生成式人工智能

純陽書評第563期《生成式人工智能》 這一波生成式人工智能最大的特點是什麼？最大的特點就是不斷帶給人們意外，第一個意外是通過概率預測下一個詞，形成文字接龍，居然可以真的實現內容生成。第二個意外是，一條路走到黑，加大訓練量，加大參數量，加大算力，居然可以湧現出翻譯等無師自通的新本領。第三個意外是，在數據訓練和知識消化中居然可以內生出推理和類比的人類專有技能。第四個意外是大模型進化速度太快，快得讓人們幾乎無法來得及整理複雜的心情。第五個意外是，原來遙不可及的AGI，看樣子真得有望很快來臨。 那麼問題來了，生成式人工智能爲什麼能？到底能夠生成哪些內容？未來可能應用在哪些場景？普通人應該如何在這波已經到來的AI海嘯中求生？ 作爲一本生成式AI的科普讀物，本書嘗試回答了以上問題，具體內容如下： 第一、理論介紹較爲簡明 生成式人工智能爲什麼能？對應的一個問題就是傳統人工智能爲什麼不能？符號學派和行爲學派早已被判定爲此路不通，早期的聯結學派除了受限於算力和數據因素，不具備大規模訓練的條件之外，機器學習算法需要升級也是一個重要原因。2006年辛頓開啓的深度學習之門，爲這一波新的人工智能浪潮注入了動能。 作者在介紹了生成式模型的基礎知識之後，重點介紹了transformer、ChatGPT和diffusion模型，transformer模型的重要性再怎麼強調都不爲過，如果說神經網絡是大模型的大腦，那麼transformer就是大模型的心臟，其通用性是打通文本、音頻、圖像、代碼和視頻，實現多模態的根本。 作者的介紹總得來說較爲簡明，但是也只是開了個頭，要想了解更多，尚需移步專業書籍。另外，畢竟是專業內容，恐怕至少一半讀者未必能讀得懂。 第二、場景梳理較有內容 生成式AI的發展方向是兩個，一是open AI等頭部公司進一步在大模型升級進化上發力建功，快速提升大模型的基礎性能。二是其他企業拿過來現有大模型已經取得的成果，積極在垂直領域裏加以應用。 在垂直企業裏應用大模型切入點必然是場景，因爲只有場景裏纔有具體的問題，纔有具體的痛點，只有解決了場景裏的痛點和問題，才能創造商業利益，只有商業利益大過大模型應用成本，大模型纔有可持續應用的可能。 作者梳理了研發設計、生產製造、供應鏈管理、市場營銷和客戶服務等多個領域的一些領先實踐和潛在商機，算是開了一個頭，拋磚引玉，提供啓發，幫助讀者打開思路。 第三、所提建議較爲合理 新技術帶來的必然是新質生產力，而技術的應用必然會重置生產關係，這種重置往往不會那麼太平，既然命運並不在自己手中，那麼局中人就需要提前做好準備，打不過就加入，積極擁抱AI，用AI武裝自己，肯定是對的。因爲在真的狼來了的情況下，你無需跑的比狼快，你只需要跑的比其他人快就夠了。 ​

《關於AI的三個看法》 1.人類是硅基生命（AI）的“生物引導程序”。硅基生命無法在原始海洋中自然進化，需要我們碳基生命作爲啓動器。 這個觀點是馬斯克在2026年1月初做客Moonshots播客節目時提到的，實際上在2019年世界人工智能大會上，馬斯克和馬雲對話時，就已經提出了這樣的觀點：“It seemed to me some time ago that you could sort of think of humanity as a biological boot loader for digital super intelligence.” 正如第一次工業革命後，人類的體力在機器面前相形見絀，在AI仍在飛速進化的現在，人類引以爲豪的腦力面對AI不斷增強的算力，也將越來越難以望其項背。當人類的體力和腦力都變得可有可無時，就是屬於硅基生命的時代了，希望到那時AI還能善待人類吧。 2.取代你的可能是AI，更可能是某個擅長使用AI的人；導致你公司破產的可能是AI，更可能是某個擅長使用AI的公司。 這是英偉達CEO黃仁勳在某次人工智能峯會上提出的觀點：“AI may not take your job, but someone using AI likely will.” 我相信在未來相當長的一段時間裏，這個現象會愈演愈烈，因爲這就是內卷時代的特點：你不幹，有的是人幹。 3.AI是放大器，既可以放大人的聰明，也可以放大人的愚蠢。 用的多了就會發現，AI回答的質量，基本上取決於提問的質量，而且AI說的都是好聽的話，從來不會主動反駁提問者。 AI相當於古代輔佐君王的大臣，大臣只是放大器，放大器放大的那個人本身，他是明君還是昏君，他是1還是0，不是AI能夠左右的。0，無論乘以多大的放大器，最終結果都是0。

三年前寫的，已經是舊書，過時了，當成歷史書看。 看前50頁就行。 如今對於肆意猖獗、熟視無睹的AI，我們也算是見證歷史了。 最近Anthropic 因拒絕向美國國防部開放模型​​（涉及自主武器和監控限制），被列爲供應鏈風險黑名單，引發法律訴訟。此類事件雖凸顯其技術影響力，但也導致公衆討論較少。Anthropic聚焦於政府與企業博弈，而非產品本身。 Anthropic 與 OpenAI 並稱 AI 領域“二巨頭”，但 Anthropic 的知名度相對較低，主要原因如下： 1. ​​市場定位與商業化策略差異​​ ​​OpenAI​​：以 ​​ChatGPT​​ 爲核心產品，直接面向大衆用戶（C端），通過訂閱制（ChatGPT Plus）和 API 服務（27%收入）廣泛滲透消費者市場，公衆認知度高。 ​​Anthropic​​：主攻 ​​企業級 API 服務​​（85%收入），客戶包括 AWS、Slack、Notion 等企業，個人訂閱（Claude Pro）僅佔15%。其產品（如 Claude 大模型）更側重開發者和企業工具，公衆接觸較少。 2. ​​品牌曝光與用戶習慣​​ ​​OpenAI​​：ChatGPT 作爲首個大衆化 AI 產品，迅速成爲行業標杆，用戶習慣已形成。 ​​Anthropic​​：Claude 模型雖技術對標 ChatGPT，但缺乏類似“爆款”C端產品，公衆對其認知度有限。 3. ​​估值與收入增長的隱性表現​​ 儘管 Anthropic ​​年化收入已超 300 億美元​​（2025年90億→2026年4月210億），估值突破 ​​1萬億美元​​（超越 OpenAI），但其增長主要體現在企業合作和私募市場，未直接轉化爲大衆認知。 OpenAI 憑藉 ​​C端產品 ChatGPT​​ 的普及佔據公衆視野，而 Anthropic 以 ​​企業 API 服務​​ 和 ​​低調的商業化策略​​ 保持技術競爭力，兩者分工不同導致知名度差異。近期與國防部的對峙事件進一步凸顯其行業地位，但未顯著提升大衆認知。

我覺得這本書的梯度很大，模型和算法原理很輕鬆易懂，到後面的理論又變得十分難懂。有點，不理解了😂 書中內容很嚴謹，因爲是去年的書籍，書裏提出的思考和一些挑戰性問題，在今年又有了一些新的解決方法，之前寫過的，這次我就沒有再寫想法了。所以說一點，就是AIGC的書儘量早點讀最新的，要不有些侷限性！ 下面分享一下我最新的學習筆記，對本書學習亦有一定的參考性： 如果你只想讓 AI 給你答案，你不需要額外做什麼，只需要輸入文字即可。但如果你想要得到滿意的答案，甚至精確的答案。就需要用到 PE （ Prompt engineering）這個技術。 PE定義： Prompt Engineering 是與 AI 進行有效溝通以實現預期結果的過程。它主要涉及構建和優化輸入給 AI 模型的提示（Prompt），通過精心設計的提示來引導模型生成更準確、更有用的輸出。 需要學習 PE 嗎？ 但綜合我對產品和用戶的理解，以及各位大佬的看法，我的理解是： 現在 AI 的發展還比較早期，瞭解和學習 PE 價值相對比較大，但長遠來看可能會被淘汰。這個「長遠」可能是 3 年，亦或者 1 年。 關於ChatGPT的一些高級用法： CRISPE Prompt Framework提示詞範例模板 我覺得很不錯的 Framework 是 Matt Nigh 的 CRISPE Framework，這個 framework 更加複雜，但完備性會比較高，比較適合用於編寫 prompt 模板。CRISPE 分別代表以下含義： • CR： Capacity and Role（能力與角色）。你希望 ChatGPT 扮演怎樣的角色。 • I： Insight（洞察力），背景信息和上下文（坦率說來我覺得用 Context 更好）。 • S： Statement（指令），你希望 ChatGPT 做什麼。 • P： Personality（個性），你希望 ChatGPT 以什麼風格或方式回答你。 • E： Experiment（嘗試），要求 ChatGPT 爲你提供多個答案。 思維鏈模式：（高級語法） Let's work this out in a step by step way to be sure we have the right answer. 根據 Wei 他們團隊在 2022 年的研究表明： 通過向大語言模型展示一些少量的樣例，並在樣例中解釋推理過程，大語言模型在回答提示時也會顯示推理過程。這種推理的解釋往往會引導出更準確的結果。 大家或多或少都聽過 ChatGPT 是一個 LLMs，那 LLMs 是什麼？ LLMs 全稱是 Large Language Models，中文是大語言模型。 那麼什麼是語言模型？ 語言模型簡單說來，就是對人類的語言建立數學模型，注意，這裏的關鍵是數學模型，語言模型是一個由數學公式構建的模型，並不是什麼邏輯框架。這個認知非常重要。 開發大語言模型需要什麼？ 關鍵一：數據 關鍵二：算法 關鍵三：算力 大語言模型有什麼缺點？ 缺點一：結果高度依賴訓練語料 缺點二：Hallucinations（幻覺） 缺點三：暫時只能解決數學問題

讀完丁磊 2020年的《AI思維：從數據中創造價值的鍊金術》，瞭解了決策式AI在企業營銷中的落地之後，翻開丁磊於 2023年 5月出版的這本《生成式人工智能》，繼續瞭解生成式AI如何賦能營銷。 *營銷方案。將決策式AI和生成式AI結合起來，通過決策式人工智能來優化廣告投放的效果，生成式人工智能來完成廣告的投放方案。你可以向AI輸入預算、投放目標、目標人羣、合作媒體、要傳播的信息等條件，然後生成式AI就能自動輸出一個最優的投放方案。全球領先的營銷SaaS（軟件運營服務）公司Adobe會利用人工智能優化營銷預算分配和場景規劃產品。藍色光標旗下的銷博特推出了2022元創版本智能策劃模塊，該版本主要聚焦營銷策劃場景的多人協同創作。 *營銷文案和圖片。營銷人員可以用AIGC工具快速生成文案和圖片，然後從中挑選，這樣極大地提高了工作效率。騰訊廣告混元AI大模型就是廣告系統理解內容的核心引擎。混元AI大模型的多模態理解能力可以精準地將廣告推薦給合適的人羣，提高用戶體驗以及廣告效果。除了理解已有的廣告內容，混元AI大模型還有文字、圖像和視頻綜合生成能力，可以大幅度提升營銷內容製作的效率。其中，“圖生視頻”功能可以將靜態的圖片自動生成不同樣式的視頻廣告；“文案助手”功能可以爲廣告自動生成更恰當的標題，從而提升廣告的效果；而使用“文生視頻”功能，未來只需要提供一句廣告文案，就可以自動生成與之匹配的視頻廣告。這樣的生成式AI大模型，已經將營銷文案和圖片的創作工作大大簡化，製作成本也顯著降低。 *營銷溝通。電話外呼，“更懂你”的外呼機器人。虛擬主播的人設和言行等都由品牌方掌握，比真人可控，安全性也更強。虛擬主播的背後離不開先進的生成式AI技術，魔琺科技的主要技術包括：智能建模和智能綁定技術、智能表演動畫和變聲技術、基於文本的動畫和語音生成技術、預製動畫和實時動畫拼接技術、實時解算和渲染技術等。 *客戶服務。對話AI(Conversational AI)的商業化模式是清晰且可行的，它將在各個場景中逐漸替代人工客服。客戶關係管理軟件服務提供商Salesforce在2023年3月推出了基於生成式AI的客戶關係管理產品Einstein GPT，這款產品可以通過過去的客服記錄生成知識文章，總結FAQ（常見問題）。它還可以在每次營銷和客服交互中批量地提供AI創建的內容，例如自動生成個性化的客服聊天回覆。由此，通過個性化和快速的服務交互，Einstein GPT可以極大地提高客戶滿意度。 *客服質檢。目前已經投入商業化運行的智能質檢系統，有三大功能顯著地完善了質檢工作流程，提升了客服中心的通話質檢效率：第一是語音轉寫；第二是關鍵詞檢測，指的是智能質檢系統能夠快速識別對話中出現的敏感詞、違禁詞等關鍵詞，並向管理人員發出提示，這種全時段無間歇的檢測方式顯然要比傳統的抽查靠譜很多；第三是情緒識別，指的是智能質檢系統能夠通過分析客服人員的語氣、語速、語調等信息，實現對客服人員情緒波動的判斷。除了上述功能，生成式AI還能捕捉對話中細微的語義信息——這也許是生成式AI對客服質檢更大的價值所在。

《生成式人工智能》（AIGC）成書於5月份，時訊一流，尤其是對時下大熱的GPT-4的前世今生的詳解。本書作爲AIGC入門科普讀物，讀完不僅會對AI會有更深入的瞭解，還會對AI未來應用和走勢有更清晰準確的判斷。 💫梳理了本書幾個要點，不能上圖，不然可以省略幾百字。 第一章人工智能是什麼？介紹決策式AI和生成式AI的差異，生成式AI的核心價值，以及里程碑式誕生的ChatGPT。 第二章“AIGC的底層邏輯” 用什麼去生成？”，介紹了GAN、ChantGPT、GPT4、 Stable Diffusion、 MuseNet、 Gen-1。 第三章“功能分析：AIGC能生成什麼內容？” ，生成什麼？文本、圖片、音頻、視頻、劇本、代碼、方案、設計、交互、策略 第四章“商業落地：AIGC的產業應用與前景” ，做什麼事？ 研發、生產、供應、營銷、客服、風控、安全。 第五章談論AIGC的優劣和未來。 🌟一句話解釋本書核心內容：在AIGC的應用中，是從大量數據中形成模型，自動生成全新的內容。不管是決策式AI模型還是生成式AI模型，其基礎邏輯都是一致的，只靠邏輯和經驗難以推導，需要海量的數據進行訓練。【我們需要理解AI思維的底層邏輯，其基礎在於數據，核心在於模型，實現在於算力，具體應用在於業務場景。】 🌝AIGC的優勢和衝擊 顯而易見，可生成的內容十分豐富，完全不侷限於文本、圖片、音頻、視頻等數字媒體，可以廣泛覆蓋人類生產生活中所需的各類產品。AIGC不僅可以進行傳統文案創作或者廣告、動漫、影視等數字媒體內容生成，也可以進行新產品、新流程、新方案的設計。 如果說智能機器人取代的是重複性的體力工作，那麼AIGC取代的就是需要創造性的腦力工作。目前已經有互聯網大廠嘗試用ChatGPT自動生成業務代碼和重構代碼，也有設計師通過ChatGPT生成設計方案，再通過Midjourney等其他應用生成設計圖稿。 AIGC也會助力企業的創作成本大大減少，尤其是相關的人力成本，這必然會對內容創作者產生衝擊，需要內容創作者創作速度更快、創作質量更高，水平在AIGC應用之上。 🌚AI的痛點是不夠智能。 具體而言，AI缺乏正常人的通識，其模型只能做特定的事情，而不同業務場景需要定製化開發，這也是存在了很長時間的行業痛點，ChatGPT的發佈讓我們看到了解決這個問題的希望。通過自然語言處理技術，AI能夠學習人類的語言，也就能掌握人類的大部分知識和邏輯能力ChatGPT和其後的GPT-4讓我們看到了強人工智能的影子。 🌞人工智能是這一時代的產物，與其擔憂它帶來的諸多問題，不如擁抱並且掌控它。 首先，應該【擁有AI思維】。所謂AI思維，本質是一種“數據驅動”的思維，就是從大量數據中形成模型，進而對未知情況做出最佳預測。擁有AI思維能夠避免經驗主義帶來的主觀、片面和限制，具有積極的意義。 其次，應該【所謂工具思維】。善於利用工具，通過工具賦能，從而解決問題、提高效率、解放勞動力。而AI工具思維，就是掌握數據化思維，掌握使用AI、訓練AI的方法。爲我們的工作和生活帶來更大的便利，將我們從繁雜的事務中解放出來。未來，我們人人都可以是AI的使用者和訓練師。 用好了，它就是一個疊加賦能的放大器！人工智能最終能會超過人類智能？我不知道，但會用AI的超越不會用AI的那部分人，將是必然趨勢。

2024年第十二本 好多大佬都說2023年是人工智能元年，AI是繼蒸汽機（第一次工業革命）、電氣化（第二次工業革命）、數字化和信息化（第三次工業革命）之後的第四次工業革命，智能製造對應的也稱工業4.0。 本文主要通過AI的概念 邏輯 功能 應用四個方面，全方位的介紹了人工智能的相關知識。 人工智能在不同的行業領域（零售、金融、醫療和教育等）與不同的職能方向（營銷、風控和安全等）共同構成了一個人工智能應用矩陣，對於每個行業中的相關職能，都可以找到應用場景。 AIGC開啓了新一輪的內容生產革命，它在多樣性、質量、效率三個方面推動了內容生產大踏步前進。 面對事情本身的、重複性高的、有跡可循的、需要具體執行的工作最容易被人工智能取代。 對於人工智能，無論你是持擁抱的態度還是牴觸的態度，都不可否認未來已來，人工智能時代已經到來，日後和你隔着屏幕聊天、爲你拍攝電影、與你一起工作的都有可能是人工智能。 我們應該做的是訓練和使用人工智能，讓人工智能爲我所用，Work with AI。

本書屬於AI科普讀物，介紹了AI的底層邏輯（基礎是數據，核心是模型，實現靠算力），包括生成式AI在生活和生產中的諸多應用及其侷限性。探索了人工智能與人類替代及輔助的關係。關於生成式AI的應用場景中，產品缺陷檢測的數據增強、庫存管理的高效規劃、傳統客服行業困境與智能客服的破局，書中這些舉例都讓我深感生成式AI大有可爲。 作者的這個觀點令我心喜：AI淘汰的不是人，而是淘汰落後的生產方式，在當今智能化時代我們要與AI攜手共進；要有“數據驅動”的AI思維和“善假於物”的AI工具思維。有了AI的加持，人類會更幸福。

《生成式人工智能》成書於今年5月，內容更新涉及到剛過去的三、四月份，速度很快，估計也得益於GPT生成的內容的幫助，但這個成績也離不開作者的專業水平很高的原因，這幾個月我一直向其他人推薦Ai軟件，我強調你的專業水平越高，在你專業內Ai生成的內容就越好，真正的開外掛。 但這本書也只能算Aⅰ科普讀物，不要指望讀了此書會玩Ai軟件。 我總結幾點： 1、生成式人工智能的里程碑：ChatGPT。 2、生成式人工智能的基礎：爲人工智能提供數據及算力支撐。 3、生成式人工智能的核心：主要包括各類模型和算法的研發和升級。 4、生成式人工智能的能力：各種生成式Aⅰ互相疊加應用，再疊加決策式AI、傳統軟件和它們Aⅰ化這些多層次、多維度的應用開啓了新一輪的文明範式。詭異的未來已經到來。 5、生成式人工智能的升級速度：在接下來的幾個月裏，舊模型以幾個月翻倍能力的更新，而每天都有更好、更專業的模型發佈和正在開發中，你真正準備好了嗎？我說的是現在每天的現實。 6、生成式人工智能的原動力：來源於遊戲。 7、生成式人工智能的應用：不僅僅是作者所說的Aigc，正如《未來呼嘯而來》的戴曼迪斯和科特勒總結的正在飛速發展的九大指數型技術：量子計算、人工智能、網絡、機器人、虛擬現實與增強現實、3D打印、區塊鏈、材料科學與納米技術、生物技術，這些技術的融合，他給大家推演了被完全重塑的8大行業：零售業、廣告業、娛樂業、教育業、醫療保健業、長壽業、商業和食品業。你看，這很像我們一直在推廣的“積木式創新”的理念，只不過我們說的積木式，是指科技創新的完成，需要科研、研發、設計、生產、銷售、營銷等要素，像搭積木一樣迅速達成合作。而戴曼迪斯和科特勒則是把科技突破本身當成積木，不同的積木搭在一起，就能完成以前無法完成的任務，解決以前難以解決的問題。

《生成式人工智能》由網易公司創始人丁磊撰寫，中信出版集團於 2023 年 5 月出版。該書以生成式人工智能（AIGC）爲核心，系統探討了其技術邏輯、應用場景、產業變革及社會影響，旨在幫助讀者全面理解這一技術革命的本質與未來方向。以下是全書的核心內容提煉： ​​一、技術內核：AIGC 的底層邏輯​​ ​​技術演進脈絡​​ 從​​深度學習​​到​​Transformer 模型​​，再到​​Diffusion 模型​​和​​GPT 系列​​，書中剖析了生成式 AI 的技術基石。例如，Transformer 的注意力機制和 GPT-4 的多模態能力，支撐了文本、圖像、視頻等多類型內容生成。 重點解析了​​ChatGPT​​的發展歷程，揭示其從語言模型到通用任務處理的突破邏輯。 ​​生成式 AI 與決策式 AI 的差異​​ 傳統 AI 側重數據分析與決策優化（如推薦系統），而生成式 AI 通過模擬人類創造力，實現內容生成（如代碼、劇本、設計圖），其核心價值在於​​突破人類認知邊界​​。 ​​二、應用場景：內容皆可生成的革命​​ ​​數字媒體領域​​ ​​文本生成​​：新聞、報告、代碼的自動化創作，顯著提升效率（如金融分析報告生成）。 ​​圖像生成​​：通過 Stable Diffusion 等工具實現高精度藝術創作與工業設計。 ​​影視與遊戲​​：AI 生成劇本、角色設計、場景建模，降低開發成本（如 NPC 行爲邏輯自動化）。 ​​產業升級案例​​ ​​智能製造​​：L4 級機器人協同控制生產線，實現工業質檢與流程優化。 ​​供應鏈管理​​：AI 預測需求、動態調整庫存，減少資源浪費。 ​​藥物研發​​：生成式設計加速分子篩選，縮短研發週期。 ​​三、商業與社會影響：機遇與挑戰並存​​ ​​產業變革​​ 傳統行業（如製造業、零售業）通過 AIGC 實現​​降本增效​​，例如特斯拉工廠的機器人協同。 新興市場崛起，如 AI 繪畫平臺 Midjourney、語音克隆技術公司。 ​​就業與技能重構​​ ​​崗位替代風險​​：內容創作者、程序員等可能面臨部分職能被 AI 取代。 ​​人機協作模式​​：設計師轉向創意指導，程序員聚焦算法優化，強調​​認知升級​​的重要性。 ​​倫理與瓶頸​​ 技術侷限性：邏輯一致性不足、版權爭議、隱私風險。 社會適應性：需建立 AI 監管框架，平衡創新與倫理。 ​​四、未來展望：從 AIGC 到 AGI 的探索​​ ​​技術演進方向​​ 通用人工智能（AGI）的可能性：AIGC 或爲 AGI 的起點，需突破​​跨模態理解​​與​​自主推理​​。 多模態生成技術深化：實現文本、圖像、語音、行爲的無縫聯動。 ​​商業與個人應對策略​​ 企業需構建​​AIGC 能力體系​​，例如 Netflix 利用 AI 優化劇本創作。 個人需培養​​批判性思維​​與​​複雜問題解決能力​​，避免被技術工具化。 ​​五、作者視角：實踐與理論的融合​​ 丁磊結合自身在互聯網行業的深耕經驗，通過​​技術 + 產業​​雙線敘事，既爲技術愛好者提供底層邏輯解析，也爲企業管理者錨定商業化路徑。書中案例涵蓋特斯拉、Netflix 等企業，兼具學術嚴謹性與商業實操性。