未来生成式 AI 的发展方向,是 Chat 还是 Agent?
什么是生成式AI?
生成式人工智能(Generative AI)是一种人工智能技术,它能够基于已有的数据模式和结构生成新的数据实例,这些实例可以是文本、图像、音频、视频或任何其他类型的数据。这种技术通常依赖于复杂的算法,如深度学习和神经网络,来学习数据的内在特征和分布,然后创造出新的、以前未见过的数据样本。
生成式AI的关键特点包括:
-
创造性:生成式AI能够创造出全新的内容,而不仅仅是识别或分类现有内容。
-
多样性:它能够产生多种不同的输出,增加数据的多样性。
-
自主性:在给定的参数或条件下,生成式AI可以自主地生成内容,无需人类干预。
-
学习性:通过机器学习,特别是深度学习技术,生成式AI可以从大量数据中学习并提炼特征。
-
应用广泛:生成式AI可以应用于艺术创作、语言翻译、内容推荐、游戏开发、药物发现等多个领域。
常见的生成式AI模型包括:
- 生成对抗网络(GANs):通过两个网络(生成器和判别器)的对抗过程生成新的数据样本。
- 变分自编码器(VAEs):使用编码器和解码器生成数据,并在编码过程中引入随机性来生成新的数据点。
- 循环神经网络(RNNs):特别适用于文本和序列数据的生成。
- Transformer 模型:常用于文本生成任务,如聊天机器人、文本摘要等。
随着当前AI技术的快速发展,生成式AI的发展和应用正迅速扩展,它们在提高效率、创造新的可能性以及推动创新方面具有巨大潜力。然而,同时也需要注意其可能带来的伦理、安全和隐私问题。
那么,生成式AI具体都可以应用于哪些领域呢?
生成式AI的应用方向
随着生成式Ai的快速发展,关于其未来运用方向的讨论也是从未停止。在撰写这篇博客的时候,笔者也去查阅了许多相关资料,最终得出了一个结论,即生成式人工智能(Generative AI)的发展方向可以是多方面的,并且不局限于Chat或Agent。下面给大家举例一些未来生成式AI可能的发展方向:
-
Chatbots(聊天机器人):聊天机器人可以提供客户服务、信息查询、娱乐对话等,它们通过自然语言处理技术与用户进行交互。
-
Personal Assistants(个人助理):个人助理可以执行更复杂的任务,如日程管理、邮件筛选、提醒设置等,它们通常需要更深层次的个性化和自动化。
-
Content Creation(内容创造):生成式AI可以用于创作音乐、艺术作品、写作等,为用户提供创意灵感或自动化创作过程。
-
Data Augmentation(数据增强):在机器学习领域,生成式AI可以用来生成额外的训练数据,以提高模型的泛化能力。
-
Simulation and Gaming(模拟与游戏):在游戏和模拟领域,生成式AI可以创建复杂的环境和角色,提供更丰富的用户体验。
-
Automated Reporting(自动报告生成):在金融、医疗等领域,生成式AI可以根据数据自动生成报告和分析。
-
Language Translation(语言翻译):生成式AI可以用于实时语言翻译,帮助跨语言沟通。
-
Education and Training(教育与培训):生成式AI可以提供个性化的学习体验,根据学生的学习进度和理解能力调整教学内容。
-
Healthcare(医疗保健):在医疗领域,生成式AI可以辅助诊断、生成治疗计划或药物研发。
-
Research and Development(研究与开发):在科学研究中,生成式AI可以用于模拟实验、预测结果等。
我们所说的Chat和Agent只是生成式AI应用的两种形式,它们可以相互融合,也可以独立发展,关键在于如何利用AI技术解决实际问题,提高效率和用户体验。随着技术的进步,生成式AI的边界将不断扩展,其应用领域也会越来越广泛。
生成式AI未来的发展趋势
生成式人工智能(AI)作为人工智能领域的一个重要分支,其未来的发展趋势可以从以下几个方面进行展望:
-
行业变革推动者:据德勤的调研报告,约79%的受访企业高管预期生成式AI将在未来三年内推动实质性的企业变革。"四分之三受访企业高管预期生成式AI将在未来三年内推动实质性的企业变革",在世界经济论坛2024年年会上,德勤人工智能研究院发布了最新的季度调研报告bi《企业生成式人工智能应用现状:立足当下,谋定未来》( The State of Generative AI in the Enterprise: Now decides next),探索企业当下的行动将如何引领生成式人工智能(AI)的未来发展,并充分释放其价值。
-
效率与生产力提升企业采用生成式AI技术的首要目标是提升效率和生产力,通过自动化和智能优化来降低成本。同样,德勤在上述报告中也提出了生成式AI在效率与生产力提升方面的调查结果。“生成式AI先行者”推动价值创造 四分之三(79%)的受访者预期生成式AI将在未来三年内推动实质性的企业变革。 然而,大部分受访者表示,当前的主要重心在于创造更多的策略性效益——如降本增效,而非加速增长和促进创新。根据德勤的调查数据显示,企业对于生成式AI的应用 和许多新兴技术一样,企业采用生成式AI技术的首要目标是提升效率和生产力(56%)。 而战略性领域,如促进创新(29%)和获取新思路与新洞察(19%),优先级相对较低。 逾四成(44%)受访者表示具备“较高”或“很高”水平的生成式AI专长。 其中,具备“很高”专精水平的受访者(简称生成式AI先行者)占比9%,这些企业领导者正以不同的思维和方式部署生成式AI。
-
。创新与增长驱动:尽管许多企业目前主要关注降本增效,但生成式AI先行者已经在产品开发和创新中应用这项技术,推动业务增长。根据德勤的研究报告,在相关的战略性领域,如促进创新(29%)和获取新思路与新洞察(19%),优先级相对较低。 逾四成(44%)受访者表示具备“较高”或“很高”水平的生成式AI专长。 其中,具备“很高”专精水平的受访者(简称生成式AI先行者)占比9%,这些企业领导者正以不同的思维和方式部署生成式AI。 约四分之三(73%)的生成式AI先行者表示已经在产品开发和研发中应用这种技术,这表明他们开始借助生成式AI推动创新和增长。 此外,他们还更倾向于在业务部门广泛应用生成式AI。 生成式AI先行者对这项技术的信任度高于不确定性,他们更有信心应对生成式AI带来的变革,但也看到了更大的隐患。 更多的生成式AI先行者认为,大规模部署生成式AI会对企业或运营模式构成威胁,其占比达到了具备“一定专精水平”受访者的两倍。
-
人才与技能挑战:生成式AI的应用面临人才短缺的挑战,企业需要对员工进行教育培训和技能升级,以适应新技术的要求。根据德勤的研究报告,大多数企业并没有认真思考过通过生成式AI相关人才问题。仅22%的受访者认为所在企业“有准备”或“有充分准备”来应对生成式AI相关的人才问题。 很多企业尚未开始关注教育培训和技能升级——仅47%的企业表示为员工提供了充足的培训,以帮助他们了解生成式AI的能力、效益和价值。 生成式AI先行者更加关注员工的教育培训和技能升级,希望通过招聘技术人才推动生成式AI计划的实施。 在具备“很高”专精水平的受访者中,有74%正为员工提供相关培训;而在具备“较高”专精水平的受访者中,这一比例仅为27%。 治理及风险问题也是生成式AI应用面临的挑战。
-
治理与风险管理:企业需要建立有效的治理结构和风险管理机制,以应对生成式AI可能带来的风险,如结果不准确、知识产权问题、监管合规问题等。根据德勤的研究报告可以看出,生成式AI先行者更加关注员工的教育培训和技能升级,希望通过招聘技术人才推动生成式AI计划的实施。 在具备“很高”专精水平的受访者中,有74%正为员工提供相关培训;而在具备“较高”专精水平的受访者中,这一比例仅为27%。 治理及风险问题也是生成式AI应用面临的挑战。 仅四分之一的企业领导者(25%)认为其企业“有准备”或“有充分准备”来应对生成式AI相关的治理问题及风险。 受访者最关注的治理问题包括对结果缺乏信心(36%)、知识产权问题(35%)、客户数据滥用(34%)、监管合规问题(33%)、缺乏可解释性/透明度(31%)。 逾半数受访者认为,生成式AI的普及会导致全球经济集中化(52%),加剧经济不平等(51%)。 此外,49%的受访者认为,生成式AI工具和应用的崛起,可能会降低人们对国家和全球机构的整体信任度。
-
经济价值贡献:生成式AI有望为全球经济贡献约7万亿美元的价值,如今,科技发展日新月异,生成式AI正在从热烈讨论走向应用落地。各大公司已不再追问何为生成式AI,而是希望了解如何提高部署该技术的投资回报率(ROI)。这一转变表明,生成式AI的颠覆性潜能正日益得到业界的认可。从初创企业到行业巨头,每家公司都在考虑或试点部署生成式AI用例,以期增强竞争优势。从ChatGPT、GitHub Copilot、Stable Diffusion,到中国自主研发的文心一言、盘古,众多开创性生成式AI工具的诞生,正是巨额投资、大力研发机器学习与深度学习技术的成果。
生成式AI工具由基础模型驱动,广泛适用于事务性及创造性活动。随着大语言模型的持续、快速改进,生成式AI的能力也取得了长足进展,将有望重塑千行百业、不同职能的知识型工作,同时助推营销与销售、客户运营、软件开发等关键领域的岗位转型与绩效提升。
中国作为一个世界上最大的发展中国家,中国则有望贡献其中约 2 万亿美元,将近 全球总量的 1/3 。并且随着生成式AI的推广,自动化时代将提前 10 年到来;中国预计 2030 年前 50% 左右的工作内容将实现自动化,这意味着 约 2 亿劳动者(相当于中国整体劳动者队伍的 30% ) 必须实现技能转型或升级。
-
产业链发展:生成式AI产业链将涵盖从上游的AI技术及基础设施,到下游的内容终端市场和智能设备,促进数字基础设施的升级。由于生成式AI应用对数字基础设施要求较高,随着ChatGPT掀起生成式AI发展浪潮,数据基础设施有望加速升级。 中游主要针对文字、图像、视频等垂直赛道,提供数据开发及管理工具,包括内容设计、运营增效、数据梳理等服务。 下游包括内容终端市场、内容服务及分发平台、各类数字素材以及智能设备,生成式AI内容检测等。 目前我国生成式AI产业中,多家科技企业布局生成式AI产业中的多项产业业务,腾讯云、阿里云、百度智能云、微软、谷歌等企业在基础设施层、基础大模型及生成式AI应用及平台的业务上均有所布局。 从各个层级的产业来看,基础设施产业中AI芯片主要企业有英特尔、AMD、英伟达等国际芯片巨头;国内连接与通信主要是四大运营商。 涉及基础大模型的研发企业有OpenAI、亚马逊、谷歌、IBM等。 在生成式AI应用及平台上的企业有科大讯飞、百度智能云、360、抖音、美团等。 行业发展历程:基于语言的人工智能应用程序迈入了崭新的功能阶段
-
多模态能力发展:生成式AI将不仅限于文本和图像,还将扩展到音频、视频和3D内容的生成,实现多模态融合与创新应用。例如当下火热的Transformer模型,Transformer是一种基于自注意力(Self-Attention)机制的神经网络结构,它在自然语言处理领域取得了显著的成果。 Transformer模型可以用于生成式任务,如文本生成、机器翻译等。 其他相关技术:除了上述技术外,还有一些其他的生成式模型和技术,如PixelRNN、PixelCNN、WaveNet等。 这些技术在图像和音频生成等领域也取得了一定的成果。 大语言模型等生成式AI技术带来了新的AI发展范式,其应用前景十分广阔。 。对于大众而言,生成式AI意味着新的创造力工具,将在更大程度上解放个体的创造力和创意生产。 除此之外,AIGC还将改变获取信息的主要方式。 ChatGPT在寻找答案、解决问题的效率上已经部分的超越了如今的搜索引擎,ChatGPT或许在未来会改变我们获取信息、输出内容的方式,AIGC有望成为数字经济时代驱动需求爆发的杀手级应用。
-
人机交互方式变革:生成式AI带来更贴近人的交互方式 从使用键盘-鼠标等方式跟电脑交互,到使用手指滑动屏幕跟手机交互,再到人们用唤醒词跟智能音箱等交互,人机交互从识别机器指令,到识别人的动作,语音,不断朝着更贴近人的习惯的交互方式演进。 生成式AI的发展,让人类有史以来第一次有机会用自然语言的方式,来跟机器对话,而机器也借由大模型拥有了极强的理解人类语言的能力,有望带来一场全新的交互变革。 正如历次交互变革带来从终端、到连接,到各类应用的颠覆式变革,生成式AI也必将带来产业链、价值链和生态的重塑。 生成式AI的技术突破,带来了大模型理解能力的大幅提升。 大模型可以更好地理解人类表达的含义,并生成更符合人类价值观的回答。
生成式AI的未来发展将深刻影响企业运营、行业变革、人才发展、经济价值创造以及人机交互方式,同时也带来了治理、风险管理和伦理方面的挑战。
生成式AI未来应用前景广阔,但凡事都是一把双刃剑,笔者认为生成式AI可以提高企业效能,但随之而来的相关生成式AI应用面人才的问题,也是企业一个不可忽视的问题。
相关文章:
未来生成式 AI 的发展方向,是 Chat 还是 Agent?
什么是生成式AI? 生成式人工智能(Generative AI)是一种人工智能技术,它能够基于已有的数据模式和结构生成新的数据实例,这些实例可以是文本、图像、音频、视频或任何其他类型的数据。这种技术通常依赖于复杂的算法&am…...
powershell@日期和时间命令和对象
文章目录 abstract获取当前日期和时间格式化日期和时间日期计算👺创建自定义日期和时间👺**[datetime] 类型**及其构造函数缺省值计算日期差异获取特定部分的日期和时间比较日期和时间 常用日期操作总结表时间间隔 TimeSpan 👺创建TimeSpan对…...

【Golang 面试 - 基础题】每日 5 题(八)
✍个人博客:Pandaconda-CSDN博客 📣专栏地址:http://t.csdnimg.cn/UWz06 📚专栏简介:在这个专栏中,我将会分享 Golang 面试中常见的面试题给大家~ ❤️如果有收获的话,欢迎点赞👍收藏…...
LeetCode 算法:在排序数组中查找元素的第一个和最后一个位置 c++
原题链接🔗:在排序数组中查找元素的第一个和最后一个位置 难度:中等⭐️⭐️ 题目 给你一个按照非递减顺序排列的整数数组 nums,和一个目标值 target。请你找出给定目标值在数组中的开始位置和结束位置。 如果数组中不存在目标…...

会话存储、本地存储,路由导航守卫、web会话跟踪、JWT生成token、axios请求拦截、响应拦截
1、会话存储、本地存储 前端浏览器中存储用户信息,会话存储、本地存储、cookie 会话存储(sessionStorage):会话期间存储,关闭浏览器后,数据就会销毁 sessionStorage.setItem("account",resp.d…...
strcmp库函数原型
int strcmp(const char *str1, const char *str2) {unsigned const char *s1 (unsigned const char *) str1;unsigned const char *s2 (unsigned const char *) str2;while (*s1 && *s1 *s2) {s1;s2;}return *s1 - *s2; }while (*s1 && *s1 *s2) 一直循环&…...
在 Vue.js 项目中延迟加载子组件
在 Vue.js 中,当父组件渲染时,子组件的生命周期钩子函数会立即执行,即使这些子组件并未显示。这是因为 Vue.js 会在渲染父组件时实例化所有引用的子组件。为了避免不必要的函数执行,我们可以通过使用 v-if 指令和异步组件延迟加载…...
何时会用到设计模式、七大设计原则介绍
以下关于b站尚硅谷相关设计模式视频的总结 设计模式的重要性: 代码重用性(相同的代码,不用编写很多次)、 可读性(编程规范,便于其他程序员阅读和理解)、 可扩展性(增加新功能时&am…...

编程语言发展历史:赋值与相等运算符的变迁历程
本文摘取自笔者书稿《编程语言发展历史》 赋值运算符是编程语言最基础的运算符,其发展历史也非常有趣。最早的赋值语句就是使用等号“”来表示,一些语言为了让赋值运算在数学形式上更加严谨(形如“x x 1”的表达式在数学上不成立࿰…...

求职Leetcode题目(2)
1.柱状图中最大的矩形 据说这是2024年字节二面的题目,我感觉这道题跟接雨水有点类似,最重要的思路还是要找到什么时候能形成矩形的这么个情况,某个范围的矩形的高度,是由最短的柱形来决定的。 我们先整理一下,解决这道…...
深入探索 Postman:使用 API 性能测试优化你的 Web 服务
引言 在当今快速发展的互联网时代,Web 服务的性能至关重要。API 作为服务之间的桥梁,其性能直接影响到整个应用的响应速度和用户体验。Postman,作为一个多功能的 API 开发工具,提供了强大的性能测试功能,帮助开发者评…...

校车购票小程序的设计
管理员账户功能包括:系统首页,个人中心,学生管理,我的乘车信息管理,车辆信息管理,座位管理,系统管理 微信端账号功能包括:系统首页,车辆信息,我的 开发系统…...

拯救数据危机!2024年最受欢迎的数据恢复软件评测
现在大家快速传输资料的方式都变成了电子档,有些数据是存储在电脑上,有些存储在手机,有的存储在U盘甚至其他一些电子设备上。电子设备存储数据方便,丢失数据也总在意料之外。很多时候我们多学会一个工具,比如转转大师数…...

记一次因为在html两个地方引入vue.js导致组件注入失败的问题
这个问题我遇到两次了,是在恼火,不对,三次了,我如果不做这个笔记,我确定我还会遇到第三次。 尾部这个去掉就行 因为头部有了 遇到这种bu g好恼火,解决了又怎么样呢?重蹈覆辙的滋味不好受...
Postman中的智慧重试:API测试用例的错误处理与重试逻辑设置
Postman中的智慧重试:API测试用例的错误处理与重试逻辑设置 在API测试过程中,错误处理和重试逻辑是确保测试准确性和可靠性的重要环节。Postman提供了多种功能来处理测试中可能出现的错误,并允许自定义重试逻辑以适应不同的测试场景。本文将…...
docker部署本地词向量模型
开源项目:GitHub - huggingface/text-embeddings-inference: A blazing fast inference solution for text embeddings models 1. 下载词向量模型 参考我的另一篇博客:langchain 加载本地词向量模型 2. 部署词向量模型 就三行命令 model/data/BAAI/…...

接口自动化中对于文件上传的处理方法
正常的接口自动化基本都是json的格式,对于文件上传是一种特殊的格式是表单格式针对这种表单格式在接口自动化中怎么处理,主要通过工作中使用的一个实际的例子进行分享 举例:web上需要导入一个文件实现相关的功能,主要通过两个接口…...

Java高频面试题分享
文章目录 1. 策略模式怎么控制策略的选取1.1 追问:如果有100种策略呢?1.2 追问:什么情况下初始化Map 2. 什么是索引?什么时候用索引?2.1 追问:怎么判断系统什么时候用量比较少2.2 追问:如何实时…...

kvm虚拟化平台部署
kvm虚拟化平台部署 kvm概念简介 kvm自linux2.6版本以后就整合到内核中,因此可以看做是一个原生架构. kvm虚拟化架构 硬件底层提供物理层面的硬件支持 linux(host),就相当于这个架构中的宿主机,上面运行了多个虚拟机。…...
利用arthas热更新class文件
利用arthas热更新class文件 背景:发现一个bug,家里难以复现,需要在现场环境更新几行代码验证。 arthas-boot version: 3.7.1 java -jar arthas-boot.jar启动arthas 1、利用arthas的sc命令查找确定类名称 sc com.**2、反编译为java文件 …...
基于算法竞赛的c++编程(28)结构体的进阶应用
结构体的嵌套与复杂数据组织 在C中,结构体可以嵌套使用,形成更复杂的数据结构。例如,可以通过嵌套结构体描述多层级数据关系: struct Address {string city;string street;int zipCode; };struct Employee {string name;int id;…...
进程地址空间(比特课总结)
一、进程地址空间 1. 环境变量 1 )⽤户级环境变量与系统级环境变量 全局属性:环境变量具有全局属性,会被⼦进程继承。例如当bash启动⼦进程时,环 境变量会⾃动传递给⼦进程。 本地变量限制:本地变量只在当前进程(ba…...

Debian系统简介
目录 Debian系统介绍 Debian版本介绍 Debian软件源介绍 软件包管理工具dpkg dpkg核心指令详解 安装软件包 卸载软件包 查询软件包状态 验证软件包完整性 手动处理依赖关系 dpkg vs apt Debian系统介绍 Debian 和 Ubuntu 都是基于 Debian内核 的 Linux 发行版ÿ…...

LeetCode - 394. 字符串解码
题目 394. 字符串解码 - 力扣(LeetCode) 思路 使用两个栈:一个存储重复次数,一个存储字符串 遍历输入字符串: 数字处理:遇到数字时,累积计算重复次数左括号处理:保存当前状态&a…...
JVM垃圾回收机制全解析
Java虚拟机(JVM)中的垃圾收集器(Garbage Collector,简称GC)是用于自动管理内存的机制。它负责识别和清除不再被程序使用的对象,从而释放内存空间,避免内存泄漏和内存溢出等问题。垃圾收集器在Ja…...

基于当前项目通过npm包形式暴露公共组件
1.package.sjon文件配置 其中xh-flowable就是暴露出去的npm包名 2.创建tpyes文件夹,并新增内容 3.创建package文件夹...

《通信之道——从微积分到 5G》读书总结
第1章 绪 论 1.1 这是一本什么样的书 通信技术,说到底就是数学。 那些最基础、最本质的部分。 1.2 什么是通信 通信 发送方 接收方 承载信息的信号 解调出其中承载的信息 信息在发送方那里被加工成信号(调制) 把信息从信号中抽取出来&am…...
python爬虫:Newspaper3k 的详细使用(好用的新闻网站文章抓取和解析的Python库)
更多内容请见: 爬虫和逆向教程-专栏介绍和目录 文章目录 一、Newspaper3k 概述1.1 Newspaper3k 介绍1.2 主要功能1.3 典型应用场景1.4 安装二、基本用法2.2 提取单篇文章的内容2.2 处理多篇文档三、高级选项3.1 自定义配置3.2 分析文章情感四、实战案例4.1 构建新闻摘要聚合器…...

Springcloud:Eureka 高可用集群搭建实战(服务注册与发现的底层原理与避坑指南)
引言:为什么 Eureka 依然是存量系统的核心? 尽管 Nacos 等新注册中心崛起,但金融、电力等保守行业仍有大量系统运行在 Eureka 上。理解其高可用设计与自我保护机制,是保障分布式系统稳定的必修课。本文将手把手带你搭建生产级 Eur…...

10-Oracle 23 ai Vector Search 概述和参数
一、Oracle AI Vector Search 概述 企业和个人都在尝试各种AI,使用客户端或是内部自己搭建集成大模型的终端,加速与大型语言模型(LLM)的结合,同时使用检索增强生成(Retrieval Augmented Generation &#…...