人工智慧的進化與重塑：邁向AIGC時代

隨著生成式AI蓬勃發展，我們不免要來了解AI的前世今生，才能鑑往知來，迎接普AI時代的到來!

近代人工智慧發展四大進程

回顧當代人工智慧（Artificial Intelligence）的發展，約可將其分為以下幾個階段：

【專家知識期】：專家學者們嘗試透過各領域的專家知識庫收集，將領域知識進行適當轉換，透過電腦的邏輯運算能力來協助進行問題推理，提供領域工作者決策輔助。

【聯結主義期】：此一時期專家學者們開始提出模仿人類神經系統的結構和功能，並利用大量的數據進行類神經網路模型訓練。然而，在硬體條件（運算能力）受限的情況下，其研究進展相對緩慢。

【統計學期期】：此時期專注於數據關聯分析與巨量資料探勘，透過統計學習的方式進行個類型人工智慧應用發展（如：影像辨識、語音識別等）。

【深度學習期】：伴隨硬體技術的發展，在運算能力大幅進化提昇的條件下，專家學者們開始基於多層次的類神經網路結構，進行人工智慧服務優化（如：自然語言處理）。

從上述人工智慧的演進過程中，可以發現專家學者們的動心起念，都是希望能夠透過電腦的輔助，來協助改善人們在日常、工作中所遇到的各種困難、棘手問題。而伴隨著「解題」的目標差異，各自搭配著合適的解題技巧（如：統計分析、機器學習、深度學習等）。

生成式AI的崛起與技術原理

而近年生成式AI（Generative AI）的崛起，無疑是人工智慧歷史演進的一大躍進，其代表著在目前軟硬體技術的搭配下，AI已逐漸具備「理解」能力。以ChatGPT應用為例，當使用者輸入一段句子後，ChatGPT便會使用「Self-Attention」機制來進行不同詞語的相關性與重要性判斷。在理解使用者的提問內容後，便運用過往已知知識來進行回覆內容生成。於日前，微軟首席技術長 Kevin Scott更在自家的AI部落格上提到：「我可以自信地說，2023 年將是人工智慧社群裡有史以來最激動人心的一年」。

如同人類的認知學習發展一樣，在懵懂無知的階段，需要的是一位學識淵博的老師給予提攜指導，一旦具備「理解」能力之後，便可以透過外部資訊的汲取展開自學，進而演化成具備「創作」能力，而AIGC（AI Generated Content）服務便衍然而生。

生成式AI憑藉著大量數據來源（如：文字、圖片、影片、聲音等）的學習，依賴於深度學習技術的運用，從而具備仿效、創造的能力。以常見的生成對抗網路（Generative Adversarial Networks, GAN）演算為例，其演算核心包含兩大模組：生成器（Generator）、鑑別器（Discriminator），前者用以進行倣真數據生成、後者用以進行數據真偽區分。過程中會由生成器進行反覆數據生成，並透過鑑別器來進行數據優劣判定，並持續地依據每次判定結果進行生成技術的滾動精進。

圖一：生成對抗網路架構圖（圖片來源：Google Developer）

而就自然語言處理、聲音生成這類型的創作（如：ChatGPT）來說，則多數是搭配Transformer模型演算，其模型架構如下圖所示，其主要組成包含了左側的Encoder（編碼器）、右側的Decoder（解碼器）。從架構圖可以看到，Encoder和Decoder均由Multi-Head Attention與Feed-Forward Neural Network所組成。其主要原理為憑藉著序列資料中的關聯釐清，嘗試著「先理解」輸入序列彼此間的脈絡意義，然後「再產出」最適切的答案/成果。透過「理解」能力的賦予，伴隨著模型訓練集（知識集）的涵蓋範疇增長，生成式AI所能提供的服務將更為多元寬廣。

生成式AI成為資安防護新利器 

以ChatGPT為例，人們僅需透過自然語言說明自身需求，便可以由它幫忙進行應用程式撰寫。更甚者，也已有資安公司將生成式AI的技術運用到滲透測試上，用以協助網管人員尋找/修補資安潛在漏洞，以減少資安防護的作業效率。

圖二：Transformer架構圖（圖片來源：Attention Is All You Need）

AI技術賦能 數位應用邁向新境界

目前常見的AIGC應用包含自然語言生成、圖像合成/繪圖、音樂創作、影片創作等，相關服務可依據使用者所提供的參數和條件進行內容生成。生成式AI相關應用的推出，無疑將把各行各業的數位賦能應用邁進一個嶄新的階段。可以預期到，在生成式AI技術的輔助下，將可有助於產業作業流程改善、個人工作效率提昇等，讓人們可以更專注在需要投入的事情上。而人們在仰賴AI工具的過程中，也需關注到學習資料偏頗所衍生的潛在風險。因此，在使用生成式AI服務的過程中，人們將需要具備更清晰思路與自主判斷，才能真正享受到新興科技所帶來的美好生活。

參考來源：

[1] 封面圖資料來源：https://www.freepik.com/

[2] 生成對抗網路架構圖：https://developers.google.com

[3] Ashish Vaswani, Noam Shazeer, Niki Parmar, Jakob Uszkoreit, Llion Jones, Aidan N. Gomez, Lukasz Kaiser, Illia Polosukhin. Attention Is All You Need. https://arxiv.org/pdf/1706.03762.pdf