1、AIGC与生成式AI

1. AIGC 与生成式 AI

  • AIGC（AI Generated Content）
    • 指由人工智能生成的文字、图像、音频、视频等各种形式的原创内容。
    • 示例：ChatGPT 生成的文本、GitHub Copilot 生成的代码、Midjourney 生成的图片等。
  • 生成式 AI（Generative AI）
    • 国外更常用的术语，与 AIGC 本质上含义相近。
    • 通过深度学习模型（如扩散模型、GAN、Transformer 等）自动生成新的内容。
    • 由于在国内 “AIGC” 一词更流行，部分场景下 AIGC 也被用来指代生成式 AI。

结论：“生成式 AI” 生成的内容就是 “AIGC”，而 “AIGC” 也通常泛指 “生成式 AI” 及其生成的成果。

2. AI、机器学习与深度学习的层级关系

  1. 人工智能（AI）

    • 计算机科学的一个分支，始于 1956 年，核心目标是让计算机模拟或超越人类智能来解决问题。

  2. 机器学习（Machine Learning）

    • AI 的一个子集，强调让计算机通过数据与算法自行学习模式、做出决策，而非显式硬编码逻辑。
    • 包含 监督学习、无监督学习、强化学习 等多个分支：
      • 监督学习：有标签的数据，常用于分类或回归。
      • 无监督学习：无标签的数据，常用于聚类、降维等。
      • 强化学习：在环境中试错学习，通过奖励机制不断优化策略。

  3. 深度学习（Deep Learning）

    • 机器学习的一个重要方法，使用多层人工神经网络模拟人脑的层次化认知。
    • 可以应用于监督、无监督和强化学习，不是三者的子集，而是一种实现技术。
    • 擅长处理大规模数据并提取高维度特征。

3. 生成式 AI：核心原理与应用

  • 生成式 AI

    • 利用神经网络（如 Transformer、GAN、扩散模型、VAE 等），在学习到的模式基础上创造新的内容。
    • 应用示例：
      • 文本生成（如 GPT 系列）
      • 图像生成（如 DALL·E、Stable Diffusion、Midjourney）
      • 音频视频生成（如 MusicLM 等）

  • AIGC 与生成式 AI 的关键点

    • 学习：先用大量数据学习语言、图像等底层模式。
    • 生成：通过模型内部对模式的理解和重组来生成新内容。
    • 原创性：内容并不是简单地拷贝已有素材，而是综合已有数据的特征做新的组合。

4. 大语言模型（LLM）与生成式 AI

  1. LLM（Large Language Model）

    • 通过大规模文本数据进行训练，参数量动辄数十亿乃至万亿级，能学习并理解语言的多维信息。
    • 常见应用：文本生成、对话问答、情感分析、信息抽取等。

  2. 并非所有生成式 AI 都是 LLM

    • 图像生成模型（扩散模型、GAN 等）并不处理文本，依旧属于生成式 AI。

  3. 并非所有 LLM 都用于文本生成

    • 有些 LLM 架构偏重语言理解或问答，而不专长于连贯长文本的生成。
    • BERT（Bidirectional Encoder Representations from Transformers）就是典型的 编码器 模型，更多用于语言理解、检索和分类，而非长文本生成，因此它在某些文献中不被视作典型的 “生成式 AI”。

纠正点：BERT 常被称为 大型预训练语言模型，确实能在部分场景下生成文本（如填充被 Mask 的词），但与 GPT 这类自回归生成模型的“自由度”不同，不擅长长文生成。

5. 技术要点与专业拓展

  1. Transformer 架构

    • 2017 年提出的 Attention Is All You Need 论文，颠覆了深度学习对序列任务的处理方式。
    • 编码器-解码器（Encoder-Decoder）框架支持灵活扩展：
      • 仅编码器（BERT、RoBERTa）
      • 仅解码器（GPT 系列）
      • 编码器-解码器（T5、BART）

  2. 自注意力机制（Self-Attention）

    • 让模型在处理某个词（或像素块）时，同时关注整个序列中的所有元素并计算关联度，极大提升对上下文和全局信息的理解。

  3. 多头注意力（Multi-Head Attention）

    • 并行关注不同层次或不同类型的特征，为模型提供更丰富的表达能力。

  4. 大模型与预训练

    • 预训练 + 微调 成为主流范式：先在海量数据上学习通用特征，然后根据具体任务进行少量数据微调。

  5. 应用场景

    • 生成式对话系统（ChatGPT）
    • 编程辅助（GitHub Copilot）
    • 内容创作（文章、脚本、广告文案）
    • 其他模态生成（图像、音视频）

  6. 局限与挑战

    • 幻觉（Hallucination）：生成的内容可能并非真实或可靠。
    • 数据与隐私：需要大量数据支撑，存在潜在的数据安全或隐私风险。
    • 伦理与监管：AI 生成虚假信息、抄袭争议、版权归属等问题需要持续讨论与规范。

6. 总结

  • AIGC/生成式 AI：利用深度学习模型从已知数据中学习并生成新内容，包括文字、图像、音视频等多种形式。
  • 与传统 AI 关系：生成式 AI 仍属于机器学习/深度学习的一个应用分支，与监督、无监督、强化学习等方法相辅相成。
  • 大语言模型（LLM）：专注文本处理的深度学习模型，规模大、能力强，但并不都适合长文本生成；BERT 更偏理解，GPT 更偏生成。
  • 未来趋势：随着模型规模、训练数据和算法的改进，AIGC/生成式 AI 在创意、交互、艺术等领域有更广阔的发展前景，如何应对其中的技术、伦理与监管挑战也将成为社会关注的重点。
    [up主专用，视频内嵌代码贴在这]