2023-05-10-神策数据-关于生成式AI_这10页PPT就够了_14页_5mb

报告摘要

生成式 AI 技术与商业化分析总结

核心内容

生成式 AI 是一种基于联合概率分布的学习范式，区别于传统的决策式 AI（基于条件概率分布）。它不仅能够分析已有数据，还能进行模仿式、缝合式创作，生成全新的内容。生成式 AI 在多个领域展现出强大的应用潜力，但也存在一些技术局限性。

主要观点

AI 技术发展历程：从早期的神经元模型、图灵测试、达特茅斯会议，到专家系统、感知机、机器学习、深度学习，AI 技术经历了多个阶段的发展。
生成式 AI 的突破：生成式 AI 从决策式 AI 向更具创造性的方向发展，能够生成逼真的图像、文本等内容，解锁了大量应用场景。
生成式 AI 的能力：目前，生成式 AI 可以较好完成回答问题、撰写文章、文本摘要、语言翻译和生成计算机代码等任务，但是否具备“乌鸦智能”（即感知、认知、推理、学习和执行能力）尚需进一步论证。
AI 大模型的局限性：GPT-4 等大模型在信心校准、长期记忆、持续学习、个性化、规划和概念性跳跃、透明度、可解释性和一致性、认知谬误和非理性、对输入的敏感性等方面存在一定的局限性，部分问题短期内难以解决。
商业化路径：生成式 AI 产业链包括上游的芯片和算力、中游的 AI 模型、下游的应用。大模型厂商可通过订阅付费、插件商店、API 调用等方式实现变现，并与企业合作提供 MaaS 服务。
应用场景：生成式 AI 已在办公软件、教育、搜索引擎、电子商务、图像创作、管理软件、财税管理、金融等领域实现应用，部分公司已产生可观的收入。
寻找应用场景方法论：在寻找生成式 AI 应用场景时，需考虑其技术局限性、创造力边界和商业化边界。

关键信息

AI 技术发展历程

神经元模型：1943年提出，为 AI 研究奠定理论基础。
图灵测试：通过自然语言对话判断计算机是否具有智能。
达特茅斯会议：1956年首次提出 AI 概念，标志着 AI 作为一个独立研究领域的诞生。
专家系统：模拟人类专家的知识和经验，用于复杂问题的求解。
反向传播法：训练多层感知机的常用优化算法，广泛应用于 CNN、RNN、LSTM 等模型。
监督学习：用于语音识别、个性化推荐等任务。
非监督学习：用于数据探索、聚类、降维等任务。
强化学习：通过环境反馈进行学习，用于决策和规划。

生成式 AI 的能力

ChatGPT：具备上下文理解、连贯性等先进特征，能够完成多项任务。
乌鸦智能：具备感知、认知、推理、学习和执行能力，目前尚未完全实现。

AI 大模型的局限性

局限性	简述	具体内容	能否被突破	突破方式
信心校准	模型难以判断何时应有信心，何时应猜测。	可能编造事实，生成不一致内容，导致错误和混乱。	存疑	-
长期记忆	模型缺乏长期记忆能力，无法处理需要持续记忆的任务。	无法跟随情节并理解对先前章节的引用。	可以	中短期技术突破
持续学习	模型缺乏自我更新和适应变化的能力。	需要人工微调，但可能导致性能下降或过度拟合。	可以	其他非大模型 AI 技术解决
个性化	需要模型为特定组织或用户定制。	需要获取组织或用户的偏好信息，进行个性化调整。	可以	其他非大模型 AI 技术解决
规划和概念性跳跃	模型在需要提前计划或概念跳跃的任务上表现不佳。	无法完成需要“尤里卡时刻”的任务，如重大发现。	存疑	-
透明度、可解释性和一致性	模型难以验证其内容是否与训练数据一致或自洽。	事后解释质量高，但验证过程复杂，难以建立用户信任。	存疑	-
认知谬误和非理性	模型可能继承训练数据中的偏见和错误。	可能表现出认知偏差、非理性和统计谬误。	可以	中短期技术突破
对输入的敏感性	模型对提示的措辞和顺序非常敏感。	需要大量实验和优化，否则可能导致次优和不一致结果。	存疑	-

商业化路径

产业链：上游为芯片和算力，中游为 AI 模型，下游为应用。
变现方式：包括订阅付费、插件商店、API 调用、MaaS 服务。
主要应用方向：
- 办公软件：智能化文件管理、自动化文章生成、智能排版等。
- 教育：自动生成试卷、评估学生表现等。
- 搜索引擎：通过自然语言问答进行搜索。
- 电子商务：推荐系统、广告内容生成等。
- 图像创作：输入文字生成图片。
- 管理软件：自动生成报告、预测销售等。
- 财税管理：自动化税务申报、生成财务报表等。
- 金融：数据分析、风险管理、交易建议等。