什麼是生成式 AI？
生成式人工智慧 (生成式 AI) 是一種可以創造新內容和想法的人工智慧，包括創造對話、故事、影像、視訊和音樂。AI 技術試圖在非傳統計算任務中模仿人類智能，例如圖像識別，自然語言處理（NLP）和翻譯。生成式 AI 是人工智能的下一步。您可以訓練 AI，讓其學習人類語言、編程語言、藝術、化學、生物學或任何複雜的主題。生成式 AI 會重複使用訓練資料來解決新的問題。例如，生成式 AI 可以學習英語詞彙，並根據所處理的單詞來寫成一首詩。您的組織可以將生成式 AI 用於各種目的，例如聊天機器人、媒體創作，以及產品開發和設計。
生成式 AI 為何如此重要？
像 ChatGPT 這樣的生成式 AI 應用程式吸引了廣泛的關注，並且可讓使用者充分發揮想像力。它們可以協助重塑大多數客戶體驗和應用程式，建立前所未有的新應用程式，以及協助客戶達到新的工作效率水準。
根據 Goldman Sachs 的觀點，生成式 AI 可以推動全球國內生產總值 (GDP)增長 7% (或近 7 萬億美元)。他們還預計，生成式 AI 可能會在 10 年內將生產率增長提高 1.5%。
接下來，我們將介紹生成式 AI 的更多優點。
加速研究
生成式 AI 演算法可以用新的方式探索和分析複雜的資料。因此，研究人員可以發現可能不明顯的新趨勢和模式。這些演算法可以彙總內容，概述多種解決方案路徑，集思廣益，並依據研究筆記建立詳細的文件。這就是生成式 AI 可極大地增強研究和創新的原因所在。
例如，製藥產業正在使用生成式 AI 系統來產生和最佳化蛋白質序列，並顯著加快推進藥物發現。
提升客戶體驗
生成式 AI 可以自然地回應人類對話，並作為客戶服務和客戶工作流程個人化的工具。
例如，您可以使用 AI 支援的聊天機器人、語音機器人和虛擬助理，更準確地回應客戶以在第一次接觸時就解決問題。他們可以透過以個人化的方式呈現精選的服務和溝通內容來提高客戶參與度。
最佳化業務程序
使用生成式 AI，企業可以利用機器學習 (ML) 和 AI 應用程式在所有業務領域最佳化業務流程。可以將此技術運用於所有業務範圍，包括工程、行銷、客戶服務、金融和銷售。
例如，以下是生成式 AI 可以執行的最佳化：
- 從任何來源擷取和彙總資料以用於知識搜尋功能
- 評估和最佳化行銷、廣告、財務和物流等領域的不同成本降低方案
- 產生合成資料以建立帶標籤的資料，用於監督式學習和其他 ML 程序
提升員工生產力
生成式 AI 模型可以增強員工的工作流程，並且充當組織中每個人的高效助手。它們可以採用類似人類的方式完成從搜尋到建立的所有任務。
生成式 AI 可以提高不同類型員工的工作效率：
- 依據特定的輸入和約束條件產生多個原型，從而支援創意任務。該技術還可以依據人工意見回饋和指定約束條件最佳化現有設計。
- 針對應用程式開發任務產生新的軟體程式碼建議。
- 透過產生報告、摘要和預測來支援管理。
- 為行銷團隊產生新的銷售指令碼、電子郵件內容和部落格
可以節省時間、降低成本並提高整個組織的效率。
生成式 AI 將如何影響產業？
雖然生成式 AI 可能會逐漸影響所有產業，但某些產業有望迅速從這項技術中受益。
金融服務
金融服務公司可發揮生成式 AI 的強大功能，在降低成本同時為客戶提供更好的服務：
- 金融機構可以使用聊天機器人產生產品建議並回應客戶查詢，從而改善整體客戶服務
- 貸款機構可為金融服務不足的市場 (特別是開發中國家) 快速核准貸款
- 銀行能迅速偵測索賠、信用卡和貸款中的詐騙行為
- 投資公司可利用 FM 的強大功能，以低成本為客戶提供安全、個人化的理財建議
醫療保健與生命科學
生成式 AI 最有前景的使用案例之一是加速藥物發現和研究。生成式 AI 使用模型建立具有特定特性的新型蛋白質序列，以此設計抗體、酶、疫苗和基因療法。
醫療保健和生命科學公司可以使用生成式模型設計合成基因序列，以運用于合成生物學和代謝工程。例如，這些公司可以建立新的生物合成途徑或最佳化用於生物製造的基因表達。
最後，生成式人工智慧可用于建立合成患者和醫療保健資料。這對於在不存取大型現實世界資料集的情況下訓練 AI 模型、模擬臨床試驗或研究罕見疾病非常有用。
汽車與製造業
汽車公司可將生成式 AI 技術用於多種用途，從工程到車內體驗和客戶服務。例如，這些公司可以最佳化機械零件的設計以減少車輛設計中的阻力或調整輔助系統的設計。
汽車公司正在使用生成式 AI，藉由快速回答最常見的客戶問題來提供更好的客戶服務。可利用生成式 AI 來建立新材料、晶片和零件設計，以最佳化製造流程並降低成本。
生成式 AI 也可用於合成資料產生以測試應用程式。這對於通常未包含在測試資料集中的資料 (例如缺陷或邊緣情況) 特別有用。
媒體與娛樂
從動畫和劇本到完整電影，生成式 AI 模型僅需傳統製作所需的一小部分成本和時間，即可產生新穎內容。
以下是在產業中使用生成式 AI 的其他方式：
- 藝術家可利用 AI 生成的音樂來補充及加強其專輯，創造全新體驗
- 媒體組織可利用生成式 AI 提供個人化內容和廣告來改善觀眾體驗，藉此增加收入
- 遊戲公司可利用生成式 AI 來開發新遊戲，並能讓玩家建立遊戲中化身
電信
電信領域中生成式 AI 的早期使用案例都專注於重塑客戶體驗。客戶體驗是由訂閱用戶在客戶旅程的所有接觸點上的累積互動來定義。
例如，電信組織可以運用生成式 AI，透過類似人類的即時對話代理程式來改善客戶服務。他們還可以透過分析網路資料來推薦修復方法，從而最佳化網路效能。他們也可以透過個人化的一對一銷售助理重塑客戶關係。
能源
生成式 AI 適用於涉及複雜原始資料分析、模式辨識、預測和最佳化的能源部門任務。能源組織可以透過分析企業資料來確定使用模式，從而改善客戶服務。透過這些資訊，組織可以開發有針對性的產品、能源效率計劃或需求回應計劃。
生成式 AI 可協助電網管理、提升作業現場安全性，並透過儲油氣層模擬來將能源生產最佳化。
生成式 AI 如何運作？
像所有人工智慧一樣，生成式 AI 的運作方式是使用機器學習模型，機器學習模型是依據大量資料進行預訓練的超大型模型。
基礎模型
基礎模型 (FM) 是在廣泛的廣義和未標記資料上訓練的機器學習模型。它們能夠執行各種一般任務。
FM 是數十年來不斷演進技術的最新進展成果。通常，FM 使用學習的模式和關係來預測序列中的下一個項目。
例如，在產生影像時，模型會分析影像並建立更清晰、更明確定義的影像版本。同樣，對於文字，模型會依據之前的字詞及其情境預測文字字串中的下一個字詞。後，模型使用概率分佈技術選擇下一個字詞。
大型語言模型
大型語言模型 (LLM) 是一類基礎模型。例如，OpenAI 的生成式預訓練轉換器 (GPT) 模型是 LLM。LLLM 專門處理基於語言的任務，例如摘要、文字產生、分類、開放式對話和資訊擷取。
LLM 的與眾不同在於它們能夠執行多項任務。實現此功能的原因是 LLM 包含許多參數，使其能夠學習進階概念。
像 GPT-3 這樣的 LLM 可以考慮數十億個參數，並且能夠依據很少量的輸入產生內容。透過在預訓練中接觸各種形式和多種模式的網際網路規模資料，LLM 學會在各種環境中運用它們的知識。
生成式 AI 模型如何運作？
傳統的機器學習模型具有辨別性，或者側重於對資料點進行分類。它們嘗試確定已知因素和未知因素之間的關係。例如，這些模型檢視影像，即圖元排列、線條、顏色和形狀等已知資料，然後將它們映射到字詞，即未知因素。從數學上講，這些模型的運作方式是識別可以用數值方式將未知和已知因素映射為 x 和 y 變數的方程。
生成式模型在此基礎上更進一步。這些模型不是在給定某些特徵的情況下預測標籤，而是在給定特定標籤的情況下嘗試預測特徵。從數學上講，生成式建模計算 x 和 y 同時出現的概率。該模型學習不同資料特徵的分佈及其關係。
例如，生成式模型分析動物影像以記錄變數，例如不同的耳朵形狀、眼睛形狀、尾巴特徵和皮膚圖案。這些模型學習特徵及其關係，以了解不同動物的總體外觀。然後，它們可以重新建立訓練集中沒有的新動物影像。
接下來，我們給出幾大類生成式 AI 模型。
擴散模型
擴散模型透過對初始資料樣本進行反覆運算性的受控隨機變更來建立新資料。這些模型以原始資料為起點，然後加入細微的變化 (雜訊)，逐漸使其與原始資料不那麼相似。這種雜訊經過精心控制，以確保產生的資料保持一致且逼真。
在多次反覆運算中新增雜訊之後，擴散模型反轉該程序。反向消噪會逐漸消除雜訊，以產生類似原始資料的新資料樣本。
生成式對抗網路
生成式對抗網路 (GAN) 是另一個以擴散模型概念為基礎的生成式 AI 模型。
GAN 透過以競爭性的方式訓練兩個神經網路來運作。第一個網路稱為產生器，透過新增隨機雜訊來產生虛假的資料樣本。第二個網路稱為鑑別器，其嘗試區分真實資料和產生器產生的虛假資料。
在訓練過程中，產生器不斷提高其建立逼真資料的能力，而鑑別器日益加強區分真假資料的能力。這種對抗過程一直持續到產生器產生的資料令人信服，以至於鑑別器無法將其與真實資料區分。
GAN 廣泛用於產生逼真的影像，風格轉換和資料增強任務。
变分自动编码器
變動自動編碼器 (VAE) 學習稱為潛在空間的資料緊湊表示。潛在空間是資料的數學表示。可以將潛在空間視為唯一的程式碼，根據資料的所有屬性來表示資料。例如，如果研究面部，則潛在空間包含代表眼睛形狀、鼻子形狀、顴骨和耳朵的數字。
VAE 使用兩個神經網路 — 編碼器和解碼器。編碼器神經網路將輸入資料映射為潛在空間每個維度的均值和方差。該神經網路從高斯 (正態) 分佈中產生隨機樣本。此樣本是潛在空間中的一個點，表示輸入資料的壓縮簡化版本。
解碼器神經網路從潛在空間中取得此取樣點，然後將其重新建構回與原始輸入相似的資料。使用數學函數衡量重新建構的資料與原始資料的相符程度。
以轉換器為基礎的模型
以轉換器為基礎的生成式 AI 模型建立在 VAE 的編碼器和解碼器概念之上。以轉換器為基礎的模型為編碼器新增更多層，以提高理解、翻譯和創意寫作等文字式任務的處理效能。
以轉換器為基礎的模型使用自注意力機制。在處理序列中的每個元素時，這些模型權衡輸入序列中不同部分的重要性。
另一個關鍵功能是這些 AI 模型實作情境嵌入。序列元素的編碼不僅取決於元素本身，還取決於其序列中的情境。
以轉換器為基礎的模型如何運作
要理解基於轉換器的模型如何運作，可以將語句想像成字詞序列。
自注意力可以協助模型在處理每個字詞時將注意力集中在相關的字詞上。為擷取字詞之間不同類型的關係，基於轉換器的生成式 AI 採用稱為注意力頭的多個編碼器層。每個頭學習注意輸入序列的不同部分。這樣，模型就可以同時考慮資料的各個方面。
每個層還會對情境嵌入進行最佳化。這些層使嵌入的資訊更豐富，同時可擷取從語法句法到複雜語義的所有內容。
生成式 AI 技術如何演變？
過去幾十年來，統計學中一直使用基本生成式模型來協助進行數值資料分析。神經網路和深度學習是現代生成式 AI 的最新先驅技術。2013 年開發而成的變分自動編碼器是第一個可以產生逼真影像和語音的深度生成式模型。
VAE 引入建立多種資料類型創新變體的功能。該功能推動其他生成式 AI 模型的迅速出現，例如生成式對抗網路和擴散模型。這些創新側重于讓產生的資料日益類似於真實資料，儘管這些資料是人為建立的。
2017 年，隨著轉換器的推出，AI 研究發生進一步的轉變。轉換器將編碼器和解碼器架構與注意機制無縫整合。轉換器以卓越的效率和多功能性簡化語言模型的訓練過程。像 GPT 這樣的著名模型已成為基礎模型，它們能夠在廣泛的原始文字語料庫上進行預訓練，並針對不同的任務進行微調。
轉換器變革自然語言處理可能實現的功能。它們為從翻譯、摘要到回答問題等任務提供了生成式功能。
許多生成式 AI 模型持續取得長足進步，並且已經形成跨行業應用。最近的創新側重于完善模型以使用專有資料。研究人員還希望建立越來越類似人類行為的文字、影像、視訊和語音。
生成式 AI 的採用有哪些最佳實務？
如果組織想要實作生成式 AI 解決方案，請考慮採用以下最佳實務來強化工作。
從內部應用程式開始採用
最好從內部應用程式開發開始採用生成式 AI，重點關注程序優化和員工生產效率提升。可以取得更加可控的環境來測試結果，同時培養技能和理解相關技術。可以廣泛測試模型，甚至可以在內部知識來源上自訂模型。
這樣，在最終將這些模型用於外部應用程式時，客戶將享受更理想的體驗。
提升透明度
就所有生成式 AI 應用程式和輸出進行清晰的溝通，這樣使用者就可知道他們正在與 AI 而非人類進行互動。例如，AI 可以自我介紹為人工智慧，或者可以標記和突出顯示以人工智慧為基礎的搜尋結果。
這樣，使用者就可以在與內容互動時自行做出判斷。他們還可以更主動地處理基礎模型可能存在的任何不準確或隱藏的偏差 (由於訓練資料的局限性)。
實作安全性
實作防護機制，從而生成式 AI 應用程式不會允許無意中未經授權存取敏感性資料。讓安全團隊從一開始參與進來，這樣就可在啟動時考慮所有方面。例如，在依據內部資料訓練任何模型之前，您可能必須遮罩資料並移除個人身分識別資訊 (PII)。
廣泛測試
開發自動和手動測試程序來驗證結果，以及測試生成式 AI 系統可能遇到的所有類型場景。讓不同的測試版測試人員群組以不同的方式試用應用程式並記錄結果。該模型還將透過測試不斷改進，並且您可以更全面地控制預期結果和回應。
生成式 AI 有哪些常見應用？
使用生成式 AI，您可以讓貴企業更快地充分利用機器學習，並將其應用於更廣泛的使用案例。您可以將生成式 AI 應用於所有業務範圍，包括工程、行銷、客戶服務、金融和銷售。程式碼產生是生成式 AI 最有前途的應用之一，而透過 Amazon CodeWhisperer (AI 程式設計輔助工具)，我們可以在開發人員生產力方面取得很好的成果。在預覽版期間，Amazon 執行了一項生產力挑戰，使用 Amazon CodeWhisperer 的參與者不僅成功完成任務的可能性提升了 27%，並且比未使用 CodeWhisperer 的使用者平均提速 57%。
除了程式碼產生之外，還有許多應用場景可利用生成式 AI 來實現客戶體驗、員工生產力、業務效率和創造力的飛躍提升。您可以使用生成式 AI 透過聊天機器人、虛擬助理、智慧聯絡中心、個人化和內容審核等功能來改善客戶體驗。您可以運用採用生成式 AI 的對話式搜尋、內容建立和文字摘要等，提高員工的生產力。您可以透過智慧文件處理、維護助理、品質控制和視覺檢查，以及合成訓練資料產生來改善業務營運。最後，您可以使用生成式 AI 透過文字、動畫、影片和影像產生，以加速藝術和音樂中所有類型創意內容的製作。
AWS 如何協助生成式 AI？
藉助 Amazon Web Services (AWS)，您可以針對自己的資料、使用案例和客戶輕鬆建置和擴展生成式 AI 應用程式。使用 AWS 上的生成式 AI，您可以取得企業級安全性和隱私權，存取業界領先的 FM、生成式 AI 驅動的應用程式以及資料優先方法。
從一系列生成式 AI 技術中進行選擇，這些技術支援處於生成式 AI 採用和成熟的每個階段的所有類型組織：
- 程式碼產生是生成式 AI 最有前景的應用場景之一。藉助人工智慧編碼伴侶 Amazon CodeWhisperer，可以有效提升開發人員工作效率。在預覽版發佈期間，Amazon 就有效提升工作效率。使用 CodeWhispererer 的參與者成功完成任務的可能性要高 27%。平均而言，他們完成任務的速度比不使用 CodeWhispererer 的使用者快 57%。
- Amazon Bedrock 是另一項全受管的服務，提供多種高效能 FM 和多種功能。可以輕鬆地試用各種頂級 FM，使用自己的資料對其進行私有自訂，以及建立執行複雜業務任務的受管代理程式。
- 還可以使用 Amazon SageMaker JumpStart 發現、探索和部署開放原始碼 FM，甚至可以建立自己的 FM。SageMaker JumpStart 提供受管基礎設施和工具，以加速可擴展、可靠且安全的模型建置、訓練和部署。
- AWS HealthScribe 是符合 HIPAA 資格的服務，助推醫療保健軟體供應商建置臨床應用程式，透過分析患者與臨床醫師的對話，來自動產生臨床記錄。AWS HealthScribe 將語音辨識和生成式人工智慧 (AI) 相結合，透過轉錄患者與臨床醫生的對話和產生更易於檢閱的臨床筆記來減輕臨床文件方面的負擔。
- Amazon Q in QuickSight 有助於業務分析師利用自然語言指令輕鬆創建和自訂視覺效果。全新的生成式 BI 撰寫功能擴展了 QuickSight Q 的自然語言查詢功能，除了回答結構良好的問題 (例如「加州銷售排名前 10 的產品有哪些？」) 以協助分析師從問題片段 (例如「前 10 的產品」) 快速建立可自訂的視覺效果，更可以透過詢問後續問題來明確查詢的意圖，完善視覺效果並完成複雜的計算。
立即建立帳戶，開始在 AWS 上使用生成式 AI。
