从宏观历史到微观操作，读懂生成式人工智能

历史沿革

随着大数据和计算机处理能力的不断增强，人们开始期望计算机能够像人一样创造内容和产生创新想法。这导致了生成式AI技术的兴起，使计算机可以模仿人类的创造力，为我们带来生成式AI的历史可以追溯到20世纪50年代和60年代，当时人们开始使用概率论和信息论来建立语言模型。这些模型可以将输入的文本数据转换成概率分布，然后基于这些概率分布生成新的文本。

随着大数据与计算机处理能力的日益强大，人们对于计算机的期望也日益提升，期望它们能像人类一样创造出独特的内容和涌现出创新的思维。这股浪潮催生了生成式AI技术的崛起，使计算机能够模仿人类的创造力，为我们的世界注入更多的创新与活力。

生成式AI的诞生，可追溯至20世纪50、60年代。那时，人类初次使用概率论与信息论构建语言模型。这些模型将输入的文本数据转化为概率分布，然后基于这些概率分布生成全新的文本。

工作逻辑

1、模型训练

首先，需要通过大量的训练数据来训练生成式AI模型。在训练过程中，生成式AI模型会学习输入数据的概率分布和结构，这些数据可以是文本、图像、音频或视频等。

2、模型选择

模型训练完成后，需要选择合适的模型来生成新的数据。不同类型的数据需要选择不同的模型来生成，比如自然语言文本可以使用RNN或LSTM模型来生成，图像可以使用GAN、VAE或扩散模型来生成。

3、生成数据

一旦选择好合适的模型，就可以使用该模型来生成新的数据。生成新数据的方式通常是随机采样或条件采样。随机采样是指从模型学习到的数据分布中随机抽样生成新的数据，而条件采样是指在输入一些条件的情况下，从模型学习到的条件分布中采样生成新的数据。

4、评估生成结果

生成的新数据需要经过评估来判断其是否符合预期。评估生成结果的质量是一个开放性的问题，它可以基于客观指标进行，也可以依赖人类主观感受进行，比如自然语言文本可以基于语法正确性、连贯性、意义合理性等指标进行评估，图像可以基于视觉质量、真实感等指标进行评估。

5、调整模型

根据生成结果的评估，可以对模型进行调整和优化，从而提高生成结果的质量。调整模型的方式通常包括增加训练数据、调整模型参数、优化模型结构等方法。

总的来说，生成式AI的工作过程是一个迭代的过程，需要不断地调整模型和评估生成结果，从而得到更好的生成效果。以上是从生成的角度来说的，如果换成客户端使用的角度，其操作过程就简单得多了。