决策式AI vs 生成式AI：人工智能的两种进化路径 | 附精美

自从ChatGPT火爆全球之后，人工智能就重新引起了所有人的关注。作为一位人工智能领域的产品设计者，我自然也是一直在关注这个领域的发展。最近读完了丁磊博士所著的《生成式人工智能》一书，借着这本书，我边分享书中观点，边给出自己的理解，与读者朋友一起来熟悉下。作者丁磊可不是网易的丁磊，而是同名同姓的另一个人:前百度金融首席数据科学家、历任PayPal科学数据科学部负责人。也是美国俄亥俄州立大学人工智能专业博士。

在了解生成式人工智能之前，咱们首先可以把目前主流的人工智能技术分为两类，即决策式人工智能和生成式人工智能。具体差别可以见下表:
首先针对决策式AI，书中是这么解释的:

决策式AI（也被称作判别式AI）学习数据中的条件概率分布，即一个样本归属于特定类别的概率，再对新的场景进行判断、分析和预测。决策式AI有几个主要的应用领域：人脸识别、推荐系统、风控系统、其他智能决策系统、机器人、自动驾驶。例如在人脸识别领域，决策式AI对实时获取的人脸图像进行特征信息提取，再与人脸库中的特征数据匹配，从而实现人脸识别。

简单来说，现在的人工智能模型就是一个公式，而这个函数具有哪些参数，比如要如何识别出猫和狗来，通过逻辑推导是几乎没办法知道这个公式的参数，那么需要提供大量的猫和狗的图片去训练这个AI模型，告诉它猫狗应该长什么样，让计算机自己去学习，提取特征，而这里面就利用了脑科学与计算机科学结合的概念，通过模拟大脑神经元的机制，构建了基于深度学习的人工神经网络，而通过不断喂给它训练的图片或视频，让AI模型越来越明白如何识别猫和狗，进而变得跟人类一样准确。人类是经过几百万年的进来才学习到快速识别猫狗的能力，其他亦如此。而计算机是通过以数量和不辞辛苦地训练追上这种识别能力。特定的识别产生特定的人工神经网络实现，比如识别猫狗就通常采用目标检测，基于卷积神经网络的YOLO系列来实现。决策式AI通常是小模型，通过不多的数据训练，快速得到一个特定领域的识别模型，不过只能做好一件事情。

而生成式人工智能，除了依然在使用深度学习的这样模型训练概念之外，还具备了生成新内容的能力。首先爆发的就是LLM，大语言模型，通过喂给人工智能大量的人类书籍、知识等数据，训练出了一个具备各行各业知识的模型，通过算法来对知识进行重组，而计算机所谓重组，就是对每个字的下一个字进行条件概率的统计，本质来讲，就是统计学。比如你问它，请问中国历史上第一位皇帝是谁？它就会逐一去理解你说的每一个字，然后再通过它掌握的知识库里，找寻类似字的下一个字出现的概率，比如找到比如第一位皇帝是秦，第二个字是始的概率就更高，第三字是皇的概率依然很高，而且它还可以继续扩展内容，继续补齐关于秦始皇的生平事迹。这与搜索引擎还不同，搜索引擎只是纯粹在海量的数据库中找到对应关键字的网页和文本，数据库有的才能找到。而生成式人工智能可以理解为把知识都打散了，又可以任意组合，这样就具备了编故事的能力，前提是你得告诉大语言模型你要它做什么，限定它的身份，不要扩散到没有边界。如果问医疗知识，就告诉它扮演医生，这样它才能把打散的知识库重新聚焦起来，把医学相关的知识进行分类重组。

同理，对于AI生成图片，就是把拆解每一个字符，换成拆解每一个图片的像素点，计算相邻像素点的概率分布，从而得到基于文本或输入图片得到的新图片。基于时间关系，今天先起个头，更多内容，咱们接下来几天慢慢唠唠。关于人工智能，有什么问题，欢迎留言讨论学习。以下，可以再欣赏几幅AI生成的画作，创作工具包括：Midjourney，商汤秒画，阿里通义万相，百度文心一格等，有时候感觉生成式AI作画就像个拆盲盒游戏，即使你限定了提示词，依然每次生成的图片都不一样，而且可以千真万确地是，是独一无二的，而这就是它的魅力之一：提示词：人工智能，识别猫，狗，万事万物，人类因此获益，杰作，细节丰富，高质量