處理語言的變異性，但仍然有局限性，尤其是在處理長距離依賴和復(fù)雜語言結(jié)構(gòu)時。2.2.2深度學(xué)習(xí)的影響深度學(xué)習(xí)對NLP領(lǐng)域產(chǎn)生了深遠(yuǎn)的影響，徹底改變了人們處理、理解和生成人類語言的方式。深度學(xué)習(xí)對NLP影響的幾個關(guān)鍵點如下。（1）提升理解能力：深度學(xué)習(xí)模型，尤其是基于Transformer架構(gòu)的模型如BERT、GPT系列等，能夠?qū)W習(xí)到語言的深層結(jié)構(gòu)和語境依賴性，極大地提升了計算機理解復(fù)雜語言任務(wù)的能力，比如問答系統(tǒng)、文本蘊含判斷和語義理解。2.2.2深度學(xué)習(xí)的影響（2）文本生成與創(chuàng)意寫作：通過使用序列到序列模型（seq2seq）結(jié)合注意力機制，深度學(xué)習(xí)模型能夠生成連貫、有邏輯的文本，應(yīng)用于文章創(chuàng)作、新聞?wù)伞υ捪到y(tǒng)響應(yīng)生成等，甚至可以模仿特定風(fēng)格或作者的寫作風(fēng)格。（3）詞嵌入與表征學(xué)習(xí)：詞嵌入技術(shù)（如Word2Vec、GloVe）以及更先進的上下文敏感的詞嵌入（如BERT中的詞塊嵌入）為詞語提供了高維向量表示，這些表示能夠捕捉詞匯之間的語義和語法關(guān)系，使得模型能夠更好地理解和處理文本，為深度學(xué)習(xí)應(yīng)用于NLP奠定了基礎(chǔ)。2.2.2深度學(xué)習(xí)的影響（4）情感分析與語義理解：深度學(xué)習(xí)模型能夠更準(zhǔn)確地識別文本中的情緒、態(tài)度和觀點，這對于社交媒體分析、客戶服務(wù)、產(chǎn)品反饋分析等領(lǐng)域至關(guān)重要，幫助企業(yè)和機構(gòu)更好地理解用戶需求和市場趨勢。（5）機器翻譯：基于神經(jīng)網(wǎng)絡(luò)的機器翻譯系統(tǒng)，如Transformer模型，相比傳統(tǒng)的統(tǒng)計機器翻譯方法，能夠提供更流暢、更準(zhǔn)確的翻譯結(jié)果，大大推進了跨語言溝通的便利性。2.2.2深度學(xué)習(xí)的影響（6）對話系統(tǒng)與聊天機器人：深度學(xué)習(xí)技術(shù)使得聊天機器人更加智能化，能夠進行多輪對話、理解用戶意圖并作出恰當(dāng)反應(yīng)，改善了用戶體驗，廣泛應(yīng)用于客戶服務(wù)、教育、娛樂等多個行業(yè)。（7）命名實體識別與信息抽?。荷疃葘W(xué)習(xí)模型在識別文本中的命名實體（如人名、地點、組織機構(gòu)等）和抽取關(guān)鍵信息方面展現(xiàn)出了強大性能，對于構(gòu)建知識圖譜、信息檢索和智能文檔處理等應(yīng)用極為重要。2.2.2深度學(xué)習(xí)的影響（8）解決數(shù)據(jù)稀疏性問題：盡管NLP任務(wù)常面臨數(shù)據(jù)稀疏性（指數(shù)據(jù)框中絕大多數(shù)數(shù)值缺失或者為零的數(shù)據(jù)）挑戰(zhàn)，深度學(xué)習(xí)模型通過學(xué)習(xí)更高級別的抽象特征，能在一定程度上緩解這一問題，尤其是在少數(shù)族裔語言、專業(yè)領(lǐng)域術(shù)語等方面。（9）模型可擴展性與遷移學(xué)習(xí)：預(yù)訓(xùn)練的LLM，如T5、BERT等，通過遷移學(xué)習(xí)策略，能夠在少量樣本上快速適應(yīng)新的任務(wù)，降低了特定領(lǐng)域應(yīng)用的門檻，加速NLP技術(shù)的普及和應(yīng)用。2.2.2深度學(xué)習(xí)的影響（10）持續(xù)推動技術(shù)創(chuàng)新：深度學(xué)習(xí)的引入激發(fā)了一系列研究和開發(fā)活動，不斷推動NLP技術(shù)邊界，包括但不限于模型結(jié)構(gòu)創(chuàng)新、訓(xùn)練策略優(yōu)化、計算效率提升等，為未來的自然語言處理技術(shù)發(fā)展奠定了堅實基礎(chǔ)。2.2.2深度學(xué)習(xí)的影響源自NLP，LLM是近年來AI領(lǐng)域的一項重要進展，是一種基于機器學(xué)習(xí)、深度學(xué)習(xí)和NLP技術(shù)的先進AI模型。這類模型具有大規(guī)模參數(shù)和復(fù)雜結(jié)構(gòu)，其參數(shù)數(shù)量可達到數(shù)十億乃至數(shù)萬億之多。經(jīng)過大規(guī)模的文本數(shù)據(jù)訓(xùn)練，通過深度學(xué)習(xí)架構(gòu)，其中尤其是Transformer模型，LLM能夠?qū)W習(xí)到自然語言的復(fù)雜特征、模式和結(jié)構(gòu)。其設(shè)計目的是廣泛理解和生成類似于人類的自然語言，從而在多種NLP任務(wù)中展現(xiàn)卓越性能，而無需針對每個任務(wù)單獨編程。2.2.3LLM崛起如今，LLM已被應(yīng)用于各種場景，極大地推動了AI的實用化進程，也對模型的效率、經(jīng)濟成本、倫理和隱私等方面提出了新的挑戰(zhàn)。隨著技術(shù)的持續(xù)發(fā)展，LLM正逐步成為AI領(lǐng)域的重要基石、NLP領(lǐng)域的新常態(tài)，不斷拓展人類與機器交互的邊界，推動著從個人助手、客戶服務(wù)、內(nèi)容創(chuàng)造到教育、醫(yī)療等眾多行業(yè)和領(lǐng)域的創(chuàng)新與發(fā)展。2.2.3LLM崛起LLM能夠完成從簡單的問答、文本翻譯到復(fù)雜的對話、文本創(chuàng)作等多種任務(wù)。例如，OpenAI的GPT系列、阿里云的通義千問等，都是此類模型的代表。它們的核心優(yōu)勢在于能夠捕捉語言的細(xì)微差別、對語言的泛化理解、上下文敏感的生成以及一定程度的創(chuàng)造性表達。這使得它們在處理自然語言時更為靈活和準(zhǔn)確，此外還能在一定程度上展現(xiàn)邏輯思維、推理能力和創(chuàng)造性。2.2.3LLM崛起實際上，“大語言模型”和“通用語言模型”這兩個術(shù)語在很多情況下可以看作是同義或高度相關(guān)的概念，在實際討論中，兩者常常被交互使用。不過，為了細(xì)微區(qū)分，我們可以這樣理解：前者往往指的是模型的技術(shù)特征，強調(diào)其規(guī)模和技術(shù)復(fù)雜度，而后者則更多地描述了模型的應(yīng)用范圍和靈活性。2.2.3LLM崛起在LLM的上下文中，“大”主要有兩層含義。一方面，它指的是模型的參數(shù)數(shù)量通常會非常大，這使得模型能夠?qū)W習(xí)和表示語言中細(xì)微且非常復(fù)雜的模式。另一方面，“大”也指的是訓(xùn)練數(shù)據(jù)的規(guī)模，它通常在來自互聯(lián)網(wǎng)、書籍、新聞等各種來源的大規(guī)模文本數(shù)據(jù)上進行訓(xùn)練。2.2.3LLM特征LLM的核心特征還包括：（1）深度學(xué)習(xí)架構(gòu)：它們通?；谙冗M的神經(jīng)網(wǎng)絡(luò)架構(gòu)，尤其是Transformer模型，該架構(gòu)擅長處理序列數(shù)據(jù)，通過自注意力機制理解長距離的依賴關(guān)系。（2）無監(jiān)督預(yù)訓(xùn)練：首先在大量未標(biāo)注文本上進行無監(jiān)督學(xué)習(xí)，預(yù)訓(xùn)練讓模型學(xué)習(xí)語言的統(tǒng)計規(guī)律和潛在結(jié)構(gòu)，之后可以根據(jù)具體任務(wù)進行有監(jiān)督的微調(diào)。2.2.3LLM特征（3）生成與理解并重：既能根據(jù)上下文生成連貫、有邏輯的新文本，也能理解輸入文本的意義，進行精準(zhǔn)的語義解析和信息提取。（4）持續(xù)學(xué)習(xí)與適應(yīng)性：具有持續(xù)學(xué)習(xí)能力，可以通過接收新數(shù)據(jù)不斷優(yōu)化和擴展知識，保持模型的時效性和準(zhǔn)確性。2.2.3LLM特征PART03生成式人工智能生成式人工智能（生成式AI）是近年來備受社會矚目的技術(shù)領(lǐng)域，它利用深度學(xué)習(xí)和大數(shù)據(jù)等技術(shù)，能夠自主生成全新的、具有創(chuàng)新性的內(nèi)容。這些新數(shù)據(jù)或內(nèi)容與訓(xùn)練數(shù)據(jù)具有相似的特征但并非完全相同，可以是文本、圖像、音頻等形式。2.3生成式人工智能判別式AI是一種專注于學(xué)習(xí)輸入數(shù)據(jù)與輸出標(biāo)簽之間映射關(guān)系的AI方法。它主要關(guān)注如何從給定的輸入中準(zhǔn)確地預(yù)測或分類輸出，而不試圖理解生成這些數(shù)據(jù)的底層概率分布。判別式模型直接學(xué)習(xí)從特征到類別的決策邊界，因此它們在許多實際應(yīng)用中表現(xiàn)出色，尤其是在需要高精度和快速響應(yīng)的任務(wù)上。2.3.1什么是判別式AI判別式AI的特點主要如下。（1）直接映射：直接從輸入特征空間映射到輸出類別或值，如圖像分類、語音識別等任務(wù)。（2）高效訓(xùn)練：通常比生成式模型更容易訓(xùn)練，因為它們不需要建模整個數(shù)據(jù)分布。（3）高精度：在特定任務(wù)上的表現(xiàn)優(yōu)于生成式模型，特別是在大量標(biāo)注數(shù)據(jù)可用的情況下。（4）廣泛應(yīng)用：廣泛應(yīng)用于NLP、計算機視覺、推薦系統(tǒng)等領(lǐng)域。2.3.1什么是判別式AI常見的判別式模型主要如下。（1）支持向量機（SVM）：尋找最優(yōu)超平面以最大化不同類別之間的間隔，適用于線性和非線性分類問題。（2）邏輯回歸：用于二分類或多分類問題，通過估計事件發(fā)生的概率來進行預(yù)測。（3）神經(jīng)網(wǎng)絡(luò)：包括多層感知器（MLP）、卷積神經(jīng)網(wǎng)絡(luò)（CNN）、循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）及其變體，如長短期記憶網(wǎng)絡(luò)（LSTM），廣泛應(yīng)用于各種復(fù)雜的模式識別任務(wù)。2.3.1什么是判別式AI（4）隨機森林：由多個決策樹組成，通過對各棵樹的結(jié)果進行投票來做出最終預(yù)測，具有較強的抗過擬合能力。（5）梯度提升決策樹（GBDT）：通過迭代地添加新的弱學(xué)習(xí)器來逐步改進模型性能，常用于結(jié)構(gòu)化數(shù)據(jù)分析。（6）深度學(xué)習(xí)中的變換器（Transformer）：特別適合處理序列數(shù)據(jù)，如文本和時間序列，在自然語言處理領(lǐng)域取得了巨大成功。（7）線性判別分析（LDA）：一種經(jīng)典的降維技術(shù)，也可作為監(jiān)督學(xué)習(xí)算法用于分類任務(wù)。2.3.1什么是判別式AI判別式AI的應(yīng)用場景主要如下。（1）圖像分類：使用卷積神經(jīng)網(wǎng)絡(luò)（CNN）對圖片內(nèi)容進行分類，例如區(qū)分貓狗照片。（2）情感分析：基于文本的情感分類任務(wù)，如判斷評論是正面還是負(fù)面。（3）語音識別：將音頻信號轉(zhuǎn)換為文字轉(zhuǎn)錄，涉及聲學(xué)模型和語言模型的結(jié)合。（4）推薦系統(tǒng)：根據(jù)用戶的歷史行為和其他相關(guān)因素推薦商品或內(nèi)容。（5）醫(yī)療診斷輔助：分析醫(yī)學(xué)影像或患者病歷信息，幫助醫(yī)生做出更準(zhǔn)確的診斷。2.3.1什么是判別式AI判別式AI的優(yōu)勢主要是：?高性能：在很多情況下，判別式模型能夠提供更高的準(zhǔn)確率和更快的速度。?簡單易用：相比生成式模型，判別式模型通常更易于實現(xiàn)和優(yōu)化。?針對性強：針對具體任務(wù)定制，可以達到非常好的效果。2.3.1什么是判別式AI而它的局限性主要如下：?缺乏泛化能力：對于未見過的數(shù)據(jù)類型或異常情況，可能表現(xiàn)不佳。?依賴標(biāo)注數(shù)據(jù)：大多數(shù)判別式模型需要大量標(biāo)注數(shù)據(jù)來進行有效訓(xùn)練。?難以解釋：尤其是復(fù)雜模型，如深度神經(jīng)網(wǎng)絡(luò)，其內(nèi)部運作機制較難解釋，存在“黑箱”問題。判別式AI因其高效性和準(zhǔn)確性，在眾多應(yīng)用場景中占據(jù)重要地位。然而，隨著技術(shù)的發(fā)展，人們也在探索如何結(jié)合生成式模型的優(yōu)勢，開發(fā)出更加全面和強大的AI系統(tǒng)。2.3.1什么是判別式AI定義：生成式AI是AI的一個分支，是一種基于機器學(xué)習(xí)的方法，它通過學(xué)習(xí)大量數(shù)據(jù)，能夠生成與原始數(shù)據(jù)相似的全新內(nèi)容。這種技術(shù)可以應(yīng)用于多個領(lǐng)域，如NLP、圖像生成、音頻合成等。2.3.2定義生成式AI如圖2-1所示，判別模型需要求出一條決策邊界，而生成模型需要計算聯(lián)合概率分布。與傳統(tǒng)的判別式AI相比，生成式AI更注重于創(chuàng)造和生成，而非簡單的分類和識別，它專注于學(xué)習(xí)現(xiàn)有數(shù)據(jù)集的模式并基于這些模式創(chuàng)造新的、之前未存在的內(nèi)容。這種技術(shù)使得機器能夠模仿創(chuàng)造性過程，生成包括但不限于文本、圖像、音頻和視頻的各種類型的內(nèi)容。生成式模型通過深度學(xué)習(xí)網(wǎng)絡(luò)，如變分自編碼器（VAEs）、生成對抗網(wǎng)絡(luò)（GANs）或Transformer模型（如ChatGPT）等，來實現(xiàn)這一目標(biāo)的。2.3.2定義生成式AI

圖2-1判別模型（左）與生成模型2.3.2定義生成式AI生成式AI的主要應(yīng)用場景如下。（1）文本生成：可以生成各種類型的文本，如新聞報道、小說、詩歌等。這種技術(shù)可以大大提高文本創(chuàng)作的效率和質(zhì)量，為內(nèi)容創(chuàng)作者提供更多的靈感和選擇。（2）圖像生成：能夠根據(jù)用戶的描述或輸入的關(guān)鍵詞，生成符合要求的圖像。這種技術(shù)在設(shè)計、藝術(shù)等領(lǐng)域具有廣泛的應(yīng)用前景。（3）音頻合成：可以模擬各種聲音，生成逼真的語音、音樂等音頻內(nèi)容。這對于語音助手、音樂創(chuàng)作等領(lǐng)域具有重要意義。2.3.2定義生成式AI生成式AI的未來發(fā)展趨勢包括：（1）技術(shù)創(chuàng)新：隨著深度學(xué)習(xí)、強化學(xué)習(xí)等技術(shù)的不斷發(fā)展，生成式AI的性能將得到進一步提升。未來，人們可以期待更加高效、精準(zhǔn)的生成式AI模型的出現(xiàn)。（2）應(yīng)用拓展：生成式AI將在更多領(lǐng)域得到應(yīng)用，如虛擬現(xiàn)實、增強現(xiàn)實、自動駕駛等。這些應(yīng)用將進一步提升生成式AI的實用價值和社會影響力。2.3.2定義生成式AI（3）倫理挑戰(zhàn)：隨著生成式AI的普及，我們也需要關(guān)注其可能帶來的倫理挑戰(zhàn)。例如，如何確保生成的內(nèi)容符合道德和法律要求，如何保護原創(chuàng)作品的權(quán)益等。2.3.2定義生成式AI作為一種新興的技術(shù)領(lǐng)域，生成式AI帶來了許多創(chuàng)新和機遇，具有廣闊的應(yīng)用前景和巨大的發(fā)展?jié)摿?。但是，生成式AI也存在一些潛在的風(fēng)險和挑戰(zhàn)，因此，需要在推進生成式AI應(yīng)用的同時，不斷創(chuàng)新和完善生成式AI技術(shù)，加強風(fēng)險管理和監(jiān)管，推動其健康、可持續(xù)的發(fā)展。首先，對于生成式AI生成的內(nèi)容需要建立有效的審核機制，確保其內(nèi)容符合法律法規(guī)和道德標(biāo)準(zhǔn)。同時，也需要加強對原創(chuàng)作品的保護，防止侵權(quán)行為的發(fā)生。2.3.2定義生成式AI其次，還需要關(guān)注生成式AI的濫用問題。例如，一些人可能會利用生成式AI生成虛假信息或進行惡意攻擊。因此，我們需要加強技術(shù)監(jiān)管和法律制約，防止生成式AI被用于非法活動。最后，我們還需要加強公眾對生成式AI的認(rèn)知和了解。通過普及相關(guān)知識，提高公眾的辨識能力和風(fēng)險意識，可以更好地應(yīng)對生成式AI帶來的挑戰(zhàn)和風(fēng)險。2.3.2定義生成式AI生成式AI是一個充滿機遇和挑戰(zhàn)的領(lǐng)域。通過深入了解其基本概念、應(yīng)用場景以及未來發(fā)展趨勢，我們可以更好地把握這一技術(shù)的發(fā)展脈搏，為未來的創(chuàng)新和發(fā)展提供有力支持。2.3.2定義生成式AI為了更全面地了解生成式AI領(lǐng)域，分析該技術(shù)的價值鏈，考慮將其分為四個相互關(guān)聯(lián)的層，即應(yīng)用層、平臺層、模型層和基礎(chǔ)設(shè)施層，它們共同創(chuàng)造新內(nèi)容，其中每一層在整個過程中都發(fā)揮著獨特作用。2.3.3生成式AI的層次1.應(yīng)用層生成式AI的應(yīng)用層通過允許動態(tài)創(chuàng)建內(nèi)容來使用專門算法實現(xiàn)簡化人類與AI的交互。這些算法提供了定制和自動化的企業(yè)對企業(yè)（B2B）和企業(yè)對消費者（B2C）應(yīng)用程序和服務(wù)，而用戶無需直接訪問底層基礎(chǔ)模型。這些應(yīng)用程序的開發(fā)可以由基礎(chǔ)模型的所有者（例如ChatGPT的OpenAI）和包含生成式AI模型的第三方軟件公司（例如JasperAI）來承擔(dān)。2.3.3生成式AI的層次生成式AI的應(yīng)用層由通用應(yīng)用程序、特定領(lǐng)域應(yīng)用程序和集成應(yīng)用程序三個不同子組組成。（1）通用應(yīng)用程序：包括旨在執(zhí)行廣泛任務(wù)的軟件，以各種形式生成新內(nèi)容。此類示例包括ChatGPT、DALL-E2、GitHubCopilot、Character.ai（一種聊天機器人服務(wù)，允許用戶創(chuàng)建AI角色并與之交談）和JasperAI（一種AI驅(qū)動的寫作工具）。2.3.3生成式AI的層次（2）特定領(lǐng)域的應(yīng)用程序：這些是為滿足特定行業(yè)（如金融、醫(yī)療保健、制造和教育）的特定需求和要求而量身定制的軟件解決方案。這些應(yīng)用程序在各自的領(lǐng)域更加專業(yè)化和響應(yīng)更快，特別是當(dāng)公司對它們進行高質(zhì)量、獨特和專有數(shù)據(jù)的培訓(xùn)時。例子包括金融數(shù)據(jù)分析的BloombergGPT以及谷歌的接受醫(yī)療數(shù)據(jù)訓(xùn)練以回答醫(yī)療查詢的Med-PaLM2。2.3.3生成式AI的層次（3）集成應(yīng)用程序：該子組由現(xiàn)有軟件解決方案組成，其中融入了生成式AI功能以增強其主流產(chǎn)品。主要示例包括微軟365Copilot（適用于各種微軟產(chǎn)品的AI驅(qū)動助手）、Salesforce的EinsteinGPT（生成式AICRM技術(shù)）以及Adobe與Photoshop的生成式AI集成。2.3.3生成式AI的層次2.平臺層生成式AI的平臺層主要致力于通過托管服務(wù)提供對LLM的訪問。這項服務(wù)簡化了通用預(yù)訓(xùn)練基礎(chǔ)模型（如OpenAI的GPT）的微調(diào)和定制過程。盡管領(lǐng)先的LLM，如GPT-4，可以僅使用其經(jīng)過訓(xùn)練的鎖定數(shù)據(jù)集立即回答大多數(shù)問題，但通過微調(diào)，可以顯著提升這些LLM在特定內(nèi)容領(lǐng)域的能力。2.3.3生成式AI的層次微調(diào)涉及解鎖現(xiàn)有LLM的神經(jīng)網(wǎng)絡(luò)，使用新數(shù)據(jù)進行額外的訓(xùn)練。最終用戶或公司可以將其專有或客戶特定的數(shù)據(jù)無縫集成到這些模型中，以用于定向應(yīng)用。平臺層的最終目標(biāo)是簡化LLM的使用，降低最終用戶或公司的相關(guān)成本。這種方法消除了獨立從零開始開發(fā)這些模型的必要性，而無需投資數(shù)十億美元和數(shù)年的努力。相反，用戶可以支付月度訂閱費用或?qū)⑵淅壍交A(chǔ)設(shè)施即服務(wù)（IaaS）的提供中。與此同時，用戶還可以訪問諸如安全性、隱私性和各種平臺工具等有價值的功能，所有這些都以一種簡化的方式進行管理。2.3.3生成式AI的層次3.模型層生成式AI的模型層啟動基礎(chǔ)模型。這種大規(guī)模機器學(xué)習(xí)模型通常通過使用Transformer算法對未標(biāo)記數(shù)據(jù)進行訓(xùn)練。訓(xùn)練和微調(diào)過程使基礎(chǔ)模型能夠發(fā)展成為一種多功能工具，可以適應(yīng)各種任務(wù)，以支持各種生成式AI應(yīng)用程序的功能。2.3.3生成式AI的層次基礎(chǔ)模型可以大致分為兩大類：閉源（或?qū)Ｓ校┠Ｐ秃烷_源模型。（1）閉源基礎(chǔ)模型。這些模型由OpenAI等特定組織擁有和控制，底層源代碼、算法、訓(xùn)練數(shù)據(jù)和參數(shù)均保密。2.3.3生成式AI的層次閉源（或?qū)Ｓ校┗A(chǔ)模型可通過應(yīng)用程序編程接口（API）向公眾開放。第三方可以在其應(yīng)用程序中使用此API，查詢和呈現(xiàn)基礎(chǔ)模型中的信息，而無需在訓(xùn)練、微調(diào)或運行模型上花費額外的資源。這些模型通?？梢栽L問專有的訓(xùn)練數(shù)據(jù)，并可以優(yōu)先訪問云計算資源。大型云計算公司通常會創(chuàng)建閉源基礎(chǔ)模型，因為訓(xùn)練這些模型需要大量投資。閉源模型通過向客戶收取API使用或基于訂閱的訪問費用來產(chǎn)生收入。2.3.3生成式AI的層次OpenAI的GPT-4和谷歌的PaLM2等LLM是專注于自然語言處理的特定閉源基礎(chǔ)模型。它們針對聊天機器人等應(yīng)用程序進行了微調(diào)，例如ChatGPT和Gemini。一個非語言的例子是OpenAI的DALL-E2，這是一種識別和生成圖像的視覺模型。2.3.3生成式AI的層次（2）開源基礎(chǔ)模型。相比之下，每個人都可以不受限制地訪問開源模型。他們鼓勵社區(qū)協(xié)作和開發(fā)，允許透明地檢查和修改代碼。開源基礎(chǔ)模型是協(xié)作開發(fā)的。它們可以免費重新分發(fā)和修改，從而提供訓(xùn)練數(shù)據(jù)和模型構(gòu)建過程的完全透明度。許多甚至是免費分發(fā)的，具體取決于許可證和數(shù)據(jù)。2.3.3生成式AI的層次使用開源模型的好處包括：（1）對數(shù)據(jù)的完全控制和隱私；與OpenAI的GPT等閉源模型共享不同。（2）通過特定提示、微調(diào)和過濾改進定制，以針對各個行業(yè)進行優(yōu)化。（3）具有成本效益的特定領(lǐng)域模型的訓(xùn)練和推理（較小的模型需要較少的計算）。開源模型的例子例如Meta的Llama2、Databricks的Dolly2.0、StabilityAI的StableDiffusionXL以及Cerebras-GPT。2.3.3生成式AI的層次4.基礎(chǔ)設(shè)施層生成式AI的基礎(chǔ)設(shè)施層包含大規(guī)?；A(chǔ)模型的重要組成部分。這一過程涉及的關(guān)鍵資源是半導(dǎo)體、網(wǎng)絡(luò)、存儲、數(shù)據(jù)庫和云服務(wù)，所有這些資源在生成式AI模型的初始訓(xùn)練和持續(xù)的微調(diào)、定制和推理中都發(fā)揮著至關(guān)重要的作用。生成式AI模型通過兩個主要階段發(fā)揮作用。2.3.3生成式AI的層次（1）訓(xùn)練階段：這是學(xué)習(xí)發(fā)生的階段，通常在云數(shù)據(jù)中心的加速計算集群中進行。在這個計算密集型階段，LLM從給定的數(shù)據(jù)集中學(xué)習(xí)。參數(shù)是模型調(diào)整以表示訓(xùn)練數(shù)據(jù)中潛在模式的內(nèi)部變量。詞元指的是模型處理的文本的個體部分，如單詞或子詞。例如，GPT-3是在3000億個詞元上進行訓(xùn)練的，其中一個詞元等于1.33個單詞，主要來自互聯(lián)網(wǎng)的CommonCrawl、網(wǎng)絡(luò)百科、書籍和文章。2.3.3生成式AI的層次（2）推斷階段：這是使用經(jīng)過訓(xùn)練的AI模型生成用戶響應(yīng)的過程。在這里，新的文本輸入被標(biāo)記為單獨的單位，模型使用訓(xùn)練過程中學(xué)到的參數(shù)來解釋這些詞元并生成相應(yīng)的輸出。這些經(jīng)過訓(xùn)練的AI模型需要大量的計算能力，并且必須部署在靠近最終用戶的地方（在邊緣數(shù)據(jù)中心），以最小化響應(yīng)時延（延遲），因為實時交互對于保持用戶參與至關(guān)重要。2.3.3生成式AI的層次總體而言，生成式AI的準(zhǔn)確性取決于LLM的規(guī)模和使用的訓(xùn)練數(shù)據(jù)量。這些因素反過來需要一個由半導(dǎo)體、網(wǎng)絡(luò)、存儲、數(shù)據(jù)庫和云服務(wù)組成的強大基礎(chǔ)設(shè)施。2.3.3生成式AI的層次定義：AIGC（AI-generatedcontent，人工智能生成內(nèi)容）是指利用AI技術(shù)，特別是機器學(xué)習(xí)、深度學(xué)習(xí)等方法，自動生成各種形式的內(nèi)容，如文本、圖像、音頻、視頻等。這些內(nèi)容可以是創(chuàng)意性的，比如藝術(shù)作品、音樂、文章；也可以是實用性的，比如新聞報道、產(chǎn)品描述、個性化推薦信息等。AIGC的核心優(yōu)勢在于其能夠基于大量的數(shù)據(jù)學(xué)習(xí)模式，自動創(chuàng)作新的內(nèi)容，這在很大程度上提高了內(nèi)容生產(chǎn)的效率和個性化程度。2.3.4定義AIGCAIGC代表了AI在創(chuàng)意生產(chǎn)和內(nèi)容生成領(lǐng)域的應(yīng)用，能夠自動化或半自動化地生產(chǎn)高質(zhì)量、個性化的內(nèi)容。應(yīng)用AGIC的關(guān)鍵步驟一般包括：數(shù)據(jù)收集、模型訓(xùn)練、內(nèi)容生成和后期優(yōu)化。通過這些過程，AI系統(tǒng)能夠理解特定主題、風(fēng)格或用戶偏好，進而生成符合要求的內(nèi)容。2.3.4定義AIGCAIGC的應(yīng)用場景廣泛，從媒體和娛樂行業(yè)到教育、廣告、電商、個人助理等多個領(lǐng)域，都在探索如何利用這一技術(shù)來提升用戶體驗、創(chuàng)造新價值。隨著技術(shù)的不斷進步，AIGC的潛力持續(xù)增長，對社會經(jīng)濟活動和個人生活方式的影響也日益顯著。2.3.4定義AIGC?用戶生成內(nèi)容（UGC）是指由用戶自發(fā)創(chuàng)建并分享的各類內(nèi)容，如評論、博客文章、視頻、圖片等，通常通過社交媒體平臺、論壇和在線社區(qū)進行傳播。?專業(yè)生成內(nèi)容（PGC）是指由具有特定專業(yè)知識或技能的個人、團體或機構(gòu)創(chuàng)建的內(nèi)容，如新聞報道、學(xué)術(shù)論文、行業(yè)分析報告等，旨在提供高質(zhì)量、權(quán)威性和深度的信息。2.3.4定義AIGC從用戶生成內(nèi)容到專業(yè)生成內(nèi)容，再到現(xiàn)在的AIGC，我們看到了內(nèi)容創(chuàng)作方式的巨大變革和進步。通過深度學(xué)習(xí)與NLP的創(chuàng)新融合，AIGC就像一支神奇的畫筆，擁有無限的創(chuàng)造力。利用AI的理解力、想象力和創(chuàng)作力，根據(jù)指定的需求和風(fēng)格，創(chuàng)作出各種內(nèi)容。諸如ChatGPT、通義千問等智能系統(tǒng)，AIGC的出現(xiàn)打開了一個全新的創(chuàng)作世界，為人們提供了無數(shù)的可能性，重塑了信息時代的內(nèi)容創(chuàng)作生態(tài)，甚至讓人難以分清背后的創(chuàng)作者到底是人類還是AI。2.3.4定義AIGC與AIGC相關(guān)的AI領(lǐng)域術(shù)語之間的關(guān)系如圖2-2所示，它們共同構(gòu)成了AIGC的核心要素。圖2-2AIGC與AI技術(shù)譜系2.3.4定義AIGC生成式AI與AIGC這兩個概念緊密相關(guān)，可以說AIGC是生成式AI的一個具體應(yīng)用方向。生成式AI的核心能力在于創(chuàng)造、預(yù)測、轉(zhuǎn)換和補全信息。而AIGC則更側(cè)重于描述由生成式AI技術(shù)所產(chǎn)出的實際成果，即由AI系統(tǒng)自動生成、具體創(chuàng)造出來的作品內(nèi)容本身，包括簡單的文本創(chuàng)作、圖像合成以及復(fù)雜的音樂生成、視頻剪輯等，這些作品展現(xiàn)了AI在創(chuàng)意表達方面的潛能。因此，生成式AI是底層的技術(shù)框架和方法，而AIGC是這些技術(shù)應(yīng)用的結(jié)果，體現(xiàn)了技術(shù)在實際場景中的應(yīng)用價值和社會影響。兩者之間存在一種從技術(shù)到產(chǎn)品的邏輯聯(lián)系，生成式AI的發(fā)展推動了AIGC的多樣化和普及化。2.3.5生成式AI與AIGC的關(guān)系PART04智能內(nèi)容生成隨著LLM技術(shù)的成熟，其應(yīng)用范圍擴展到了內(nèi)容生成的多個領(lǐng)域。2021年之前，AIGC生成的主要還是文字，而新一代模型可以處理的格式內(nèi)容包括文字、語音、代碼、圖像、視頻、機器人動作等等。AIGC可以在創(chuàng)意、表現(xiàn)力、迭代、傳播、個性化等方面，充分發(fā)揮技術(shù)優(yōu)勢。它不僅革新了創(chuàng)意產(chǎn)業(yè)，還為個性化內(nèi)容推薦、輔助設(shè)計、娛樂等多個行業(yè)帶來了變革，例如DALL-E、Midjourney等圖像生成模型以及音樂生成軟件AmperMusic等。2.4智能內(nèi)容生成智能數(shù)字內(nèi)容孿生主要分為內(nèi)容增強與轉(zhuǎn)譯。增強，即對數(shù)字內(nèi)容修復(fù)、去噪、細(xì)節(jié)增強等，轉(zhuǎn)譯，即對數(shù)字內(nèi)容轉(zhuǎn)換如翻譯等。該技術(shù)旨在將現(xiàn)實世界中的內(nèi)容進行智能增強與智能轉(zhuǎn)譯，更好的完成現(xiàn)實世界到數(shù)字世界映射。例如，我們拍攝了一張低分辨率的圖片，通過智能增強中的圖像超分可對低分辨率進行放大，同時增強圖像的細(xì)節(jié)信息，生成高清圖。2.4.1內(nèi)容孿生這里的超分，即超分辨率技術(shù)，是通過硬件或軟件的方法提高圖像或視頻幀的分辨率，通過一系列低分辨率圖像獲取到高分辨率圖像的過程。再比如，對于老照片中的像素缺失部分，可通過智能增強技術(shù)進行內(nèi)容復(fù)原。而智能轉(zhuǎn)譯則更關(guān)注不同模態(tài)之間的相互轉(zhuǎn)換。比如，錄制一段音頻，可通過智能轉(zhuǎn)譯技術(shù)自動生成字幕；再比如，輸入一段文字可以自動生成語音，兩個例子均為模態(tài)間智能轉(zhuǎn)譯應(yīng)用。2.4.1內(nèi)容孿生內(nèi)容孿生的應(yīng)用主要有語音轉(zhuǎn)字幕、文字轉(zhuǎn)語音、圖像超分等。其中，圖像超分辨率是指利用光學(xué)及其相關(guān)光學(xué)知識，根據(jù)已知圖像信息恢復(fù)圖像細(xì)節(jié)和其他數(shù)據(jù)信息的過程，簡單來說就是增大圖像的分辨率，防止其圖像質(zhì)量下降。2.4.1內(nèi)容孿生智能數(shù)字內(nèi)容編輯是通過對內(nèi)容的理解以及屬性控制，進而實現(xiàn)對內(nèi)容的修改。如在計算機視覺領(lǐng)域，通過對視頻內(nèi)容的理解實現(xiàn)不同場景視頻片段的剪輯。通過人體部位檢測以及目標(biāo)衣服的變形控制與截斷處理，將目標(biāo)衣服覆蓋至人體部位，實現(xiàn)虛擬試衣。在語音信號處理領(lǐng)域，通過對音頻信號分析，實現(xiàn)人聲與背景聲分離。以上例子都是在理解數(shù)字內(nèi)容的基礎(chǔ)上對內(nèi)容的編輯與控制。2.4.2內(nèi)容編輯智能數(shù)字內(nèi)容生成是通過從海量數(shù)據(jù)中學(xué)習(xí)抽象概念，并通過概念的組合生成全新的內(nèi)容。如AI繪畫，從海量繪畫中學(xué)習(xí)作品不同筆法、內(nèi)容、藝術(shù)風(fēng)格，并基于學(xué)習(xí)內(nèi)容重新生成特定風(fēng)格的繪畫。采用此方式，AI在文本創(chuàng)作、音樂創(chuàng)作和詩詞創(chuàng)作中取得了不錯的表現(xiàn)。再比如，在跨模態(tài)領(lǐng)域，通過輸入文本輸出特定風(fēng)格與屬性的圖像，不僅能夠描述圖像中主體的數(shù)量、形狀、顏色等屬性信息，而且能夠描述主體的行為、動作以及主體之間的關(guān)系。2.4.2內(nèi)容編輯隨著AI技術(shù)的迅猛發(fā)展，我們見證了其從基礎(chǔ)算法到復(fù)雜應(yīng)用場景的跨越式進步。從簡單的數(shù)據(jù)分析到復(fù)雜的決策支持，AI似乎無所不能。然而，在這波技術(shù)革新浪潮中，AI所面臨的真正挑戰(zhàn)正逐漸從形式化學(xué)習(xí)轉(zhuǎn)向內(nèi)容理解。2.4.3內(nèi)容理解當(dāng)前，大多數(shù)AI系統(tǒng)，特別是深度學(xué)習(xí)模型，主要依賴于對海量數(shù)據(jù)的形式化學(xué)習(xí)。這些模型通過識別數(shù)據(jù)中的模式和關(guān)聯(lián)來做出預(yù)測或決策。然而，這種學(xué)習(xí)方式的局限性在于，它們往往缺乏對數(shù)據(jù)背后含義的深入理解和洞察。以圖像和視頻內(nèi)容的理解為例，盡管計算機視覺技術(shù)利用深度學(xué)習(xí)模型能夠識別出物體、場景和動作等，但一個圖像識別系統(tǒng)即使能夠準(zhǔn)確地識別出一只水豚，它卻并不真正理解“水豚”這一概念所包含的深層含義，如水豚的生活方式、性格特點等。2.4.3內(nèi)容理解對于大數(shù)據(jù)和深度學(xué)習(xí)的局限性，有研究者認(rèn)為：“這些都是基于形式化的處理，數(shù)據(jù)被簡化為0—1的編碼序列，無法真實反映其背后的內(nèi)容。深度學(xué)習(xí)模型基于這樣的數(shù)據(jù)進行訓(xùn)練，同樣缺乏對內(nèi)容的深入理解，因此不具備真正的理解能力?！边@一觀點揭示了當(dāng)前AI領(lǐng)域所面臨的挑戰(zhàn)——如何推動AI系統(tǒng)實現(xiàn)對數(shù)據(jù)深層含義的真正理解。2.4.3內(nèi)容理解換言之，深度學(xué)習(xí)所學(xué)習(xí)到的僅僅是形式上的關(guān)聯(lián)和模式，而沒有涉及內(nèi)容上的因果關(guān)系。對于AI而言，真正的“智能”不僅要求能夠處理形式，更重要的是要能夠理解數(shù)據(jù)、信息和知識背后的深層內(nèi)容。只有這樣，AI才能做出具有智能水平的決策。2.4.3內(nèi)容理解這意味著，AI系統(tǒng)需要具備一種類似于人類的認(rèn)知能力，這種能力不僅體現(xiàn)在對數(shù)據(jù)的整理、歸納和有效信息的提取上，更重要的是能夠?qū)⑦@些信息與相應(yīng)領(lǐng)域的知識庫進行深度融合，從而實現(xiàn)對數(shù)據(jù)的真正理解。例如在自動駕駛領(lǐng)域，AI系統(tǒng)需要具備對來自攝像頭、激光雷達等多個傳感器數(shù)據(jù)的實時處理能力，但僅僅識別出車輛、行人和其他障礙物還遠(yuǎn)遠(yuǎn)不夠，系統(tǒng)需要能夠理解這些物體之間的關(guān)系，預(yù)測它們的行為。同時，系統(tǒng)還需要融合對道路規(guī)則、交通信號和車輛動力學(xué)等知識的深入理解，才能在復(fù)雜的交通場景中做出安全合理的決策。2.4.3內(nèi)容理解為實現(xiàn)從形式化學(xué)習(xí)到內(nèi)容理解的轉(zhuǎn)變，有研究者主張對AI領(lǐng)域研究實行“范式大變革”，認(rèn)為學(xué)科的范式（科學(xué)觀與方法論）是指導(dǎo)學(xué)科研究的最高引領(lǐng)力量。然而作為信息學(xué)科高級篇章的AI卻遵循著物質(zhì)學(xué)科的范式，使其研究嚴(yán)重受限。用“物質(zhì)學(xué)科的范式”來指導(dǎo)“信息學(xué)科的研究”，AI的研究只能按照“分而治之”和“純粹形式化”的方法論得出各種局部性、孤立性、碎片式、智能水平低下、結(jié)果不可解釋，而且需要大規(guī)模樣本的研究成果。2.4.3內(nèi)容理解PART05生成式AI應(yīng)用場景AIGC技術(shù)具有強大的創(chuàng)造性和自動化能力，其應(yīng)用場景廣泛且多樣，覆蓋了多個行業(yè)和領(lǐng)域，它的產(chǎn)業(yè)生態(tài)體系的三層架構(gòu)如圖2-3所示，它的典型應(yīng)用場景大致可以分為文本生成、圖像生成、音頻生成、視頻生成、多模態(tài)生成等5個方面。2.5生成式AI應(yīng)用場景圖2-3AIGC產(chǎn)業(yè)生態(tài)體系的三層架構(gòu)2.5生成式AI應(yīng)用場景其典型應(yīng)用場景如下。（1）文字生成：根據(jù)使用場景，基于NLP的文本內(nèi)容生成可分為非交互式與交互式文本生成。