背后人工智能算法，关键的原创技术，其实全部都是国外公司发明的。这里做一点简单的科普，人工智能原创性研究，中国还有很大进步空间，也不是普通的公司能够复刻的出来的。所以，大A的炒作，洗洗睡吧。
深度残差网络（）
深度残差网络（）由微软（亚洲）研究院发明。在此之前，研究员们发现深度神经网络的效果要比浅层神经网络要好得多，这也就是所谓的深度学习。
但是，一旦神经网络过于深，那么网络学习、训练的过程就会爆炸，也就是人工智能学不出来了，这很奇怪，理论上网络越深越好。
为了解决这个问题，在普通的神经网络的基础上，提出了残差连接，也就是把浅层部分的表征直接加和到深层，防止深度网络出现退化。因为浅层的直接连接，所以保证了网络至少能够有浅层的水平，后面的深层部分摆烂也不要紧。
这篇论文的影响是深刻的，是顶级会议“计算机视觉与模式识别”（CVPR）的最佳论文，之后这个残差网络的技术渗透到了所有的神经网络结构，包括和，成为了深度学习的基础。甚至可以说，这篇论文奠定了2015年之后深度学习的黄金发展期。
（没有中文翻译，勉强翻译成“变形金刚”）
由谷歌提出，其原理是提出了自注意力机制（），具体比较复杂，我就不展开了。
这篇文章直接改变了深度学习模型的设计理念。在此之前，图像数据，例如人脸识别，一般适用卷积神经网络（CNN），例如上述提到的就是嵌入到CNN中做图像识别和目标检测。然后文本数据、自然语言数据，一般采用循环神经网络（RNN）处理。
但是，在图像上战胜了CNN，在文本上战胜了RNN，成为大一统模型！甚至，我们现在做AI+创新药，也用建模药物分子，其他的模型结构几乎全部被淘汰了！
除了大一统，多才多艺处理所有类型的数据之外，还把深度学习向着大模型方向引导，便是大模型，我们马上会介绍。
BERT
BERT还是由谷歌提出，预训练深层的双向。
首先，预训练旨在用大量的数据训练一个模型，这就要求这个模型“脑容量”足够大，所以需要用到深层的双向。上古时期的CNN、RNN没有这么强大的学习能力。
其次，预训练是怎么做的呢？其实很简单：
（1）比如有一段文字，我随机的去掉一些单词，然后让模型复原出来这些被去掉的单词。
（2）我手里有一段故事，其中有很多句子。我把这些句子随机打乱，拿出两句句子A和B，问你：A是不是B的下一句句子？也就是上下文预测。
注意，这样的预训练不需要去标注数据，只需要输入大量的语料库即可。这就加速了数据的收集。
其次，很重要的一点是这样的模型预训练完成之后，能够去做其他的自然语言任务。只需要在下游其他任务的小数据上面进行微调即可，实现了一个模型打天下。在以前，不同的自然语言任务都需要不同的算法去处理，但是BERT经过微调之后可以处理所有任务。
GPT
的基础便是提出的GPT，他做的事情和BERT差不多，也就是预训练，只是预训练的方式不一样。
GPT全名叫做 Pre- ，用生成式方法预训练的，知道我为什么要大篇幅介绍和预训练了吧？
GPT-3有1750亿参数，45TB的训练数据（1TB=），烧了1200万美元的费用进行训练。训练所使用的设备包括 个CPU和10000 个GPU。这个模型的护城河有两点：（1）训练数据的收集，（2）训练和维护所产生的费用。
拓展：AIGC
AIGC中的图像生成是怎么火起来的呢？是一个叫做扩散模型（ Model）的生成模型。
首先，生成模型已经有10多年的研究历史了，比较知名的有：
（1）生成对抗网络（GAN），加拿大蒙特利尔大学研究者于2014年提出。
（2）变分自编码器（VAE），2013年被荷兰阿姆斯特丹大学的研究者提出。
（3）归一化流（ Flow），谷歌于2015年提出。
但是上述的三个模型在生成高清图像上效果均不理想，所以没有商用化的潜力。
但是，扩散模型改变了这一切。扩散模型可以追溯到2015年，被美国斯坦福大学和加州大学伯克利分校的研究者提出：
后来在2022年被发扬光大。 （稳定扩散模型）的开源，加速了其应用，所谓的开源就是把代码公开，这样所有人都能使用。且 是海外机构——一个德国慕尼黑的大学 of 开源的。
注意到，是没有商业护城河的，因为算法是公开的，所有人都能使用，且训练快速，稍微有几张显卡就能使用，门槛很低。
总结
（1）模型的护城河在于训练数据收集和烧钱的计算过程，因此，除了百度这种在人工智能领域有一定积累的大公司，既有数据的积累，也有研究上的积累，其他公司洗洗睡吧。
（2）从上可以发现，所有原创性、颠覆性的研究均由海外单位提出，值得深思。
发表回复