企業家貢獻者表達的意見是他們自己的。
生成式人工智慧已經存在一年多了，它擾亂了公關產業，讓傳播者對他們工作的未來感到好奇。 人們是不確定的，尤其是科技帶來的所有未知因素。
然而，這種恐懼正在阻止人們了解人工智慧的能力，導致人們感覺自己無法為未來做好準備。 不幸的是，許多傳播者缺乏準確描述這項技術是什麼、它如何運作以及它的能力的知識，無論是從他們所代表的組織還是從他們自己的常識來看。
因此，我用簡單的英語編寫了一份常用人工智慧術語的簡短詞彙表，以便任何溝通者都能理解這些流行語的含義並解釋正在發生的事情。
相關：使用人工智慧和過度依賴人工智慧之間存在微妙的界限。 這是領導者需要扮演的角色。
人工智慧
人工智慧 是一種使電腦和機器能夠模擬人類思維和智慧以及人類層級的問題解決能力的技術。
它涵蓋了從自動駕駛汽車到天氣預報模型、機器學習、機器人技術等等的一切。 這些例子中的每一個都是人工智慧的“子集”，每一個例子都可以寫出整篇文章。 然而，鑑於本文是關於生成式人工智慧的，我們將深入探討圍繞此類人工智慧的詞彙。
為此，我們需要看看「機器 學習」人工智慧的子集。
機器學習
機器學習（或“ML”）的目的是使用可以學習和概括資訊的演算法。 本質上，機器學習演算法是給定資訊的。 然後提出一個問題，演算法根據所提供的資訊想出一個答案。
機器學習有數十個子集。 其中包括聊天機器人中使用的「決策樹」。 有“線性回歸”，它可用於根據天氣模型等先前數據預測未來會發生什麼。 還有“聚類”，即廣告技術演算法如何知道何時以及如何向您銷售產品或服務。
所有這些子集都採用輸入的信息，根據過去的事件對未來進行預測。 它們都很有用並影響我們的日常生活。 然而，機器學習的另一個子集稱為「深度學習」。 這是我們發現生成式人工智慧的子集。
深度學習
深度學習意味著有超過三層的神經網路。 「神經網路」是演算法的大腦，而「層」是演算法可以思考的深度。
在標準機器學習中，有一個輸入層（即今天的天氣怎麼樣？）； 「思考」層，例如從過去的事件中獲取所有的風、雨和溫度數據並將其應用於當前的情況； 然後是輸出層（即天氣預報會是晴天）。 所有這些層組成了神經網路。
對於深度學習，神經網路有超過三層。 這使得演算法能夠更深入、更細緻地思考。 事實上，這種深與淺的思維方式就是「深度人工智慧」和「淺層人工智慧」這兩個短語的由來。
此外，由於演算法層數的不同，將資訊輸入到這些演算法中的方式也不同。 這是因為深度學習演算法是基於基礎模型的。
相關：如何利用人工智慧來增強您的業務
基礎模型
「基礎模型」是龐大的資料存儲，每個資料點都稱為「參數」。 深度學習模型在這些充滿資料的基礎模型上進行訓練，然後進行「微調」以以特定方式運行。 一些基礎模型擁有超過 1 兆個參數。
有多種基礎模型，包括“大型語言模型”或“LLM”。 之所以這樣稱呼它們，是因為它們很大——它們可以擁有超過一萬億個參數——並且旨在處理和生成正常的人類語言。 其他基礎模型包括用於生成影片的視覺模型、用於產生不同類型聲音的聲音模型，甚至用於預測蛋白質如何相互作用的生物模型。
基礎模型很重要，因為它們是任何付費訂閱者都可以使用的龐大資料儲存庫。 公司無需花費數百萬美元和數千小時來編譯所有這些數據，而是可以訂閱現有的模型（例如 OpenAI 的模型或 Google 的模型）並使用這些資訊來訓練他們的生成人工智慧。
人工智慧應用
這些基礎模型為「人工智慧應用」提供了基礎。 應用程式本身可以是任何東西，從平台的一部分到成熟的應用程序，它可以對基礎模型進行微調以某種方式使用。 人工智慧應用程式的一個很好的類比是研究應用程式的一般建構方式。
如果您在 Apple Store 或 Google Play 上查看某個應用程序，您會發現該應用程式的構建目的是能夠在該特定應用程式商店的基礎技術基礎設施上運行。 人工智慧應用程式的工作原理相同——它們是為與人工智慧模型的基礎技術基礎設施配合使用而建造的。
相關：如何在公共關係中利用人工智慧
那麼生成式人工智慧適合在哪裡呢？
「生成式人工智慧」包括專門為產生新內容而設計的模型。 它是使用基礎模型的知識庫加上人工智慧應用程式的微調來創建的，以獲得期望的結果。 這就是 Sora 等影片產生器或 Perplexity 或 ChatGPT 等語言產生器的工作原理。
簡而言之，生成式人工智慧用於人工智慧應用程序，這些應用程式使用在基礎模型上訓練的深度學習神經網路來生成特定的、前所未見的內容。
作為傳播者，我們必須充分理解這些人工智慧術語，這樣我們才能讓大眾了解這種改變世界的技術是如何運作的。 希望公關專業人士能夠使用這個術語表來更好地傳達人工智慧是什麼，並更好地理解如何將其應用到他們的日常生活中。
