在2022年11月的最后一天，OpenAI正式发布了基于GPT3.5系列大型语言模型微调而成的全新对话式AI—ChatGPT，引发了大众对于生成式AI(Generative AI)的关注。2023年1月，ChatGPT月活跃用户数高达一亿。事实上，早在2022年2月发布的一款基于扩散模型的AI绘图生成器—Disco Diffusion就已经让绘画相关从业者开始关注生成式AI及其相关技术的发展。2022年8月，游戏设计师Jason Allen凭借AI绘画作品《太空歌剧院》获得美国科罗拉多州博览会“数字艺术/数码摄影”竞赛单元一等奖，“AI绘画”引发全球热议。

美国风险投资公司红杉资本官网发布的文章《生成式AI：一个创造性的新世界》中提到，机器在分析数据、事物方面可能会比人类做得更好，AI能在完成任务的过程中变得越来越聪明，这就是传统的AI—分析型AI。但除了分析方面的工作以外，人类更擅长创造—能够完成艺术创作、产品设计、代码编写等一系列从前AI无法完成的工作。如今，AI也开始尝试创造性活动，以ChatGPT为代表的生成式AI正在融入人类的创造流程中。“大数据时代，企业的数字化转型主要解决运营、营销、风控等过程中的智能化问题，因此，决策式AI对应着数字经济时代企业的核心竞争力，而生成式AI则采用了新的学习范式，通过处理复杂的异构数据进行学习和归纳，进一步演绎和创造，能够进行模仿式、缝合式创作，生成全新的内容(数据要素)。”光大科技有限公司大数据部负责人田江谈道，“决策式AI对应着企业现实的生产力，生成式AI则揭示了未来AGI(通用人工智能)赋能万物的趋势。”

从NLP到CNN 深度学习赋能生成式AI技术创新

生成式AI是一种基于深度学习技术的人工智能模型，能够模拟人类的思维进行具有创造性的工作，生成具有逻辑性和连贯性的语言文本、图像、音频等内容。在目前备受关注的AI生成文本与AI生成图片两大应用场景中，大模型发挥着关键作用，以ChatGPT为代表的聊天机器人程序是基于大规模的生成式语言模型，而AI绘图相关应用则是基于大规模的生成式图片模型。

NLP(自然语言处理)是自人工智能诞生就出现了的技术，最初基于规则、统计数据运行，而随着深度学习技术的引入，NLP迎来了高速发展期，可以通过深度学习训练神经网络，让AI学习输入数据的特征和规律。ChatGPT的背后就是一个出色的NLP新模型，在将海量数据与Transformer新型网络架构结合后，一个基于自然语言的深度模型出现—它赋予了计算机惟妙惟肖地模仿人类说话的能力。

与语言模型相比，图片模型的核心则是计算机视觉技术。从CNN(卷积神经网络)到特征对象识别，20世纪末的计算机视觉技术已经构筑了坚实的理论基础，但视觉算法主要通过特征感知、图像预处理、特征提取、特征筛选、推理预测与识别五个步骤分析图片，识别精度较低。随着互联网时代的到来，数据量高速增长，加之应算力相关硬件设施的不断发展，运算能力提升，CNN深度不断增加，能够进行图像风格转换、色彩还原等处理技术完成绘画作品。此外，深度学习模型GAN(生成式对抗网络)也能生成近似原始数据的数据，为大型生成式图片模型的训练提供海量数据支撑。

千帆竞渡 生成式AI启航智能时代

ChatGPT激发了全球对生成式AI的关注，未来，以ChatGPT为代表的生成式AI大有可为，将进一步引领新一轮科技革命和产业变革。

释放创新活力 构筑Web3.0全新生产力

在Web3.0(第三代互联网)—协议互联网中，生成式AI将会成为重要的生产工具：借助文本型AI工具，用户能够体验更直观的Web导航方式(如微软将ChatGPT植入Bing搜索)，减少对搜索引擎广告模型的依赖，消除SEO(搜索引擎优化)生成内容的噪声，增强游戏开发人员和艺术家的创造力和生产力;图像型AI和视频型AI能够协助生成艺术NFT(非同质通证)，在艺术家输入的规则框架内生成艺术品;在代码开发过程中，ChatGPT已经展示了其应用潜力，不仅可以读写代码，还可以发现代码中的错误。目前，人们已经开始使用AI程序来完成简单的代码审计任务，甚至直接由AI创作代码。

缩短研发周期 助力药物设计降本增效

2022年德勤发布的《2021医药创新回报率评价》指出，自2016年以来，全球创新药物的研发周期持续增长，2020年创新药研发的平均成本为23.76亿美元，整个研发过程平均需要7.14年。如今，随着大规模模型的不断发展，生成式AI被引入到各种不同用途的药物设计流程中，促使药物设计周期缩短至几个月，减少制药行业的药物研发成本和时间。

定义关键特性 满足工业设计需求

随着材料科学的发展，新材料产业已经成为当代国民经济中快速发展的高新技术产业，要针对不同的需求设计出具有特定物理特性的新材料，进一步赋能汽车、航空、能源等行业。相较从前依靠偶然性找到所需特性材料的设计流程，生成式AI能够通过逆向设计流程，定义材料需要的特性，针对不同需求设计出具备导电性、磁吸引力、耐腐蚀等特性的材料。

此外，在工业设计领域，生成式AI也能大幅降低成本，并提升设计水平：在设计芯片的过程中，基于机器学习技术，生成式AI能够自动优化半导体芯片中不同元件的位置，将产品开发周期从几周缩短至几小时;在设计零件时，生成式AI能够帮助制造业企业设计出满足性能、材料、制造工艺等特定目标的零件，如汽车制造商可以使用生成式AI设计出更轻、更安全的汽车模型，在保证安全的前提下减少汽车能耗。

生成合成数据 减少AI训练时间

合成数据是由计算机程序直接生成的数据，与现实现象、事件产生的数据无关。在训练大模型的过程中，首先，应用合成数据能够减少从现实事件中捕获数据的需求，生成数据和构建数据集的速度较快;其次，合成数据集可以减少隐私问题，合成数据没有现实基础，数据集没有敏感变量：最后，合成数据可以在生成时自动标记，大大减少标记数据所需时间。在构建合成数据的过程中，生成式AI将会提供较大助力：能够生成高质量图像，提高如自动驾驶汽车、无人机等行业AI系统的性能;创建广泛的合成数据，以训练和测试感知模型，协助开发者快速迭代并优化机器学习模型，减少周转时间，加速AI研发进度;用户可以通过自然语言或编程语言，选择各种参数来灵活地配置合成数据集，提升合成数据的多样性和真实性。

立足大语言模型 推动金融服务变革

基于大模型技术的ChatGPT，能够结合不同行业的专业知识和数据，进行交互式训练，具备获得多轮复杂对话、自然语言理解和生成、情感识别和适应等能力。在金融领域里，这类智能客服可以应用于信贷产品、理财产品、保险产品等多个业务中，为企业客户提供全天候的咨询服务，大幅提升用户满意度和转化率，降低人工成本和风险;通过对海量数据的分析和建模，生成式AI能够协助企业进行智能风控，为金融机构提供有效的风险预警和预测，降低金融风险;生成式AI能够结合互联网文本数据、行为数据和征信报告等进行解读，识别更多维度的风险指标，更好地评估信贷风险，在信贷审批、贷后管理、反欺诈、反洗钱等流程中大幅提升风控效率和精准度。

引领产业变革 生成式AI前景可期

2023年4月，网信办发布了《生成式人工智能服务管理办法(征求意见稿)》，提到国家支持人工智能算法、框架等基础技术的自主创新、推广应用、国际合作，鼓励优先采用安全可信的软件、工具、计算和数据资源。与高速发展的生成式AI伴随而来的是一系列安全问题，在应用大模型进一步精进AI能力的过程中，我们必须时刻关注应用中的风险，解决发展过程中的痛点、难点问题。

从数据到模型 破解生成式AI发展难点

北京人工智能产业联盟元宇宙专委会主任颜阳在接受本刊记者采访时从训练数据、模型复杂性、内容输出控制三个方面讨论了生成式AI发展的难点。

在训练数据方面，训练生成式AI通常需要海量数据，以便输出高质量的模型，催生“涌现”现象(当模型的数据训练量超过某个阈值时，模型的精度会暴增)，其中，获取和准备数据是一个困难和耗时的过程。此外，确保数据的质量和多样性、隐私与安全及数产权保护也十分重要。武汉大学计算机学院教授、卓尔智联研究院院长蔡恒进也持相同观点，他认为，区块链技术的深入应用能够为数据确权，保证大规模模型训练所需数据的隐私性和安全性。

在模型复杂性方面，生成式AI模型通常比决策式AI模型更加复杂，这些模型需要更多的参数和算力资源来进行训练和推理。这可能引发训练时间长、算力成本高昂及模型部署复杂和维护难度高等问题。

在内容输出控制方面，生成式AI的应用需要控制输出的生成内容。生成模型通常基于统计模型，呈概率分布特征，因此无法完全预测其生成结果。这可能导致输出结果不准确，需要进行额外的处理或人工干预。

“数据来源不明会使生成式AI造成一定的侵权风险，我们可以通过使用有确认渠道的公开数据集、匿名化和去识别化、建立数据使用的政策和流程、使用合成数据等方式在保证数据规模的情况下规避相关风险。”田江说，“公开的数据集通常可以降低侵权风险。比如公开的新闻文章、公开的政府数据等，这些数据还有其渠道作为背书，以确保真实性;我们可以通过删除或替换识别信息、随机化数据等方法匿名化和去识别化数据，保护用户的隐私;清晰的数据使用政策和流程能够确保数据的合法和安全使用;合成数据不包含任何个人或敏感信息，可以避免侵权和隐私问题。”

防患于未然 预防生成式AI应用风险

生成式AI的高速发展可能会衍生出新岗位，包括AI训练师、AI监督员等。此外，生成式AI是基于人类已有知识的学习并衍生，人类创新性的能力尚未被取代，简单工作被替代后，人们的创新性将被释放，并通过生成式AI快速呈现出来，赋能千行百业创新。生成式AI产出的内容并非凭空出现，与用户输入的数据源密切相关，输入数据类型的不同导致输出内容携带的价值判断多种多样，正因如此，在这一类人工智能的开发和使用过程中，我们面临与从前截然不同的法律风险与伦理挑战，如数据源违规收集、算法失控风险、内容真假难辨、虚假信息泛滥、隐私保护缺位、侵害知识产权及不正当竞争等问题，这给技术监管带来了诸多挑战。“随着生成式AI的广泛应用，有关AI伦理和隐私的问题将越发受到关注。企业和政府需要制定合适的规范和政策，以确保AI的发展不会对人类社会产生负面影响。”田江说道。

在深入应用之前，企业需要从六个方面全面评估生成式AI落地过程中可能存在的风险。

一是生成式AI的能力和潜力还存在许多未知，在广泛应用这一工具前，我们要构建强大的程序及防御网络来阻止恶意行为，如恶意软件和复杂的网络钓鱼邮件等。

二是如今的生成式AI已经具备了帮助企业转型的能力，企业从大模型中获得的洞察对业务发展、产品精进至关重要，因此，企业需要慎重考虑专业模型的安全性，并了解用户与员工的应用情况。

三是构筑专业性生成式AI模型时，个人或组织会使用自身的文件、信息进行训练。个性化的知识和数据能够扩展生成式AI的应用范围，但用户必须制定相关政策，为生成式人工智能建立安全和可靠的环境，以避免机密和私人数据进入公共系统。

四是生成式AI强大的创作能力可能会被网络犯罪分子用于深度伪造图像，更容易地进行恶意软件和勒索软件攻击。企业需要通过保持基本的“网络卫生”，并压缩庞大的遗留系统，减少系统受攻击面。

五是生成式AI工具“内容”的商用风险。以ChatGPT为代表的工具需要吸收学习巨量的互联网数据，无法逐一从数据源取得授权，其产出内容跨境传输的规范要求存在侵犯第三方著作权的可能性。

六是数据处理及跨境合规风险。很多企业将生成式AI工具用于辅助企业管理决策，其数据可能会流通至其他国家的服务器中，这种流通需要满足不同国家、地区的法律法规。

如今，我们已经进入以ChatGPT为代表的生成式AI技术广泛落地应用的前夜，大力鼓励AI技术创新，探索落地应用路径，审慎地制定AI相关的法律、规范，将会成为组织、企业乃至国家在存量时代中掌握主动权的“密钥”。