近年来，人工智能取得了重大进展，其中发展迅速的领域之一就是生成式人工智能。生成式人工智能是人工智能和深度学习的一个子领域，主要使用机器学习技 术根据现有数据训练算法和模型，生成诸如图像、文本、音乐、视频等新内容。
要更好地理解人工智能、机器学习、深度学习和生成式人工智能之间的关系， 如果我们将人工智能视为基础，那么机器学习、深度学习和生成式人工智能就代表 着日益专业化和聚焦的研究与应用领域。
● 人工智能代表着广阔的领域创意生产系统—这些系统可以执行任务，表现 出与人类相当的智力和能力，并能与生态系统交互。
● 机器学习是人工智能领域一个专注于创建算法和模型的分支，这些模型和算 法使得上述系统能够随着训练学习实现自我改进。机器学习模型从现有数据 中学习，并会随着数据的增长自动更新参数。
● 深度学习是机器学习的一个子分支。深度机器学习模型指的是神经网络 （Neural Network），尤其适用于计算机视觉（Computer Vision，CV）或自然语 言处理（Natural Language Processing，NLP ）等领域。本书提到的机器学习模型 和深度学习模型一般是指判别式模型，可根据数据进行预测或推理。
● 生成式人工智能是深度学习的一个子分支，不使用深度神经网络来聚类、分 类或对现有数据进行预测，而使用强大的神经网络模型生成图像、文字表述、 音乐和视频等新的内容。
图 1.1 形象地展示了这些概念之间的关系。
图 1.1 人工智能、机器学习、深度学习和生成式人工智能之间的关系
你可以通过大量数据训练生成式人工智能模型，再利用这些数据中的模式生成全 新样本。这一生成过程不同于判别式模型，因为后者旨在预测给定样本的类别或标签。
1.1.1 生成式人工智能的应用
近年来，生成式人工智能取得了显著的进展，并广泛应用于艺术、音乐、时尚、 建筑等多个领域。在某些领域中，生成式人工智能逐渐改变着原创者创造、设计甚 至理解世界的方式；而在另一些领域中，其正在现有流程和操作的优化和效率的提 升方面大显身手。
生成式人工智能的广泛应用，还意味着其模型可以处理不同类型的数据，例如文本、 音频或图像。接下来，我们会介绍如何使用生成式人工智能模型处理不同类型的数据。
1.1.2 文本生成
生成式人工智能的伟大应用之一是根据自然语言生成新内容，这也是本书重点 介绍的应用。事实上，生成式人工智能算法可以用于生成新的文本，如文章、诗歌 和产品描述。例如，OpenAI 开发的 GPT-3 语言模型在经过大量文本数据训练后，可 以生成以不同语言表述的连贯且符合语法规则的新文本（无论是输入还是输出），并 能从文本中提取出相关特征（例如关键词、主题或完整摘要）。
图 1.2 所示的是 ChatGPT 答复用户提示并补充了参考材料的示例。
图 1.2 ChatGPT 答复用户提示并补充了参考材料的示例
接下来，我们介绍生成式人工智能在图像生成领域的应用。
1.1.3 图像生成
就生成式人工智能在图像生成领域的应用来说，最早且最著名的示例之一是由 Ian Goodfellow 等人在 2014 年发表的文章“Generative Adversarial Networks”中介绍的生成对 抗网络（Generative Adversarial Network，GAN）架构，这一架构能生成难以与真实图像 区分的逼真图像。GAN 有一些有趣的应用，例如为训练计算机视觉模型生成合成数据集、 生成逼真的产品图像，以及生成用于虚拟现实和增强现实应用的逼真图像。
图1.3 所示的虚构人脸图像均由人工智能（生成对抗网络）生成。
图 1.3 由 GAN StyleGAN2 生成的虚构人脸图像
2021 年，OpenAI 在图像生成领域引入了一个名为 DALL-E 的生成式人工智能 模型。与 GAN 不同，DALL-E 模型旨在根据自然语言描述生成图像（GAN 则以随 机噪声向量为输入），这些图像可能看起来没那么逼真，但足以表达所述内容。
DALL-E 可以生成独特而富有创造力的图像，在广告、产品设计、时尚等创意产 业中具有巨大的应用潜力。
图 1.4 展示了 DALL-E 根据自然语言描述生成的 4 张图像。
图 1.4 DALL-E 使用自然语言提示作为输入所生成的图像
注意，文本生成可以与图像生成相结合，以产生全新的素材。近年来，将二者 结合的新型人工智能工具得到了广泛的应用。
Tome AI 就是一个例子。这是一款基于人工智能的自动生成 PPT 的在线应用， 除了基础功能，Tome AI 还能利用 DALL-E 和 GPT-3 等模型从零开始创建幻灯片， 如图 1.5 所示。
图 1.5 一份关于生成式人工智能的演示文稿，完全由 Tome AI 使用自然语言输入生成
可以看到，TomeAI 完全能够根据用户以自然语言输入的简短信息创建一个演示文稿。
1.1.4 音乐生成
生成式人工智能在音乐生成领域的应用可以追溯到 20 世纪 50 年代，当时的学 者们在算法合成领域开展了相关研究，并将算法用于生成音乐作品。事实上，1957 年，Lejaren Hiller 和 Leonard Isaacson 创作了弦乐四重奏—Illiac Suite，这是第 一首完全由人工智能创作的音乐作品。自此，学者们一直在研究如何使用人工智能 生成音乐。在最近几年的发展中，新的架构和框架已经得到广泛应用，例如，谷歌 在 2016 年推出的 WaveNet 架构能够生成高质量的音频样本；谷歌开发的 Magenta 项目使用递归神经网络（Recurrent Neural Network ，RNN ）和其他机器学习技术 来生成音乐及其他形式的艺术作品；OpenAI 于 2020 年推出的能生成音乐的神经 网络系统 Jukebox，可以根据音乐和声乐风格、类型和参考艺术家等信息自定义 输出。
这些框架和其他框架为开发用于音乐生成的“人工智能作曲助手”奠定了基础。
由 Sony CSL 研究开发的 Flow Machines 就是一个示例，这个生成式人工智能系统 经过大量音乐作品数据库训练后，可生成各种风格的新音乐。法国作曲家 Benoît Carré 用 Flow Machines 创作了一张名为“Hello World”的专辑（参见 Hello World 网站），这张专辑收录了 Flow Machines 与几位人类音乐家合作的乐曲。
图 1.6 所示的是一首完全由 Music Transformer（Magenta 项目中的一个模型）生 成的曲目。
图 1.6 Music Transformer 生成的曲目
在音乐领域，生成式人工智能的另一卓越应用是语音合成。事实上，有许多人工智能工具可以用知名歌手的声音作为输入来生成音频。例如，你想听KanyeWest演唱某首歌曲的效果，便可以用诸如 FakeYou、DeepFakeTexttoSpeech、UberDuck等工具来实现这一梦想，如图1.7 所示。
图 1.7 使用 UberDuck 进行文本转语音合成
不得不说，合成效果的确令人震撼。你甚至可以选用各种卡通人物（例如小熊 维尼等）的声音来合成歌曲。
接下来，我们介绍生成式人工智能在视频生成领域的应用。
1.1.5 视频生成
生成式人工智能几乎同时应用于视频生成和图像生成领域，其发展时间线相差 便是 DeepMind 的 Motion to Video，它仅凭一张图像和一系列动作就能生成高质量 的视频。另一个典型示例是 NVIDIA 的 Video-to-Video Synthesis（Vid2Vid），它基 于深度学习框架，使用 GAN 技术根据输入视频生成高质量的视频。
Vid2Vid 可以生成时间上连贯的视频，这意味着视频能够随时间推移保持播放流 畅且逼真。该系统可用于执行各种视频生成任务，如下所示。
● 变换视频风格，例如，将日间效果视频转换为夜间效果视频或将草图转换为 逼真的图像。
● 修改现有视频，例如，更改视频中对象的样式或外观。
● 根据静态图像生成新视频，例如，将一系列静止图像动画化。
2022 年 9 月，Meta 的研究人员宣布推出 Make-A-Video，这是一种新的人工智 能系统，可以帮助用户将自然语言提示转换为视频剪辑。这一技术背后包含我们刚 提到的许多其他领域的模型—用于提示的语言理解模型、用于图像生成的图像和 运动生成模型，以及由人工智能作曲助手制作的背景音乐。
综上所述，多年来，生成式人工智能已经给众多领域带来了“冲击”，出现了许 多足以给艺术家、企业甚至普通用户的工作提供支持的人工智能工具。相信随着技 术的发展，生成式人工智能会有更广阔的应用空间！接下来，在了解 OpenAI 模型的 相关内容之前，我们先介绍生成式人工智能的研究历程和新进展。
本文摘自《拥抱AIGC 应用ChatGPT和OpenAI API》
用AIGC、ChatGPT、GPT及OpenAI模型实现生产力提升的一本书，阐释生成式人工智能模型背后的设计思想，帮你找到更适合自己的AI应用方式。
本书先概述生成式人工智能所涉及的技术和工具，帮助你了解如何训练模型以生成新数据；接着展示如何用 ChatGPT 提高营销、科研和软件开发等相关工作的生产力和创造力；随后介绍如何通过改进提示设计从与 ChatGPT 的交互中获得好的效果，以及如何在企业级场景中使用 OpenAI 模型。
通过阅读本书，你可以了解生成式人工智能的相关概念，以及如何通过有效的提示设计增加ChatGPT的价值，如何基于Python语言构建和部署生成式人工智能系统，如何利用 Azure OpenAI 服务实现企业级应用。
本书适合想用生成式人工智能提升工作效率的所有人阅读，包括但不限于商务人士、数据科学家、软件开发人员、营销人员和科研人员。
