Day 2 生成式 AI 的歷史演變

16th鐵人賽生成式ai

chuehnone

2024-08-16 15:58:38

392 瀏覽

分享至

早期發展

正如 Day 1 生成式 AI 的基本原理提到，生成式 AI 是基於機器學習與深度學習，而機器學習這個詞，最早是在 1952 年，為了製作下棋的演算法而誕生的。

而早期的生成模型，如馬可夫鏈 (Markov Chains) 和隱馬可夫模型（Hidden Markov Models, HMMs）被用來生成簡單的文字和語音。這些模型雖然在現代標準下顯得簡單，但它們為後來的生成技術打下了基礎。

深度學習的興起與突破

隨著深度學習技術的突破，生成式 AI 迎來了重要的發展階段。深度神經網路特別是卷積神經網路（Convolutional Neural Network, CNN）和遞歸神經網路（Recurrent Neural Network, RNN）的出現，使得 AI 在圖片、文字等領域的生成能力大幅提升。這時的重要模型包括自回歸模型和自編碼器。
而背後的突破，也與硬體突破有關，受惠於 GPU 速度大幅提升。

生成式對抗網路（Generative Adversarial Network, GAN）的誕生

在 2014 年，為了讓電腦生成圖片，伊恩·古德費洛 (Ian J. Goodfellow) 在酒吧想到了一個點子，如果讓兩個神經網路互相對抗會發生什麼事情？
一個生成器（Generator）負責建立假資料，另一個判別器（Discriminator）負責判斷資料的真實性。兩者通過不斷的對抗訓練，使得生成器生成的資料逐漸逼真到幾乎無法區分真偽。
這成為了生成式 AI 重要的里程碑之一。

Google Transformer 誕生

在 2017 年，Google 發佈一篇論文提到了 Transformer 架構徹底改變了自然語言處理 (Natural Language Processing, NLP) 的研究方向。
現在 Transformer 正在逐步取代卷積神經網路 (CNN) 和遞歸神經網路 (RNN)
在 Transformer 誕生之前，使用者必須提供大型標記資料集來訓練神經網路，而這些資料集的生產成本高且耗時。有了 Transformer 之後，不用標記資料，大幅減少前處理的成本。而且 Transformer 還能並行處理，無疑間加速了生成的速度！

基於 Transformer 有 BERT (Bidirectional Encoder Representations from Transformers) 與 GPT (Generative Pre-Trained Transformers) 等模型，更進一步促進了生成式 AI 在資料生成的發展。