تعتبر أنظمة الذكاء الاصطناعي التوليدية قوية لأنها مدربة على مجموعات بيانات كبيرة للغاية ، والتي من المحتمل أن تستفيد من جميع المعلومات الموجودة على الإنترنت تقريبًا. تنتج نماذج الذكاء الاصطناعي التوليدية اليوم محتوى لا يمكن تمييزه غالبًا عن المحتوى الذي أنشأه البشر.

استخدم العلماء والمهندسون عدة طرق لإنشاء تطبيقات الذكاء الاصطناعي التوليدية. وتشمل النماذج البارزة شبكات الخصومة التوليدية، أو GANs؛ وأجهزة التشفير التلقائي المتغيرة، أو VAEs؛ نماذج الانتشار؛ والنماذج القائمة على المحولات.

• تعمل شبكات GAN عادةً مع بيانات الصورة وتستفيد من مكونين: “المولد” لإنشاء محتوى جديد بناءً على بيانات التدريب و”المميز” لتحديد ما إذا كان المحتوى الذي تم إنشاؤه حقيقيًا أم مزيفًا. يعمل المولد والمميز كخصمين، تمامًا مثل المزور الذي يحاول خداع الموثق. إذا قرر المُميِّز أن المخرجات زائفة، فإن هذا يوفر تغذية راجعة للمولد لتحسين المخرجات. يمر الاثنان بتكرارات متعددة حتى لا يتمكن المُميِّز من تحديد ما إذا كان الناتج حقيقيًا أم مزيفًا.
• تم إنشاء أجهزة التشفير التلقائي لتعلم التمثيل الفعال للبيانات (الطرق التي يتم بها تخزين البيانات ومعالجتها ونقلها) وتستخدم لأغراض مثل ضغط البيانات (تعديل البيانات لتقليل حجمها) وتقليل الضوضاء (إزالة الضوضاء من إشارات البيانات) . إنهم يستخدمون “برنامج التشفير”، الذي يحلل مجموعة البيانات ويقلل من تعقيدها مع الحفاظ على الميزات الأساسية للبيانات، و”جهاز فك التشفير”، الذي يستخدم تمثيل البيانات المنخفض لإعادة إنشاء شيء مطابق تقريبًا للأصل. لتكييف هذا مع التطبيقات التوليدية، “أجهزة التشفير التلقائي المتغيرة” أو VAEs، قم بإدخال الاختلافات عمدًا – مثل الأخطاء الصغيرة – في خطوة التشفير. عندما تحاول أجهزة فك التشفير إعادة إنشاء البيانات الأصلية، فإنها تواجه الاختلافات وتقوم بإنشاء محتوى جديد “عن طريق الخطأ”.
• يتم استخدام نماذج الانتشار بواسطة تطبيقات مثل DALL-E وStable Diffusion. وهي مستوحاة من الحركة العشوائية للذرات والجزيئات. فكر في الطريقة التي ينتشر بها ملون الطعام عند تنقيطه في كوب من الماء. مع انتشار اللون، يمكننا رسم خريطة لكيفية تحرك الجزيئات الفردية عبر الفضاء ونمذجة تلك الحركة بشكل عكسي للهبوط الأصلي الذي بدأت منه. في تطبيقات الذكاء الاصطناعي التوليدية، يتم تدريب نماذج الانتشار على الصور بدلاً من قطرات ألوان الطعام. داخل تلك الصور، تسمح للبكسلات بالتحرك رقميًا من خلال تطبيق القوانين الفيزيائية للانتشار، وبالتالي تدمير الصورة الأصلية وإنشاء حقل من السكون الباهت. ثم يقوم النموذج بتحليل هذا “الانتشار” من الصورة الواضحة إلى الصورة الثابتة. نظرًا لأن النموذج يطبق هذه التقنية على العديد من الصور لفئة معينة – مثل صور السلاحف – فإنه يصبح خبيرًا في تتبع حركة مجموعة البكسلات الباهتة إلى الصورة الأصلية الواضحة. يمكن للنموذج بعد ذلك التقاط صورة عشوائية ثابتة، وتحريك وحدات البكسل وفقًا لما تعلمه، وإنشاء صورة جديدة للسلحفاة.
• تركز النماذج القائمة على المحولات، مثل نموذج المحولات التوليدية المدربة مسبقًا (GPT) الذي يستخدمه ChatGPT، على تسلسل البيانات والسياق بدلاً من نقاط البيانات الفردية بمفردها. في حالة اللغة، على سبيل المثال، يتم تدريب هذه النماذج على مجموعة كبيرة ومتنوعة من المقاطع النصية من الكتب، بالإضافة إلى مصادر مثل ويكيبيديا. يقومون بتحليل المكان الذي تميل فيه الكلمات إلى الظهور في الجمل وكيفية استخدام الكلمات مع كلمات أخرى من حولها. وهذا يجعل النماذج القائمة على المحولات مكيفة بشكل جيد للتنبؤ بالكلمات التي قد تأتي بعد ذلك في الجملة، أو لترجمة النص، أو لإنشاء نص جديد.

نجح الذكاء الاصطناعي التوليدي في كتابة مقالات إخبارية وإنشاء أعمال فنية واقعية وتأليف موسيقى ممتعة من الناحية الجمالية .

وفي حين أن هذه التطبيقات ترتكب أحيانًا أخطاء فادحة (يشار إليها أحيانًا بالهلوسة)، إلا أنها تُستخدم لأغراض عديدة، مثل تصميم المنتجات، والهندسة المعمارية الحضرية، والرعاية الصحية.

ومع ذلك، فإن تطوير نماذج الذكاء الاصطناعي التوليدية يتطلب قدرًا كبيرًا من القوة الحاسوبية، وهو ما قد يكون مكلفًا. يجب تخزين كمية هائلة من البيانات أثناء التدريب، وتتطلب التطبيقات قوة معالجة كبيرة. وقد أدى ذلك إلى قيام شركات أكبر، مثل Google وOpen AI المدعوم من Microsoft، بقيادة الطريق في تطوير التطبيقات.

ويشكل صعود الذكاء الاصطناعي التوليدي أيضًا تهديدات محتملة ، بما في ذلك انتشار المعلومات الخاطئة وإنشاء معلومات مزيفة عميقة. ومع تطور هذه التكنولوجيا، يحذر علماء الأخلاق من ضرورة تطوير المبادئ التوجيهية لاستخدامها الأخلاقي بالتوازي.