Beth yw deallusrwydd artiffisial cynhyrchiol: sut mae'n gweithio, buddion a pheryglon

AI cynhyrchiol yw pwnc trafod technoleg poethaf 2023.

Beth yw deallusrwydd artiffisial cynhyrchiol, sut mae'n gweithio a beth yw ei ddiben? Gadewch i ni ei weld gyda'n gilydd yn yr erthygl hon

Beth yw deallusrwydd artiffisial cynhyrchiol?

Mae AI cynhyrchiol yn fath o dechnoleg deallusrwydd artiffisial sy'n disgrifio'n fras systemau dysgu peiriannau a all gynhyrchu testun, delweddau, cod, neu fathau eraill o gynnwys.

Mae modelau o deallusrwydd artiffisial cynhyrchiol yn cael eu hymgorffori fwyfwy mewn offer ar-lein a chatbot sy'n galluogi defnyddwyr i deipio cwestiynau neu gyfarwyddiadau i faes mewnbwn, y bydd y model AI yn cynhyrchu ymateb tebyg i ddyn arno.

Sut mae deallusrwydd artiffisial cynhyrchiol yn gweithio?

Mae modelau o deallusrwydd artiffisial cynhyrchiol maent yn defnyddio proses gyfrifiadurol gymhleth a elwir yn deep learning dadansoddi patrymau a threfniadau cyffredin mewn setiau data mawr ac yna defnyddio'r wybodaeth hon i greu canlyniadau newydd a chymhellol. Mae’r modelau’n gwneud hyn drwy ymgorffori technegau dysgu peirianyddol a elwir yn rwydweithiau niwral, sy’n cael eu hysbrydoli’n fras gan y ffordd y mae’r ymennydd dynol yn prosesu ac yn dehongli gwybodaeth ac yna’n dysgu ohoni dros amser.

I roi enghraifft, bwydo model o deallusrwydd artiffisial cynhyrchiol gyda llawer iawn o naratif, dros amser byddai’r model yn gallu adnabod ac atgynhyrchu elfennau stori, megis strwythur plot, cymeriadau, themâu, dyfeisiau naratif, ac ati.

Mae modelau o deallusrwydd artiffisial cynhyrchiol maent yn dod yn fwy soffistigedig wrth i'r data y maent yn ei dderbyn ac yn ei gynhyrchu gynyddu, eto diolch i dechnegau deep learning a rhwydwaith niwral isod. O ganlyniad, po fwyaf o gynnwys y mae templed yn ei gynhyrchu deallusrwydd artiffisial cynhyrchiol, po fwyaf argyhoeddiadol a dynol y daw ei ganlyniadau.

Enghreifftiau o AI cynhyrchiol

Mae poblogrwydddeallusrwydd artiffisial cynhyrchiol ffrwydro yn 2023, yn bennaf diolch i raglenni SgwrsGPT e SLAB di OpenAI. Ar ben hynny, mae datblygiad cyflym technolegau deallusrwydd artiffisial, fel prosesu iaith naturiol, wedi gwneud ydeallusrwydd artiffisial cynhyrchiol hygyrch i ddefnyddwyr a chrewyr cynnwys ar raddfa fawr.

Mae cwmnïau technoleg mawr wedi bod yn gyflym i neidio ar y bandwagon, gyda Google, Microsoft, Amazon, Meta ac eraill i gyd yn trefnu eu hoffer datblygu eu hunain. deallusrwydd artiffisial cynhyrchiol ymhen ychydig fisoedd.

Mae yna nifer o offer deallusrwydd artiffisial cynhyrchiol, er mae'n debyg mai'r modelau cynhyrchu testun a delwedd yw'r rhai mwyaf adnabyddus. Mae modelau o deallusrwydd artiffisial cynhyrchiol maent fel arfer yn dibynnu ar ddefnyddiwr yn darparu neges sy'n eu harwain tuag at gynhyrchu'r allbwn dymunol, boed yn destun, delwedd, fideo neu ddarn o gerddoriaeth, er nad yw hyn bob amser yn wir.

Enghreifftiau o fodelau deallusrwydd artiffisial cynhyrchiol

• ChatGPT: model iaith AI a ddatblygwyd gan OpenAI a all ateb cwestiynau a chynhyrchu ymatebion tebyg i ddyn o gyfarwyddiadau testun.
• O-E 3: model AI arall gan OpenAI a all greu delweddau a gwaith celf o gyfarwyddiadau testun.
• Bardd Google: Chatbot AI cynhyrchiol Google a chystadleuydd i ChatGPT. Mae wedi'i hyfforddi ar fodel iaith fawr PaLM a gall ateb cwestiynau a chynhyrchu testun o awgrymiadau.
• Claude 2 : Cyhoeddodd Anthropic o San Francisco, a sefydlwyd yn 2021 gan gyn-ymchwilwyr OpenAI, y fersiwn ddiweddaraf o'i fodel Claude AI ym mis Tachwedd.
• Canol siwrnai : Wedi'i ddatblygu gan labordy ymchwil Midjourney Inc. yn San Francisco, mae'r model AI hwn yn dehongli cyfarwyddiadau testun i gynhyrchu delweddau a gwaith celf, tebyg i DALL-E 2.
• Copilot GitHub : offeryn codio wedi'i bweru gan AI sy'n awgrymu cwblhau cod yn amgylcheddau datblygu Visual Studio, Neovim, a JetBrains.
• Lama 2: Gellir defnyddio model iaith fawr ffynhonnell agored Meta i greu modelau AI sgyrsiol ar gyfer chatbots a chynorthwywyr rhithwir, yn debyg i GPT-4.
• xAI: Ar ôl ariannu OpenAI, gadawodd Elon Musk y prosiect ym mis Gorffennaf 2023 a chyhoeddodd y fenter AI cynhyrchiol newydd hon. Daeth ei fodel cyntaf, y Grok amharchus, allan ym mis Tachwedd.

Mathau o fodelau AI cynhyrchiol

Mae yna wahanol fathau o fodelau AI cynhyrchiol, pob un wedi'i gynllunio ar gyfer heriau a thasgau penodol. Gellir dosbarthu'r rhain yn fras i'r mathau canlynol.

Transformer-based models

Mae modelau seiliedig ar drawsnewidyddion yn cael eu hyfforddi ar setiau data mawr i ddeall y berthynas rhwng gwybodaeth ddilyniannol, megis geiriau a brawddegau. Cefnogir gan deep learning, mae'r modelau AI hyn yn tueddu i fod yn hyddysg mewn NLP a deall strwythur a chyd-destun iaith, gan eu gwneud yn addas iawn ar gyfer tasgau cynhyrchu testun. Mae ChatGPT-3 a Google Bard yn enghreifftiau o fodelau AI cynhyrchiol sy'n seiliedig ar drawsnewidwyr.

Generative adversarial networks

Mae GANs yn cynnwys dau rwydwaith niwral a elwir yn gynhyrchydd a gwahaniaethwr, sydd yn eu hanfod yn gweithio yn erbyn ei gilydd i greu data sy'n edrych yn ddilys. Fel y mae'r enw'n awgrymu, rôl y generadur yw cynhyrchu allbwn argyhoeddiadol fel delwedd yn seiliedig ar awgrym, tra bod y gwahaniaethwr yn gweithio i werthuso dilysrwydd y ddelwedd honno. Dros amser, mae pob cydran yn gwella yn eu rolau priodol, gan gyflawni canlyniadau mwy argyhoeddiadol. Mae DALL-E a Midjourney yn enghreifftiau o fodelau AI cynhyrchiol sy'n seiliedig ar GAN.

Variational autoencoders

Mae VAEs yn defnyddio dau rwydwaith i ddehongli a chynhyrchu data: yn yr achos hwn, amgodiwr a datgodiwr ydyw. Mae'r amgodiwr yn cymryd y data mewnbwn ac yn ei gywasgu i fformat symlach. Yna mae'r datgodiwr yn cymryd y wybodaeth gywasgedig hon ac yn ei hail-greu yn rhywbeth newydd sy'n debyg i'r data gwreiddiol, ond nid yw'n union yr un peth.

Un enghraifft fyddai dysgu rhaglen gyfrifiadurol i gynhyrchu wynebau dynol gan ddefnyddio lluniau fel data hyfforddi. Dros amser, mae'r rhaglen yn dysgu symleiddio lluniau o wynebau pobl trwy eu lleihau i ychydig o nodweddion pwysig, megis maint a siâp y llygaid, y trwyn, y geg, y clustiau, ac ati, ac yna eu defnyddio i greu wynebau newydd.

Multimodal models

Gall modelau amlfodd ddeall a phrosesu sawl math o ddata ar unwaith, megis testun, delweddau a sain, gan ganiatáu iddynt greu allbynnau mwy soffistigedig. Enghraifft fyddai model AI a all gynhyrchu delwedd yn seiliedig ar anogwr testun, yn ogystal â disgrifiad testunol o anogwr delwedd. DALL-E 2 e GPT-4 gan OpenAI yn enghreifftiau o fodelau amlfodd.

Manteision deallusrwydd artiffisial cynhyrchiol

I fusnesau, gellir dadlau mai effeithlonrwydd yw budd mwyaf cymhellol AI cynhyrchiol oherwydd gall alluogi busnesau i awtomeiddio tasgau penodol a chanolbwyntio amser, egni ac adnoddau ar nodau strategol pwysicach. Gall hyn arwain at gostau llafur is, mwy o effeithlonrwydd gweithredol a mewnwelediad newydd i weld a yw prosesau busnes penodol yn perfformio ai peidio.

Ar gyfer gweithwyr proffesiynol a chrewyr cynnwys, gall offer AI cynhyrchiol helpu gyda chynhyrchu syniadau, cynllunio ac amserlennu cynnwys, optimeiddio peiriannau chwilio, marchnata, ymgysylltu â chynulleidfa, ymchwil a golygu, ac o bosibl mwy. Unwaith eto, y prif fantais arfaethedig yw effeithlonrwydd oherwydd gall offer AI cynhyrchiol helpu defnyddwyr i leihau'r amser y maent yn ei dreulio ar rai tasgau penodol fel y gallant fuddsoddi eu hynni mewn mannau eraill. Wedi dweud hynny, mae goruchwyliaeth â llaw a rheolaeth o fodelau AI cynhyrchiol yn parhau i fod yn hynod bwysig.

Achosion defnydd AI cynhyrchiol

Mae AI cynhyrchiol wedi dod o hyd i droedle mewn nifer o sectorau diwydiant ac mae'n ehangu'n gyflym i farchnadoedd masnachol a defnyddwyr. Amcangyfrifon McKinsey erbyn 2030, y gallai tasgau sydd ar hyn o bryd yn cyfrif am tua 30% o oriau gwaith yn yr Unol Daleithiau fod yn awtomataidd, diolch i gyflymu deallusrwydd artiffisial cynhyrchiol.

Mewn gwasanaeth cwsmeriaid, mae chatbots wedi'u pweru gan AI a chynorthwywyr rhithwir yn helpu cwmnïau i leihau amseroedd ymateb a delio â chwestiynau cyffredin gan gwsmeriaid yn gyflym, gan leihau'r baich ar staff. Wrth ddatblygu meddalwedd, mae offer AI cynhyrchiol yn helpu datblygwyr i godio'n fwy glân ac effeithlon trwy adolygu cod, amlygu chwilod, ac awgrymu atebion posibl cyn iddynt ddod yn broblemau mwy. Yn y cyfamser, gall awduron ddefnyddio offer AI cynhyrchiol i gynllunio, drafftio, ac adolygu traethodau, erthyglau, a gwaith ysgrifenedig arall, er yn aml gyda chanlyniadau cymysg.

Sectorau cais

Mae'r defnydd o AI cynhyrchiol yn amrywio o ddiwydiant i ddiwydiant ac mae'n fwy sefydledig mewn rhai nag eraill. Mae achosion defnydd presennol ac arfaethedig yn cynnwys y canlynol:

• Iechyd: Mae AI cynhyrchiol yn cael ei archwilio fel arf i gyflymu darganfod cyffuriau, tra bod offer megis Ysgrifenydd Iechyd AWS maent yn galluogi meddygon i drawsgrifio ymgynghoriadau cleifion a lanlwytho gwybodaeth bwysig i'w cofnod meddygol electronig.
• Marchnata digidol: gall hysbysebwyr, marchnatwyr a thimau masnachol ddefnyddio AI cynhyrchiol i greu ymgyrchoedd personol a theilwra cynnwys i ddewisiadau defnyddwyr, yn enwedig o'u cyfuno â data rheoli perthnasoedd cwsmeriaid.
• addysg: Mae rhai offer addysgol yn dechrau ymgorffori AI cynhyrchiol i ddatblygu deunyddiau dysgu personol sy'n darparu ar gyfer arddulliau dysgu unigol myfyrwyr.
• Cyllid: Mae AI cynhyrchiol yn un o lawer o offer o fewn systemau ariannol cymhleth i ddadansoddi patrymau’r farchnad a rhagweld tueddiadau’r farchnad stoc, ac fe’i defnyddir ochr yn ochr â dulliau rhagweld eraill i gynorthwyo dadansoddwyr ariannol.
• Amgylchedd: yn y gwyddorau amgylcheddol, mae ymchwilwyr yn defnyddio modelau deallusrwydd artiffisial cynhyrchiol i ragfynegi patrymau tywydd ac efelychu effeithiau newid yn yr hinsawdd.

Peryglon a chyfyngiadau deallusrwydd artiffisial cynhyrchiol

Un pryder mawr ynghylch y defnydd o offer AI cynhyrchiol – ac yn enwedig y rhai sy’n hygyrch i’r cyhoedd – yw eu potensial i ledaenu gwybodaeth anghywir a chynnwys niweidiol. Gall effaith hyn fod yn eang ac yn ddifrifol, o barhad stereoteipiau, lleferydd casineb ac ideolegau niweidiol i niwed i enw da personol a phroffesiynol a bygythiad ôl-effeithiau cyfreithiol ac ariannol. Awgrymwyd hyd yn oed y gallai camddefnyddio neu gamreoli AI cynhyrchiol roi diogelwch cenedlaethol mewn perygl.

Nid yw'r risgiau hyn wedi dianc rhag gwleidyddion. Ym mis Ebrill 2023, cynigiodd yr Undeb Ewropeaidd rheolau hawlfraint newydd ar gyfer AI cynhyrchiol a fyddai'n ei gwneud yn ofynnol i gwmnïau ddatgelu unrhyw ddeunydd hawlfraint a ddefnyddir i ddatblygu offer deallusrwydd artiffisial cynhyrchiol. Cymeradwywyd y rheolau hyn yn y gyfraith ddrafft a bleidleisiwyd gan Senedd Ewrop ym mis Mehefin, a oedd hefyd yn cynnwys cyfyngiadau llym ar y defnydd o ddeallusrwydd artiffisial yn aelod-wledydd yr UE, gan gynnwys gwaharddiad arfaethedig ar dechnoleg adnabod wynebau amser real mewn mannau cyhoeddus.

Mae awtomeiddio tasgau trwy AI cynhyrchiol hefyd yn codi pryderon am y gweithlu a dadleoli swyddi, fel yr amlygwyd gan McKinsey. Yn ôl y grŵp ymgynghori, gallai awtomeiddio achosi 12 miliwn o drawsnewidiadau gyrfa rhwng nawr a 2030, gyda cholledion swyddi yn canolbwyntio ar gymorth swyddfa, gwasanaeth cwsmeriaid a gwasanaeth bwyd. Mae’r adroddiad yn amcangyfrif y gallai’r galw am weithwyr swyddfa “… ostwng 1,6 miliwn o swyddi, yn ogystal â cholledion o 830.000 i werthwyr manwerthu, 710.000 i gynorthwywyr gweinyddol a 630.000 i arianwyr.”

AI cynhyrchiol ac AI cyffredinol

Mae AI cynhyrchiol ac AI cyffredinol yn cynrychioli gwahanol ochrau'r un darn arian. Mae'r ddau yn ymwneud â maes deallusrwydd artiffisial, ond mae'r cyntaf yn is-fath o'r olaf.

Mae Generative AI yn defnyddio technegau dysgu peiriant amrywiol, megis GAN, VAE, neu LLM, i gynhyrchu cynnwys newydd o fodelau a ddysgwyd o ddata hyfforddi. Gall yr allbynnau hyn fod yn destun, delweddau, cerddoriaeth, neu unrhyw beth arall y gellir ei gynrychioli'n ddigidol.

Mae deallusrwydd cyffredinol artiffisial, a elwir hefyd yn ddeallusrwydd cyffredinol artiffisial, yn cyfeirio'n fras at y cysyniad o systemau cyfrifiadurol a roboteg sy'n meddu ar ddeallusrwydd ac ymreolaeth tebyg i ddynol. Dyma stwff ffuglen wyddonol o hyd: meddyliwch am WALL-E Disney Pixar, Sonny o I, Robot, neu HAL 2004 yn 9000, y deallusrwydd artiffisial maleisus o 2001 Stanley Kubrick: A Space Odyssey. Mae'r rhan fwyaf o systemau AI cyfredol yn enghreifftiau o “AI cul”, gan eu bod wedi'u cynllunio ar gyfer tasgau penodol iawn.

AI cynhyrchiol a dysgu peiriant

Fel y disgrifir uchod, mae AI cynhyrchiol yn is-faes deallusrwydd artiffisial. Mae modelau AI cynhyrchiol yn defnyddio technegau dysgu peirianyddol i brosesu a chynhyrchu data. Yn gyffredinol, mae deallusrwydd artiffisial yn cyfeirio at y cysyniad o gyfrifiaduron sy'n gallu cyflawni tasgau a fyddai fel arall yn gofyn am ddeallusrwydd dynol, megis gwneud penderfyniadau a NLP.

Dysgu peiriant yw elfen sylfaenol deallusrwydd artiffisial ac mae'n cyfeirio at gymhwyso algorithmau cyfrifiadurol i ddata at ddibenion addysgu cyfrifiadur i gyflawni tasg benodol. Dysgu peiriant yw'r broses sy'n caniatáu i systemau deallusrwydd artiffisial wneud penderfyniadau neu ragfynegiadau gwybodus yn seiliedig ar batrymau a ddysgwyd.

Ai deallusrwydd artiffisial cynhyrchiol yw'r dyfodol?

Nid yw twf ffrwydrol AI cynhyrchiol yn dangos unrhyw arwyddion o leihau, ac wrth i fwy o gwmnïau gofleidio digideiddio ac awtomeiddio, mae'n ymddangos y bydd AI cynhyrchiol yn chwarae rhan ganolog yn nyfodol y diwydiant. Mae galluoedd AI cynhyrchiol eisoes wedi bod yn werthfawr mewn diwydiannau fel creu cynnwys, datblygu meddalwedd, a meddygaeth, ac wrth i'r dechnoleg barhau i esblygu, bydd ei chymwysiadau a'i hachosion defnydd yn ehangu.

Wedi dweud hynny, mae effaith AI cynhyrchiol ar fusnesau, unigolion a chymdeithas yn gyffredinol yn dibynnu ar sut rydym yn mynd i'r afael â'r risgiau y mae'n eu cyflwyno. Sicrhau bod deallusrwydd artiffisial yn cael ei ddefnyddio yn foesegol lleihau rhagfarn, gwella tryloywder ac atebolrwydd a chefnogi'r llywodraethu data yn hanfodol, tra bod sicrhau bod rheoleiddio yn cadw i fyny ag esblygiad cyflym technoleg eisoes yn profi i fod yn her. Yn yr un modd, bydd dod o hyd i gydbwysedd rhwng awtomeiddio a chyfranogiad dynol yn bwysig os ydym yn gobeithio harneisio potensial llawn AI cynhyrchiol wrth liniaru unrhyw ganlyniadau negyddol.

Ercole Palmeri