19 мая 2023 года во время Седьмой всемирной конференции по разведке «Всемирный саммит по сотрудничеству в области интеллектуальных технологий», организованной Интернет-обществом Китая и Китайской ассоциацией индустрии программного обеспечения, Тяньцзиньским обществом искусственного интеллекта, Zhiding Technology и Zhiding Think Tank совместно. Глобальная карта отрасли генеративного ИИ на 2023 год» и «Глобальный отчет об исследованиях отрасли генеративного ИИ за 2023 год», подготовленные автором, выпущены для лучшего понимания развития глобального генеративного ИИ для государственных ведомств, отраслевых практиков, преподавателей и общественной ситуации для справки.
Изображение предоставлено: создано с помощью инструментов Unbounded AI.
Как передовая область искусственного интеллекта, генеративный ИИ стал самой горячей темой технологий в мире. В 2022 году OpenAI выпустила ChatGPT, важный прорыв в области генеративного ИИ на уровне модельного приложения, который всего за два месяца преодолел отметку в 100 миллионов активных пользователей в месяц и стал самым быстрорастущим потребительским приложением в истории. Многие технологические компании по всему миру увеличили свои инвестиции в исследования и разработки в области генеративного ИИ и постоянно внедряют важные достижения в области технологий, продуктов и приложений для постоянного продвижения инноваций и коммерциализации искусственного интеллекта.
В этом контексте под руководством Интернет-общества Китая и Китайской ассоциации индустрии программного обеспечения Тяньцзиньское общество искусственного интеллекта, Zhiding Technology и Zhiding Think Tank совместно выпустили «Глобальный отчет об исследованиях отрасли генеративного ИИ за 2023 год», который начинается с глобальная перспектива, чтобы разобраться в обзоре отрасли, инфраструктуре, модели алгоритма, сценарии применения, возможностях и проблемах генеративного ИИ, всесторонне продемонстрировать промышленное развитие генеративного ИИ и предоставить больше информации для государственных ведомств, отраслевых практиков, преподавателей и общественности A хорошее понимание генеративного ИИ дает ссылку.
01 Обзор индустрии генеративного ИИ
1.1 Концепция генеративного ИИ и этап создания контента
Генеративный ИИ — это новый метод производства, в котором используется технология искусственного интеллекта для автоматического создания контента после профессионально созданного контента (PGC) и пользовательского контента (UGC).
Генеративный ИИ автоматически генерирует и создает текст, аудио, изображения, видео и кросс-модальную информацию на основе массивных обучающих данных и крупномасштабных предварительно обученных моделей.
С тех пор как OpenAI выпустила ChatGPT в 2022 году, глобальная волна генеративного ИИ разразилась, и многие технологические компании запустили генеративные модели ИИ, продукты и соответствующую базовую инфраструктуру и услуги.
1.2 Движущие силы развития индустрии генеративного ИИ
В последние годы глобальный масштаб данных продолжал расти. IDC прогнозирует, что к 2025 г. глобальный масштаб данных достигнет 175 ZB, что обеспечит огромные ресурсы данных для обучения моделей искусственного интеллекта; внедрение высокопроизводительных микросхем ИИ обеспечивает важную поддержку вычислительной мощности для крупномасштабные модели предварительного обучения Благодаря непрерывному развитию такие модели, как Transformer, BERT, LaMDA и ChatGPT, достигли быстрой итеративной оптимизации. Глобальная индустрия генеративного ИИ, движимая данными, вычислительной мощностью и моделями, быстро развивалась, а соответствующие сценарии и приложения постоянно обогащались.
Высокопроизводительные чипы AI 2.1 обеспечивают поддержку вычислительной мощности для генеративного обучения ИИ
Развитие искусственного интеллекта перешло в эпоху больших моделей из эпохи глубокого обучения.Количество параметров крупномасштабных моделей предобучения показало экспоненциальный рост, что требует поддержки высокопроизводительных вычислительных мощностей.
В настоящее время обучающая вычислительная мощность крупномасштабных моделей предварительного обучения в 10–100 раз больше, чем в прошлом. Текущая основная обучающая модель генеративного ИИ широко использует чипы графического процессора Nvidia Tensor Core. Например, Microsoft потратила сотни миллионов долларов. закупить десятки тысяч чипов Nvidia A100, чтобы помочь Open AI построить ChatGPT.
2.2 Вычислительные кластеры ИИ предоставляют крупномасштабные вычислительные ресурсы для генеративного обучения ИИ
Вычислительные кластеры ИИ могут обеспечить крупномасштабную вычислительную мощность, постоянно улучшать использование ресурсов вычислительной мощности, улучшать возможности хранения и обработки данных, а также ускорять обучение больших моделей ИИ и эффективность логических выводов.
В настоящее время типичные вычислительные кластеры ИИ, такие как Nvidia DGX SuperPOD, интеллектуальный облачный высокопроизводительный вычислительный кластер Baidu EHC, высокопроизводительный вычислительный кластер нового поколения Tencent HCC и т. д., соответствующая инфраструктура вычислительной мощности продолжает предоставлять мощные ресурсы вычислительной мощности для генеративных вычислений. Сценарии обучения ИИ, дальнейшее снижение порога и стоимости обучения моделей и содействие внедрению генеративных моделей ИИ.
2.3 Облачный сервис ИИ обеспечивает поддержку платформы для разработки генеративной модели ИИ
Разработка моделей предварительного обучения искусственного интеллекта имеет большой спрос на облачные сервисы.Облачные сервисы ИИ могут предоставлять модули разработки искусственного интеллекта.Благодаря диверсифицированным моделям обслуживания можно сократить затраты разработчиков и циклы разработки продуктов, а также расширить возможности ИИ. для разработки модели. .
Типичным примером является Amazon SageMaker, который может обеспечивать анализ изображений, обработку речи, понимание естественного языка и другие сопутствующие услуги, а пользователи могут реализовывать функциональные приложения, не зная параметров и алгоритмов.
Платформа разработки AI с нулевым порогом Baidu Flying Paddle EasyDL предоставляет такие функции, как классификация изображений, обнаружение объектов, классификация текста, классификация звука и классификация видео, реализуя универсальное автоматизированное обучение и снижая порог для пользовательской разработки AI.
03 Модель генеративного алгоритма ИИ
3.1 История развития глобальных моделей генеративного ИИ
3.2 Основные модели генерации языков: OpenAI GPT-1 — GPT-4
С 2018 года OpenAI последовательно выпускает серию генеративных моделей предварительного обучения, таких как GPT-1, GPT-2, GPT-3, ChatGPT и GPT-4.
Модель GPT-1 основана на архитектуре Transformer, и в ней сохранена только декодерная часть архитектуры;
Модель GPT-2 отменяет этап контролируемой доводки в GPT-1;
Модель GPT-3 отказывается от нулевого выстрела GPT-2 и использует несколько выстрелов, чтобы дать небольшое количество образцов для конкретных задач; ChatGPT использует технологию RLHF (обучение с подкреплением с обратной связью), чтобы расширить возможности настройки выходных данных. модель;
Модель GPT-4, выпущенная в 2023 году, обладает более мощными мультимодальными возможностями: она поддерживает мультимодальный ввод графики и текста и генерирует текст ответа, который может реализовать классификацию, анализ и неявное семантическое извлечение визуальных элементов, демонстрируя превосходную способность реагирования.
3.3 Основная модель генерации языковых классов: Google Transformer to PaLM-E
В 2017 году Google выпустил культовую модель Transformer.Модуль декодирования этой модели стал основным элементом модели GPT.Внедрив механизм внимания, он может реализовать более масштабные параллельные вычисления, значительно сократить время обучения модели, и применять крупномасштабные модели ИИ. Модель BERT и модель LaMDA постоянно улучшаются с точки зрения возможностей извлечения информации и безопасности.
Недавно запущенная модель PaLM-E обладает мощными возможностями обобщения и миграции и может обрабатывать мультимодальные данные (язык, зрение, осязание и т. д.).
3.4 Основная модель для создания изображений: модель диффузии
Исследования модели распространения можно проследить до 2015 года, а вероятностная модель распространения шума (DDPM) была предложена в 2020 году, демонстрируя мощные возможности модели распространения и стимулируя развитие модели распространения. Модель в основном включает в себя два процесса: прямой процесс и обратный процесс.Прямой процесс также называется процессом диффузии.Модель диффузии учится, добавляя гауссовский шум к изображению, чтобы разрушить обучающие данные, выясняет метод обращения шума процесса и использует изученные методы шумоподавления, позволяющие синтезировать новые изображения из случайных входных данных.
Преимущество модели Diffusion заключается в том, что генерируемые изображения имеют более высокое качество и не требуют состязательного обучения.При условии, что требуется меньше данных, эффект генерации изображений модели значительно улучшается.
4.2 Применение генеративного сценария ИИ — генерация текста
Приложения для генерации текста в основном работают в четырех областях: продолжение контента, передача стиля текста, генерация аннотации/заголовка и генерация всего текста.Связанное с этим персонализированное генерирование текста и взаимодействие с текстом в реальном времени имеют широкие перспективы.
Вообще говоря, генерация текста на основе технологии НЛП является более ранним применением в генеративном ИИ.Всемирно известные технологические компании последовательно запускали инструменты для генерации текста, такие как Microsoft, Xmind и другие сопутствующие продукты, в копирайтинге, анализе данных, презентациях. кейсы применения в майндмэппинге и другие аспекты.
4.3 Приложение генеративной сцены AI — генерация изображения
Технические сценарии генерации изображения делятся на редактирование атрибутов изображения, частичное создание и изменение изображения и сквозное создание изображения. Среди них первые два сценария посадки — это инструменты редактирования изображений, а сквозное создание изображения соответствует двум основным сценариям посадки: создание креативного изображения и создание функционального изображения.
В настоящее время инструменты редактирования изображений широко используются, и сопутствующие продукты относительно многочисленны; творческое создание изображений в основном представлено в форме NFT и т. д., а функциональные изображения в основном представляют собой маркетинговые плакаты / интерфейсы, логотипы, изображения моделей и пользовательские аватары. .
4.4 Применение генеративного сценария ИИ — генерация звука
Генерация звука уже широко распространена в повседневной жизни, и области его применения могут быть дополнительно разделены на синтез речи и создание музыки, а синтез речи включает область специальной речи для генерации текста (TTS) и клонирования речи.
Техническая зрелость области TTS относительно высока, но по-прежнему не хватает эмоционального выражения; клонирование голоса имеет большое значение для кино, анимации и других отраслей и заслуживает внимания; создание музыки можно далее подразделить на лирику, композицию, аранжировка, запись, микширование и т. д. Несколько направлений, процесс создания в основном опирается на модель Transformer.
4.5 Применение генеративного сценария ИИ — создание видео
Ожидается, что генерация видео будет потенциальным сценарием от среднего до высокого в области кросс-модальной генерации в будущем. Генерация видео в основном соответствует трем областям: редактирование атрибутов видео, автоматическое редактирование видео и генерация части видео.
Редактирование атрибутов видео широко используется в области создания видео, что значительно повышает эффективность редактирования видео; автоматическое редактирование видео в основном находится на стадии технических испытаний; принцип и суть генерации части видео аналогичны генерации изображения, подчеркивая вырезание видео в кадры, а затем редактировать каждый кадр.Обработка изображений, технология на данном этапе заключается в повышении точности модификации и модификации в реальном времени.
4.6 Применение генеративного сценария ИИ — цифровой человек
Цифровые люди относятся к синтезу множества человеческих характеристик, существующих в нефизическом мире (таких как изображения, видео, прямые трансляции и виртуальная реальность). Цифровой человек представляет собой переход от модальностей с низкой плотностью, таких как текст/аудио, к модальностям с более высокой плотностью информации, таким как изображение/видео/взаимодействие в реальном времени.В будущем видео и даже метавселенная станут важными сценариями приложений для цифрового человека.
В области генеративного ИИ цифровое человеческое поколение можно разделить на цифровое человеческое видео и цифровое человеческое взаимодействие в реальном времени Генерация цифрового человеческого видео в настоящее время является одной из наиболее широко используемых областей, в то время как цифровое человеческое взаимодействие в реальном времени используется в основном в визуальном интеллектуальном обслуживании клиентов и т. д. Акцент на интерактивных функциях в реальном времени.
05 Возможности и проблемы генеративного ИИ
5.1 В эпоху генеративного ИИ административная работа сильно заменяется, и ожидается, что «опрос клиентов» станет новой профессией
Влияние генеративного ИИ на занятость Проблемы и возможности сосуществуют. С одной стороны, генеративный ИИ будет способствовать интеллектуальному обновлению рабочих мест, а некоторые рабочие места будут заменены. Согласно анализу Goldman Sachs, интеллектуальные возможности автоматизации генеративного ИИ могут значительно повысить эффективность работы и снизить эксплуатационные расходы.Автоматизация ИИ в разной степени повлияет на традиционные рабочие места в США и Европе, а генеративный ИИ может заменить четверть рабочих мест. .
С другой стороны, генеративный ИИ также создаст новые рабочие места: «Инженер» позволяет людям использовать естественный язык в качестве подсказок для взаимодействия с ИИ для получения информации или создания работ. Кроме того, смежные области, связанные с искусственным интеллектом, также создадут большое количество новых рабочих мест.
5.2 Авторские права на произведения генеративного ИИ в основном распределяются между владельцами программного обеспечения и пользователями
Суть генеративного ИИ заключается в применении машинного обучения.На этапе обучения модели он неизбежно будет использовать большое количество наборов данных для выполнения обучения.Однако вопрос авторских прав на продукты после обучения все еще остается спорным.
Поскольку субъекты права могут пользоваться правами, авторскими правами на произведения генеративного ИИ могут пользоваться только те, кто внес свой вклад в создание произведения. Соответствующий персонал включает разработчиков программного обеспечения, владельцев и пользователей (личности субъектов могут совпадать). Разработчики программного обеспечения ИИ были компенсируются авторскими правами на программное обеспечение, а авторские права на произведения генеративного ИИ в основном распределяются между владельцами программного обеспечения и пользователями.
Посмотреть Оригинал
Содержание носит исключительно справочный характер и не является предложением или офертой. Консультации по инвестициям, налогообложению или юридическим вопросам не предоставляются. Более подробную информацию о рисках см. в разделе «Дисклеймер».
Интернет-сообщество Китая выпустило: Глобальный отчет об исследованиях отрасли генеративного ИИ за 2023 г.
Источник: Интернет-сообщество Китая
Как передовая область искусственного интеллекта, генеративный ИИ стал самой горячей темой технологий в мире. В 2022 году OpenAI выпустила ChatGPT, важный прорыв в области генеративного ИИ на уровне модельного приложения, который всего за два месяца преодолел отметку в 100 миллионов активных пользователей в месяц и стал самым быстрорастущим потребительским приложением в истории. Многие технологические компании по всему миру увеличили свои инвестиции в исследования и разработки в области генеративного ИИ и постоянно внедряют важные достижения в области технологий, продуктов и приложений для постоянного продвижения инноваций и коммерциализации искусственного интеллекта.
В этом контексте под руководством Интернет-общества Китая и Китайской ассоциации индустрии программного обеспечения Тяньцзиньское общество искусственного интеллекта, Zhiding Technology и Zhiding Think Tank совместно выпустили «Глобальный отчет об исследованиях отрасли генеративного ИИ за 2023 год», который начинается с глобальная перспектива, чтобы разобраться в обзоре отрасли, инфраструктуре, модели алгоритма, сценарии применения, возможностях и проблемах генеративного ИИ, всесторонне продемонстрировать промышленное развитие генеративного ИИ и предоставить больше информации для государственных ведомств, отраслевых практиков, преподавателей и общественности A хорошее понимание генеративного ИИ дает ссылку.
01 Обзор индустрии генеративного ИИ
1.1 Концепция генеративного ИИ и этап создания контента
Генеративный ИИ — это новый метод производства, в котором используется технология искусственного интеллекта для автоматического создания контента после профессионально созданного контента (PGC) и пользовательского контента (UGC).
Генеративный ИИ автоматически генерирует и создает текст, аудио, изображения, видео и кросс-модальную информацию на основе массивных обучающих данных и крупномасштабных предварительно обученных моделей. С тех пор как OpenAI выпустила ChatGPT в 2022 году, глобальная волна генеративного ИИ разразилась, и многие технологические компании запустили генеративные модели ИИ, продукты и соответствующую базовую инфраструктуру и услуги.
В последние годы глобальный масштаб данных продолжал расти. IDC прогнозирует, что к 2025 г. глобальный масштаб данных достигнет 175 ZB, что обеспечит огромные ресурсы данных для обучения моделей искусственного интеллекта; внедрение высокопроизводительных микросхем ИИ обеспечивает важную поддержку вычислительной мощности для крупномасштабные модели предварительного обучения Благодаря непрерывному развитию такие модели, как Transformer, BERT, LaMDA и ChatGPT, достигли быстрой итеративной оптимизации. Глобальная индустрия генеративного ИИ, движимая данными, вычислительной мощностью и моделями, быстро развивалась, а соответствующие сценарии и приложения постоянно обогащались.
02 Инфраструктура генеративного искусственного интеллекта
Высокопроизводительные чипы AI 2.1 обеспечивают поддержку вычислительной мощности для генеративного обучения ИИ
Развитие искусственного интеллекта перешло в эпоху больших моделей из эпохи глубокого обучения.Количество параметров крупномасштабных моделей предобучения показало экспоненциальный рост, что требует поддержки высокопроизводительных вычислительных мощностей.
В настоящее время обучающая вычислительная мощность крупномасштабных моделей предварительного обучения в 10–100 раз больше, чем в прошлом. Текущая основная обучающая модель генеративного ИИ широко использует чипы графического процессора Nvidia Tensor Core. Например, Microsoft потратила сотни миллионов долларов. закупить десятки тысяч чипов Nvidia A100, чтобы помочь Open AI построить ChatGPT.
Вычислительные кластеры ИИ могут обеспечить крупномасштабную вычислительную мощность, постоянно улучшать использование ресурсов вычислительной мощности, улучшать возможности хранения и обработки данных, а также ускорять обучение больших моделей ИИ и эффективность логических выводов.
В настоящее время типичные вычислительные кластеры ИИ, такие как Nvidia DGX SuperPOD, интеллектуальный облачный высокопроизводительный вычислительный кластер Baidu EHC, высокопроизводительный вычислительный кластер нового поколения Tencent HCC и т. д., соответствующая инфраструктура вычислительной мощности продолжает предоставлять мощные ресурсы вычислительной мощности для генеративных вычислений. Сценарии обучения ИИ, дальнейшее снижение порога и стоимости обучения моделей и содействие внедрению генеративных моделей ИИ.
Разработка моделей предварительного обучения искусственного интеллекта имеет большой спрос на облачные сервисы.Облачные сервисы ИИ могут предоставлять модули разработки искусственного интеллекта.Благодаря диверсифицированным моделям обслуживания можно сократить затраты разработчиков и циклы разработки продуктов, а также расширить возможности ИИ. для разработки модели. .
Типичным примером является Amazon SageMaker, который может обеспечивать анализ изображений, обработку речи, понимание естественного языка и другие сопутствующие услуги, а пользователи могут реализовывать функциональные приложения, не зная параметров и алгоритмов.
Платформа разработки AI с нулевым порогом Baidu Flying Paddle EasyDL предоставляет такие функции, как классификация изображений, обнаружение объектов, классификация текста, классификация звука и классификация видео, реализуя универсальное автоматизированное обучение и снижая порог для пользовательской разработки AI.
03 Модель генеративного алгоритма ИИ
3.1 История развития глобальных моделей генеративного ИИ
С 2018 года OpenAI последовательно выпускает серию генеративных моделей предварительного обучения, таких как GPT-1, GPT-2, GPT-3, ChatGPT и GPT-4. Модель GPT-1 основана на архитектуре Transformer, и в ней сохранена только декодерная часть архитектуры;
Модель GPT-2 отменяет этап контролируемой доводки в GPT-1;
Модель GPT-3 отказывается от нулевого выстрела GPT-2 и использует несколько выстрелов, чтобы дать небольшое количество образцов для конкретных задач; ChatGPT использует технологию RLHF (обучение с подкреплением с обратной связью), чтобы расширить возможности настройки выходных данных. модель;
Модель GPT-4, выпущенная в 2023 году, обладает более мощными мультимодальными возможностями: она поддерживает мультимодальный ввод графики и текста и генерирует текст ответа, который может реализовать классификацию, анализ и неявное семантическое извлечение визуальных элементов, демонстрируя превосходную способность реагирования.
В 2017 году Google выпустил культовую модель Transformer.Модуль декодирования этой модели стал основным элементом модели GPT.Внедрив механизм внимания, он может реализовать более масштабные параллельные вычисления, значительно сократить время обучения модели, и применять крупномасштабные модели ИИ. Модель BERT и модель LaMDA постоянно улучшаются с точки зрения возможностей извлечения информации и безопасности.
Недавно запущенная модель PaLM-E обладает мощными возможностями обобщения и миграции и может обрабатывать мультимодальные данные (язык, зрение, осязание и т. д.).
Исследования модели распространения можно проследить до 2015 года, а вероятностная модель распространения шума (DDPM) была предложена в 2020 году, демонстрируя мощные возможности модели распространения и стимулируя развитие модели распространения. Модель в основном включает в себя два процесса: прямой процесс и обратный процесс.Прямой процесс также называется процессом диффузии.Модель диффузии учится, добавляя гауссовский шум к изображению, чтобы разрушить обучающие данные, выясняет метод обращения шума процесса и использует изученные методы шумоподавления, позволяющие синтезировать новые изображения из случайных входных данных.
Преимущество модели Diffusion заключается в том, что генерируемые изображения имеют более высокое качество и не требуют состязательного обучения.При условии, что требуется меньше данных, эффект генерации изображений модели значительно улучшается.
Приложения для генерации текста в основном работают в четырех областях: продолжение контента, передача стиля текста, генерация аннотации/заголовка и генерация всего текста.Связанное с этим персонализированное генерирование текста и взаимодействие с текстом в реальном времени имеют широкие перспективы.
Вообще говоря, генерация текста на основе технологии НЛП является более ранним применением в генеративном ИИ.Всемирно известные технологические компании последовательно запускали инструменты для генерации текста, такие как Microsoft, Xmind и другие сопутствующие продукты, в копирайтинге, анализе данных, презентациях. кейсы применения в майндмэппинге и другие аспекты.
Технические сценарии генерации изображения делятся на редактирование атрибутов изображения, частичное создание и изменение изображения и сквозное создание изображения. Среди них первые два сценария посадки — это инструменты редактирования изображений, а сквозное создание изображения соответствует двум основным сценариям посадки: создание креативного изображения и создание функционального изображения.
В настоящее время инструменты редактирования изображений широко используются, и сопутствующие продукты относительно многочисленны; творческое создание изображений в основном представлено в форме NFT и т. д., а функциональные изображения в основном представляют собой маркетинговые плакаты / интерфейсы, логотипы, изображения моделей и пользовательские аватары. .
Генерация звука уже широко распространена в повседневной жизни, и области его применения могут быть дополнительно разделены на синтез речи и создание музыки, а синтез речи включает область специальной речи для генерации текста (TTS) и клонирования речи.
Техническая зрелость области TTS относительно высока, но по-прежнему не хватает эмоционального выражения; клонирование голоса имеет большое значение для кино, анимации и других отраслей и заслуживает внимания; создание музыки можно далее подразделить на лирику, композицию, аранжировка, запись, микширование и т. д. Несколько направлений, процесс создания в основном опирается на модель Transformer.
Ожидается, что генерация видео будет потенциальным сценарием от среднего до высокого в области кросс-модальной генерации в будущем. Генерация видео в основном соответствует трем областям: редактирование атрибутов видео, автоматическое редактирование видео и генерация части видео.
Редактирование атрибутов видео широко используется в области создания видео, что значительно повышает эффективность редактирования видео; автоматическое редактирование видео в основном находится на стадии технических испытаний; принцип и суть генерации части видео аналогичны генерации изображения, подчеркивая вырезание видео в кадры, а затем редактировать каждый кадр.Обработка изображений, технология на данном этапе заключается в повышении точности модификации и модификации в реальном времени.
Цифровые люди относятся к синтезу множества человеческих характеристик, существующих в нефизическом мире (таких как изображения, видео, прямые трансляции и виртуальная реальность). Цифровой человек представляет собой переход от модальностей с низкой плотностью, таких как текст/аудио, к модальностям с более высокой плотностью информации, таким как изображение/видео/взаимодействие в реальном времени.В будущем видео и даже метавселенная станут важными сценариями приложений для цифрового человека.
В области генеративного ИИ цифровое человеческое поколение можно разделить на цифровое человеческое видео и цифровое человеческое взаимодействие в реальном времени Генерация цифрового человеческого видео в настоящее время является одной из наиболее широко используемых областей, в то время как цифровое человеческое взаимодействие в реальном времени используется в основном в визуальном интеллектуальном обслуживании клиентов и т. д. Акцент на интерактивных функциях в реальном времени.
05 Возможности и проблемы генеративного ИИ
5.1 В эпоху генеративного ИИ административная работа сильно заменяется, и ожидается, что «опрос клиентов» станет новой профессией
Влияние генеративного ИИ на занятость Проблемы и возможности сосуществуют. С одной стороны, генеративный ИИ будет способствовать интеллектуальному обновлению рабочих мест, а некоторые рабочие места будут заменены. Согласно анализу Goldman Sachs, интеллектуальные возможности автоматизации генеративного ИИ могут значительно повысить эффективность работы и снизить эксплуатационные расходы.Автоматизация ИИ в разной степени повлияет на традиционные рабочие места в США и Европе, а генеративный ИИ может заменить четверть рабочих мест. .
С другой стороны, генеративный ИИ также создаст новые рабочие места: «Инженер» позволяет людям использовать естественный язык в качестве подсказок для взаимодействия с ИИ для получения информации или создания работ. Кроме того, смежные области, связанные с искусственным интеллектом, также создадут большое количество новых рабочих мест.
Суть генеративного ИИ заключается в применении машинного обучения.На этапе обучения модели он неизбежно будет использовать большое количество наборов данных для выполнения обучения.Однако вопрос авторских прав на продукты после обучения все еще остается спорным.
Поскольку субъекты права могут пользоваться правами, авторскими правами на произведения генеративного ИИ могут пользоваться только те, кто внес свой вклад в создание произведения. Соответствующий персонал включает разработчиков программного обеспечения, владельцев и пользователей (личности субъектов могут совпадать). Разработчики программного обеспечения ИИ были компенсируются авторскими правами на программное обеспечение, а авторские права на произведения генеративного ИИ в основном распределяются между владельцами программного обеспечения и пользователями.