清华社课件生成式人工智能通识（微课视频版）第3章 生成式AI与AIGC.pptxVIP

;;本章深入探讨生成式人工智能（生成式AI）及其在内容生成领域的广泛应用。生成式AI通过深度学习和大数据技术，能够自主创造出与训练数据相似但全新的内容，涵盖文本、图像、音频等多种形式。与判别式AI不同，生成式AI专注于学习数据的底层分布，从而实现内容的创造和生成。;本章详细介绍了生成式AI的定义、与判别式AI的区别、技术层次结构（包括应用层、平台层、模型层和基础设施层），及其在AIGC（人工智能生成内容）中的核心作用。同时，探讨了生成式AI在文本、图像、音频、视频等多模态内容生成中的应用场景，并分析了接入LLM的多种方式，包括个人使用、智能体搭建、API调用、私有化部署等。最后，通过研究性学习案例，展示了如何应用生成式AI技术解决实际问题，体现了其在推动内容创作和提升效率方面的巨大潜力。;;PART01;生成式AI是近年来备受瞩目的技术领域，它利用深度学习和大数据等技术自主生成全新的、具有创新性的内容。这些新数据或内容与训练数据具有相似的特征但并非完全相同，可以是文本、图像、音频等形式。;判别式AI是一种专注于学习输入数据与输出标签之间映射关系的AI方法。它主要关注如何从给定的输入中准确地预测或分类输出，而不试图理解生成这些数据的底层概率分布。判别式模型直接学习从特征到类别的决策边界，因此它们在许多实际应用中表现出色，尤其是在需要高精度和快速响应的任务上。;判别式AI的特点如下。

（1）直接映射：直接从输入特征空间映射到输出类别或值，如图像分类、语音识别等任务。

（2）高效训练：通常比生成式模型更容易训练，因为它们不需要建模整个数据分布。

（3）高精度：在特定任务上的表现优于生成式模型，特别是在大量标注数据可用的情况下。

（4）广泛应用：用于NLP、计算机视觉、推荐系统等领域。;常见的判别式模型如下。

（1）支持向量机（SVM）：寻找最优超平面，以最大化不同类别之间的间隔，适用于线性和非线性分类问题。

（2）逻辑回归：用于二分类或多分类问题，通过估计事件发生的概率来预测。

（3）神经网络：包括多层感知器（MLP）、CNN、RNN及其变体，如LSTM，???泛应用于各种复杂的模式识别任务。;（4）随机森林：由多个决策树组成，通过对各棵树的结果进行投票做出最终预测，具有较强的抗过拟合能力。

（5）梯度提升决策树（GBDT）：通过迭代地添加新的弱学习器逐步改进模型性能，常用于结构化数据分析。

（6）深度学习中的Transformer：特别适合处理序列数据，如文本和时间序列，在NLP领域取得了巨大成功。

（7）线性判别分析（LDA）：一种经典的降维技术，也可作为监督学习算法用于分类任务。;判别式AI的应用场景主要如下。

（1）图像分类：使用CNN对图片内容进行分类，例如区分猫、狗照片。

（2）情感分析：基于文本的情感分类任务，如判断评论是正面还是负面。

（3）语音识别：将音频信号转换为文字转录，涉及声学模型和语言模型的结合。

（4）推荐系统：根据用户的历史行为和其他相关因素推荐商品或内容。

（5）医疗诊断辅助：分析医学影像或患者病历信息，帮助医生做出更准确的诊断。;判别式AI的优势主要是高性能、简单易用和针对性强，局限性主要是缺乏泛化能力、依赖标注数据，其内部运作机制较难解释，存在“黑箱”问题。随着技术的发展，人们也在探索如何结合生成式模型的优势，开发出更加全面和强大的AI系统。;如图3-1所示，判别模型需要求出一条决策边界，而生成模型需要计算联合概率分布。与传统的判别式AI相比，生成式AI更注重于创造和生成，而非简单的分类和识别。它专注于学习现有数据集的模式，并基于这些模式创造新的、之前未存在的内容。这种技术使得机器能够模仿创造性过程，生成包括但不限于文本、图像、音频和视频的各种类型的内容。生成式模型通过深度学习网络，如VAE、GAN或Transformer模型（如ChatGPT）等来实现这一目标的。;

（a）判别模型（b）生成模型

图3-1判别与生成模型对比;定义：基于机器学习方法的生成式AI是AI的一个分支，它学习大量数据，能够生成与原始数据相似的全新内容。这种技术可以应用于NLP、图像生成、音频合成等多个领域。;生成式AI的主要应用场景如下。

（1）文本生成：可以生成各种类型的文本，如新闻报道、小说、诗歌等。这种技术可以大大提高文本创作的效率和质量，为内容创作者提供更多的灵感和选择。

（2）图像生成：能够根据用户的描述或输入的关键词生成符合要求的图像。这种技术在设计、艺术等领域具有广泛的应用前景。

（3）音频合成：可以模拟各种声音，生成逼真的语音、音乐等音频内容。这对于语音助手、音乐创作等具有重要意义。;为了更全面地了解生成式AI领域，分