Interested Article - Генеративный искусственный интеллект

Генеративный искусственный интеллект — это тип системы искусственного интеллекта (ИИ), способной генерировать текст, изображения или другие медиаданные в ответ на подсказки . Генеративный ИИ использует , такие как большие языковые модели , для статистической выборки новых данных на основе набора обучающих данных , который использовался для их создания .

Известные системы генеративного ИИ включают ChatGPT , YandexGPT — чат-боты , созданный с использованием больших языковых моделей GPT-3 и GPT-4 и Bard — чат-бот, созданный Google с использованием модели LaMDA . Другие генеративные модели ИИ включают такие как Stable Diffusion и DALL-E .

Генеративный ИИ может применяться в самых разных отраслях, включая разработку программного обеспечения, маркетинг и моду . Инвестиции в генеративный ИИ резко выросли в начале 2020-х годов, когда крупные компании, такие как Microsoft, Google и Baidu, а также многочисленные более мелкие фирмы разрабатывали модели генеративного ИИ .

Модальности

Генеративная система искусственного интеллекта строится путём применения обучения без учителя или ИИ на наборе данных. ^{[

источник?

]} Возможности генеративной системы ИИ зависят от используемого набора данных.

Текст : генеративные системы ИИ, обученные на словах или словесных токенах , включают GPT-3 , LaMDA , , BLOOM , GPT-4 и другие (см. Список больших языковых моделей ). Они способны к обработке естественного языка , машинному переводу и генерации естественного языка и могут использоваться в качестве для других задач . Наборы данных включают , Wikipedia и другие (см. ).
Код : в дополнение к тексту на естественном языке , большие языковые модели можно обучать на текстах, написанных на различных языках программирования , что позволяет им генерировать исходный код для новых компьютерных программ . Примеры включают .
Изображения : системы генеративного ИИ, обученные на наборах изображений с , включают такие, как Imagen , DALL-E , Midjourney , Stable Diffusion и другие (см. , генеративное искусство . Они обычно используются для преобразования и . Наборы данных включают LAION-5B и другие (см. ).
Молекулы : системы генеративного ИИ можно обучать последовательностям аминокислот или молекулярным представлениям, таким как SMILES , изображающим ДНК или белки. Эти системы, такие как AlphaFold , используются для прогнозирования структуры белков и . Наборы данных включают в себя .
Мультимодальность : генеративную систему ИИ можно построить из нескольких или одной модели, обученной на нескольких типах данных. Например, одна версия OpenAI GPT-4 принимает ввод как текста, так и изображения .

Примечания

↑ Griffith; Metz, Cade . The New York Times (27 января 2023). Дата обращения: 14 марта 2023. 14 марта 2023 года.
Lanxon, Nate (2023-03-10). . Bloomberg News . из оригинала 26 марта 2023 . Дата обращения: 14 марта 2023 .
Andrej Karpathy; Pieter Abbeel; Greg Brockman; Peter Chen; Vicki Cheung . OpenAI (16 июня 2016). Дата обращения: 3 апреля 2023. 3 апреля 2023 года.
Metz, Cade (2023-03-14). . The New York Times (англ.) . ISSN . из оригинала 31 марта 2023 . Дата обращения: 31 марта 2023 .
Thoppilan, Romal (January 20, 2022). "LaMDA: Language Models for Dialog Applications". arXiv : .
Roose. . The New York Times (21 октября 2022). Дата обращения: 14 марта 2023. 15 февраля 2023 года.
. The Economist (6 марта 2023). Дата обращения: 14 марта 2023. 14 марта 2023 года.
Harreis; Koullias, T.; Roberts, Roger . Дата обращения: 3 апреля 2023. 10 мая 2023 года.
. The Economist (30 января 2023). Дата обращения: 14 марта 2023. 14 марта 2023 года.
Yang; Gokturk, Burak (14 марта 2023). Дата обращения: 3 апреля 2023. 31 марта 2023 года.
Bommasani, R; Hudson, DA; Adeli, E; Altman, R; Arora, S; von Arx, S; Bernstein, MS; Bohg, J; Bosselut, A (2021-08-16). "On the opportunities and risks of foundation models". arXiv : [ ]. {{ cite arXiv }} : Википедия:Обслуживание CS1 (дата и год) ( ссылка )
Chen, Ming; Tworek, Jakub; Jun, Hongyu; Yuan, Qinyuan; Pinto, Hanyu Philippe De Oliveira; Kaplan, Jerry; Edwards, Haley; Burda, Yannick; Joseph, Nicholas (2021-07-06). "Evaluating Large Language Models Trained on Code". arXiv : [ ].
Ramesh, Aditya; Pavlov, Mikhail; Goh, Gabriel; Gray, Scott; Voss, Chelsea; Radford, Alec; Chen, Mark; Sutskever, Ilya (2021). "Zero-shot text-to-image generation". International Conference on Machine Learning . PMLR. pp. 8821—8831.
Heaven. . MIT Technology Review . Massachusetts Institute of Technology (15 февраля 2023). Дата обращения: 15 марта 2023. 14 марта 2023 года.
. Reuters . 2023-03-17. из оригинала 30 марта 2023 . Дата обращения: 17 марта 2023 .