--- title: "也許生成式 AI 是新一次工業革命" date: 2023-03-15T00:00:00+08:00 publishDate: 2023-03-15T00:00:00+08:00 lastmod: 2023-03-01T16:43:54+08:00 tags: ["AI","心得","人工智慧","ChatGPT"] toc: true permalink: "https://blog.aotoki.me/posts/2023/03/15/generative-ai-may-be-next-industrial-revolution/" language: "zh-tw" --- 之前寫過[# 從 ChatGPT 看學習與對工程師的影響](https://blog.aotoki.me/posts/2022/12/09/the-chatgpt-and-learning-and-programmer/)， 這篇文章原本想試著讓 ChatGPT 幫忙，給了兩篇自己的文章作為範例，再給出我規劃的文章架構，得到了一篇看起來有內容實際上什麼都沒說的文章，於是這篇文章還是得自己處理，這大概就是目前 ChatGPT 的極限吧！ ## 運作原理{#how-it-works} 我花了一週左右的時間把 Stable Diffusion 和 ChatGPT 這兩個我比較有興趣的 Generative AI（生成式 AI）玩過，並且讀了幾篇文章，簡單來說 Generative AI 是一種「腦補」的軟體。 背後有許多論文跟技術原理我都沒有深入了解，可能會有點偏差。然而從多年開發應用程式（Application）的經驗來反推能做的應用，很高的機率會是用在解決「人工」的問題上。 為什麼這麼說呢？你可以想像有很多知識、資料，在過去我們需要透過學習吸收然後用某個神秘的方式統整到腦中，現在你要把這些東西以繪畫、寫作的形式輸出，我們就需要花費時間動手去做出來。 然而有了 Generative AI 之後，我們只需要「思考」就可以取用一個（可能是）全人類共享的資料庫，然後讓 AI 幫我們「補全（Completion）」這些已經知道的資訊。 ## 已知與未知{#known-and-unknown} 我想這段時間大家都已經體驗過 ChatGPT 的厲害之處，然而要讓 ChatGPT 正確的運作，會需要滿足兩個條件：模型中存在、適當的提示。 首先，模型（Model）是這類 AI 處理的基礎，ChatGPT 這類屬於 LLM（Large Language Model，大型語言模型）也就是使用非常大量資料去訓練出來的語言模型，目的就是要可以使用「語言」 他表現出來的形式是以補全的方式進行，像是以「天空是」開頭，那麼很高的機率會得到「藍色的」回答，因為在 AI 的經驗中（模型）有很多「天空是藍色的」這樣的句子，因此在選擇的時候偏向以這種方式完成句子，再經過調整 ChatGPT 就能做出類似「對話」的效果。 那麼，當遇到模型中不存在的情況時，就只能根據已知的事物來進行補完。因此當我在寫針對 Generative AI 相關主題的文章需要補完時，就只會出現訓練模型當下的「介紹」而近期大量的討論就很可能不會被提取出來。 > 然而我們不能小看 AI 技術的發展，很快地就會有能夠連上網路[使用工具輔助](https://tw.stock.yahoo.com/news/%E8%AE%93ai-%E9%95%B7%E5%87%BA%E6%89%8B-%E8%87%AA%E5%B7%B1%E5%AD%B8%E6%9C%83google-%E6%89%BE%E8%A8%88%E7%AE%97%E6%A9%9F-meta%E6%96%B0%E8%A8%93%E7%B7%B4%E6%96%B9%E5%BC%8Ftoolformer%E5%8E%B2%E5%AE%B3%E5%9C%A8%E5%93%AA-065733541.html)的模式出現，那麼獲取新資訊「總結」這件事情很快的就會出現。 ## 創意為主{#creative-is-important} 從 ChatGPT 或者 Stable Diffusion 的特性來看，他們都受到「已知」的限制，訓練都是仰賴人類過往的創作所構成的，因此無法突破創意的限制，即使隨機能讓這件事情有一點希望，但機率實在太低，人類本身的創造力可能還是更有效率的方式。 在 ChatGPT 所屬的 OpenAI 公司提供給開發者的模型介紹中，大致上給出這些模型具備這些能力： * Davinci - Complex intent, cause and effect, summarization for audience * Curie - Language translation, complex classification, text sentiment, summarization * Babbage - Moderate classification, semantic search classification * Ada - Parsing text, simple classification, address correction, keywords 基本上都是分析跟統整的能力為主，實際上要做到「創意」這件事情，至少在近期可能都是一件有挑戰的事情，甚至對人類來說創意也需要所謂的「機緣巧合」可能也跟隨機沒有太大差異。 然而，AI 提供的「生成」能力卻讓創作這件事情帶來一個很巨大的改變，也就是過去我們需要依賴「職人」去實現的一些事情，我們可以交給 AI 來實現，這就有點類似在工業革命之前想要製作一個家具需要去找工匠製作，有了機械之後就能夠快速量產標準規格的傢俱，在 Generative AI 的情況下可能也是這樣的。 像是我想寫一篇關於 Domain-Driven Design 的文章，因為過去數十年來有無數人討論過，那麼我使用 AI 輔助就可以輕鬆地把那些「大家都講過」的事情產生出來。但是，我是無法用 AI 去產生我自己獨特的觀點、突破性的想法，因為 AI 的模型中不存在。 我對未來的想像，專業的作家可能還是繼續寫作，因為 AI 只能模仿跟重組，那麼畫家會變成 AI 訓練的資料，這些畫家會創造獨特的風格去訓練 AI，然後再根據需求生成圖像，電腦繪圖中「畫技」可能就不是那麼重要的關鍵。 最後，工程師，就需要面對理解需求跟設計架構的問題，因為那些常見的「應用」都有人分享過對應的程式碼，也能夠被 AI 識別出來，想要做一個 Google 倒是不會發生，因為 AI 沒有那個機會看到 Google 的原始碼，也許開源軟體世界也會受到一個新的挑戰也說不定？