Что такое генеративный ИИ?

Прочитано: 942 раз(а)


Генеративный ИИ — это тип технологии искусственного интеллекта, который может создавать различные типы контента, включая текст, изображения, аудио и синтетические данные. Недавний ажиотаж вокруг генеративного ИИ был вызван простотой новых пользовательских интерфейсов для создания высококачественного текста, графики и видео за считанные секунды.

Технология, надо отметить, не нова. Генеративный ИИ был представлен в 1960-х годах в чат-ботах. Но только в 2014 году, с введением генеративно-состязательных сетей , или GAN — типа алгоритма машинного обучения — генеративный ИИ смог создавать убедительно аутентичные изображения, видео и аудио реальных людей.

С одной стороны, эта новообретенная возможность открыла новые возможности, в том числе более качественное дублирование фильмов и богатый образовательный контент. Это также раскрыло опасения по поводу глубоких подделок — цифровых поддельных изображений или видео — и вредоносных кибератак на бизнес, включая гнусные запросы, которые реалистично имитируют начальника сотрудника.

Два дополнительных недавних достижения, которые будут более подробно обсуждаться ниже, сыграли решающую роль в распространении генеративного ИИ: трансформеры и революционные языковые модели, которые они сделали возможными. Трансформеры — это тип машинного обучения, который позволяет исследователям обучать все более крупные модели без необходимости заранее маркировать все данные. Таким образом, новые модели можно было обучать на миллиардах страниц текста, что приводило к более глубоким ответам. Кроме того, трансформеры открыли новое понятие, называемое вниманием , которое позволило моделям отслеживать связи между словами на страницах, в главах и книгах, а не только в отдельных предложениях. И не только слова: трансформеры также могут использовать свою способность отслеживать соединения для анализа кода, белков, химических веществ и ДНК.

Машинное обучение идентифицирует лекарства, которые потенциально могут помочь курильщикам бросить курить

Быстрое развитие так называемых больших языковых моделей, т. е. моделей с миллиардами или даже триллионами параметров, открыло новую эру, в которой генеративные модели ИИ могут писать привлекательный текст, рисовать фотореалистичные изображения и даже создавать несколько развлекательных ситкомов. летать. Более того, инновации в области мультимодального ИИ позволяют командам создавать контент для различных типов мультимедиа, включая текст, графику и видео. Это основа для таких инструментов, как Dall-E , которые автоматически создают изображения из текстового описания или генерируют текстовые подписи из изображений.

Несмотря на эти прорывы, мы все еще находимся на первых этапах использования генеративного ИИ для создания читаемого текста и фотореалистичной стилизованной графики. Ранние реализации имели проблемы с точностью и предвзятостью, а также были склонны к галлюцинациям и выплевыванию странных ответов . Тем не менее достигнутый на данный момент прогресс указывает на то, что присущие этому типу ИИ возможности могут коренным образом изменить бизнес. В дальнейшем эта технология может помочь в написании кода, разработке новых лекарств, разработке продуктов, перепроектировании бизнес-процессов и преобразовании цепочек поставок.

Как работает генеративный ИИ?

Генеративный ИИ начинается с подсказки, которая может быть в виде текста, изображения, видео, дизайна, музыкальных нот или любого другого ввода, который может обработать система ИИ. Затем различные алгоритмы ИИ возвращают новый контент в ответ на приглашение. Контент может включать эссе, решения проблем или реалистичные подделки, созданные из изображений или аудиозаписей человека.

Ранние версии генеративного ИИ требовали отправки данных через API или сложный процесс. Разработчикам приходилось знакомиться со специальными инструментами и писать приложения с использованием таких языков, как Python.

Теперь пионеры в области генеративного ИИ разрабатывают более удобный пользовательский интерфейс, который позволяет вам описать запрос простым языком. После первоначального ответа вы также можете настроить результаты, добавив отзыв о стиле, тоне и других элементах, которые вы хотите отразить в сгенерированном контенте.

Генеративные модели ИИ

Генеративные модели ИИ объединяют различные алгоритмы ИИ для представления и обработки контента. Например, для генерации текста различные методы обработки естественного языка преобразуют необработанные символы (например, буквы, знаки препинания и слова) в предложения, части речи, объекты и действия, которые представляются в виде векторов с использованием нескольких методов кодирования. Точно так же изображения преобразуются в различные визуальные элементы, также выраженные в виде векторов. Одно предостережение заключается в том, что эти методы также могут кодировать предубеждения, расизм, обман и напыщенность, содержащиеся в обучающих данных.

Машинное обучение бинарных систем может улучшить медицинские диагнозы, анализ финансовых рисков и многое другое

Как только разработчики выбирают способ представления мира, они применяют определенную нейронную сеть для создания нового контента в ответ на запрос или подсказку. Такие методы, как GAN и вариационные автоэнкодеры (VAE) — нейронные сети с декодером и кодировщиком — подходят для создания реалистичных человеческих лиц, синтетических данных для обучения ИИ или даже факсимиле конкретных людей.

Недавний прогресс в преобразователях, таких как Google Bidirectional Encoder Representations from Transformers (BERT), OpenAI GPT и Google AlphaFold, также привел к появлению нейронных сетей, которые могут не только кодировать язык, изображения и белки, но и генерировать новый контент.

Как нейронные сети трансформируют генеративный ИИ

Исследователи создавали ИИ и другие инструменты для программного создания контента с первых дней существования ИИ. Самые ранние подходы, известные как системы, основанные на правилах, а затем как «экспертные системы», использовали явно созданные правила для генерации ответов или наборов данных.

Нейронные сети, которые сегодня составляют основу многих приложений ИИ и машинного обучения, изменили проблему. Разработанные для имитации того, как работает человеческий мозг, нейронные сети «изучают» правила, находя закономерности в существующих наборах данных. Первые нейронные сети, разработанные в 1950-х и 1960-х годах, были ограничены недостатком вычислительной мощности и небольшими наборами данных. Только с появлением больших данных в середине 2000-х и усовершенствованием компьютерного оборудования нейронные сети стали практичными для создания контента.

Эта область ускорилась, когда исследователи нашли способ заставить нейронные сети работать параллельно между графическими процессорами (GPU), которые использовались в индустрии компьютерных игр для рендеринга видеоигр. Новые методы машинного обучения, разработанные за последнее десятилетие, в том числе вышеупомянутые генеративно-состязательные сети и преобразователи, подготовили почву для недавних замечательных достижений в области контента, генерируемого ИИ.

Что такое Dall-E, ChatGPT и Bard?

ChatGPT, Dall-E и Bard — популярные интерфейсы для генеративного ИИ.

Далл-Э

Dall-E — это пример мультимодального приложения ИИ, которое идентифицирует связи между несколькими медиа, такими как зрение, текст и аудио. В этом случае он связывает значение слов с визуальными элементами. Он был построен с использованием реализации OpenAI GPT в 2021 году. Dall-E 2, вторая, более мощная версия, была выпущена в 2022 году. Она позволяет пользователям создавать изображения в нескольких стилях, управляемых пользовательскими подсказками.

ЧатGPT

ChatGPT — это приложение для чат-ботов на основе искусственного интеллекта, построенное на реализации OpenAI GPT-3.5. OpenAI предоставил способ взаимодействия и точной настройки текстовых ответов через интерфейс чата с интерактивной обратной связью. Более ранние версии GPT были доступны только через API. GPT-4 был выпущен 14 марта 2023 года. ChatGPT включает в свои результаты историю своего разговора с пользователем, имитируя реальный разговор. После невероятной популярности нового интерфейса GPT Microsoft объявила о значительных новых инвестициях в OpenAI и интегрировала версию GPT в свою поисковую систему Bing.

Google Bard

Google был еще одним лидером в разработке новаторских методов искусственного интеллекта для обработки языка, белков и других типов контента. Некоторые из этих моделей были открыты для исследователей. Однако общедоступный интерфейс для этих моделей так и не был выпущен. Решение Microsoft внедрить GPT в Bing побудило Google выпустить на рынок общедоступного чат-бота Google Bard . Компания Google понесла значительные потери в цене акций после поспешного дебюта Барда после того, как языковая модель неверно указала, что телескоп Уэбба был первым, кто обнаружил планету в чужой солнечной системе.

Между тем, реализации Microsoft и ChatGPT также потеряли лицо на первых порах из-за неточных результатов и неустойчивого поведения.

Каковы варианты использования генеративного ИИ?

Машинное обучение ускоряет разработку передовых производственных технологий

Генеративный ИИ можно применять в различных вариантах использования для создания практически любого контента. Эта технология становится все более доступной для пользователей всех типов благодаря появляющимся инновациям, таким как GPT, которые можно настраивать для различных приложений. Вот некоторые из вариантов использования генеративного ИИ :

  • Внедрение чат-ботов для обслуживания клиентов и технической поддержки.
  • Развертывание глубоких фейков для имитации людей или даже конкретных лиц.
  • Улучшение дубляжа фильмов и образовательного контента на разных языках.
  • Написание ответов на электронные письма, профили знакомств, резюме и курсовые работы.
  • Создание фотореалистичного искусства в определенном стиле.
  • Улучшение демонстрационных видеороликов о продукте.
  • Предложение новых лекарственных соединений для тестирования.
  • Проектирование физических продуктов и зданий.
  • Оптимизация новых конструкций чипов.
  • Написание музыки в определенном стиле или тоне.

Каковы преимущества генеративного ИИ?

Генеративный ИИ можно широко применять во всех сферах бизнеса. Это может упростить интерпретацию и понимание существующего контента и автоматическое создание нового контента. Разработчики изучают способы, с помощью которых генеративный ИИ может улучшить существующие рабочие процессы, с целью полной адаптации рабочих процессов для использования преимуществ технологии. Некоторые из потенциальных преимуществ, которые следует учитывать при внедрении генеративного ИИ, включают следующее:

  • Автоматизация ручного процесса написания контента.
  • Сокращение усилий, связанных с ответами на электронные письма.
  • Улучшение ответа на конкретные технические запросы.
  • Создание реалистичных образов людей.
  • Обобщение сложной информации в связный рассказ.
  • Упрощение процесса создания контента в определенном стиле.

Каковы ограничения генеративного ИИ?

Ранние реализации генеративного ИИ ярко иллюстрируют его многочисленные ограничения. Некоторые из этих ограничений являются результатом конкретных подходов, используемых для реализации конкретных вариантов использования. Например, краткое изложение сложной темы легче читать, чем объяснение, включающее различные источники, подтверждающие ключевые моменты. Однако удобочитаемость сводки достигается за счет того, что пользователь может проверить, откуда берется информация.

Машинное обучение используется для вывода правил проектирования сложных механических метаматериалов

Вот некоторые ограничения, которые следует учитывать при внедрении или использовании генеративных приложений ИИ:

  • Он не всегда определяет источник контента.
  • Может быть сложно оценить предвзятость первоисточников.
  • Реалистично звучащий контент затрудняет выявление неточной информации.
  • Может быть трудно понять, как настроиться на новые обстоятельства.
  • Результаты могут скрыть предвзятость, предрассудки и ненависть.

Какие опасения связаны с генеративным ИИ?

Развитие генеративного ИИ также вызывает различные опасения . Они касаются качества результатов, возможности неправомерного использования и злоупотребления, а также возможности нарушения существующих бизнес-моделей. Вот некоторые из конкретных типов проблем, поднимаемых сегодня:

  • Он может предоставлять неточную и вводящую в заблуждение информацию.
  • Труднее доверять, не зная источника и происхождения информации.
  • Это может способствовать новым видам плагиата, которые игнорируют права создателей контента и авторов оригинального контента.
  • Это может разрушить существующие бизнес-модели, основанные на поисковой оптимизации и рекламе.
  • Это упрощает создание фейковых новостей.
  • Так проще утверждать, что настоящие фотографические доказательства правонарушения были всего лишь подделкой, созданной искусственным интеллектом.
  • Он может выдавать себя за людей для более эффективных кибератак социальной инженерии.

Каковы примеры генеративных инструментов ИИ?

Инструменты генеративного ИИ существуют для различных модальностей, таких как текст, изображения, музыка, код и голоса. Некоторые популярные генераторы контента ИИ для изучения включают следующее:

  • Инструменты генерации текста включают GPT, Jasper, AI-Writer и Lex.
  • Инструменты генерации изображений включают Dall-E 2, Midjourney и Stable Diffusion.
  • Инструменты для создания музыки включают Amper, Dadabots и MuseNet.
  • Инструменты генерации кода включают CodeStarter, Codex, GitHub Copilot и Tabnine.
  • Инструменты синтеза голоса включают Descript, Listnr и Podcast.ai.
  • К компаниям, занимающимся разработкой инструментов для разработки микросхем ИИ, относятся Synopsys, Cadence, Google и Nvidia.

Китайский суперкомпьютер

Примеры использования генеративного ИИ по отраслям

Новые технологии генеративного искусственного интеллекта иногда описывают как технологии общего назначения, подобные паровой энергии, электричеству и вычислениям, потому что они могут глубоко повлиять на многие отрасли и варианты использования. Важно помнить, что, как и в случае с предыдущими технологиями общего назначения, людям часто требовались десятилетия, чтобы найти лучший способ организации рабочих процессов, чтобы воспользоваться преимуществами нового подхода, а не ускорять небольшие части существующих рабочих процессов. Вот несколько примеров того, как генеративные приложения ИИ могут повлиять на различные отрасли:

  • Финансы могут отслеживать транзакции в контексте истории отдельных лиц, чтобы создавать более совершенные системы обнаружения мошенничества.
  • Юридические фирмы используют генеративный ИИ для разработки и толкования контрактов, анализа доказательств и выдвижения аргументов.
  • Производители используют генеративный ИИ для объединения данных с камер, рентгеновских снимков и других показателей для более точного и экономичного выявления дефектных деталей и основных причин.
  • Кино- и медиа-компании используют генеративный ИИ для более экономичного производства контента и перевода его на другие языки собственными голосами актеров.
  • Медицинская промышленность использует генеративный ИИ для более эффективного выявления перспективных кандидатов в лекарства.
  • Архитектурные фирмы используют генеративный ИИ для более быстрого проектирования и адаптации прототипов.
  • Игровые компании используют генеративный ИИ для разработки игрового контента и уровней.

Исследователи ставят машинное обучение на путь к квантовым преимуществам

Этика и предвзятость в генеративном ИИ

Несмотря на свои обещания, новые инструменты генеративного ИИ открывают целую банку червей в отношении точности, достоверности, предвзятости , галлюцинаций и плагиата — проблем, на решение которых, вероятно, потребуются годы. Ни одна из проблем не является особенно новой для ИИ. Первый набег Microsoft на чат-ботов в 2016 году под названием Tay, например, пришлось отключить после того, как он начал извергать подстрекательскую риторику в Twitter.

Что нового , так это то, что новейшие приложения для генеративного ИИ на первый взгляд звучат более связно. Современные приложения для генеративного ИИ, такие как ChatGPT, могут легко пройти тест Тьюринга . Один инженер Google был даже уволен после того, как публично объявил, что приложение для генеративного искусственного интеллекта, Language Models for Dialog Applications (LaMDA), является разумным.

Убедительный реализм генеративного ИИ-контента затрудняет обнаружение ошибок. Это может быть большой проблемой, когда мы полагаемся на результаты генеративного ИИ для написания кода или предоставления медицинских консультаций. Многие результаты генеративного ИИ непрозрачны, поэтому трудно определить, например, нарушают ли они авторские права или есть проблемы с исходными источниками, из которых они получают результаты. Если вы не знаете, как ИИ пришел к выводу, вы не можете рассуждать о том, почему он может быть неправильным.

Генеративный ИИ против ИИ

Генеративный ИИ создает новый контент, ответы в чате, дизайн, синтетические данные или дипфейки. Традиционный ИИ сосредоточен на обнаружении закономерностей, принятии решений, оттачивании аналитики, классификации данных и обнаружении мошенничества.

Китай пытается регулировать технологию дипфейков

Генеративный ИИ, как отмечалось выше, часто использует методы нейронных сетей, такие как преобразователи, GAN и VAE . Другие виды ИИ, в отличие от них, используют такие методы, как сверточные нейронные сети, рекуррентные нейронные сети и обучение с подкреплением .

Генеративный ИИ часто начинается с подсказки, которая позволяет пользователю или источнику данных отправить начальный запрос или набор данных для управления созданием контента. Это может быть повторяющийся процесс изучения вариантов контента. Традиционные алгоритмы ИИ обрабатывают новые данные, чтобы вернуть простой результат.

История генеративного ИИ

Чат-бот Eliza, созданный Джозефом Вайценбаумом в 1960-х годах, был одним из первых примеров генеративного ИИ. В этих ранних реализациях использовался подход, основанный на правилах, который легко ломался из-за ограниченного словарного запаса, отсутствия контекста и чрезмерной зависимости от шаблонов, среди прочих недостатков. Ранние чат-боты также было сложно настраивать и расширять.

Эта область возродилась после достижений в области нейронных сетей и глубокого обучения в 2010 году, которые позволили технологии автоматически научиться анализировать существующий текст, классифицировать элементы изображения и расшифровывать аудио.Ян Гудфеллоу представил GAN в 2014 году. Это обеспечило новый подход к организации конкурирующих нейронных сетей для создания и последующей оценки вариантов контента. Они могли генерировать реалистичных людей, голоса, музыку и текст. Это вызвало интерес — и страх — к тому, как можно использовать генеративный ИИ для создания реалистичных подделок, которые имитируют голоса и людей в видео.

С тех пор прогресс в других методах и архитектурах нейронных сетей помог расширить возможности генеративного ИИ. Методы включают VAE, долговременную кратковременную память, преобразователи, модели диффузии и поля нейронного излучения.

ИИ и дипфейки представляют новые риски для интернет-отношений

Лучшие практики использования генеративного ИИ

Лучшие практики использования генеративного ИИ будут различаться в зависимости от модальностей, рабочего процесса и желаемых целей. При этом важно учитывать такие важные факторы, как точность, прозрачность и простота использования при работе с генеративным ИИ. Следующие методы помогают достичь этих факторов:

  • Четко маркируйте весь генеративный ИИ-контент для пользователей и потребителей.
  • Проверьте точность сгенерированного контента, используя первоисточники, где это применимо.
  • Подумайте, как предвзятость может вплестись в сгенерированные результаты ИИ.
  • Дважды проверьте качество сгенерированного ИИ кода и контента с помощью других инструментов.
  • Узнайте о сильных сторонах и ограничениях каждого инструмента генеративного ИИ.
  • Ознакомьтесь с распространенными режимами сбоев в результатах и ​​обойдите их.

Будущее генеративного ИИ

Невероятная глубина и простота ChatGPT продемонстрировали огромные перспективы для широкого распространения генеративного ИИ. Безусловно, он также продемонстрировал некоторые трудности безопасного и ответственного развертывания этой технологии. Но эти ранние проблемы реализации вдохновили на исследования в области более совершенных инструментов для обнаружения текста, изображений и видео, созданных искусственным интеллектом. Промышленность и общество также создадут более совершенные инструменты для отслеживания происхождения информации, чтобы создать более надежный ИИ.

Дипфейки выявляют уязвимости в некоторых технологиях распознавания лиц

Кроме того, улучшения в платформах разработки ИИ помогут ускорить исследования и разработку более совершенных возможностей генеративного ИИ для текста, изображений, видео, 3D-контента, лекарств, цепочек поставок, логистики и бизнес-процессов. Какими бы хорошими ни были эти новые одноразовые инструменты, наиболее значительное влияние генеративного ИИ будет связано с внедрением этих возможностей непосредственно в версии инструментов, которые мы уже используем.

Программы проверки грамматики станут лучше. Инструменты дизайна позволяют легко встраивать более полезные рекомендации непосредственно в рабочие процессы. Учебные инструменты смогут автоматически определять лучшие практики в одной части организации, чтобы помочь более эффективно обучать другие. И это лишь малая часть того, как генеративный ИИ изменит нашу работу.

Часто задаваемые вопросы о генеративном ИИ

Ниже приведены некоторые часто задаваемые вопросы о генеративном ИИ.

Кто создал генеративный ИИ?

Джозеф Вейценбаум создал первый генеративный ИИ в 1960-х годах как часть чат-бота Eliza.

Ян Гудфеллоу продемонстрировал генеративно-состязательные сети для создания реалистично выглядящих и звучащих людей в 2014 году.

Последующие исследования больших языковых моделей от Open AI и Google вызвали недавний энтузиазм, который развился в такие инструменты, как ChatGPT, Google Bard и Dall-E.

Чат-боты с искусственным интеллектом сошли с пути или делают именно то, для чего они были созданы?

Как генеративный ИИ может заменить рабочие места?

Генеративный ИИ может заменить множество профессий, в том числе следующие:

  • Написание описаний продуктов.
  • Создание маркетинговой копии.
  • Создание базового веб-контента.
  • Запуск интерактивных продаж.
  • Отвечая на вопросы клиентов.
  • Создание графики для веб-страниц.

Некоторые компании будут искать возможности заменить людей, где это возможно, в то время как другие будут использовать генеративный ИИ для увеличения и улучшения своей существующей рабочей силы.

Как построить генеративную модель ИИ?

Генеративная модель ИИ начинается с эффективного кодирования представления того, что вы хотите создать. Например, генеративная модель ИИ для текста может начаться с поиска способа представления слов в виде векторов, которые характеризуют сходство между словами, часто используемыми в одном предложении, или которые означают схожие вещи.

Недавний прогресс в исследованиях больших языковых моделей помог отрасли внедрить тот же процесс для представления паттернов, обнаруженных в изображениях, звуках, белках, ДНК, лекарствах и трехмерных проектах. Эта генеративная модель ИИ обеспечивает эффективный способ представления желаемого типа контента и эффективного повторения полезных вариантов.

Как вы обучаете генеративную модель ИИ?

Генеративную модель ИИ необходимо обучать для конкретного варианта использования. Недавний прогресс в больших языковых моделях обеспечивает идеальную отправную точку для настройки приложений для различных вариантов использования. Например, популярная модель GPT, разработанная OpenAI, использовалась для написания текста, генерации кода и создания изображений на основе письменных описаний.

Обучение включает в себя настройку параметров модели для различных вариантов использования, а затем точную настройку результатов на заданном наборе обучающих данных. Например, колл-центр может обучить чат-бота тем вопросам, которые сервисные агенты получают от различных типов клиентов, и ответам, которые сервисные агенты дают в ответ. Приложение для создания изображений, в отличие от текста, может начинаться с меток, описывающих содержимое и стиль изображений, чтобы обучить модель генерировать новые изображения.

Как генеративный ИИ меняет творческую работу?

Генеративный ИИ обещает помочь творческим работникам исследовать варианты идей. Художники могут начать с базовой концепции дизайна, а затем изучить варианты. Промышленные дизайнеры могли исследовать варианты продукта. Архитекторы могут исследовать различные планировки зданий и визуализировать их в качестве отправной точки для дальнейшей доработки.

Тренеры, находящиеся под давлением, пытаются заставить спортивных психологов сплетничать

Это могло бы также способствовать демократизации некоторых аспектов творческой работы. Например, бизнес-пользователи могут изучать маркетинговые изображения продуктов с помощью текстовых описаний. Они могли бы уточнить эти результаты, используя простые команды или предложения.

Что дальше для генеративного ИИ?

Способность ChatGPT генерировать человекоподобный текст вызвала всеобщий интерес к потенциалу генеративного ИИ. Это также пролило свет на многие предстоящие проблемы и задачи.

В краткосрочной перспективе работа будет сосредоточена на улучшении пользовательского опыта и рабочих процессов с использованием генеративных инструментов искусственного интеллекта. Также будет важно укрепить доверие к результатам генеративного ИИ.

Многие компании также будут настраивать генеративный ИИ на своих собственных данных, чтобы улучшить брендинг и коммуникацию. Команды программистов будут использовать генеративный ИИ, чтобы внедрять передовые методы компании для написания и форматирования более читаемого и согласованного кода.

суперкомпьютер

Поставщики будут интегрировать возможности генеративного ИИ в свои дополнительные инструменты для оптимизации рабочих процессов создания контента. Это будет способствовать инновациям в том, как эти новые возможности могут повысить производительность.

Генеративный ИИ также может играть роль в различных аспектах обработки, преобразования, маркировки и проверки данных в рамках рабочих процессов расширенной аналитики. Семантические веб- приложения могут использовать генеративный ИИ для автоматического сопоставления внутренних таксономий, описывающих профессиональные навыки, с различными таксономиями на сайтах обучения навыкам и найма. Точно так же бизнес-группы будут использовать эти модели для преобразования и маркировки сторонних данных для более сложной оценки рисков и возможностей анализа возможностей.

В будущем генеративные модели ИИ будут расширены для поддержки 3D-моделирования, дизайна продуктов, разработки лекарств, цифровых двойников, цепочек поставок и бизнес-процессов. Это облегчит генерацию идей новых продуктов, экспериментирование с различными организационными моделями и изучение различных бизнес-идей.

Какие существуют генеративные модели для обработки естественного языка?

Некоторые генеративные модели обработки естественного языка включают следующее:

  • XLNet Университета Карнеги-Меллона
  • GPT OpenAI (генеративный предварительно обученный преобразователь)
  • АЛЬБЕРТ из Google («Легкий» БЕРТ)
  • Google БЕРТ
  • Гугл ЛаМДА

Обретет ли когда-нибудь сознание ИИ?

Некоторые сторонники ИИ считают, что генеративный ИИ — важный шаг к ИИ общего назначения и даже сознанию. Один из первых тестировщиков чат-бота Google LaMDA даже произвел фурор, когда публично заявил, что он разумен. Потом его отпустили.

КНР к началу зимы создаст прототип самого мощного суперкомпьютера

В 1993 году американский писатель-фантаст и ученый-компьютерщик Вернор Виндж предположил, что через 30 лет у нас будет технологическая возможность создать «сверхчеловеческий интеллект» — ИИ, более разумный, чем люди, — после чего наступит человеческая эра. конец. Пионер искусственного интеллекта Рэй Курцвейл предсказал такую ​​«сингулярность» к 2045 году.

Многие другие эксперты по ИИ считают, что это может быть намного дальше. Пионер робототехники Родни Брукс предсказал , что ИИ не приобретет разум 6-летнего ребенка за всю свою жизнь, но к 2048 году может казаться таким же умным и внимательным, как собака.

Набор данных суперкомпьютерного центра призван ускорить исследования ИИ в области оптимизации высокопроизводительных вычислительных систем



Новости партнеров