飛象網(wǎng)訊（源初/文）“如何賣掉一支筆？”“我的這支筆有AI�！边@是最近的一個網(wǎng)絡改編段子，但又反襯出了AI浪潮下的一大現(xiàn)象，似乎所有的事物都要和AI掛上鉤，而大量的AI又要從生成式AI的熱潮開始說起。但值得關(guān)注的是，很多看似智能的表象背后，卻與AI關(guān)系不大，而很多AI項目的演示背后，卻同樣又與生成式AI關(guān)系不大。
到處跑穴的機器人
很多人都會在各大展會上看到跳舞、泡咖啡，或是當牛做狗的機器人，似乎象征著開啟了人工智能時代的序幕。然而，細心的人早已發(fā)現(xiàn)，很多機器人早在AI概念興起前就已經(jīng)出現(xiàn)，只是近兩年來才被冠以了AI的象征符號。
但是，從原理上看，多數(shù)機器人只是在簡單地執(zhí)行固定的動作，或是被人進行遠程遙控，距離自主性的“智能”二字相距甚遠。機器人作為物理設備，可以用來執(zhí)行任務，但不一定包含AI。AI可以嵌入到機器人中，使其具有智能行為，但二者并不完全等同。
作者在此不妨對幾種常見的機器人進行盤點。例如使用機械臂按照規(guī)定動作進行咖啡沖泡的機器人，盡管它被錄入了所謂頂級咖啡大師的制作手法，但自身并不具備靈活沖泡咖啡的能力，甚至無法對豆子進行辨識，以便采取不同的沖泡手段；又比如機械狗，這種機器人可謂在展會中隨處可見，但該產(chǎn)品很多時候都需要人工進行遙控；又或是集體跳舞或組隊行動的機器人，不妨反過來理解，參與集體舞蹈，實現(xiàn)規(guī)范動作的人本身就在執(zhí)行機械性的指令，又緣何要反過來說會跳集體舞的機器人就變得智能了呢？
AI與生成式AI
另一個更不容易被分辨的語言游戲便是，借著講分辨式AI，或其他AI的產(chǎn)品，來蹭生成式AI的熱度。例如很多年前的通過攝像頭來智能判斷出物體類型的AI，就與生成式AI并不相同。生成式AI作為AI的一個子領(lǐng)域，專注于生成新的內(nèi)容。GenAI通過學習大量的示例數(shù)據(jù)來創(chuàng)建新的文本、圖像、音樂、代碼等。常見的應用包括生成文本（如GPT模型）、圖像（如DALL-E）、音樂和視頻。
而攝像頭進行智能判斷類型的AI一般為分辨式AI，相比生成式AI有著顯著差異。分辨式AI和生成式AI有顯著差異。分辨式AI使用帶標簽的數(shù)據(jù)訓練分類器，通過映射函數(shù)預測未標注數(shù)據(jù)的標簽，典型算法包括支持向量機、決策樹和邏輯回歸等，依賴大量高質(zhì)量標注數(shù)據(jù)，盡管提高了訓練成本，但也限制了復雜模型的發(fā)展。生成式AI則利用大量未標注的數(shù)據(jù)X，自我生成數(shù)據(jù)和隱藏信息，擺脫了對標注數(shù)據(jù)的依賴。在強大GPU算力和海量數(shù)據(jù)支持下，生成式AI能實現(xiàn)大型復雜模型的訓練，結(jié)合標注數(shù)據(jù)和強化學習機制，可以更快收斂到正確方向，生成自然語言、音樂、圖像等內(nèi)容，推動通用人工智能的發(fā)展。總之，分辨式AI側(cè)重分類和預測，生成式AI側(cè)重內(nèi)容生成。
另外，一些企業(yè)還會利用可能基于模板生成的內(nèi)容來誤稱為“生成式AI”，實際上生成式AI使用復雜的算法和模型來生成新的內(nèi)容，而模板生成僅僅是基于預定義的模板進行填充；同理，企業(yè)有時會把任何形式的自動化技術(shù)都稱為“AI”。但自動化可以通過預設的規(guī)則或簡單的算法實現(xiàn)，而AI通常涉及更復雜的機器學習和數(shù)據(jù)驅(qū)動的決策過程；在大數(shù)據(jù)領(lǐng)域，有的企業(yè)會將如統(tǒng)計分析、數(shù)據(jù)挖掘這類數(shù)據(jù)分析技術(shù)標榜為AI能力，但數(shù)據(jù)分析側(cè)重于理解數(shù)據(jù)中的模式和趨勢，而AI則更注重模擬人類智能來做出決策或生成內(nèi)容。
多年技術(shù)積累
不過這里需要肯定一點的是，很多公司會以過往的AI應用案例，來證明如今他們的生成式AI項目有著多年的技術(shù)積累，這一說法確實沒有騙人。
分辨式AI的技術(shù)積累對生成式AI的研發(fā)有很大幫助，具體表現(xiàn)如下。首先，分辨式AI使用的許多模型和算法，如卷積神經(jīng)網(wǎng)絡、循環(huán)神經(jīng)網(wǎng)絡、Transformer等，也廣泛應用于生成式AI。這些架構(gòu)和訓練技巧可以直接用于生成式模型的設計和優(yōu)化。例如，Transformer架構(gòu)在自然語言處理中已經(jīng)證明了其強大的性能，它同樣被應用于生成式模型中，如GPT系列模型。通過共享這些技術(shù)，生成式AI能夠快速吸收分辨式AI的研究成果，提升模型的性能和穩(wěn)定性。
其次，分辨式AI在數(shù)據(jù)處理和特征提取方面的技術(shù)積累為生成式AI提供了重要基礎。生成式AI需要理解和學習數(shù)據(jù)的底層結(jié)構(gòu)，這離不開分辨式AI在特征提取和數(shù)據(jù)預處理方面的支持。例如，生成對抗網(wǎng)絡中的判別器用于評估生成器的輸出質(zhì)量，這種相互作用推動了生成式模型的改進。此外，分辨式AI技術(shù)可以用于生成合成數(shù)據(jù)，增強訓練集的多樣性和規(guī)模，從而幫助生成式AI更好地學習和生成高質(zhì)量的內(nèi)容。這種數(shù)據(jù)增強技術(shù)在圖像、語音和文本生成等領(lǐng)域都有廣泛應用。
最后，生成式和分辨式模型可以結(jié)合使用，形成混合模型，在多個應用中發(fā)揮優(yōu)勢。例如，在圖像超分辨率任務中，生成式模型可以生成高分辨率圖像，而分辨式模型可以用于評估和改進生成結(jié)果的質(zhì)量。在文本生成與分類任務中，生成式模型可以生成自然語言文本，分辨式模型可以對生成的文本進行分類和評估。這種混合模型能夠充分利用兩者的優(yōu)勢，提升整體性能和效果，從而在更多實際應用中提供更強大的解決方案。通過這種相互補充的方式，AI技術(shù)能夠在更多領(lǐng)域內(nèi)取得突破性進展。
當很多企業(yè)紛紛掛上AI的標簽，對于旁觀者而言，需要冷靜思考其中的技術(shù)底色，理解和區(qū)分這些技術(shù)概念，有助于更清晰地認識AI的潛力和發(fā)展方向。
