引言

近年来，预测式人工智能 (Predictive AI) 通过先进的推荐算法、风险评估模型和欺诈检测工具，一直在推高着该领域公司的投资回报率。今年初突然杀出的生成式人工智能 (Generative AI) 突然成为了全球热点话题。每个人都在热议如何利用大语言模型 (Large Language Model，LLM) 进行内容的生成；以及利用客户服务或扩散模型 (Diffusion Model)，进行视觉内容的创建。 那么，生成式人工智能将替代预测式人工智能，成为提高生产力的关键驱动因素吗？为了回答这个问题，本文将和您一起讨论推动这两大类人工智能方法的关键性机器学习技术，与之相关的独特优势和挑战，以及他们各自适用的真实业务应用。

基本定义

不可否认，生成式人工智能和预测式人工智能是两种强大的 AI 类型，它们在商业和其他领域都有着广泛的应用。虽然都使用机器学习从数据中获取知识，但它们的学习方式和目标有所不同： | 特征 | 预测式 AI | 生成式 AI | |---|---|---| | 目标 | 预测 | 生成新内容 | | 输入 | 标记数据 | 未标记或少量标记的数据 | | 输出 | 预测 | 新文本、图片、视频 | 如上表所示，两者的基本区别在于，预测式人工智能的输出是预测，而生成式人工智能的输出是新的内容。以下是几个典型领域的示例： 预测式 AI：客户细分、风险评估、预测性维护 生成式 AI：内容生成、图像编辑、对话式 AI 我们有必要了解驱动这两种类型 AI 的不同机器学习算法的各自优、劣势，以便为业务需求选择正确的实现方式。

预测与生成式人工智能算法的工作原理

预测式人工智能 预测式人工智能通常基于监督式机器学习，来标记数据。此处的标签数据是指使用正确的输入和输出对或序列，来注释数据。模型通过学习输入与输出数据之间的数学关系，来对新的数据进行预测。 预测式人工智能算法可以基于诸如：线性回归、逻辑回归、决策树、以及随机森林等基本的机器学习模型，来预测包括：连续变量（例如，销售量）和二进制变量（例如，客户是否会流失）等各类信息。 在某些情况下，由于能够学习到数据中的复杂模式，因此深度学习算法和强化学习在预测式人工智能的任务中，能够表现出卓越的性能，非常适合于预测客户行为、检测欺诈、以及诊断结果等任务。 下图展示了预测式人工智能如何基于一组输入数据，来预测二进制变量--是否患有心脏病的过程。  当医疗服务提供商希望使用预测式人工智能，来识别有心脏病风险的患者时，他们可能会使用过往患者的历史数据，来了解不同特征（如，患者的人口统计数据、健康和治疗状况）与心脏病的关系。机器学习模型可以从中发现意外的模式，并提供关于哪些患者更易患心脏病的准确预测。据此，医疗保健提供者可以制定个性化的预防计划。 生成式人工智能 与预测式人工智能相比，生成式人工智能通常使用无监督或半监督式学习算法，来训练模型。也就是说，无监督学习算法能够从未标记的数据中学习，而半监督学习算法则会从未标记和少量标记的数据组合中学习。 总的说来，它们不需要大量标记数据，只需通过屏蔽部分训练数据，然后训练模型，便可恢复被屏蔽掉的数据。例如，大语言模型就是通过将训练数据中的一些标记，随机替换为特殊标记（如，[MASK]）来进行训练。此类模型会学习根据前后单词的上下文，以预测被屏蔽的标记。 下图展示了 BERT 架构中的屏蔽过程。  另一种常见的生成式人工智能模型是：被用于图像和视频生成与编辑的扩散模型。这些模型是通过在图像中加入噪声，然后训练神经网络去除噪声，以完成构建。 下图展示的过程是：首先向数据集图像添加噪声，然后训练模型来推断缺失的信息，从而构建出扩散模型。  虽然在面对足够大量的未标记数据进行训练时，LLM 和扩散模型可以展现优异的性能。为了改善特定用例的结果，开发人员经常会在少量标记的数据上，对生成的模型进行微调，通过强化学习并整合人类的反馈，来减少对抗性反应的数量，进而提高模型的整体性能。

实际应用

在实际应用中，营销是最先受益于生成式人工智能的业务领域之一。例如，为了生成诸如：博文和社交媒体帖子等创造性的内容，营销机构可以首先选择一个经过预处理的 LLM，来证明其用例的可接受性能。他们可以根据机构客户的现有内容数据集，对模型进行微调，以生成更有针对性的内容。 生成式 AI 在视觉内容创建方面的应用也同样令人印象深刻。例如，时装零售商可以利用扩散模型来生成新的服装设计，以进行探索和创新。他们还可以使用这些模型来创建逼真的产品图像，以增强在线购物体验。 生成式 AI 在对话式 AI 方面也展现出了巨大的潜力。通过结合 LLM 和强化学习，企业可以开发出能够以自然且引人入胜的方式进行交流的聊天机器人。这些聊天机器人可以充当客户服务代表，回答问题，解决问题，并提供个性化的建议。

结论

生成式人工智能和预测式人工智能都是强大的 AI 技术，它们为提高自动化程度、优化决策和创建新的价值提供了丰富的可能性。虽然它们在某些方面存在重叠，但它们独特的优势和挑战使其适合不同的业务应用。 通过了解和对比这些技术，企业可以战略性地利用生成式 AI 和预测式 AI，最大限度地提高生产力和商业成果。随着 AI 技术的持续发展，我们可以期待在未来看到更多创新应用，这将进一步推动各个行业的变革。

---

生成式ai是什么意思

生成式AI，Gartner这样定义：通过各种机器学习（ML）方法从数据中学习工件的组件（要素），进而生成全新的、完全原创的、真实的工件（一个产品或物品或任务），这些工件与训练数据保持相似，而不是复制。

简单理解，生成式AI就是利用现有文本、音频文件或图像创建新内容的技术。使用生成 AI，计算机检测与输入相关的基本模式并生成类似内容。

生成式对抗网络（GANs, Generative Adversarial Networks ），这是生成式AI的关键技术。其本质是一种深度学习模型，是近年来复杂分布上无监督学习最具前景的方法之一。2014年，研究人员首次使用计算机，利用生成对抗网络GANs，创造出了逼真的人脸。

GAN通过使两个神经网络相互竞争来学习数据集的概率分布。一个叫做Generator的神经网络生成新的数据实例，而另一个Discriminator评估它们的真实性。即，鉴别器决定它检查的数据的每个实例是否属于实际的训练数据集。

同时，生成器正在创建新的合成/伪造图像，并将其传递给鉴别器。这样做是为了希望即使它们是假的，它们也将被认为是真实的。生成器的目标是生成可传递的图像：说谎而不被捕获。鉴别器的目的是将来自发生器的图像识别为伪造的。

决策式ai和生成式ai区别

决策式AI和生成式AI区别：决策式AI主要用于解决特定问题，给出明确建议或决策；生成式AI则用于创造新的内容，如文本、图像、音频和视频等。 1. 决策式AI：定义：决策式AI是指能够收集数据、分析信息并做出明智决策的AI系统。 目的：它的主要目的是帮助用户解决特定问题或提供明确建议。 应用：在金融领域，决策式AI可用于信贷评估、投资策略和风险管理。 在医疗领域，它可以帮助医生诊断疾病和制定治疗方案。 例子：考虑一个智能助手，它可以根据用户的财务状况和投资目标，为用户推荐最佳的投资组合。 该系统通过收集和分析大量金融数据，利用机器学习算法来预测市场趋势，并为用户提供个性化的投资建议。 2. 生成式AI：定义：生成式AI是指能够创造新的、原创的内容的AI系统。 目的：它的主要目的是创新和生产新的内容，如文本、图像、音频和视频等。 应用：在创意产业中，生成式AI可用于艺术创作、音乐创作和广告设计。 在科学研究中，它可以用于生成新的假设和实验设计。 例子：DALL-E是OpenAI开发的一个生成式AI系统，它可以根据用户的文字描述，生成逼真的图像。 例如，用户输入“一只穿着西装的猫在弹钢琴”，DALL-E可以生成一张相应的图像，显示出这一荒诞而有趣的场景。 这两种AI技术都有其独特的应用和潜力。 决策式AI可以帮助我们做出更明智的决策，解决问题，提高效率。 生成式AI则可以激发我们的创造力，帮助我们生成新的想法和内容。 随着技术的不断发展，我们可以期待这两种AI技术在更多领域中的应用和融合，为我们的生活带来更多便利和创新。