生成式人工智能通识
生成式人工智能概述
生成式人工智能是人工智能领域的重要分支，一种基于算法和模型生成文本、图片、声音、视频、代码等内容的技术，不同于传统AI的分析功能，生成式AI能学习并生成具有逻辑的新内容。
生成式AI的核心优势
- 创作效率高：生成式AI能快速生成大量初稿、草图、方案或内容片段。这极大地加速了创意构思、内容创作和原型设计的过程。
- 生成内容多样：基于训练数据和不同的提示词（Prompt），生成式AI可以产生风格迥异、形式多变的内容。它能突破单一人类创作者的思维惯性和风格限制。
- 为企业降本增效：加速产品设计、营销内容制作、软件研发、报告生成等流程，减少人力投入和时间成本。
生成式AI的核心架构
序列模型
- 序列模型是实现生成式AI的核心技术架构之一，而生成式AI是序列模型最典型的应用方向
- 序列模型是专门设计用来处理具有顺序关系的数据的机器学习模型
- 序列模型的关键特征：数据点不是孤立的，而是按特定顺序排列的，后面的数据点依赖前面的数据点
- 序列模型有许多典型应用，比如：音乐生成、文本情感分类、机器翻译、视频动作识别等
扩散模型
- 扩散模型（Diffusion Models）是一类基于概率生成的深度学习模型，通过模拟数据在噪声与信号之间的扩散过程实现数据生成。
- 其核心思想源于热力学中的扩散现象，可以概括为分布加噪与去噪。
生成式人工智能的伦理及安全
伦理原则
生成式人工智能具有强大的创造力，但也可能带来隐私侵犯、偏见放大、虚假信息传播、版权争议、甚至人身伤害等风险。伦理原则就像AI发展的"指南针"和"刹车片"，确保技术创新始终以人为本、向善发展。
- 尊重人类尊严和权利
- 包含个人隐私和数据安全
- 尊重知识产权、商业道德
- 防止伤害他人身心健康
- 遵循公平、透明和可解释的原则
数据安全挑战
- 用户数据泄露：模型可能在输出中意外"记忆"并复现训练数据中的敏感信息。用户在与大模型交互时输入的提示词、上传的文件等可能包含高度明信息
- 模型的可靠性弱：AIGC模型会生成看似合理实则错误或编造的内容（AI幻觉），如果用户依赖AIGC生成的错误信息做出决策或行动，可能导致严重后果
- 模型黑盒：黑盒特性可能掩盖模型内部存在的安全漏洞
AI幻觉的优化方法
提示词
- 核心定义：用户输入给生成式人工智能的指令、问题或上下文信息，用于引导模型生成期望的输出
- 核心作用：引导、聚焦、激发模型的能力，使其生成符合用户特定需求的文本、图像、代码、音乐等内容
提示词的设计原则
提示词典型方法
-
少样本学习（Few-shot）
- 原理：提供少量任务示例（Input-Output对），让AI理解任务模式并模仿输出
- 适用场景：需要明确格式或复杂规则的场景（如数据格式化、代码生成）
-
思维链（Chain-of-Thought, CoT）
- 原理：要求AI分步骤展示推理过程，提高逻辑复杂任务（如数学题）的准确性
- 适用场景：数学问题、逻辑推理、多步决策
-
索引法（Indexed Context）
- 原理：将复杂信息分段编号，便于AI精准定位参考（适合超长文本/多文档）
- 适用场景：长文档解析、多资料整合、保证论文前后一致性、避免信息遗漏
-
角色扮演（Persona Priming）
- 原理：为AI赋予特定身份、角色，让输出符合该角色的专业或风格特征
- 适用场景：需要领域专家口吻、创意风格或特定表达的场景
提示注入攻击
- 定义：攻击者通过精心构造恶意输入，篡改或覆盖原本的提示（尤其是系统提示），诱导AI模型忽略开发者设定的安全规则、泄露敏感信息或执行非预期操作
- 本质：利用AI模型对提示词指令的"无条件服从性"和上下文理解能力的局限性，进行的一种"指令注入"攻击
AIGC应用场景
文案创作
推荐系统
大模型精调
典型方法
- 全量更新（Full Fine-Turning）
- 参数高效精调（PEFT）
- LoRA：在固定预训练大模型本身的参数基础上，在保留自注意力模块中原始权重矩阵的基础上，对权重矩阵进行低秩分解，训练过程中只更新低秩部分的参数。
