什么是生成式AI？

你早就用过的AI负责分类，生成式AI负责创造

二十年来，日常生活中的AI一直隐形地运行着，负责的是分类：垃圾邮件过滤器判断是不是垃圾邮件，相册应用判断这张脸是谁的，银行判断是不是欺诈交易，推荐引擎判断接下来该展示什么。这些都是拿一个已经存在的东西，给它贴上标签或打上分数。什么是AI 讲的是这个更大的家族。

生成式AI把方向反过来了。它不再是把一张图片输入进去，输出"猫"，而是把"黄昏时窗台上的一只猫"输入进去，输出一张图片。它不再是给一封邮件打分，而是直接写一封。模型已经学习了数百万个样本的规律，学得足够透彻，才能生成一个符合这些规律的新样本。

这个方向的反转，正是这项技术能够走向大众的全部原因。分类只是别人产品里的一个功能，而生成本身就是一款产品：输入一个请求，得到一个成品。ChatGPT于2022年11月30日上线，据路透社2023年2月1日报道的瑞银分析，它在2023年1月，也就是上线两个月后，月活跃用户估计已达到1亿，是当时到达这一里程碑速度最快的消费级应用，因为这是第一次，模型的输出本身就是产品的意义所在。

此后接踵而至的不是涓涓细流。模型发布时间线 记录了那一天以来的41次重大发布，其中31次发生在2025年和2026年。橙色标记的是推理模型，或是自带思考模式的模型系列；阴影区域从o1-preview开始。

每个生成式模型都先学会一个可信样本长什么样，再动手创造一个

从本质上说，每个生成式模型的训练方式都是一样的：给它看海量样本，让它学会一个可信的样本应该是什么样子。然后，在使用时，让它根据这个规律和提示词生成一个新的样本。

对于文本，模型学习预测下一个词元，并逐个词元地生成答案。什么是LLM 有完整的解释。对于图像和视频，主流方法是扩散：模型学习如何一步步从图片中去除噪声，而在生成时，则从纯噪声开始，一步步去除噪声，同时由一段文字描述引导最终呈现的结果。大多数图像模型采用的方案，来自Ho、Jain和Abbeel在2020年发表的去噪扩散概率模型论文；它取代的方法，也就是生成对抗网络，则源自Goodfellow等人2014年的研究。音乐生成器大多借用这两种方法中的一种。

值得记住的结论是：它们生成的都是符合规律的内容，而不是真实的内容。文本模型会生成一个符合引用格式的引用，无论它是否真实存在。图像模型会生成一只符合手的样子的手，有时会多出一根手指。流畅和错误其实来自同一个源头，什么是AI幻觉 详细讲了文本版本的这个问题。

四种媒介，四类模型，一个窗口

2022年，生成式AI意味着文本，以及各自独立的图像。到2026年，一个聊天产品会调用四类生成器，每一类背后的模型都不一样。

背后的产品决策在于，这些功能的计费方式各不相同，因为它们的运行成本不同。一次文本回答只花费不到一分钱。图像是单独计数的。视频和音乐是成本最高的项目，属于最高档位套餐。

根据 Whizi的积分机制，图像生成不包含在Starter套餐中，在Pro套餐中每月100次，在Powerhouse套餐中每月500次，而视频和音乐生成是Powerhouse套餐专属功能。一次文本回答与一段视频短片之间的差距，就是生成500个词元与生成数秒画面帧之间的差距，定价也跟随算力走。

生成式AI擅长什么，以及它老实说的短板在哪里

它擅长为任何形状已知的东西打初稿：一封邮件、一段摘要、一个函数、一张产品照片、一段背景音乐。它擅长转换，把一个已有的东西变成另一种形式：翻译、精简、为不同读者改写、改变风格。它也擅长产出数量，能在别人只做两个方案的时候做出二十个变体。

从原理上讲，它在三件事上比较弱。第一是没有提供给它的事实，因为它生成的是符合规律的内容，而不是真实的内容。第二是长尾场景中的精确度，比如第六根手指，或是能编译却做错事的代码。第三是判断输出好不好，这仍然要留给发出请求的人。如何使用AI指南是在这些限制下实际操作的版本。

判断准则是：当你能比自己生成一个好结果更快地识别出一个好结果时，生成式AI就是对的工具。如果你分辨不出输出的好坏，那它现在还不是适合这项任务的工具。

生成式AI是机器学习的一个分支，而机器学习是AI的一个分支

人工智能是一个统称：任何一款软件，只要做的事情如果换成人来做也会被称为智能，就属于这个范畴。机器学习是当今大多数AI所用的方法，它从数据中学习规则，而不是被人事先编好规则。生成式AI是机器学习中输出全新内容的那个分支。大语言模型是文本领域的生成式模型。聊天机器人是包裹在大语言模型外面的应用。每一个概念都是前一个的子集，AI术语表把所有这些术语都汇总在了一处。

实际判断方法是：当一款产品说自己"用了AI"，先问它属于哪一种。如果它做的是分类、排序或预测，那是旧一代AI，通常表现不错。如果它做的是生成，那是新一代AI，需要有人核查它的输出。