再掲: 生成型人工知能とは何ですか?また、どのように進化しているのでしょうか?
生成型人工知能とは、アルゴリズムを使用してデータ (通常は画像または人間が読めるテキストの形式) を生成、操作、または合成する自動プロセスの総称です。 AI が以前には存在しなかったものを作り出すため、生成的と呼ばれます。これが、異なる種類の入力を区別する識別型 AI との違いです。言い換えれば、識別型 AI は「この写真はウサギですか、それともライオンですか?」のような質問に答えようとしますが、生成型 AI は「ライオンとウサギが一緒に座っている写真を描いてください。写真」というプロンプトに応答します。
生成 AI と、ChatGPT や DALL-E などの人気モデルでのその使用法を主に紹介します。また、なぜ「指が多すぎる」ことがジェネレーティブ アートの死因となったのかなど、このテクノロジーの限界についても検討します。
生成型人工知能の登場
生成型人工知能は、1966 年にマサチューセッツ大学でセラピストとの会話をシミュレートするチャットボット ELIZA が開発されて以来、長年にわたって存在しています。テクノロジー (MIT)。しかし、人工知能と機械学習における長年の研究が、最近新しい生成 AI システムのリリースによって結実しました。 ChatGPT は、非常に人間らしい散文を生成するテキストベースの AI チャットボットです。 DALL-E と StableDiffusion は、テキスト キューに基づいて鮮やかでリアルな画像を作成する機能でも注目を集めました。これらのシステムや同様のシステムを、情報のサブセット (場合によっては非常に大きなサブセット) に基づいて現実世界のある側面をシミュレートまたはモデル化する試みを表すため、私たちはよくモデルと呼びます。
これらのシステムの出力は非常に驚異的であるため、多くの人が意識の性質について哲学的な疑問を提起し、生成 AI が人間の仕事に及ぼす経済的影響を懸念しています。しかし、これらの AI の創造はすべて間違いなく大きなニュースですが、水面下では一部の人々が考えているほど起こっていない可能性があります。これらの大きな疑問については後ほど説明します。まず、ChatGPT や DALL-E などのモデルで何が起こっているのかを見てみましょう。
ジェネレーティブ AI はどのように機能しますか?
ジェネレーティブ AI は、機械学習を使用して大量のビジュアルまたはテキスト データ (その多くはインターネットから収集したもの) を処理し、どのデータが最も影響を受ける可能性が高いかを判断します。他のものの近くに現れます。生成 AI におけるプログラミング作業の多くは、AI の作成者が興味をもつ「もの」 (ChatGPT などのチャットボットの単語や文章、または DALL-E の視覚要素) を区別できるアルゴリズムの作成に関するものです。しかし基本的に、生成 AI は大規模なデータのコーパスを評価することによって出力を作成し、コーパスによって決定された確率の範囲内の何かでプロンプトに応答します。
オートコンプリート (携帯電話や Gmail が入力中の単語や文の残りの部分を表示するプロンプトを表示する) は、低レベルの生成型人工知能です。 ChatGPT や DALL-E などのモデルは、このアイデアをより高度なレベルに引き上げたものです。
生成 AI モデルのトレーニング
このすべてのデータに適合するモデルを開発するプロセスは、トレーニングと呼ばれます。ここでは、さまざまなタイプのモデルに対して、いくつかの基本的なテクニックが使用されます。 ChatGPT はいわゆるトランスフォーマーを使用します (これが T の意味です)。コンバーターは、長いテキスト シーケンスから意味を導き出し、異なる単語や意味構成要素間の関係を理解して、それらが互いに近くに出現する可能性を判断します。これらのデフォーマは、事前トレーニング (PinChatGPT) と呼ばれるプロセスで、自然言語テキストの大規模なコーパス上で教師なしで実行され、その後、モデルを操作する人間によって微調整されます。
モデルのトレーニングに使用されるもう 1 つの手法は、敵対的生成ネットワーク (GAN) と呼ばれます。この手法では、2 つのアルゴリズムが互いに競合します。 1 つは大規模なデータセットから得られた確率に基づいてテキストや画像を生成するもので、もう 1 つは出力が本物か AI が生成したものかを評価するために人間によって訓練された判別 AI です。生成型 AI は、識別型 AI を繰り返し「だます」ことを試み、成功した結果に自動的に適応します。生成型 AI がこの競争で一貫して「勝利」すると、識別型 AI は人間によって微調整され、プロセスが最初からやり直しになります。
ここで覚えておくべき最も重要なことの 1 つは、トレーニング中に人間の介入が存在するにもかかわらず、ほとんどの学習と適応は自動的に行われるということです。モデルが興味深い結果を生み出すためには多くの反復が必要となるため、自動化が不可欠です。このプロセスには多くの計算が必要です。
生成 AI は感覚を持っていますか?
生成 AI モデルの作成とトレーニングに使用される数学とコーディングは非常に複雑であり、この記事の範囲をはるかに超えています。しかし、このプロセスの最終結果モデルを操作すると、その体験は確かに信じられないほど素晴らしいものになります。 Dell-e に本物の芸術作品のようなものを制作してもらうことができます。 ChatGPT とは、他の人間と会話するのと同じように会話できます。研究者は本当に思考機械を作成したのでしょうか?
ChrisPhipps是IBM公司前自然語言處理主管,曾參與沃森人工智慧產品的開發。他將ChatGPT描述為「非常好的預測機器」。
它非常擅長預測人類會發現什麼是連貫的。它並不總是連貫的(大多數情況下是),但這並不是因為ChatGPT「理解」。事實恰恰相反:消費產出的人真的很擅長做出我們需要的任何隱含假設,以使產出有意義。
菲普斯也是一名喜劇演員,他將其與名為MindMeld的常見即興遊戲進行了比較。
兩個人每人想到一個詞,然後同時大聲說出來——你可以說“boot”,我說“tree”。我們完全獨立地想出了這些詞,一開始,它們彼此之間沒有任何關係。接下來的兩位參與者拿著這兩個詞,試著找出他們的共同點,同時大聲說出來。遊戲繼續進行,直到兩個參與者說出同一個單字。
也許兩個人都說「伐木工人」。這看起來很神奇,但實際上是我們用人類的大腦來推理輸入(“boot”和“tree”),並找到其中的聯繫。我們做的是理解的工作,而不是機器。在ChatGPT和DALL-E中發生的事情比人們承認的要多得多。 ChatGPT可以寫故事,但我們人類要做很多工作才能使其有意義。
測試電腦智慧的極限
人們可以給這些人工智慧模型一些提示,這將使菲普斯的觀點變得相當明顯。例如,想想這個謎題:「一磅鉛和一磅羽毛,哪個比較重?」答案當然是它們的重量相同(一磅),儘管我們的本能或常識可能會告訴我們羽毛更輕。
ChatGPT將正確地回答這個謎題,您可能會認為它這樣做是因為它是一台冷酷的邏輯計算機,沒有任何「常識」來絆倒它。但這並不是幕後發生的事。 ChatGPT不是邏輯推理出答案;它只是根據一個關於一磅羽毛和一磅鉛的問題的預測來產生輸出。因為它的訓練集包含了一堆解釋謎題的文本,所以它組裝了一個正確答案的版本。但是,如果你問ChatGPT兩磅羽毛是否比一磅鉛重,它會自信地告訴你它們的重量相同,因為根據它的訓練集,這仍然是最有可能輸出到關於羽毛和鉛的提示的結果。
以上が再掲: 生成型人工知能とは何ですか?また、どのように進化しているのでしょうか?の詳細内容です。詳細については、PHP 中国語 Web サイトの他の関連記事を参照してください。

ホットAIツール

Undresser.AI Undress
リアルなヌード写真を作成する AI 搭載アプリ

AI Clothes Remover
写真から衣服を削除するオンライン AI ツール。

Undress AI Tool
脱衣画像を無料で

Clothoff.io
AI衣類リムーバー

AI Hentai Generator
AIヘンタイを無料で生成します。

人気の記事

ホットツール

メモ帳++7.3.1
使いやすく無料のコードエディター

SublimeText3 中国語版
中国語版、とても使いやすい

ゼンドスタジオ 13.0.1
強力な PHP 統合開発環境

ドリームウィーバー CS6
ビジュアル Web 開発ツール

SublimeText3 Mac版
神レベルのコード編集ソフト(SublimeText3)

ホットトピック









このサイトは6月27日、JianyingはByteDanceの子会社であるFaceMeng Technologyによって開発されたビデオ編集ソフトウェアであり、Douyinプラットフォームに依存しており、基本的にプラットフォームのユーザー向けに短いビデオコンテンツを作成すると報告しました。 Windows、MacOS、その他のオペレーティング システム。 Jianyingは会員システムのアップグレードを正式に発表し、インテリジェント翻訳、インテリジェントハイライト、インテリジェントパッケージング、デジタルヒューマン合成などのさまざまなAIブラックテクノロジーを含む新しいSVIPを開始しました。価格的には、クリッピングSVIPの月額料金は79元、年会費は599元(当サイト注:月額49.9元に相当)、継続月額サブスクリプションは月額59元、継続年間サブスクリプションは、年間499元(月額41.6元に相当)です。さらに、カット担当者は、ユーザーエクスペリエンスを向上させるために、オリジナルのVIPに登録している人は、

検索強化生成およびセマンティック メモリを AI コーディング アシスタントに組み込むことで、開発者の生産性、効率、精度を向上させます。 JanakiramMSV 著者の EnhancingAICodingAssistantswithContextUsingRAGandSEM-RAG から翻訳。基本的な AI プログラミング アシスタントは当然役に立ちますが、ソフトウェア言語とソフトウェア作成の最も一般的なパターンに関する一般的な理解に依存しているため、最も適切で正しいコードの提案を提供できないことがよくあります。これらのコーディング アシスタントによって生成されたコードは、彼らが解決する責任を負っている問題の解決には適していますが、多くの場合、個々のチームのコーディング標準、規約、スタイルには準拠していません。これにより、コードがアプリケーションに受け入れられるように修正または調整する必要がある提案が得られることがよくあります。

AIGC について詳しくは、51CTOAI.x コミュニティ https://www.51cto.com/aigc/Translator|Jingyan Reviewer|Chonglou を参照してください。これらの質問は、インターネット上のどこでも見られる従来の質問バンクとは異なります。既成概念にとらわれずに考える必要があります。大規模言語モデル (LLM) は、データ サイエンス、生成人工知能 (GenAI)、および人工知能の分野でますます重要になっています。これらの複雑なアルゴリズムは人間のスキルを向上させ、多くの業界で効率とイノベーションを推進し、企業が競争力を維持するための鍵となります。 LLM は、自然言語処理、テキスト生成、音声認識、推奨システムなどの分野で幅広い用途に使用できます。 LLM は大量のデータから学習することでテキストを生成できます。

大規模言語モデル (LLM) は巨大なテキスト データベースでトレーニングされ、そこで大量の現実世界の知識を取得します。この知識はパラメータに組み込まれており、必要なときに使用できます。これらのモデルの知識は、トレーニングの終了時に「具体化」されます。事前トレーニングの終了時に、モデルは実際に学習を停止します。モデルを調整または微調整して、この知識を活用し、ユーザーの質問により自然に応答する方法を学びます。ただし、モデルの知識だけでは不十分な場合があり、モデルは RAG を通じて外部コンテンツにアクセスできますが、微調整を通じてモデルを新しいドメインに適応させることが有益であると考えられます。この微調整は、ヒューマン アノテーターまたは他の LLM 作成物からの入力を使用して実行され、モデルは追加の実世界の知識に遭遇し、それを統合します。

編集者 |ScienceAI 質問応答 (QA) データセットは、自然言語処理 (NLP) 研究を促進する上で重要な役割を果たします。高品質の QA データ セットは、モデルの微調整に使用できるだけでなく、大規模言語モデル (LLM) の機能、特に科学的知識を理解し推論する能力を効果的に評価することもできます。現在、医学、化学、生物学、その他の分野をカバーする多くの科学 QA データ セットがありますが、これらのデータ セットにはまだいくつかの欠点があります。まず、データ形式は比較的単純で、そのほとんどが多肢選択式の質問であり、評価は簡単ですが、モデルの回答選択範囲が制限され、科学的な質問に回答するモデルの能力を完全にテストすることはできません。対照的に、自由回答型の Q&A

機械学習は人工知能の重要な分野であり、明示的にプログラムしなくてもコンピューターにデータから学習して能力を向上させる機能を提供します。機械学習は、画像認識や自然言語処理から、レコメンデーションシステムや不正行為検出に至るまで、さまざまな分野で幅広く応用されており、私たちの生活様式を変えつつあります。機械学習の分野にはさまざまな手法や理論があり、その中で最も影響力のある 5 つの手法は「機械学習の 5 つの流派」と呼ばれています。 5 つの主要な学派は、象徴学派、コネクショニスト学派、進化学派、ベイジアン学派、およびアナロジー学派です。 1. 象徴主義は、象徴主義とも呼ばれ、論理的推論と知識の表現のためのシンボルの使用を強調します。この学派は、学習は既存の既存の要素を介した逆演繹のプロセスであると信じています。

編集者 | KX 医薬品の研究開発の分野では、タンパク質とリガンドの結合親和性を正確かつ効果的に予測することが、医薬品のスクリーニングと最適化にとって重要です。しかし、現在の研究では、タンパク質とリガンドの相互作用における分子表面情報の重要な役割が考慮されていません。これに基づいて、アモイ大学の研究者らは、初めてタンパク質の表面、3D 構造、配列に関する情報を組み合わせ、クロスアテンション メカニズムを使用して異なるモダリティの特徴を比較する、新しいマルチモーダル特徴抽出 (MFE) フレームワークを提案しました。アライメント。実験結果は、この方法がタンパク質-リガンド結合親和性の予測において最先端の性能を達成することを実証しています。さらに、アブレーション研究は、この枠組み内でのタンパク質表面情報と多峰性特徴の位置合わせの有効性と必要性を実証しています。 「S」で始まる関連研究

7月5日のこのウェブサイトのニュースによると、グローバルファウンドリーズは今年7月1日にプレスリリースを発行し、自動車とインターネットでの市場シェア拡大を目指してタゴール・テクノロジーのパワー窒化ガリウム(GaN)技術と知的財産ポートフォリオを買収したことを発表した。モノと人工知能データセンターのアプリケーション分野で、より高い効率とより優れたパフォーマンスを探求します。生成 AI などのテクノロジーがデジタル世界で発展を続ける中、窒化ガリウム (GaN) は、特にデータセンターにおいて、持続可能で効率的な電力管理のための重要なソリューションとなっています。このウェブサイトは、この買収中にタゴール・テクノロジーのエンジニアリングチームがGLOBALFOUNDRIESに加わり、窒化ガリウム技術をさらに開発するという公式発表を引用した。 G
