什么是生成式建模？

生成式建模是指在给定数据集中发现隐藏模式和关系，从而生成在统计特征上与原数据相似的新数据的过程。深度生成式模型是一类深度学习算法，能够学习任意数据集，并生成与原始数据集高度相似的新数据样本。例如，深度生成式模型可以处理大量人脸图像，进而生成一张原始数据集中不存在的、独特的新人脸图像。

判别式建模利用概率分布来识别数据并将其归入相应的类别。判别式模型通过学习数据样本，掌握特定对象的独特特征。随后，该模型利用所学知识在现实世界的数据中识别类似对象。相比之下，生成式建模则利用深度神经网络来理解训练样本的底层概率分布，从而生成新的数据点。

例如，数据科学家使用类似的判别式模型来检测图像中是否有人。另一方面，判别式模型可以生成现实生活中并不存在的人物的逼真图像。尽管判别式模型和生成式模型用途各异，但它们在推动业务应用创新和自动化方面都发挥着重要作用。

生成式建模彻底改变了人类与技术和体验内容互动的方式。它利用海量数据与机器学习模型，以多种创新方式变革企业工作流程。我们在下面列举了一些优势。

个性化用户体验

深度生成式建模能够从海量消费者数据中学习并提取有价值的洞察，从而优化客户旅程。例如，由生成式模型驱动的聊天机器人可以识别客户对话中隐含的模式，并推荐客户感兴趣的产品。

优化业务工作流程

生成式人工智能技术可以帮助您简化跨部门的业务流程。借助生成式模型，您可以将观测到的数据转化为可付诸行动的洞察，进而提升业务成效。例如，运营经理可以通过将机器生成的数据输入生成式模型来识别制造设施中的瓶颈。此外，他们还可以利用生产数据来规划未来几个月的库存流转。

提高生产力

生成式人工智能能够实现工作流程自动化，从而帮助公司节省通常耗费在重复性或人工任务上的时间和成本。例如，生成式人工智能可以分析海量数据集，以预测趋势、生成报告或提出决策策略。这不仅可以加快分析过程，还能提供更深刻的洞察，这对业务战略和运营效率至关重要。

探索新创意

生成式模型是辅助创意工作的工具。该模型能在几秒钟内生成相关建议，从而为设计师、文案撰稿人、营销人员及其他创意专业人士节省时间，并丰富其创意储备。例如，您可以让生成式人工智能聊天机器人列出适合广告活动的吸睛标语，随后再进行优化。

生成式建模的原理是构建能够生成与真实数据相似的人工数据的“基础模型”。基础模型是指基于海量信息进行训练的深度学习模型。这些模型采用无监督学习方式进行训练，即将未标记的文本、图像、音频或其他数据输入深度生成模型中。模型训练完成后，您只需提供特定指令，即可利用它们创建逼真的新数据。然而，基础模型生成的结果往往较为通用，在应用于您的业务之前，还需要进行进一步的优化。下文将介绍生成式模型从训练、微调到应用于特定业务场景的各个阶段。

生成式模型的训练

在无监督学习过程中，数据科学家会向模型输入海量未经标注但经过筛选的数据。随后，模型会学习识别训练数据中的潜在模式并预测序列。例如，大语言模型在训练过程中会学习如何补全句子。在此基础上，它能够模仿人们日常对话中的语言风格。

基础模型的微调

经过训练的大型生成式模型虽然能够生成新的数据实例，但其能力受限于已学习到的知识范围。面对特定领域的请求时，它往往无法生成准确且相关的内容。通过微调和强化学习，基础模型可以利用与特定主题相关的小规模专用数据，进一步优化其已学习到的数据分布。例如，您可以利用产品指南对基础模型进行微调，从而为内部知识库开发一款生成式人工智能聊天机器人。

生成式模型的应用

您可以将微调后的生成式模型与软件应用程序集成，以实现业务工作流程的自动化与优化。这些模型如今更具实用价值；输入您的业务专属信息后，它们能够生成准确的数据。

例如，阿迪达斯对托管在 Amazon Bedrock 上的生成式模型进行了微调，使工程师能够快速利用内部知识库来解答技术问题。

我们分享了几种深度生成式模型，这些模型能够生成与训练样本高度相似的新数据。

Transformer

Transformer 是一类具备卓越自然语言处理能力的大型语言模型。这些模型通过学习从网络上收集的文本数据，能够撰写文章、回答问题、编写代码等。Transformer 还能并行处理输入数据，从而更轻松地应对海量信息。

生成对抗网络

生成对抗网络（GAN）利用生成器和判别器生成能够以假乱真的新数据。生成器负责生成数据，而判别器则负责检查并判断数据的真假。最终，生成器生成逼真数据的能力不断提升，甚至能够骗过判别器和人类。正因如此，生成对抗网络在图像生成领域非常有用。

变分自编码器

变分自编码器（VAE）将输入数据压缩为原始形式的紧凑表征。然后，它们从存储的数据分布中进行采样，生成与学习过的现有数据相似的新数据。与 GAN 一样，VAE 也常用于图像生成。

像素循环神经网络

像素循环神经网络（PixelRNN）利用条件分布，根据之前的像素序列来预测下一个像素。它们会分析缺失像素之前的每一个像素，并预测最能补全图像的颜色。

扩散模型

扩散模型非常适合创建独特的人工智能（AI）生成图像。该模型通过向样本图像添加随机噪声进行学习，随后通过去噪过程恢复图像的原始形态。与 GAN 不同，扩散模型无需对抗网络即可生成高度逼真的数据。

贝叶斯网络

贝叶斯网络是一种统计模型，能够根据过往案例计算特定事件的概率值。在生成式建模中，贝叶斯网络在医疗领域（如接触者追踪、疫情控制和临床诊断）很有用。

受限玻尔兹曼机

受限玻尔兹曼机（RBM）包含可见层和隐藏层，其中的神经元负责提取特征并利用这些特征生成新样本。它们为语音识别、计算机视觉和语言处理等多种应用提供支持。

借助亚马逊云科技，您可以轻松构建和扩展适用于您的数据、使用场景及客户的深度生成式模型。借助亚马逊云科技上的生成式人工智能，您可以获得企业级的安全性和隐私保护、业界领先的基础模型（FM）访问权限，以及数据优先的方法。例如：

• Amazon Bedrock 是一项完全托管的服务，可提供多种高性能基础模型（FM）和一系列广泛的功能。可以轻松地试用各种顶级基础模型，使用自己的数据对其进行私有自定义，以及创建可执行复杂业务任务的托管智能体。

• Amazon SageMaker JumpStart 提供托管基础设施和工具，可加速构建、训练和部署可扩展、可靠且安全的模型。您可以使用它来发现、探索和部署开源基础模型（FM），甚至创建您自己的模型。

立即创建免费账户，开始在亚马逊云科技上使用生成式建模功能。