Pergi ke kandungan

Kecerdasan Buatan Generatif

Daripada Wikipedia, ensiklopedia bebas.
Impressionistic image of figures in a futuristic opera scene
Théâtre D'opéra Spatial (Teater Opera Angkasa, 2022), sebuah imej yang dihasilkan dengan Midjourney yang memenangi anugerah di pertandingan seni halus Pesta Negeri Colorado

Kecerdasan buatan generatif, yang biasanya dikenali sebagai AI generatif atau GenAI, ialah satu cabang dalam bidang kecerdasan buatan yang menggunakan model generatif untuk menghasilkan teks, imej, video, audio, kod perisian ( pengekodan berasaskan idea ) atau bentuk data lain. [1] Model-model ini mempelajari corak dan struktur asas daripada data latihan mereka, dan menggunakannya pengetahuan tersebut untuk menjana data baharu [2] sebagai tindak balas kepada input, yang selalunya berbentuk arahan dalam bahasa sejadi . [3] [4]


Kelaziman penggunaan alat Kecerdasan Buatan Generatif telah meningkat dengan ketara sejak ledakan AI pada tahun 2020-an. Ledakan ini dimungkinkan oleh kemajuan dalam Rangkaian neural buatan dalam, khususnya model bahasa besar (LLM), yang berasaskan seni bina transformer . Aplikasi AI generatif merangkumi chatbot seperti ChatGPT, Claude, Copilot,, Google Gemini dan Grok ; model teks-ke-imej seperti DALL-E, Firefly, Stable Diffusion dan Midjourney ; dan model teks-ke-video seperti Veo, LTX dan Sora . [5] [6] [7]

Syarikat-syarikat dalam pelbagai sektor telah menggunakan kecerdasan buatan generatif, termasuk dalam pembangunan perisian, penjagaan kesihatan, [8] kewangan, [9] hiburan, [10] khidmat pelanggan, [11] jualan dan pemasaran, [12] seni, penulisan, [13] dan reka bentuk produk. [14]

Kecerdasan buatan Generatif telah digunakan dalam jenayah siber, serta untuk memperdaya dan memanipulasi orang ramai melalui berita palsu dan kandungan deepfake . [15] [16] Model -model AI Generatif juga telah dilatih mengunakan karya berhak cipta tanpa kebenaran pemegang hak. [17] Selain itu, banyak Kecerdasan buatan Generatif menggunakan pusat data berskala besar, yang memberi kesannya terhadap alam sekitar termasuk sisa elektronik, penggunaan air berih untuk penyejukan, dan penggunaan tenaga yang tinggi yang dianggarkan terus meningkat dari semasa ke semasa. [18]

Aplikasi

[sunting | sunting sumber]

Kecerdasan buatan generatif telah digunakan dalam pelbagai industri untuk penciptaan kandungan dan automasi . Dalam bidang penjagaan kesihatan, model generatif digunakan untuk penemuan ubat dan penghasilan data perubatan sintetik bagi melatih sistem diagnostik. [19] Dalam sektor kewangan, ia digunakan untuk penyedian laporan, penjanaan data serta automasi khidmat pelanggan. [20] Industri media dan hiburan pula menggunakan sistem generatif untuk tugas seperti pennggubahan muzik, pembangunan skrip serta penjanaan imej atau video. [21] Para penyelidik dan pembuat dasar telah menyuarakan kebimbangan berkaitan ketepatan, penyalahgunaan serta kesanya terhadap kerja akademik dan profesional. [22]

Kod teks dan perisian

[sunting | sunting sumber]

Model bahasa besar (LLM) dilatih menggunakan teks yang telah ditokenan daripada korpus berskala besar dan berupaya melaksanakan memproses bahasa semula jadi, terjemahan mesin serta penjanaan bahasa semula jadi . [23]

LLM boleh digunakan sebagai model asas untuk pelbagai tugasan hiliran. [24] Mereka juga boleh dilatih tentang kod sumber untuk menjana program daripada arahan. [25]

Audio

[sunting | sunting sumber]

Pada tahun 2016, DeepMind melalui model WaveNet telah menyatakan bahawa saranan sampu neural mampu menghasilkan kompang audio mentah. Perkembangan ini membolehkan sintesis pertuturan yang lebih realistik berbanding pendekatan sebelumnya. [26]

Imej

[sunting | sunting sumber]

Kercedasan Buatan Generatif boleh digunakan untuk mencipta seni tampak . [27] Sistem sedemikian dilatih pada pasangan imej-teks. Contohnya termasuk Difusi Stabil, DALL-E dan Midjourney . [28]

Video

[sunting | sunting sumber]

Kercedasan Buatan Generatif boleh digunakan untuk menghasilkan video fotorealistik. Sistem seperti Runway telah menunjukkan keupayaan penjanaan teks-ke-video. [29]

Robotik

[sunting | sunting sumber]

Model generatif boleh digunakan untuk perancangan gerakan dan kawalan robot dengan mempelajari daripada data terdahulu. [30]

Pemodelan 3D

[sunting | sunting sumber]

Model generatif boleh membantu dalam mengautomasikan tugas pemodelan 3D, termasuk menjana aset 3D daripada teks atau imej. [31]

Model dunia

[sunting | sunting sumber]

Model dunia (model dunia) ialah rangkaian saraf yang direka untuk mempelajari perwakilan persekitaran fizikal, termasuk sifat spatial (ruang) dan dinamiknya. Perkembangan terkini dalam sistem multimodal telah mengembangkan keupayaan ini dengan menggabungkan visi, bahasa dan tindakan dalam model yang disatukan.. [32]

Perisian dan perkakasan

[sunting | sunting sumber]
Seni bina ejen AI generatif

Model kecerdasan buatan generatif digunakan untuk menggerakkan produk chatbot seperti ChatGPT, alat pengaturcaraan seperti GitHub Copilot, produk teks-ke-imej seperti Midjourney, serta produk teks-ke-video seperti Runway Gen-2. [33] Ciri-ciri AI Generatif telah disepadukan ke dalam pelbagai produk sedia ada yang tersedia secara komersial seperti Microsoft Office ( Microsoft Copilot ), [34] Google Photos, [35] dan Adobe Suite ( Adobe Firefly ). [36] Banyak model AI generatif juga tersedia sebagai perisian sumber terbuka, termasuk Stable Diffusion dan model bahasa LLaMA [37] .

Model kecerdasan buatan generatif yang lebih kecil, dengan sehingga beberapa bilion paramete, boleh dijalankan pada telefon pintar, peranti terbenam dan komputer peribadi . Contohnya, LLaMA-7B (versi dengan 7 bilion parameter) boleh dijalankan pada Raspberry Pi 4 [38] dan satu versi Stable Diffusion boleh dijalankan pada iPhone 11. [39]

Model yang lebih besar dengan puluhan bilion parameter boleh dijalankan pada komputer riba atau komputer atas meja . Untuk mencapai kelajuan yang boleh diterima, model bersaiz ini mungkin memerlukan Unit Pemprosesan Neural seperti cip GPU yang dihasilkan oleh NVIDIA dan AMD atau Enjin Neural yang disertakan dalam produk silikon Apple . Contohnya, versi 65 bilion parameter LLaMA boleh dikonfigurasikan untuk dijalankan pada PC meja. [40]

Model generatif dan teknik latihan

[sunting | sunting sumber]

Rangkaian adversarial generatif

[sunting | sunting sumber]
Aliran kerja untuk latihan rangkaian adversarial generatif

Rangkaian adversarial generatif (GAN)ialah satu teknik pemodelan generatif yang terdiri daripada dua rangkaian neural—penjana (generator) dan pembeza (discriminator)—yang dilatih secara serentak dalam suasana persaingan.

Penjana menghasilkan data sintetik dengan menukarkan hingar rawak kepada sampel yang menyerupai data latihan. Pembeza pula dilatih untuk membezakan antara data sebenar dan data sintetik yang dihasilkan oleh penjana. Model-dua model ini terlibat dalam satu permainan minimax: kedua-dua berusaha menghasilkan data yang semakin realistik untuk “memperdaya”za, manakala pembeza meningkatkan keupayaannya untuk membezakan data sebenar daripada data palsu. Susunan latihan berterusan ini membolehkan penjanaan menghasilkan output yang berkualiti tinggi dan kelihatan realistik.

. [41]

Pengekod automatik variasi

[sunting | sunting sumber]
Two images of the same cartoon crocodile
Perbandingan antara imej yang dihasilkan oleh VAE (kiri) dan GAN (kanan). VAE cenderung menghasilkan imej yang lebih lancar tetapi lebih kabur disebabkan oleh penyahkodan kebarangkaliannya.

Autoencoder variasi (VAE) ialah model pembelajaran mendalam yang mengekod data secara kebarangkalian. Ia biasanya digunakan untuk tugas seperti pengurangan hingar dalam imej, pemampatan data, pengesanan corak luar biasa, dan pengecaman wajah.

Berbeza dengan autoenkoder biasa yang memampatkan data input kepada representasi laten yang tetap, VAE memodelkan ruang laten sebagai taburan kebarangkalian, membolehkan pensampelan yang lancar dan interpolasi antara titik data. .

The full architecture of a GPT model.
Seni bina penuh model GPT

Transformer

[sunting | sunting sumber]

Model Transformer menjadi asas kepada siri transformer pra-terlatih generatif (GPT) yang dibangunkan oleh OpenAI, dengan menggantikan model berulang dan rangkaian konvolusi tradisional. [42]


Mekanisme perhatian kendiri membolehkan model menentukan kepentingan relatif setiap token dalam urutan apabila meramalkan token seterusnya, sekali gus meningkatkan pemahaman kontekstual. Tidak seperti rangkaian saraf berulang, transformer memproses token secara selari, yang meningkatkan kecekapan latihan dan kebolehskalaan. [43]

Transformer biasanya dilatih terlebih dahulu tentang korpora besar menggunakan pembelajaran penyeliaan kendiri dan kemudian ditala dengan teliti untuk tugasan tertentu. [44]

Lihat juga

[sunting | sunting sumber]

 

Rujukan

[sunting | sunting sumber]
  1. ↑ Banh, Leonardo; Strobel, Gero (2023). "Generative artificial intelligence". Electronic Markets. 33 (1). doi:10.1007/s12525-023-00680-1.
  2. ↑ Pasick, Adam (March 27, 2023). "Artificial Intelligence Glossary: Neural Networks and Other Terms Explained". The New York Times (dalam bahasa Inggeris). ISSN 0362-4331. Diarkibkan daripada yang asal pada September 1, 2023. Dicapai pada April 22, 2023.
  3. ↑ Griffith, Erin; Metz, Cade (January 27, 2023). "Anthropic Said to Be Closing In on $300 Million in New A.I. Funding". The New York Times. Diarkibkan daripada yang asal pada December 9, 2023. Dicapai pada March 14, 2023.
  4. ↑ Lanxon, Nate; Bass, Dina; Davalos, Jackie (March 10, 2023). "A Cheat Sheet to AI Buzzwords and Their Meanings". Bloomberg News. Diarkibkan daripada yang asal pada November 17, 2023. Dicapai pada March 14, 2023.
  5. ↑ Roose, Kevin (October 21, 2022). "A Coming-Out Party for Generative A.I., Silicon Valley's New Craze". The New York Times. Diarkibkan daripada yang asal pada February 15, 2023. Dicapai pada March 14, 2023.
  6. ↑ Shahaf, Tal; Shahaf, Tal (2025-10-23). "Lightricks unveils powerful AI video model challenging OpenAI and Google". Ynetglobal (dalam bahasa Inggeris). Dicapai pada 2025-12-22.
  7. ↑ Metz, Cade (February 15, 2024). "OpenAI Unveils A.I. That Instantly Generates Eye-Popping Videos". The New York Times (dalam bahasa Inggeris). ISSN 0362-4331. Diarkibkan daripada yang asal pada February 15, 2024. Dicapai pada February 16, 2024.
  8. ↑ Raza, Marium M.; Venkatesh, Kaushik P.; Kvedar, Joseph C. (March 7, 2024). "Generative AI and large language models in health care: pathways to implementation". npj Digital Medicine (dalam bahasa Inggeris). 7 (1): 62. doi:10.1038/s41746-023-00988-4. ISSN 2398-6352. PMC 10920625 Check |pmc= value (bantuan). PMID 38454007 Check |pmid= value (bantuan).
  9. ↑ Mogaji, Emmanuel (January 7, 2025). "How generative AI is transforming financial services – and what it means for customers". The Conversation (dalam bahasa Inggeris). Dicapai pada April 10, 2025.
  10. ↑ Bean, Thomas H. Davenport and Randy (June 19, 2023). "The Impact of Generative AI on Hollywood and Entertainment". MIT Sloan Management Review (dalam bahasa Inggeris). Diarkibkan daripada yang asal pada August 6, 2024. Dicapai pada April 10, 2025.
  11. ↑ Brynjolfsson, Erik; Li, Danielle; Raymond, Lindsey R. (April 2023), Generative AI at Work (Working Paper), Working Paper Series, doi:10.3386/w31161, diarkibkan daripada yang asal pada March 28, 2024, dicapai pada January 21, 2024
  12. ↑ "Don't fear an AI-induced jobs apocalypse just yet". The Economist. March 6, 2023. Diarkibkan daripada yang asal pada November 17, 2023. Dicapai pada March 14, 2023.
  13. ↑ Coyle, Jake (September 27, 2023). "In Hollywood writers' battle against AI, humans win (for now)". AP News. Associated Press. Diarkibkan daripada yang asal pada April 3, 2024. Dicapai pada January 26, 2024.
  14. ↑ "How Generative AI Can Augment Human Creativity". Harvard Business Review. June 16, 2023. ISSN 0017-8012. Diarkibkan daripada yang asal pada June 20, 2023. Dicapai pada June 20, 2023.
  15. ↑ Taeihagh, Araz (2025-04-04). "Governance of Generative AI". Policy and Society (dalam bahasa Inggeris). 44 (1): 1–22. doi:10.1093/polsoc/puaf001. ISSN 1449-4035.
  16. ↑ Simon, Felix M.; Altay, Sacha; Mercier, Hugo (18 October 2023). "Misinformation reloaded? Fears about the impact of generative AI on misinformation are overblown". Harvard Kennedy School Misinformation Review. doi:10.37016/mr-2020-127.
  17. ↑ "New AI systems collide with copyright law". BBC News. August 1, 2023. Dicapai pada September 28, 2024.
  18. ↑ "AI has an environmental problem. Here's what the world can do about that". www.unep.org (dalam bahasa Inggeris). 2024-09-21. Dicapai pada 2025-08-20.
  19. ↑ Kaushal, Ayush (2023). "Artificial Intelligence in Healthcare: Applications and Challenges". Nature Medicine.
  20. ↑ Bommasani, Rishi (2021). "On the Opportunities and Risks of Foundation Models". arXiv preprint arXiv:2108.07258.
  21. ↑ Epstein, Ziv (2023). "Art and the science of generative AI". Science. 380 (6650): 1110–1111. doi:10.1126/science.adh4451.
  22. ↑ Bommasani, Rishi (2021). "On the Opportunities and Risks of Foundation Models". arXiv preprint arXiv:2108.07258.
  23. ↑ Brown, Tom B. (2020). "Language Models are Few-Shot Learners". Advances in Neural Information Processing Systems.
  24. ↑ Bommasani, R.. "On the opportunities and risks of foundation models". MISSING LINK. .
  25. ↑ Chen, Mark (2021). "Evaluating Large Language Models Trained on Code". arXiv preprint arXiv:2107.03374.
  26. ↑ Shen, Jonathan (2017). "Natural TTS Synthesis by Conditioning WaveNet on Mel Spectrogram Predictions". arXiv preprint arXiv:1712.05884.
  27. ↑ Epstein, Ziv (2023). "Art and the science of generative AI". Science. 380 (6650): 1110–1111. doi:10.1126/science.adh4451.
  28. ↑ . 2021.
  29. ↑ Metz, Cade (April 4, 2023). "Instant Videos Could Represent the Next Leap in A.I. Technology". The New York Times.
  30. ↑ "A technique for more effective multipurpose robots". MIT News. 2024.
  31. ↑ Poole, Ben (2022). "DreamFusion: Text-to-3D using 2D Diffusion". arXiv preprint arXiv:2209.14988.
  32. ↑ Reed, Scott (2022). "A Generalist Agent". arXiv preprint arXiv:2205.06175.
  33. ↑ Vincent, James (March 20, 2023). "Text-to-video AI inches closer as startup Runway announces new model". The Verge. Diarkibkan daripada yang asal pada September 27, 2023. Dicapai pada August 15, 2023. Text-to-video is the next frontier for generative AI, though current output is rudimentary. Runway says it'll be making its new generative video model, Gen-2, available to users in 'the coming weeks.'
  34. ↑ Vanian, Jonathan (March 16, 2023). "Microsoft adds OpenAI technology to Word and Excel". CNBC. Diarkibkan daripada yang asal pada August 15, 2023. Dicapai pada August 15, 2023. Microsoft is bringing generative artificial intelligence technologies such as the popular ChatGPT chatting app to its Microsoft 365 suite of business software....the new A.I. features, dubbed Copilot, will be available in some of the company's most popular business apps, including Word, PowerPoint and Excel.
  35. ↑ Wilson, Mark (August 15, 2023). "The app's Memories feature just got a big upgrade". TechRadar. Diarkibkan daripada yang asal pada August 15, 2023. The Google Photos app is getting a redesigned, AI-powered Memories feature...you'll be able to use generative AI to come up with some suggested names like "a desert adventure".
  36. ↑ Sullivan, Laurie (May 23, 2023). "Adobe Adds Generative AI To Photoshop". MediaPost. Diarkibkan daripada yang asal pada August 15, 2023. Dicapai pada August 15, 2023. Generative artificial intelligence (AI) will become one of the most important features for creative designers and marketers. Adobe on Tuesday unveiled a Generative Fill feature in Photoshop to bring Firefly's AI capabilities into design.
  37. ↑ Michael Nuñez (July 19, 2023). "LLaMA 2: How to access and use Meta's versatile open-source chatbot right now". VentureBeat. Diarkibkan daripada yang asal pada November 3, 2023. Dicapai pada August 15, 2023. If you want to run LLaMA 2 on your own machine or modify the code, you can download it directly from Hugging Face, a leading platform for sharing AI models.
  38. ↑ Pounder, Les (March 25, 2023). "How To Create Your Own AI Chatbot Server With Raspberry Pi 4". Diarkibkan daripada yang asal pada August 15, 2023. Dicapai pada August 15, 2023. Using a Pi 4 with 8GB of RAM, you can create a ChatGPT-like server based on LLaMA.
  39. ↑ Kemper, Jonathan (November 10, 2022). ""Draw Things" App brings Stable Diffusion to the iPhone". The Decoder. Diarkibkan daripada yang asal pada August 15, 2023. Dicapai pada August 15, 2023. Draw Things is an app that brings Stable Diffusion to the iPhone. The AI images are generated locally, so you don't need an Internet connection.
  40. ↑ Witt, Allan (July 7, 2023). "Best Computer to Run LLaMA AI Model at Home (GPU, CPU, RAM, SSD)". Diarkibkan daripada yang asal pada August 15, 2023. Dicapai pada August 15, 2023. To run LLaMA model at home, you will need a computer build with a powerful GPU that can handle the large amount of data and computation required for inferencing.
  41. ↑ Goodfellow, Ian; Pouget-Abadie, Jean; Mirza, Mehdi; Xu, Bing; Warde-Farley, David; Ozair, Sherjil; Courville, Aaron; Bengio, Yoshua (October 22, 2020). "Generative adversarial networks". Communications of the ACM. 63 (11): 139–144. arXiv:1406.2661. doi:10.1145/3422622. ISSN 0001-0782.
  42. ↑ Vaswani, Ashish; Noam Shazeer; Niki Parmar; Jakob Uszkoreit; Llion Jones; Aidan N. Gomez; Łukasz Kaiser; Illia Polosukhin (2017). "Attention Is All You Need". Advances in Neural Information Processing Systems.
  43. ↑ Vaswani, Ashish (2017). "Attention Is All You Need". Advances in Neural Information Processing Systems.
  44. ↑ Radford, Alec (2018). "Improving Language Understanding by Generative Pre-Training" (PDF). Cite journal requires |journal= (bantuan)
Diambil daripada "https://ms.wikipedia.org/w/index.php?title=Kecerdasan_Buatan_Generatif&oldid=6834018"