Протягом тривалого періоду розвитку штучного інтелекту питання про те, як змусити машини навчитися творити, завжди вважалося нездоланним ровом, і тому «творчість» розглядається як одна з найважливіших відмінностей між людьми та машинами. Проте людська креативність з часом наділить машини креативністю, перевівши світ у нову еру розумного творіння. Від машинного навчання до інтелектуального створення, від PGC, UGC до AIGC, ми незабаром станемо свідками глибокої зміни продуктивності, і ця зміна також вплине на всі аспекти нашої роботи та життя.
У цьому звіті всі відповідні установи, практики, підприємці та інвестори, які стурбовані майбутніми технологіями, передадуть інформацію EO про потенційні ринкові сценарії AIGC і чудові корпоративні справи.
Огляд AIGC
Концепція штучного інтелекту
Штучний інтелект входить у парадигму навчання 3.0 + глибоке підкріплення, використовуючи модель винагороди та покарання для посилення здатності до генерування
AIGC (контент, створений штучним інтелектом) — це продукт, заснований на інтеграції GAN, попередньо підготовлених великих моделей і мультимодальної технології. Він знаходить правила в існуючих даних і формує відповідний вміст за допомогою можливостей узагальнення. З точки зору бізнесу, AIGC — це сприятлива технологія, яка обслуговує пов’язані з вмістом сценарії та виробників за допомогою методу генерації високої якості, високого ступеня свободи та низького порогу.
Штучний інтелект на ранньому етапі прийняття рішень покладався на чистоту логічного судження. Передумова про те, що все можна ідеально спостерігати та що в жодному вимірюванні немає помилок, не відповідає «невизначеності» реального світу; парадигма ймовірності, заснована на емпіризмі та раціоналізм певною мірою вирішує «невизначеність»; детермінізм»; навчання з глибоким підкріпленням може використовувати розумну кількість даних, моделі винагород і покарань для досягнення рівня людського інтелекту та реалізації високоякісного контенту та автоматизації створення контенту; загального призначення ШІ має загальнолюдський інтелект і може виконувати різні завдання, як люди.
#### Технологія, накопичена в попередніх холодних хвилях ШІ, нарешті створила велику модель під резонансом алгоритмів, обчислювальної потужності та даних
На Дартмутській конференції в 1956 році вперше було запропоновано поняття "штучного інтелекту". За останні шістдесят років, після розвитку логічного мислення, експертних систем, глибокого навчання та інших технологій, штучний інтелект також пережив кілька часи злетів і падінь, є період розвитку, як небо, а також є хвиля холоду після того, як спека відступає через недостатню технологію. І після кожної холодної хвилі він також відчуватиме бездіяльний розвиток технологій, що принесе віховий прогрес штучному інтелекту.
#### Попереднє навчання викликає якісні зміни в технології AIGC
*Поява попереднього навчання вирішила проблеми великих генеративних моделей у минулому, але саме попереднє навчання має неможливий трикутник розміру моделі, невеликого розміру вибірки та можливості точного налаштування, і рішення різні *: Для надзвичайно великих моделей використовуйте дистиляцію знань; розширення даних для можливостей швидкого навчання; навчання підказок для моделей, які погано працюють під час навчання під наглядом.
Якщо взяти для прикладу GPT, то на сучасному етапі звичною практикою виробників є розширення розміру моделі.
#### Велика базова модель штучного інтелекту забезпечує посадку концепції AIGC
У процесі фактичної реалізації концепції AIGC далеко недостатньо мати лише базову велику модель і загальну технологію. Вона також повинна мати можливість інтегруватися та відповідати сцені, і це також потребує інструментальної платформи та відкритості, які підтримують реалізацію додатків.Інклюзивна інноваційна екологія та скоординована оптимізація трьох прискорять впровадження AIGC. **
У всьому процесі застосування велика кількість текстів без міток використовується для загального навчання, щоб отримати попередньо підготовлену велику модель, а потім налаштовується відповідно до характеристик сцени застосування, щоб краще адаптуватися до завдання проекту.
#### Мультимодальність розриває межі між різноманітною інформацією та створює контент зі стабільною якістю, покращуючи різноманітність контенту AIGC
Порівняно з унімодальною моделлю з єдиною модальністю інформації, **мультимодальна модель може одночасно обробляти більше модальної інформації та перетворювати їх одна в одну. **
У сучасній мультимодальній моделі домінує графічна та текстова мультимодульність. Хоча Transformer обмежений однією модальністю, його розподіл ваги підходить для мультимодальності; модель ViT обробляє вхідні зображення, роблячи Transformer доступним, тим самим ламаючи бар’єр між NLP і CV; BEiT переносить генеративне попереднє навчання з обробки природної мови на комп’ютерне зір; Diffusion моделі в основному використовуються для створення текстових зображень.
#### Постійне злиття мультимодальної інформації збільшує технічну різноманітність і розширює сценарії
Мультимодальність широко використовується в таких сферах, як класифікація відео, аналіз настроїв і розпізнавання мовлення, включаючи інтегрований вміст, такий як зображення, відео, голоси та тексти. У майбутньому він також увійде в інші прикладні сценарії, такі як взаємодія, сприйняття, і зміст.
#### Штучний інтелект для прийняття рішень у Китаї досяг першокласного рівня у світі, тоді як генеративний штучний інтелект все ще має відставання від інших країн у базових елементах
З точки зору штучного інтелекту для прийняття рішень Китай уже в першому ешелоні. Китай є країною, яка публікує найбільше статей щодо штучного інтелекту, і ця частка збільшувалася з року в рік за останні 10 років.
Однак з точки зору генеративного штучного інтелекту все ще існує розрив у кількості параметрів порівняно з зарубіжними країнами, що означає відсутність основних елементів, таких як ресурси обчислювальної потужності та якість даних.
#### Крива динамічної зміни атомної ємності AIGC
Атомарні можливості AIGC змінюються з часом, а вміст представляє складні та багатовимірні функції. Атомарні можливості основних модальностей змінюються на мультимодальні, що вказує на те, що поточні спроби комерційного застосування AIGC опускаються до сцени з довгим хвостом. автоматизація, реальний час, сильні аргументи та емпатія постійно проникають у віртуальних людей, чат-роботів, карти знань, синтетичні дані та AIGS для багатовимірного розширення можливостей, сприяючи епосі загального штучного інтелекту.
Нижче наведено витяг із тексту звіту:
Переглянути оригінал
Контент має виключно довідковий характер і не є запрошенням до участі або пропозицією. Інвестиційні, податкові чи юридичні консультації не надаються. Перегляньте Відмову від відповідальності , щоб дізнатися більше про ризики.
EO Intelligence опублікувала «Звіт про дослідження потенціалу бізнесу AIGC у Китаї за 2023 рік»
Автор: Лю Міньхао; Ши Цзяї
Протягом тривалого періоду розвитку штучного інтелекту питання про те, як змусити машини навчитися творити, завжди вважалося нездоланним ровом, і тому «творчість» розглядається як одна з найважливіших відмінностей між людьми та машинами. Проте людська креативність з часом наділить машини креативністю, перевівши світ у нову еру розумного творіння. Від машинного навчання до інтелектуального створення, від PGC, UGC до AIGC, ми незабаром станемо свідками глибокої зміни продуктивності, і ця зміна також вплине на всі аспекти нашої роботи та життя.
У цьому звіті всі відповідні установи, практики, підприємці та інвестори, які стурбовані майбутніми технологіями, передадуть інформацію EO про потенційні ринкові сценарії AIGC і чудові корпоративні справи.
Огляд AIGC
Концепція штучного інтелекту
Штучний інтелект входить у парадигму навчання 3.0 + глибоке підкріплення, використовуючи модель винагороди та покарання для посилення здатності до генерування
AIGC (контент, створений штучним інтелектом) — це продукт, заснований на інтеграції GAN, попередньо підготовлених великих моделей і мультимодальної технології. Він знаходить правила в існуючих даних і формує відповідний вміст за допомогою можливостей узагальнення. З точки зору бізнесу, AIGC — це сприятлива технологія, яка обслуговує пов’язані з вмістом сценарії та виробників за допомогою методу генерації високої якості, високого ступеня свободи та низького порогу.
Штучний інтелект на ранньому етапі прийняття рішень покладався на чистоту логічного судження. Передумова про те, що все можна ідеально спостерігати та що в жодному вимірюванні немає помилок, не відповідає «невизначеності» реального світу; парадигма ймовірності, заснована на емпіризмі та раціоналізм певною мірою вирішує «невизначеність»; детермінізм»; навчання з глибоким підкріпленням може використовувати розумну кількість даних, моделі винагород і покарань для досягнення рівня людського інтелекту та реалізації високоякісного контенту та автоматизації створення контенту; загального призначення ШІ має загальнолюдський інтелект і може виконувати різні завдання, як люди.
На Дартмутській конференції в 1956 році вперше було запропоновано поняття "штучного інтелекту". За останні шістдесят років, після розвитку логічного мислення, експертних систем, глибокого навчання та інших технологій, штучний інтелект також пережив кілька часи злетів і падінь, є період розвитку, як небо, а також є хвиля холоду після того, як спека відступає через недостатню технологію. І після кожної холодної хвилі він також відчуватиме бездіяльний розвиток технологій, що принесе віховий прогрес штучному інтелекту.
*Поява попереднього навчання вирішила проблеми великих генеративних моделей у минулому, але саме попереднє навчання має неможливий трикутник розміру моделі, невеликого розміру вибірки та можливості точного налаштування, і рішення різні *: Для надзвичайно великих моделей використовуйте дистиляцію знань; розширення даних для можливостей швидкого навчання; навчання підказок для моделей, які погано працюють під час навчання під наглядом.
Якщо взяти для прикладу GPT, то на сучасному етапі звичною практикою виробників є розширення розміру моделі.
У процесі фактичної реалізації концепції AIGC далеко недостатньо мати лише базову велику модель і загальну технологію. Вона також повинна мати можливість інтегруватися та відповідати сцені, і це також потребує інструментальної платформи та відкритості, які підтримують реалізацію додатків.Інклюзивна інноваційна екологія та скоординована оптимізація трьох прискорять впровадження AIGC. **
У всьому процесі застосування велика кількість текстів без міток використовується для загального навчання, щоб отримати попередньо підготовлену велику модель, а потім налаштовується відповідно до характеристик сцени застосування, щоб краще адаптуватися до завдання проекту.
Порівняно з унімодальною моделлю з єдиною модальністю інформації, **мультимодальна модель може одночасно обробляти більше модальної інформації та перетворювати їх одна в одну. **
У сучасній мультимодальній моделі домінує графічна та текстова мультимодульність. Хоча Transformer обмежений однією модальністю, його розподіл ваги підходить для мультимодальності; модель ViT обробляє вхідні зображення, роблячи Transformer доступним, тим самим ламаючи бар’єр між NLP і CV; BEiT переносить генеративне попереднє навчання з обробки природної мови на комп’ютерне зір; Diffusion моделі в основному використовуються для створення текстових зображень.
Мультимодальність широко використовується в таких сферах, як класифікація відео, аналіз настроїв і розпізнавання мовлення, включаючи інтегрований вміст, такий як зображення, відео, голоси та тексти. У майбутньому він також увійде в інші прикладні сценарії, такі як взаємодія, сприйняття, і зміст.
З точки зору штучного інтелекту для прийняття рішень Китай уже в першому ешелоні. Китай є країною, яка публікує найбільше статей щодо штучного інтелекту, і ця частка збільшувалася з року в рік за останні 10 років.
Однак з точки зору генеративного штучного інтелекту все ще існує розрив у кількості параметрів порівняно з зарубіжними країнами, що означає відсутність основних елементів, таких як ресурси обчислювальної потужності та якість даних.
Атомарні можливості AIGC змінюються з часом, а вміст представляє складні та багатовимірні функції. Атомарні можливості основних модальностей змінюються на мультимодальні, що вказує на те, що поточні спроби комерційного застосування AIGC опускаються до сцени з довгим хвостом. автоматизація, реальний час, сильні аргументи та емпатія постійно проникають у віртуальних людей, чат-роботів, карти знань, синтетичні дані та AIGS для багатовимірного розширення можливостей, сприяючи епосі загального штучного інтелекту.
Нижче наведено витяг із тексту звіту: