生成式AI是什么？通俗科普带你理解背后原理

随着ChatGPT、通义千问、Kimi等国内外AI产品百花齐放，“生成式AI”这个词，关注AI领域的朋友应该早就听腻了。但问题来了——为什么要特别强调“生成式”这三个字？难道AI不都长一个样吗？

今天，咱们就用大白话，把这个“生成式AI”到底是个啥，掰开揉碎了聊聊。

什么是生成式AI

如果按用途把人工智能简单分个类，其实就两大阵营：决策式AI和生成式AI。

决策式AI，也叫判别式AI。它的绝活是分析情况、做出决策。它会评估一堆选项和可能的结果，帮你或系统选出最优的行动方案。比如自动驾驶的车，就是靠决策式AI来决定啥时候加速、刹车、变道。

生成式AI就不一样了，它的本事是创造全新的东西。它能根据学到的数据，自动生成文本、图像、音乐等内容。打个比方：你扔几篇论文给它，它就能给你整出一篇文献综述，把这几篇论文的核心观点、关键结论都串起来。

看到这儿，你大概就明白为啥ChatGPT、Kimi这些都属于生成式AI了吧？接下来，咱们正式走进生成式AI的世界。

生成式AI的发展

早期萌芽阶段

1950年，艾伦·图灵提出“图灵测试”，标志着AI内容生成的起点。1957年，Lejaren Hiller和Leonard Isaacson创作了史上第一首由计算机“作曲”的《Illiac Suite》。1964到1966年间，Joseph Weizenbaum开发了最早的对话机器人“Eliza”，靠关键字扫描和重组来实现交互。到了1980年代，IBM利用隐马尔可夫模型，推出了语音控制打字机“Tangora”。

韬光养晦阶段

互联网兴起后，数据规模爆发式增长，给AI提供了海量的训练素材。可惜当时电脑硬件还不够强，AI的发展速度也就没跑起来。2007年，纽约大学的研究员Ross Goodwin用AI系统写了小说《The Road》，这是AI头一回写小说。2012年，微软公开展示了一套全自动同声传译系统——英文演讲者的演讲，通过语音识别、语言翻译、语音合成等技术，直接生成中文语音，就像有个隐形的翻译官在现场。

井喷式发展阶段

这个阶段，大量深度学习方法的提出和迭代更新，让生成式AI迎来了全新纪元。2017年，微软人工智能“小冰”推出了全球首部100%由AI创作的诗集《阳光失了玻璃窗》。2019年，谷歌DeepMind团队发布了DVD-GAN架构，用来生成连续视频。2020年，OpenAI发布ChatGPT-3，标志着自然语言处理和AIGC领域的一个重要里程碑。2021年，OpenAI推出DALL·E，为现在大火的文生图技术铺平了道路。2022年至今，OpenAI陆续发布ChatGPT家族系列，已经迭代到了GPT-4o。每一次发布，都毫无悬念地在AIGC领域掀起新一轮浪潮——让机器理解人类语言、进行复杂对话的技术，正一步步渗透到我们生活的方方面面。

生成式AI的原理

到现在，大家应该对生成式AI有个基本认知了：它做的就是“学习知识+生成新知识”这两件事。但它具体是怎么学、又是怎么生成的呢？

先看专业定义：生成式人工智能（Generative AI）是一种利用机器学习模型来生成新数据实例的人工智能技术。这些数据实例在统计特性上与训练数据相似，但具体内容或结构不同。它通常依赖复杂的算法，比如生成对抗网络（GANs）、变分自编码器（VAEs）、循环神经网络（RNNs）等，这些算法能捕捉数据的分布特征，并在此基础上创造新样本。

太绕口了？没关系，咱们换个简单点的说法：生成式AI是一种人工智能技术，它能根据已有的数据模式生成新的数据实例——这些新数据在结构和内容上与原始数据相似，但具体内容完全是新的。这种技术通常用来创造文本、图像、音频和视频等内容。简单说，生成式AI就像一台创意机器，能“想象”出以前不存在的东西。

接下来，咱们用捏泥人的过程来类比，把这个原理讲清楚。

第一步：捏泥人——搭建硬件架构

要打造一个生成式AI的“泥人”，首先得解决泥从哪儿来的问题。在AI的世界里，这对应的是底层硬件，由算力和存储力组成。

算力——骨架

生成式AI处理图像、视频这类复杂数据时，需要进行密集计算。这离不开核心硬件的支持：GPU（图形处理器）拥有大量小处理单元，能同时处理多个任务，大幅提升计算速度；TPU（张量处理器）则是专门为AI训练优化的硬件，能显著提高计算效率，增强整体性能。

存储力——血液

生成式AI就像一个超级图书馆，里面装满海量信息和知识。以GPT-3为例，它要记住1750亿个知识点，拥有45TB的资料库，每天能写出45亿字的文章，简直是一台永不停歇的写作机器。要让这台机器顺畅运转，就得配上大容量RAM——相当于它的超级大脑，能快速存取大量计算结果和知识点；以及SSD（固态硬盘）——大容量的SSD读写速度快，相当于泥人的高速书架，让知识存取既快又高效。

基本的泥人形态有了，但还没任何能力。接下来，得给它装上大脑。

第二步：装大脑——构建软件架构

软件架构就是AI的大脑，决定它怎么理解和处理数据。想象一下，我们希望AI能像人脑一样思考和学习——这就是深度学习的概念。为了实现深度学习，研究者们设计了各种神经网络架构：

深度神经网络（DNN）是最常用的架构，但随着数据越来越复杂，它开始有些吃力。卷积神经网络（CNN）专门为图像设计，能很好处理图像，但需要对输入的图片做一些复杂处理。当处理的是序列数据（比如时间序列或文本）时，循环神经网络（RNN）就派上用场了。不过RNN在处理长序列时可能遇到梯度消失的问题，导致效果变差。为了解决这个问题，研究者们提出了Transformer算法。

随着计算能力提升，生成式AI的网络结构越来越先进，各有专长：Transformer架构是目前文本生成领域的主流，在写文章、聊天等领域广泛应用，GPT、LLaMA 2等大语言模型都基于Transformer，表现出色。GANs架构在图像和视频生成方面很有一套，能创造出清晰逼真的视觉效果。Diffusion架构则在绘画和音乐创作上表现不俗，作品既优质又多样。

网络架构搭好了，脑子有了，能力基础也具备了，但如果没有数据输入，它还是一个空壳。所以，接下来要通过数据训练，给这个“大脑”喂知识。

第三步：教知识——数据训练

现在训练AI主要有两种方法：预训练和SFT（有监督的微调）。

预训练，就是先给AI一大堆各种各样的信息，让它有个基础了解。经过预训练的AI就像一个通才，对很多领域都略知一二，但算不上专家。SFT则是在预训练基础上，再给AI一些特定任务的信息，让它更深入地学习。比如想让AI更懂医学，就用医学文献进一步训练它，这样它在回答医学问题或写医学相关内容时就更专业。

但无论是预训练还是SFT，AI到底是怎么消化这些知识的呢？咱们就拿Transformer架构来聊聊它是怎么理解文字的。

AI理解文字分两步走：先理解单个词，再理解整个句子。理解词，其实就是把词分类。研究者们想了个办法：把词拆成不同的部分，然后分类。举个例子，有四个词：西瓜、草莓、番茄和樱桃。AI用两个标准来拆解：

颜色：红色用1表示，绿色用2表示。形状：圆形用1表示，椭圆形用2表示。

然后，AI根据这些标准给每个词打分分类：西瓜是绿色、圆形；草莓是红色、椭圆形；番茄是红色、圆形；樱桃是红色、圆形。

这样，AI就能通过这种方式来“理解”每个词的特点。比如番茄和樱桃在颜色和形状上都是红的、圆的，这意味着在这两个方面，它们给人的感觉是一样的。而草莓和西瓜在颜色和形状上就不一样，一个红的椭圆的、一个绿的圆的，感觉自然不同。

但要区分它们，不能只看颜色和形状。AI还可以从大小、甜度、有没有籽等很多方面来评价，分类就会更细致。只要评价的方面够多、给的分数够准，AI就能更精准地理解每个词到底是什么意思。

现在那些特别先进的AI模型，能考虑的维度数量非常庞大，有时候能达到上千个。学会识别和理解单个词语、把它们转换成量化结果，这只是第一步。接下来，AI要更进一步，理解由多个词组成的集合——句子。

同一个词在不同语境下，意思可能完全不同。比如“这是一顶绿色的帽子”——这里的“绿色”就是指帽子的颜色是绿色的。而“某某公司致力于打造绿色机房”——这里的“绿色”则是环保节能的意思。AI怎么分辨同一个词在不同句子里的不同意思呢？这就要归功于Transformer架构里的“自注意力”机制了。

想象一下，AI在理解一个句子时，不只是看每个词本身，还会看它旁边的词。这个词和句子里其他词的关系，就是“注意力”。因为它是和句子里自己的词一起理解的，所以叫“自注意力”。在Transformer架构里，这个过程分两步：首先，把每个词变成一个向量——这个向量就像在多维空间里给这个词定位，显示它的各种特点。然后，用自注意力机制来关注句子的不同部分——这样，在处理每个词的时候，AI还会考虑句子里其他词的信息，从而理解这个词在这个特定句子里的意思。

第四步：开始做事——内容生成

AI在理解了大量的词和句子之后，就像个经验丰富的作家，开始创作新内容了。它具体是怎么做的？其实，这背后是一个关于概率的问题。

举个填空的例子：我在餐厅吃____。这个空位你会填什么字？根据我们的经验，很可能第一个想到的是“饭”。但其实也可以填“饼”“面”“蛋”等等。AI生成内容的过程也类似——它会根据学到的大量语言模式和概率，决定在某个地方用哪个词最合适。就像我们填空一样，AI根据上下文，选一个最有可能的词填进去。一个一个词这样下来，AI就能写出一段段新内容。

和人类一样，生成式AI会根据之前学到的东西，给每个字或词一个概率，然后挑那些概率高的词来组成句子。它会一遍又一遍地重复这个过程，每次都选下一个最可能的词，从而连续不断地生成新内容。

但有时候，我们想要的不只是最普通的答案。还是刚才那个例子，如果不想AI总是接“饭”，该怎么办？这时候，AI有个调节的法宝，叫作“温度”参数，范围从0到1。温度为0时，AI会挑概率最高的词，很可能就是“饭”。温度为1时，AI会挑概率不那么高的词，可能就会选“饼”。温度值越接近1，AI生成的内容就越多样、越有创意。比如把温度设为0.8，AI生成的句子可能就变成了：我在餐厅吃饼，这个饼又大又圆，我想把它套在脖子上……听起来就更有想象力和趣味性了。

大多数AI产品看起来就一个简单的对话框，但别被外表迷惑。调整生成内容的“温度”，其实是通过我们输入的“提示词”来实现的。如果你的提示词是“你是一名某领域的专家，请用严谨的口吻写一篇关于xx的文献综述”，这就像把AI的温度调低了，它会选那些最常见、最匹配的词来生成内容，像专家那样说话。如果你的提示词是“请你畅想一下xx的未来”，这就像把温度调高了，AI会选一些不那么常见、更有创意的词来生成内容，可能会带来意想不到的惊喜。现在你明白，一个好的提示词对于引导AI生成你想要的内容有多重要了吧。

所以，咱们可以把AI生成内容的过程想象成一场词语接龙游戏：AI根据当前的词，回想它之前学到的下一个最可能的词，同时还会考虑你的期望和提示，然后决定下一个词是什么。这样一来，AI就能写出一段又一段符合你期望的文字了。

当然，生成式AI的内部原理远比这复杂得多，咱们只是用大白话做一个初步理解。

我们应该如何看待生成式AI？

基于上面的内容，大家应该已经大致理解——在AI前面加上“生成式”这三个字，主要是为了区分不同类型的人工智能。AI领域其实非常广泛，除了生成式AI，还有以下几种常见类型：

1. 判别式AI：主要用于分类和识别任务，比如图像识别、语音识别，通过学习数据特征来区分不同类别。

2. 专家系统：模仿专家的决策过程，通常用于特定领域的问题解决，比如医疗诊断、法律咨询。

3. 强化学习AI：通过与环境的交互学习如何做出决策，以获得最大累积奖励，在游戏、机器人控制等领域应用广泛。

4. 符号推理AI：依赖符号和规则进行逻辑推理，解决数学问题或逻辑谜题。

5. 感知机和神经网络：早期的AI技术，通过模拟人脑神经元的方式来处理信息。

生成式AI之所以特别，是因为它能创造全新的内容，而不仅仅是识别或分类已有的信息。它能写出新文章、生成新图像或音乐，甚至创造出全新的概念。这就是“生成式”这三个字被特别强调的原因。当我们谈论生成式AI时，通常指的是那些能进行创造性工作的AI系统——它们代表了AI领域一个令人兴奋的新方向。

不过，关于生成式AI能否实现通用人工智能（AGI）并替代人类，目前确实有两种不同的观点。

积极派：以OpenAI的CEO Sam Altman和英伟达CEO黄仁勋为代表，他们对生成式AI的前景非常乐观。他们认为未来几年内，人工智能将变得更强大、更成熟，甚至在十年后可能会有惊人表现。他们还预测“AI可能在5年内超越人类智能”，这表明他们相信AI的发展潜力巨大。

消极派：以深度学习先驱杨立昆为代表，他们对生成式AI能否达到人类智能水平持怀疑态度。杨立昆在多个场合表达过，像ChatGPT这样的大语言模型永远无法达到人类的智能水平，而且人类训练的人工智能难以超越人类。

这个问题其实没有简单答案，因为通用人工智能的发展涉及复杂的技术、伦理和社会问题。一方面，AI在特定任务上确实已经展现出超越人类的能力，比如围棋、象棋等。但另一方面，AI在理解常识、情感、创造力等方面与人类还有很大差距。此外，即使AI在某些领域超越了人类，能否完全替代人类还取决于很多因素，包括AI的安全性、可控性、伦理道德等。这是一个需要全社会共同思考和探讨的问题。

所以，对于咱们普通人来说，面对生成式AI不妨采取以下态度：把它当作一个提高工作效率的工具；利用它来丰富日常生活，比如通过智能助手管理日程，或使用推荐系统发现新音乐、电影；对AI的发展保持好奇和开放，了解最新动态，探索它如何帮助我们更好地理解世界；充分享受科技带来的便利，比如用AI进行语言翻译或辅助健康管理；随着AI技术的发展，不断学习如何更好地与AI互动，利用它来提升自己的技能和知识。

说白了，以积极的态度接纳和利用生成式AI，同时也要意识到它目前的限制。在享受科技便利的同时，保持对技术发展的深思熟虑，为自己做好规划和拥抱变化的准备。

你是一名 AI 行业编辑，请围绕下面这条热点输出一份资讯解读：
热点：生成式AI是什么？通俗科普带你理解背后原理要求：
1. 先用一句话解释这条热点在讲什么
2. 再总结它为什么重要
3. 说明会影响哪些 AI 产品或内容方向
4. 最后给出 3 个适合资讯站使用的标题