信息技术素养与数字化应用邓芳曹英邹洪芬主编70课件讲解.pptxVIP

信息技术素养与数字化应用邓芳曹英邹洪芬主编

第7章用AI大模型制作智能体人工智能典型应用------AIGC

1.AIGC的发展历程(1/3)AIGC（ArtificialIntelligenceGeneratedContent）是生成式人工智能，演进并非一蹴而就，而是计算机科学、数学建模与硬件算力三重驱动的渐进式突破。其演进可追溯至20世纪计算机科学的早期探索，其发展主要分为三个阶段：（一）规则驱动阶段基于预设规则生成内容，如文本模板、简单图像合成工具，灵活性和创造性受限。（1）MarkovChain生成随机文本，如克劳德·香农通过字母概率分布模拟英语句子。（2）ELIZA聊天机器人通过关键词匹配与固定话术库模拟心理咨询对话，暴露规则系统的僵化性。（3）AdobePhotoshop1.0（1988）的滤镜工具链，依赖预设算法对图像进行有限修改。我们可以发现，其内容生成高度依赖专家经验，缺乏创造性与场景适应性。

1.AIGC的发展历程(2/3)（二）统计模型阶段利用概率模型（如隐马尔可夫模型、贝叶斯网络）生成文本或图像，但仍需大量人工干预。（1）IBMDeepBlue战胜国际象棋冠军，验证统计模型在复杂决策中的潜力。（2）Hinton提出深度信念网络（DBN），开启深度学习新纪元。（3）苹果Siri整合统计语言模型，实现有限场景的自然语言交互。这一阶段内容虽然在渐渐摆脱专家经验，但仍局限于结构化数据填充模板。

1.AIGC的发展历程(3/3)（三）深度学习阶段以生成对抗网络（GAN，2014）、Transformer（2017）、扩散模型（2020）为代表，实现了从数据中自主学习的创造性生成。（1）IanGoodfellow提出GAN，开启图像生成新纪元。生成对抗网络（GAN）生成器与判别器的博弈框架使图像生成突破人类预设边界，首幅AI画作《埃德蒙·贝拉米肖像》（2018）在佳士得以43万美元成交。（2）GPT-1发布，基于Transformer架构实现大规模文本生成。GPT系列模型迭代加速（GPT-2于2019年突破文本不可检测性）（3）扩散模型（DiffusionModels）崛起，StableDiffusion（2022）实现\文字到图像\的精准控制，MidJourneyV5生成结果与专业插画师作品难以区分，引爆AI艺术创作浪潮。发展到现阶段，人工智能大模型及生成式人工智能需求的日益增长，对算力基础设施提出了越来越高的要求，NVIDIAA100显卡（2020）与GoogleTPUv4（2021）将单模型参数规模推至万亿级别。

AIGC的核心算法在数字化时代的当下，AIGC技术正以前所未有的速度改变着我们的生活和工作方式，从创意无限的文本生成，到栩栩如生的图像创作，再到动听的音乐旋律，无处不在。而这一切的背后，离不开三大核心算法的支撑AIGC。（1）生成对抗网络（GAN）它就像两个艺术家在一场无尽的比赛中博弈较量，一个努力创作出最逼真的作品，另一个则试图找出作品中的破绽。这正是GAN的核心思想，由两个神经网络组成：生成器（Generator）和判别器（Discriminator）。生成器就像一个充满创造力的艺术家，它的任务是从随机噪声中生成数据，这些数据可以是图像、音频或任何其他形式。而判别器则扮演着严格的批评家角色，它需要判断生成的数据是真实的还是由生成器伪造的。在训练过程中，生成器和判别器不断进行对抗。生成器努力提高自己的生成技巧，以创造出越来越逼真的数据，试图欺骗判别器。与此同时，判别器也在不断提升自己的鉴别能力，以更准确地识别出生成数据中的细微差别。这种相互对抗、相互学习的过程，最终使生成器能够生成出以假乱真的数据。（2）Transformer随着数据量的不断增加和模型复杂度的提高，RNN的局限性逐渐显现。Transformer架构应运而生，它彻底改变了我们处理序列数据的方式。其核心在于注意力机制。它能够并行处理整个序列，并通过注意力机制捕捉序列中不同位置之间的长距离依赖关系。这种机制使得模型能够更加全面地理解序列数据的上下文信息，从而提高模型的性能。因此，Transformer并行计算效率高，建模能力强，在自然语言处理领域取得了巨大的成功，被广泛应用于机器翻译、文本摘要、问答系统等任务中。（3）扩散模型（DiffusionModels）扩散模型是一种相对较新的生成模型，它通过一种独特的方式生成数据。这个过程可以类比为将一幅画逐渐模糊，然后又逐步恢复清晰的过程。在扩散模型中，数据首先被逐步添加噪声，直到变成完全的噪声。然后，模型学习逆向这个过程，从噪声中逐步恢复出原始数据，生成数据质量高，在生成图像、视频和音频等方面表现出色。同时，与GAN相比，扩散模型的训练过程相对更加稳