北京中科白癜风医院骗人吗 http://www.xxzywj.com/“人类一直在努力制造真正智能的机器，也许我们需要让他们自己动手。”《麻省理工评论》的《AI正在学习如何创造自己》文章中写道。
“GenerativeAI”（生成式AI）是人工智能领域近期的热议话题，《福布斯》3月23日发文《探索生成式AI在各个领域的大量用例》，Gartner在总结年最有影响力的5项技术时列入GenerativeAI，VentureBeat则在3月20日更为直接指出《深度生成模型可以为人工智能提供最有希望的前景》。
所以GenerativeAI（以下用“生成式AI”）是什么，为什么被赋予这样高的期待？
在回答“是什么”的问题前，可以先理解生成式AI算法希望解决的核心问题：有效数据的稀缺性，以及采样偏差，这些也是机器学习发展的关键瓶颈所在。
生成式AI的突破在于，其可以从现有数据（图像、音频文件、文本）中生成相似的原始数据，如经常产生各种负面用例的Deepfake也属于生成式AI。
“生成模型可能是我们目前最强大的工具，可以利用科学中的大量数据，并用它来提出设计和发现新材料、药物等的起点。”IBMResearch的研究人员MatteoManica在采访中说道，“我们可以创建生成模型来帮助回答我们也不知道从哪里开始的问题，如如何为未知蛋白质寻找新的抗病*药物，或者我们是否可以制造大气中二氧化碳的催化剂。”
生成式AI有几种模型，最流行的是可以无监督学习的生成对抗网络（GAN），两个神经网络互相竞争，一个做“生成器”——尽可能逼真地生成与输入数据相似的人工数据，一个做“鉴别器”——不断尝试区分真实数据和原始数据。每次测试后，生成器都会调整参数以创建更有说服力的数据，直到不停迭代后鉴别器无法区分真假。
因此，GAN可以创造出具有原作风格的可信新作品，而不是一幅画的复印版。由麻省理工学院(MIT)发起的“认识动物”项目创建了混合动物的逼真图像，展示了这种从头开始创建新数据（称为“合成数据”）的能力。机器学习算法的性能通常与数据量相关。在数据稀缺的某些情况下，使用合成数据可以增加训练集中的数据量（称为数据增强）或改变它。
VentureBeat提到的“深度生成模型”（DeepGenerativeModels）即除了作为生成模型之外，它们还利用了深度神经网络。神经网络是一种计算架构，它能够随着时间的推移学习新模式——使神经网络“深入”的是模型输入和输出之间多个隐藏“层”推理带来的复杂度提高，使深度神经网络能够处理具有许多变量的极其复杂的数据集。
如蛋白质折叠问题——氨基酸残基形成的长链将会折叠成错综复杂的3D结构。错误折叠的蛋白质有可能引发阿兹海默病、帕金森病、亨廷顿舞蹈病和囊性纤维化等疾病的发生，我们需要发现蛋白质的3D结构，找出哪些药物和化合物与各种类型的人体组织相互作用，以及如何相互作用，这对于药物发现和医学创新至关重要。
但发现蛋白质如何折叠是一个非常困难的问题，科学家需要在分析蛋白质之前溶解和结晶，单个蛋白质的整个过程可能持续数周或数月。传统的深度学习模型也不足以帮助解决蛋白质折叠问题，因为它们的重点主要是对现有数据集进行分类，而不能生成数据输出。
推出蛋白质结构预测算法的DeepMind团队，其命名为AlphaFold的模型可以仅根据基因“代码”预测生成蛋白质的3D形状。通过能够在数小时或数分钟内生成结果，AlphaFold有可能节省数月的实验室工作，并极大地加速几乎所有生物学领域的研究。
但深度生成模型也面临一些明显的技术挑战，如在数据集有限的情况下训练难以得到很好效果以及确保在实际应用中模型能产生始终如一的准确输出。还有伦理问题，深度生成模型的决策过程不可解释，这可能导致AI模型在人类不知情的情况下产生不合理或不道德的偏见，进而产生不准确或具歧视性的输出。
以下为对HelloFuture《GenerativeAI:anewapproachtoover
