Co to jest generative AI?

AI, której już używałeś, sortowała rzeczy. Generative AI je tworzy

Przez dwadzieścia lat AI w codziennym życiu była niewidoczna i klasyfikowała. Filtr antyspamowy decydował: spam czy nie. Aplikacja do zdjęć decydowała, czyja to twarz. Bank decydował: oszustwo czy nie. Silnik rekomendacji ustalał kolejność tego, co pokazać dalej. Każde z tych działań bierze coś, co istnieje, i przypisuje temu etykietę lub ocenę. Co to jest AI opisuje tę szerszą rodzinę.

Generative AI odwraca ten kierunek. Zamiast wziąć obraz i podać wynik "kot", bierze "kot na parapecie o zmierzchu" i zwraca obraz. Zamiast oceniać e-mail, pisze go. Model nauczył się wzorców z milionów przykładów na tyle dobrze, by stworzyć nowy, który do nich pasuje.

To odwrócenie jest całym powodem, dla którego technologia dotarła do szerokiej publiczności. Klasyfikacja jest funkcją wewnątrz czyjegoś innego produktu. Generowanie jest produktem samym w sobie: wpisz żądanie, otrzymaj rzecz. ChatGPT wystartował 30 listopada 2022 roku i osiągnął szacunkowo 100 milionów aktywnych użytkowników miesięcznie w styczniu 2023 roku, dwa miesiące po premierze, według analizy UBS opisanej przez Reuters 1 lutego 2023 roku, co w tamtym czasie było najszybszym wynikiem wśród aplikacji konsumenckich, ponieważ po raz pierwszy to wynik działania modelu był istotą produktu.

To, co nastąpiło potem, nie było powolnym strumieniem. Oś czasu premier modeli śledzi 41 dużych premier od tamtego dnia, z czego 31 przypadło na 2025 i 2026 rok. Pomarańczowy oznacza model rozumujący lub rodzinę wypuszczaną z trybem myślenia; zacieniowany odcinek zaczyna się od o1-preview.

Każdy model generatywny uczy się, jak wygląda wiarygodny przykład, a potem go tworzy

Każdy model generatywny jest trenowany zasadniczo tak samo: pokaż mu ogromną liczbę przykładów i naucz go, jak wygląda wiarygodny przykład. Potem, w momencie użycia, poproś go o wygenerowanie nowej próbki, która pasuje do wzorca i do polecenia.

W przypadku tekstu model uczy się przewidywać kolejny token i generuje odpowiedź token po tokenie. Co to jest LLM to pełny opis. W przypadku obrazów i wideo dominującym podejściem jest dyfuzja: model uczy się usuwać szum z obrazu małymi krokami, a w momencie generowania zaczyna od czystego szumu i usuwa go krok po kroku, podczas gdy opis tekstowy steruje tym, co powstaje. Przepis, na którym opiera się większość modeli obrazów, to praca Denoising Diffusion Probabilistic Models z 2020 roku autorstwa Ho, Jaina i Abbeela; podejście, które wyparła, sieci generatywne przeciwstawne, pochodzi od Goodfellowa i innych z 2014 roku. Generatory muzyki w większości bazują na jednym z tych dwóch podejść.

Konsekwencję, o której warto pamiętać, jest to, że wszystkie one tworzą to, co pasuje, a nie to, co jest prawdą. Model tekstowy wygeneruje cytat, który pasuje kształtem do cytatu. Model obrazu wygeneruje dłoń, która pasuje do wzorca dłoni, czasem z sześcioma palcami. Płynność i błędy biorą się z tego samego źródła, a co to jest halucynacja AI opisuje wersję tekstową szczegółowo.

Cztery media, cztery rodzaje modeli, jedno okno

W 2022 roku generative AI oznaczała tekst i, osobno, obrazy. Do 2026 roku jeden produkt czatowy kieruje do czterech rodzajów generatorów, a model stojący za każdym z nich jest inny.

Decyzja produktowa stojąca za tym jest taka, że są one rozliczane inaczej, bo inaczej kosztują w działaniu. Odpowiedź tekstowa to ułamek centa. Obraz ma osobny licznik. Wideo i muzyka to najdroższe pozycje i znajdują się w najwyższym planie.

Generowanie obrazów nie jest dostępne w planie Starter, wynosi 100 miesięcznie w planie Pro i 500 miesięcznie w planie Powerhouse, a generowanie wideo i muzyki to funkcje Powerhouse, według jak działają kredyty Whizi. Różnica między odpowiedzią tekstową a klipem wideo to różnica między wygenerowaniem 500 tokenów a wygenerowaniem kilku sekund klatek, a cennik podąża za mocą obliczeniową.

Do czego generative AI się nadaje i jaka jest jej uczciwa granica

Sprawdza się w pierwszych wersjach roboczych wszystkiego, co ma znaną formę: e-maila, podsumowania, funkcji, zdjęcia produktowego, ścieżki tła. Sprawdza się w transformacji, czyli w braniu czegoś, co istnieje, i tworzeniu tego samego w innej formie: przetłumaczonej, skróconej, przepisanej dla innego odbiorcy, zmienionej stylistycznie. I sprawdza się w skali, tworząc dwadzieścia wariantów tam, gdzie człowiek stworzyłby dwa.

Z założenia jest słaba w trzech rzeczach. W faktach, których jej nie podano, ponieważ generuje to, co pasuje, a nie to, co jest. W precyzji na długim ogonie: szósty palec, kod, który się kompiluje, ale robi coś złego. I w ocenie, czy wynik jest dobry, co pozostaje po stronie osoby, która o niego poprosiła. Przewodnik jak korzystać z AI to praktyczna wersja pracy w granicach tych ograniczeń.

Zasada decyzyjna: generative AI jest właściwym narzędziem, gdy potrafisz rozpoznać dobry wynik szybciej, niż potrafisz go sam wytworzyć. Jeśli nie potrafisz odróżnić dobrego wyniku od złego, to jeszcze nie jest narzędzie do tego zadania.

Generative AI to gałąź uczenia maszynowego, które jest gałęzią AI

Sztuczna inteligencja to parasol obejmujący całe oprogramowanie, które robi coś, co uznalibyśmy za inteligentne, gdyby robił to człowiek. Uczenie maszynowe to metoda, z której korzysta większość nowoczesnej AI, ucząc się reguł z danych zamiast otrzymywać je zaprogramowane. Generative AI to gałąź uczenia maszynowego, której wynikiem jest nowa treść. Duży model językowy to model generatywny dla tekstu. Chatbot to aplikacja zbudowana wokół takiego modelu. Każde z tych pojęć jest podzbiorem poprzedniego, a słownik pojęć AI zbiera wszystkie te terminy w jednym miejscu.

Praktyczna wskazówka: gdy produkt twierdzi, że "korzysta z AI", zapytaj, jakiego rodzaju. Jeśli sortuje, ocenia lub przewiduje, to stary rodzaj i zwykle działa dobrze. Jeśli generuje, to nowy rodzaj i wymaga człowieka sprawdzającego wynik.