书:pan.baidu.com/s/151xVguoGwyBrGk5X9ygFKg?pwd=3l6c
- 深度学习技术：
- 生成式AI的核心在于深度学习技术，通过构建多层神经网络来模拟人脑神经元网络的计算方式，从而实现对复杂数据的处理和理解。
- 概率模型与生成对抗网络（GANs）：
- 生成式AI利用概率模型来预测下一个状态或结果，其中GANs是一种重要的技术，由生成器和判别器组成，通过不断的对抗学习提高生成数据的质量。
- 变分自编码器（VAE）：
- VAE是一种能够自动编码和解码数据的神经网络模型，通过最大化数据似然性对数据集进行编码并生成新的数据，注重数据的整体结构和连续性。
- 递归式生成模型：
- 如RNN和Transformer等，能够生成与前面生成内容相关的后续内容，实现序列数据的建模和全局信息的考虑。
- Transformer模型：
- 在自然语言处理领域取得了显著成果，能够生成流畅、连贯的自然语言文本，是生成式AI在自然语言处理方面的代表性技术。
- StyleGAN模型：
- 在计算机视觉领域，StyleGAN能够根据用户输入的简单草图或文字描述生成高质量的图像，是图像生成方面的重要技术。
- WaveNet模型：
- 在音频领域，WaveNet通过深度卷积神经网络学习音频信号的生成规律，能够生成高质量、逼真的音频片段，广泛应用于语音合成和音乐生成等领域。
- 小数据与优质数据驱动：
- 强调数据的精确度和关联性，从根源上减轻算法对数据量的依赖，提升网络系统的可靠性，是生成式AI在数据使用方面的重要趋势。
- 伦理与道德约束：
- 随着生成式AI的广泛应用，伦理与道德问题日益凸显，建立AI监督模型框架为AI的使用设定了明确的边界与规范，确保技术的健康发展。
- 可解释性模型：
- 提高AI决策过程的可解释性，减少对公共资源的消耗，增强用户对AI系统的信任与认可，是生成式AI在可解释性方面的关键技术。
- 大规模预训练模型：
- 基于海量参数和训练数据的大规模预训练模型，能够有效提高人机交互和推理能力，增强可完成任务的多样性和丰富性。
- 全模态大模型：
- 能够处理与理解文本、图片、音频、数据表格等多种类型的数据输入，并根据任务需求生成多种类型的输出，实现跨界融合的能力。
- 实体人工智能系统：
- 将具身智能赋能于物理世界中的实体对象，实现更高水平的智能化操作，如人形机器人在复杂环境中自主决策和行动的能力。
