人类善于分析事物。机器甚至更好。机器可以分析一组数据并在其中找到用于大量用例的模式,无论是欺诈还是垃圾邮件检测,预测交付的 ETA 或预测接下来要向您展示的 TikTok 视频。他们在这些任务上变得越来越聪明。这被称为“分析人工智能”或传统人工智能。
但人类不仅擅长分析事物——我们也擅长创造。我们写诗、设计产品、制作游戏和编写代码。直到最近,机器还没有机会在创造性工作上与人类竞争——它们只能进行分析和死记硬背的认知劳动。但是机器刚刚开始擅长创造感性和美丽的东西。这个新类别被称为“生成式人工智能”,这意味着机器正在生成新的东西,而不是分析已经存在的东西。
生成式 AI 不仅变得更快、更便宜,而且在某些情况下比人类手工创造的更好。从社交媒体到游戏,从广告到建筑,从编码到平面设计,从产品设计到法律,从市场营销到销售,每一个需要人类创作原创作品的行业都需要进行改造。某些功能可能会被生成式 AI 完全取代,而其他功能更有可能从人机之间紧密的迭代创新周期中蓬勃发展——但生成式 AI 应该会在广泛的终端市场上解锁更好、更快、更便宜的创造。我们的梦想是生成式人工智能将创造和知识工作的边际成本降至零,从而产生巨大的劳动生产率和经济价值——以及相应的市值。
生成式人工智能涉及的领域——知识工作和创造性工作——包括数十亿工人。生成式人工智能可以使这些工人的效率和/或创造力至少提高 10%:他们不仅变得更快、更有效率,而且比以前更有能力。因此,生成式人工智能有潜力产生数万亿美元的经济价值。
为什么现在?
生成式 AI 与更广泛的 AI 具有相同的“为什么现在”:更好的模型、更多的数据、更多的计算。该类别的变化速度比我们所预料的要快,但值得概括地叙述最近的历史,以宏观地理解当前进展。 第1波:小型模型至高无上(2015 年之前) 5 多年前,小型模型是语言理解中最先进的方法。这些小型模型擅长分析任务,并被部署用于从交货时间预测到欺诈分类的工作。然而,对于通用的生成任务,它们的表现力不够。生成人类水平的写作或代码仍然是一个白日梦。 第2波: 规模化竞赛 (2015-今天) Google Research 的一篇具有里程碑意义的论文(Attention is All You Need)描述了一种新的用于自然语言理解的神经网络架构,称为transformer,它可以生成高质量的语言模型,同时具有更高的可并行性和要求训练时间明显减少。这些模型是小样本学习器,可以相对容易地针对特定领域进行定制。