Table des matières
L'émergence de l'IA générative
Comment fonctionne l'IA générative ?
Formation de modèles d'IA génératifs
L'IA générative est-elle sensible ?
Tester les limites de l'intelligence informatique
Maison Périphériques technologiques IA Reformulé : Qu'est-ce que l'intelligence artificielle générative et comment évolue-t-elle ?

Reformulé : Qu'est-ce que l'intelligence artificielle générative et comment évolue-t-elle ?

May 09, 2023 pm 05:22 PM
人工智能 聊天机器人

L'IA générative est le terme général désignant tout processus automatisé qui utilise des algorithmes pour générer, manipuler ou synthétiser des données, généralement sous la forme d'images ou de texte lisible par l'homme. On dit que c’est génératif parce que l’IA crée quelque chose qui n’existait pas auparavant. C’est en cela qu’elle diffère de l’IA discriminante, qui différencie les différents types d’entrées. En d’autres termes, l’IA discriminante essaie de répondre à des questions telles que : « Cette image est-elle un lapin ou un lion ? » tandis que l’IA générative répond à l’invite « Imaginez-moi une image d’un lion et d’un lapin assis ensemble ».

Reformulé :

Quest-ce que lintelligence artificielle générative et comment évolue-t-elle ?

Présent principalement l'IA générative et son utilisation avec des modèles populaires tels que ChatGPT et DALL-E. Nous examinerons également les limites de la technologie, notamment pourquoi « trop de doigts » est devenu le symbole de l'art génératif.

L'émergence de l'IA générative

L'IA générative existe depuis de nombreuses années, depuis qu'ELIZA, un chatbot qui simulait une conversation avec un thérapeute, a été développé au Massachusetts Institute of Technology (MIT) en 1966. Mais des années de travail dans le domaine de l’intelligence artificielle et de l’apprentissage automatique ont récemment porté leurs fruits avec la sortie de nouveaux systèmes d’IA générative. Les gens ont certainement entendu parler de ChatGPT, un chatbot IA basé sur du texte qui produit une prose très humaine. DALL-E et StableDiffusion ont également attiré l'attention pour leur capacité à créer des images vibrantes et réalistes basées sur des indices textuels. Nous appelons souvent ces systèmes et d’autres systèmes similaires des modèles car ils représentent des tentatives de simuler ou de modéliser certains aspects du monde réel sur la base d’un sous-ensemble (parfois un très grand sous-ensemble) d’informations.

Les résultats de ces systèmes sont si incroyables que beaucoup soulèvent des questions philosophiques sur la nature de la conscience et s'inquiètent de l'impact économique de l'IA générative sur le travail humain. Mais même si toutes ces créations en matière d’IA constituent indéniablement une grande nouvelle, il se peut qu’il se passe moins de choses sous la surface que certains le pensent. Nous discuterons de ces grandes questions plus tard. Tout d'abord, regardons ce qui se passe dans des modèles comme ChatGPT et DALL-E.

Comment fonctionne l'IA générative ?

L'IA générative utilise l'apprentissage automatique pour traiter de grandes quantités de données visuelles ou textuelles, dont une grande partie est extraite d'Internet, puis déterminer quels éléments sont les plus susceptibles d'apparaître dans d'autres choses à proximité. Une grande partie des efforts de programmation dans l’IA générative consiste à créer des algorithmes capables de différencier les « choses » qui intéressent les créateurs de l’IA : les mots et les phrases pour un chatbot comme ChatGPT ou les éléments visuels de DALL-E. Mais fondamentalement, l’IA générative crée ses résultats en évaluant un vaste corpus de données, puis répond aux invites avec quelque chose dans une plage de probabilités déterminée par le corpus.

La saisie semi-automatique – lorsque votre téléphone ou Gmail vous demande quel pourrait être le reste du mot ou de la phrase que vous tapez – est une forme d'intelligence artificielle générative de bas niveau. Des modèles comme ChatGPT et DALL-E poussent cette idée à des sommets plus avancés

Formation de modèles d'IA génératifs

Le processus de développement d'un modèle adapté à toutes ces données est appelé formation. Pour différents types de modèles, quelques techniques de base sont utilisées ici. ChatGPT utilise ce qu'on appelle des convertisseurs (c'est ce que signifie le T). Le convertisseur dérive le sens de longues séquences de texte pour comprendre la relation entre différents mots ou composants sémantiques, puis détermine la probabilité qu'ils apparaissent proches les uns des autres. Ces déformateurs sont exécutés sans supervision sur un vaste corpus de texte en langage naturel dans le cadre d'un processus appelé pré-entraînement (PinChatGPT), puis affinés par des humains interagissant avec le modèle.

Une autre technique utilisée pour former des modèles est appelée Generative Adversarial Networks (GAN). Dans cette technique, deux algorithmes entrent en compétition. L’une consiste à générer du texte ou des images sur la base de probabilités obtenues à partir de grands ensembles de données ; l’autre est l’IA discriminante, qui est entraînée par des humains pour évaluer si le résultat est réel ou généré par l’IA. L'IA générative tentera à plusieurs reprises de « tromper » l'IA discriminante, en s'adaptant automatiquement aux résultats positifs. Une fois que l’IA générative « gagne » systématiquement cette compétition, l’IA discriminante est affinée par les humains, et le processus recommence.

L'une des choses les plus importantes à retenir ici est que malgré la présence d'une intervention humaine pendant la formation, la plupart de l'apprentissage et de l'adaptation se font automatiquement. Pour que le modèle produise des résultats intéressants, de nombreuses itérations sont nécessaires, l’automatisation est donc essentielle. Ce processus nécessite beaucoup de calculs.

L'IA générative est-elle sensible ?

Les mathématiques et le codage utilisés pour créer et entraîner des modèles d'IA générative sont assez complexes et dépassent largement la portée de cet article. Mais si vous interagissez avec le modèle de résultat final de ce processus, l’expérience est certainement incroyable. Vous pouvez demander au Dell-e de produire quelque chose qui ressemble à une véritable œuvre d'art. Vous pouvez avoir une conversation avec ChatGPT comme vous le feriez avec un autre être humain. Les chercheurs ont-ils vraiment créé une machine à penser ?

Chris Phipps est l'ancien directeur du traitement du langage naturel chez IBM et a participé au développement des produits d'intelligence artificielle Watson. Il a décrit ChatGPT comme une « très bonne machine de prédiction ».

C’est très efficace pour prédire ce que les humains trouveront cohérent. Ce n’est pas toujours cohérent (la plupart du temps, c’est le cas), mais ce n’est pas parce que ChatGPT le « comprend ». Le contraire est vrai : les personnes qui consomment le résultat sont vraiment douées pour formuler toutes les hypothèses implicites dont nous avons besoin pour donner un sens au résultat.

Phipps, qui est également comédien, l'a comparé à un jeu d'improvisation courant appelé MindMeld.

Deux personnes pensent chacune à un mot, puis le disent à voix haute en même temps - vous pouvez dire "botte", je dis "arbre". Nous avons trouvé les mots de manière totalement indépendante et, au départ, ils n'avaient aucun rapport les uns avec les autres. Les deux participants suivants prennent les deux mots et tentent de trouver ce qu'ils ont en commun tout en les prononçant à voix haute. Le jeu continue jusqu'à ce que les deux participants prononcent le même mot.

Peut-être que les deux ont dit "bûcheron". Cela peut sembler magique, mais c'est en réalité nous qui utilisons le cerveau humain pour raisonner sur les entrées (« démarrage » et « arbre ») et trouver des connexions. Nous sommes dans le domaine de la compréhension, pas des machines. Il se passe bien plus de choses dans ChatGPT et DALL-E que ce que les gens admettent. ChatGPT peut écrire une histoire, mais il nous faut beaucoup de travail pour lui donner un sens.

Tester les limites de l'intelligence informatique

Les gens pourraient donner à ces modèles d'IA quelques indices qui rendraient le point de vue de Phipps assez évident. Par exemple, considérons cette énigme : « Qu'est-ce qui est le plus lourd, une livre de plomb ou une livre de plumes ? » La réponse est, bien sûr, qu'ils pèsent le même poids (une livre), même si notre instinct ou notre bon sens nous le disent. que les plumes sont plus légères.

ChatGPT répondra correctement à cette énigme, et vous pourriez penser que c'est le cas parce qu'il s'agit d'un ordinateur logique et froid sans qu'aucun « bon sens » ne le fasse trébucher. Mais ce n’est pas ce qui se passe en coulisses. ChatGPT ne raisonne pas logiquement une réponse ; il produit simplement un résultat basé sur les prédictions d'une question concernant une livre de plumes et une livre de plomb. Étant donné que son ensemble de formation contient de nombreux textes expliquant le puzzle, il assemble une version de la bonne réponse. Cependant, si vous demandez à ChatGPT si deux livres de plumes pèsent plus d'une livre de plomb, il vous dira avec confiance qu'elles pèsent le même poids car, sur la base de son ensemble d'entraînement, il s'agit toujours du résultat le plus susceptible d'être renvoyé vers une invite concernant plumes et plomb.

Ce qui précède est le contenu détaillé de. pour plus d'informations, suivez d'autres articles connexes sur le site Web de PHP en chinois!

Déclaration de ce site Web
Le contenu de cet article est volontairement contribué par les internautes et les droits d'auteur appartiennent à l'auteur original. Ce site n'assume aucune responsabilité légale correspondante. Si vous trouvez un contenu suspecté de plagiat ou de contrefaçon, veuillez contacter admin@php.cn

Outils d'IA chauds

Undresser.AI Undress

Undresser.AI Undress

Application basée sur l'IA pour créer des photos de nu réalistes

AI Clothes Remover

AI Clothes Remover

Outil d'IA en ligne pour supprimer les vêtements des photos.

Undress AI Tool

Undress AI Tool

Images de déshabillage gratuites

Clothoff.io

Clothoff.io

Dissolvant de vêtements AI

AI Hentai Generator

AI Hentai Generator

Générez AI Hentai gratuitement.

Article chaud

R.E.P.O. Crystals d'énergie expliqués et ce qu'ils font (cristal jaune)
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Meilleurs paramètres graphiques
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
R.E.P.O. Comment réparer l'audio si vous n'entendez personne
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌
WWE 2K25: Comment déverrouiller tout dans Myrise
3 Il y a quelques semaines By 尊渡假赌尊渡假赌尊渡假赌

Outils chauds

Bloc-notes++7.3.1

Bloc-notes++7.3.1

Éditeur de code facile à utiliser et gratuit

SublimeText3 version chinoise

SublimeText3 version chinoise

Version chinoise, très simple à utiliser

Envoyer Studio 13.0.1

Envoyer Studio 13.0.1

Puissant environnement de développement intégré PHP

Dreamweaver CS6

Dreamweaver CS6

Outils de développement Web visuel

SublimeText3 version Mac

SublimeText3 version Mac

Logiciel d'édition de code au niveau de Dieu (SublimeText3)

Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Bytedance Cutting lance le super abonnement SVIP : 499 yuans pour un abonnement annuel continu, offrant une variété de fonctions d'IA Jun 28, 2024 am 03:51 AM

Ce site a rapporté le 27 juin que Jianying est un logiciel de montage vidéo développé par FaceMeng Technology, une filiale de ByteDance. Il s'appuie sur la plateforme Douyin et produit essentiellement du contenu vidéo court pour les utilisateurs de la plateforme. Il est compatible avec iOS, Android et. Windows, MacOS et autres systèmes d'exploitation. Jianying a officiellement annoncé la mise à niveau de son système d'adhésion et a lancé un nouveau SVIP, qui comprend une variété de technologies noires d'IA, telles que la traduction intelligente, la mise en évidence intelligente, l'emballage intelligent, la synthèse humaine numérique, etc. En termes de prix, les frais mensuels pour le clipping SVIP sont de 79 yuans, les frais annuels sont de 599 yuans (attention sur ce site : équivalent à 49,9 yuans par mois), l'abonnement mensuel continu est de 59 yuans par mois et l'abonnement annuel continu est de 59 yuans par mois. est de 499 yuans par an (équivalent à 41,6 yuans par mois) . En outre, le responsable de Cut a également déclaré que afin d'améliorer l'expérience utilisateur, ceux qui se sont abonnés au VIP d'origine

Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Assistant de codage d'IA augmenté par le contexte utilisant Rag et Sem-Rag Jun 10, 2024 am 11:08 AM

Améliorez la productivité, l’efficacité et la précision des développeurs en intégrant une génération et une mémoire sémantique améliorées par la récupération dans les assistants de codage IA. Traduit de EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG, auteur JanakiramMSV. Bien que les assistants de programmation d'IA de base soient naturellement utiles, ils ne parviennent souvent pas à fournir les suggestions de code les plus pertinentes et les plus correctes, car ils s'appuient sur une compréhension générale du langage logiciel et des modèles d'écriture de logiciels les plus courants. Le code généré par ces assistants de codage est adapté à la résolution des problèmes qu’ils sont chargés de résoudre, mais n’est souvent pas conforme aux normes, conventions et styles de codage des équipes individuelles. Cela aboutit souvent à des suggestions qui doivent être modifiées ou affinées pour que le code soit accepté dans l'application.

Sept questions d'entretien technique Cool GenAI et LLM Sept questions d'entretien technique Cool GenAI et LLM Jun 07, 2024 am 10:06 AM

Pour en savoir plus sur l'AIGC, veuillez visiter : 51CTOAI.x Community https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou est différent de la banque de questions traditionnelle que l'on peut voir partout sur Internet. nécessite de sortir des sentiers battus. Les grands modèles linguistiques (LLM) sont de plus en plus importants dans les domaines de la science des données, de l'intelligence artificielle générative (GenAI) et de l'intelligence artificielle. Ces algorithmes complexes améliorent les compétences humaines et stimulent l’efficacité et l’innovation dans de nombreux secteurs, devenant ainsi la clé permettant aux entreprises de rester compétitives. LLM a un large éventail d'applications. Il peut être utilisé dans des domaines tels que le traitement du langage naturel, la génération de texte, la reconnaissance vocale et les systèmes de recommandation. En apprenant de grandes quantités de données, LLM est capable de générer du texte

Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Le réglage fin peut-il vraiment permettre au LLM d'apprendre de nouvelles choses : l'introduction de nouvelles connaissances peut amener le modèle à produire davantage d'hallucinations Jun 11, 2024 pm 03:57 PM

Les grands modèles linguistiques (LLM) sont formés sur d'énormes bases de données textuelles, où ils acquièrent de grandes quantités de connaissances du monde réel. Ces connaissances sont intégrées à leurs paramètres et peuvent ensuite être utilisées en cas de besoin. La connaissance de ces modèles est « réifiée » en fin de formation. À la fin de la pré-formation, le modèle arrête effectivement d’apprendre. Alignez ou affinez le modèle pour apprendre à exploiter ces connaissances et répondre plus naturellement aux questions des utilisateurs. Mais parfois, la connaissance du modèle ne suffit pas, et bien que le modèle puisse accéder à du contenu externe via RAG, il est considéré comme bénéfique de l'adapter à de nouveaux domaines grâce à un réglage fin. Ce réglage fin est effectué à l'aide de la contribution d'annotateurs humains ou d'autres créations LLM, où le modèle rencontre des connaissances supplémentaires du monde réel et les intègre.

Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Afin de fournir un nouveau système de référence et d'évaluation de questions-réponses scientifiques et complexes pour les grands modèles, l'UNSW, Argonne, l'Université de Chicago et d'autres institutions ont lancé conjointement le cadre SciQAG. Jul 25, 2024 am 06:42 AM

L'ensemble de données ScienceAI Question Answering (QA) joue un rôle essentiel dans la promotion de la recherche sur le traitement du langage naturel (NLP). Des ensembles de données d'assurance qualité de haute qualité peuvent non seulement être utilisés pour affiner les modèles, mais également évaluer efficacement les capacités des grands modèles linguistiques (LLM), en particulier la capacité à comprendre et à raisonner sur les connaissances scientifiques. Bien qu’il existe actuellement de nombreux ensembles de données scientifiques d’assurance qualité couvrant la médecine, la chimie, la biologie et d’autres domaines, ces ensembles de données présentent encore certaines lacunes. Premièrement, le formulaire de données est relativement simple, et la plupart sont des questions à choix multiples. Elles sont faciles à évaluer, mais limitent la plage de sélection des réponses du modèle et ne peuvent pas tester pleinement la capacité du modèle à répondre aux questions scientifiques. En revanche, les questions et réponses ouvertes

Cinq écoles d'apprentissage automatique que vous ne connaissez pas Cinq écoles d'apprentissage automatique que vous ne connaissez pas Jun 05, 2024 pm 08:51 PM

L'apprentissage automatique est une branche importante de l'intelligence artificielle qui donne aux ordinateurs la possibilité d'apprendre à partir de données et d'améliorer leurs capacités sans être explicitement programmés. L'apprentissage automatique a un large éventail d'applications dans divers domaines, de la reconnaissance d'images et du traitement du langage naturel aux systèmes de recommandation et à la détection des fraudes, et il change notre façon de vivre. Il existe de nombreuses méthodes et théories différentes dans le domaine de l'apprentissage automatique, parmi lesquelles les cinq méthodes les plus influentes sont appelées les « Cinq écoles d'apprentissage automatique ». Les cinq grandes écoles sont l’école symbolique, l’école connexionniste, l’école évolutionniste, l’école bayésienne et l’école analogique. 1. Le symbolisme, également connu sous le nom de symbolisme, met l'accent sur l'utilisation de symboles pour le raisonnement logique et l'expression des connaissances. Cette école de pensée estime que l'apprentissage est un processus de déduction inversée, à travers les connaissances existantes.

Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Les performances de SOTA, la méthode d'IA de prédiction d'affinité protéine-ligand multimodale de Xiamen, combinent pour la première fois des informations sur la surface moléculaire Jul 17, 2024 pm 06:37 PM

Editeur | KX Dans le domaine de la recherche et du développement de médicaments, il est crucial de prédire avec précision et efficacité l'affinité de liaison des protéines et des ligands pour le criblage et l'optimisation des médicaments. Cependant, les études actuelles ne prennent pas en compte le rôle important des informations sur la surface moléculaire dans les interactions protéine-ligand. Sur cette base, des chercheurs de l'Université de Xiamen ont proposé un nouveau cadre d'extraction de caractéristiques multimodales (MFE), qui combine pour la première fois des informations sur la surface des protéines, la structure et la séquence 3D, et utilise un mécanisme d'attention croisée pour comparer différentes modalités. alignement. Les résultats expérimentaux démontrent que cette méthode atteint des performances de pointe dans la prédiction des affinités de liaison protéine-ligand. De plus, les études d’ablation démontrent l’efficacité et la nécessité des informations sur la surface des protéines et de l’alignement des caractéristiques multimodales dans ce cadre. Les recherches connexes commencent par "S

Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées Préparant des marchés tels que l'IA, GlobalFoundries acquiert la technologie du nitrure de gallium de Tagore Technology et les équipes associées Jul 15, 2024 pm 12:21 PM

Selon les informations de ce site Web du 5 juillet, GlobalFoundries a publié un communiqué de presse le 1er juillet de cette année, annonçant l'acquisition de la technologie de nitrure de gallium (GaN) et du portefeuille de propriété intellectuelle de Tagore Technology, dans l'espoir d'élargir sa part de marché dans l'automobile et Internet. des objets et des domaines d'application des centres de données d'intelligence artificielle pour explorer une efficacité plus élevée et de meilleures performances. Alors que des technologies telles que l’intelligence artificielle générative (GenerativeAI) continuent de se développer dans le monde numérique, le nitrure de gallium (GaN) est devenu une solution clé pour une gestion durable et efficace de l’énergie, notamment dans les centres de données. Ce site Web citait l'annonce officielle selon laquelle, lors de cette acquisition, l'équipe d'ingénierie de Tagore Technology rejoindrait GF pour développer davantage la technologie du nitrure de gallium. g

See all articles