文|FBIF食品飲料創(chuàng)新 Viola
做出一款爆品有多難?
對(duì)于很多品牌來(lái)說(shuō),這是一個(gè)一問(wèn)就會(huì)有一把辛酸淚的問(wèn)題?;舜罅繒r(shí)間心血精心開(kāi)發(fā)的產(chǎn)品進(jìn)入市場(chǎng)后卻沒(méi)有一點(diǎn)水花;花了很多錢做投放,銷售額還沒(méi)成本高;其他產(chǎn)品莫名其妙火了卻因?yàn)閭湄洸粔蝈e(cuò)過(guò)流量;上個(gè)月流行的趨勢(shì)下個(gè)月就過(guò)氣,上產(chǎn)品的速度趕不上熱點(diǎn)過(guò)氣的速度......在現(xiàn)在想要找到一個(gè)不“卷”的賽道很難,產(chǎn)品同質(zhì)化嚴(yán)重、消費(fèi)者注意力分散,創(chuàng)新還能怎么做?
我們或許可以從AI身上尋找到新的解決方案。
過(guò)去幾十年,每次AI都是靠擊敗人類出圈。但到了2023年,AI的出圈方式卻是靠“生成內(nèi)容”與人協(xié)作。
現(xiàn)在的生成式AI不僅有像ChatGPT一樣可以與人對(duì)話的,快速生成包裝創(chuàng)意的Midjourney,還有可以根據(jù)概念和關(guān)鍵詞生成一百多種產(chǎn)品配方的N-Wing Star......
不僅如此,在生成式AI的協(xié)助之下,E=MC2也被重新定義為了個(gè)性化新消費(fèi)時(shí)代,收益屬于那些能夠持續(xù)有效洞察和滿足用戶需求的企業(yè)。對(duì)于食品品牌來(lái)說(shuō),E代表企業(yè)的收益(Earning),M是商品(Merchandise),C就是消費(fèi)者(Customer)。而C2則代表了消費(fèi)者在產(chǎn)品創(chuàng)新和終端購(gòu)買的雙重影響力——根據(jù)目標(biāo)消費(fèi)者喜好設(shè)計(jì)產(chǎn)品,再把產(chǎn)品賣給目標(biāo)消費(fèi)者。
人貨場(chǎng)的關(guān)系或?qū)⒃谏墒紸I的迭代中被改寫。這可能是顛覆性變革的開(kāi)始,命運(yùn)的齒輪從此開(kāi)始轉(zhuǎn)動(dòng)。
生成式AI是怎么做到的?品牌應(yīng)該如何與AIGC磨合?我們一起從下文探索。
一、像“人”一樣思考的AIGC,都有哪些能力?
2016年,銜遠(yuǎn)科技創(chuàng)始人周伯文博士在IBM紐約總部提出人工智能應(yīng)分為狹義人工智能、廣義人工智能以及通用人工智能三個(gè)階段。而這三個(gè)階段分別代表的是人工智能不同的學(xué)習(xí)能力。
在狹義人工智能時(shí)代,企業(yè)使用各種小模型(比如神經(jīng)網(wǎng)絡(luò))為實(shí)際工作提供的幫助是建立在大數(shù)據(jù)基礎(chǔ)上的分析預(yù)測(cè)(高度受監(jiān)督)。它的優(yōu)勢(shì)在于人類永遠(yuǎn)可以清晰地知道這個(gè)人工智能模型能做什么以及不能做什么。食品飲料行業(yè)很早就在使用狹義人工智能中的多種模型去做不同的事:自動(dòng)化生產(chǎn)、食品監(jiān)控、安全檢測(cè)......
狹義人工智能看起來(lái)已足夠厲害,為什么還要繼續(xù)迭代呢?
狹義人工智能的局限在于它只能根據(jù)訓(xùn)練的模型執(zhí)行任務(wù),需要根據(jù)不同的場(chǎng)景部署數(shù)百個(gè)模型。但它沒(méi)有辦法理解這些文字背后的意義,或者是不同語(yǔ)境之下的潛意思。但在博大精深的中華文化里,只是一個(gè)簡(jiǎn)單的“啊”字在不同聲調(diào)下都能表達(dá)出各種不一樣的意思,這對(duì)于狹義人工智能來(lái)說(shuō)更是琢磨不透了。
而現(xiàn)在的生成式AI已經(jīng)不再只是停留在狹義人工智能能做的“已知、求解”的關(guān)系,而是走上了一個(gè)“未知、得解”的道路。
它開(kāi)始產(chǎn)生“涌現(xiàn)能力”,即通過(guò)預(yù)監(jiān)督或自監(jiān)督的方式去完成自我訓(xùn)練,由此具備了此前從未有過(guò)的“零樣本學(xué)習(xí)能力”。與過(guò)去的判別式AI不同的是,它變成了一個(gè)能與人類共創(chuàng)的“生成式助手”(比如根據(jù)輸入的關(guān)鍵詞生成食品包裝創(chuàng)意圖片)。
在這里我們要提到一個(gè)近期大家很熟悉的詞語(yǔ)——大模型。
相較于小模型來(lái)說(shuō),大模型會(huì)使用更大規(guī)模的數(shù)據(jù)進(jìn)行訓(xùn)練,以此來(lái)保證數(shù)據(jù)的廣泛性和多樣性,幫助模型學(xué)習(xí)準(zhǔn)確而全面的知識(shí)。不僅如此,大模型可以儲(chǔ)存、表示更多的信息特征和關(guān)系,由此會(huì)更加靈活,表達(dá)和學(xué)習(xí)能力也會(huì)更強(qiáng)。
據(jù)周伯文介紹,目前我們熟知的ChatGPT的大模型來(lái)自于GPT,而GPT是Transformer發(fā)展的一個(gè)分支。在整個(gè)人工智能的發(fā)展中,Transformer是引發(fā)這一輪AI浪潮的重要里程碑。
Transformer相較此前神經(jīng)網(wǎng)絡(luò)最大的不同在于,它具備了一個(gè)叫做“多頭自注意力”的機(jī)制。它的存在讓AI第一次能夠做到“一目十行”、長(zhǎng)期記憶并理解長(zhǎng)文本內(nèi)的因果關(guān)系,從而產(chǎn)生各種更強(qiáng)大的推理能力。
下面我們簡(jiǎn)單理解一下什么是多頭自注意力機(jī)制。
對(duì)于人類來(lái)說(shuō),視覺(jué)注意力機(jī)制是我們特有的大腦信號(hào)處理機(jī)制。我們可以通過(guò)快速掃描圖像來(lái)獲得重點(diǎn)關(guān)注的目標(biāo)區(qū)域。以下圖為例,圖上由紅到綠依次表現(xiàn)了人類視覺(jué)對(duì)這張圖不同程度的注意力分配。其中紅色區(qū)域表示視覺(jué)系統(tǒng)更關(guān)注的區(qū)域,如:嬰兒面部、標(biāo)題、文章首句、產(chǎn)品名。
而人工智能中所用的注意力機(jī)制本質(zhì)上和人類的視覺(jué)注意力機(jī)制相似,核心也是可以從眾多信息中選擇出來(lái)對(duì)當(dāng)前任務(wù)更關(guān)鍵的信息,我們可以把它理解為“聚焦”。自注意力機(jī)制(Self-Attention)就像是一個(gè)信息檢索表,通過(guò)計(jì)算權(quán)重來(lái)標(biāo)明相互關(guān)系、嵌入上下文信息。以英漢翻譯為例,當(dāng)信息在編碼器和解碼器中走了一遭時(shí),輸出的內(nèi)容不僅要有單詞上的一一對(duì)應(yīng),也能滿足輸入內(nèi)容的上下文關(guān)系。而多頭的概念就像我們拼樂(lè)高玩具,要先用零件拼成頭、胳膊、腿等部位(多個(gè)不同的注意力層),最后再綜合組裝形成成品。
而這種上下文學(xué)習(xí)能力意味著機(jī)器具備了隱含概念的推理能力,我們來(lái)看一個(gè)實(shí)例理解。首先,下面這個(gè)問(wèn)題的答案是什么?
事實(shí)上,“是”的背后可以跟很多詞,邏輯都是成立的。
但如果我們此時(shí)給這個(gè)填空題前加上兩句話:
機(jī)器可以識(shí)別愛(ài)因斯坦和德國(guó)人、甘地和印度人之間的關(guān)系,從而判斷出來(lái)瑪麗居里后應(yīng)該跟的是國(guó)籍信息——“波蘭人”,這就是隱含概念的推理能力。
不僅如此,大模型還具備思維鏈的能力,可以根據(jù)指令對(duì)數(shù)學(xué)題、應(yīng)用題進(jìn)行解答。
比如“小明原本有5個(gè)網(wǎng)球,之后他又買了兩罐,每罐有3個(gè)網(wǎng)球,他現(xiàn)在有幾個(gè)網(wǎng)球?”如果這時(shí)只是告訴AI大模型答案是11個(gè),那么當(dāng)用戶繼續(xù)提問(wèn)“小明有23個(gè)蘋果,如果用20個(gè)做果盤,又買了6個(gè),小明現(xiàn)在有幾個(gè)蘋果?”時(shí),AI大模型很可能無(wú)法進(jìn)行正確推理而答錯(cuò)。
但是,如果用戶對(duì)第一個(gè)問(wèn)題的答案給出更清晰的計(jì)算推理過(guò)程作為提示,比如“小明開(kāi)始有5個(gè)球,新買的2罐網(wǎng)球每罐是3個(gè)一共6個(gè),5+6=11,所以答案是11個(gè)”,那么再問(wèn)后面的蘋果問(wèn)題,AI大模型就可以按照同樣的推理過(guò)程去生成,從而得出正確的答案。
在這種能力的加持下,AI大模型可以完成多跳推理,即“通過(guò)從A到B、B到C、C到D的推理,直接完成從A到D的推理”。
如果對(duì)答案不滿意,用戶可以通過(guò)大模型的指令微調(diào)能力進(jìn)行“人機(jī)磨合”。這個(gè)能力可以讓AI大模型根據(jù)人的價(jià)值觀去調(diào)整自己的輸出邏輯,從而做到“知錯(cuò)就改”。假如用戶讓大模型給一個(gè)6歲的小孩解釋什么是登月工程,它馬上就可以找到多種答案,比如:
以物理學(xué)來(lái)解釋萬(wàn)有引力(答案A);
站在歷史角度介紹美蘇冷戰(zhàn)導(dǎo)致的登月(答案B);
用天文學(xué)說(shuō)明月球是地球的衛(wèi)星(答案C);
或是從人的美好愿望出發(fā)講述月球上有嫦娥、有玉兔,所以人類想去月球(答案D)等等。
但是,大模型并不知道其中哪一個(gè)答案最適合6歲的小孩,所以需要為它引入人類反饋機(jī)制做強(qiáng)化學(xué)習(xí):通過(guò)人工打分,找到最適合6歲小孩的回答方式。當(dāng)這一系列人類反饋給到AI大模型后,它就可以舉一反三,并迅速學(xué)會(huì)類似問(wèn)題該如何回答。
那么,當(dāng)AI大模型擁有了涌現(xiàn)能力、上下文學(xué)習(xí)能力、思維鏈能力以及根據(jù)指令進(jìn)行微調(diào)的能力,它能給食品飲料行業(yè)帶來(lái)什么?
二、用AIGC打造爆品的可行性有多高?
在產(chǎn)品創(chuàng)新這條路上,企業(yè)們一直在摸索。前幾年新消費(fèi)浪潮之下,我們能看到市場(chǎng)上涌現(xiàn)了許多或新奇或有趣或怪誕的產(chǎn)品。有一些產(chǎn)品順應(yīng)浪潮而生,一直走到了現(xiàn)在,也有產(chǎn)品只是在浪潮中曇花一現(xiàn),很快便不見(jiàn)了蹤影。
那么“有把握”的創(chuàng)新可以借助生成式AI來(lái)實(shí)現(xiàn)嗎?
“生成式AI可以通過(guò)預(yù)測(cè)下一個(gè)詞,去理解消費(fèi)者和商品體驗(yàn)之間的對(duì)應(yīng)關(guān)系?!敝懿脑贔BIF2023現(xiàn)場(chǎng)如是說(shuō)道。
在筆者的理解中,這個(gè)過(guò)程其實(shí)和現(xiàn)有各大平臺(tái)正在做的“打標(biāo)簽”邏輯相似,生成式AI可以把一段消費(fèi)者反饋拆分成不同的詞組然后進(jìn)行關(guān)系匹配,以此來(lái)推導(dǎo)出什么樣的產(chǎn)品參數(shù)、材質(zhì)、文化符號(hào)、功能等等可以打動(dòng)哪一類人群的消費(fèi)者。
起初這樣的邏輯讓筆者不禁想起了電商平臺(tái)的“千人千面”推薦機(jī)制,但如果品牌已經(jīng)可以依托千人千面機(jī)制將產(chǎn)品推薦給合適的消費(fèi)者了,為什么還需要用生成式AI再做千人千面的產(chǎn)品呢?
答案的關(guān)鍵詞還是:消費(fèi)者。
里斯戰(zhàn)略定位咨詢?nèi)駽EO、中國(guó)區(qū)主席張?jiān)圃诮邮芤淮尾稍L中提到,產(chǎn)品創(chuàng)新有兩種,一種是技術(shù)上和產(chǎn)品事實(shí)的創(chuàng)新,另外一種則是認(rèn)知?jiǎng)?chuàng)新。在現(xiàn)實(shí)情況中,我們不難發(fā)現(xiàn)有許多企業(yè)在做產(chǎn)品創(chuàng)新時(shí)停留在了技術(shù)與事實(shí)層面的創(chuàng)新,但卻忽略了認(rèn)知層面的創(chuàng)新。不過(guò),筆者認(rèn)為認(rèn)知層面的產(chǎn)品創(chuàng)新并不是指我們要去做一個(gè)從來(lái)沒(méi)有出現(xiàn)過(guò)的產(chǎn)品,為消費(fèi)者創(chuàng)造需求,而是要在已有認(rèn)知里面去尋找還未被完全解決問(wèn)題的領(lǐng)域去開(kāi)發(fā)產(chǎn)品。但想要靠人力做到徹底了解消費(fèi)者并不現(xiàn)實(shí),生成式AI的涌現(xiàn)能力,似乎是為此而生的。
這一次生成式AI要做的,不再是把已有的貨推送給被匹配的人,而是從一開(kāi)始就根據(jù)目標(biāo)人群開(kāi)發(fā)匹配他們的貨。這可能意味著產(chǎn)品試錯(cuò)率下降以及研發(fā)成本下降。
據(jù)周伯文介紹,他將AI大模型的能力定義為5D全生命周期:機(jī)會(huì)洞察(Discover)、爆品定義(Define)、方案設(shè)計(jì)(Design)、驅(qū)動(dòng)研發(fā)(Develop)以及營(yíng)銷轉(zhuǎn)化(Distribute)。如果想要實(shí)現(xiàn)人類和AI的高效互動(dòng),大模型必須同時(shí)具備通用能力和相關(guān)領(lǐng)域的專業(yè)性——情商+智商+品商。
這意味著大模型不僅能夠處理海量的信息、尋找到不同詞段之間的概率關(guān)系、對(duì)語(yǔ)言有理解能力、能根據(jù)人類的指令去糾正錯(cuò)誤,還要能夠理解消費(fèi)者反饋背后的情緒,做到對(duì)商品的深刻理解。
不僅如此,每個(gè)企業(yè)還可將過(guò)去積累的數(shù)據(jù)與大模型進(jìn)行結(jié)合,包括企業(yè)經(jīng)營(yíng)、管理、運(yùn)營(yíng)、培訓(xùn)等,以此構(gòu)建專屬定制大模型底座,訓(xùn)練自己的Product GPT,完成5D全流程的數(shù)字化和智能化。在這個(gè)新的框架下,所有的數(shù)字化和流程都將沉淀在對(duì)話平臺(tái)上,由其調(diào)用不同的后臺(tái)數(shù)字化工具。
不僅是產(chǎn)品研發(fā),生成式AI在營(yíng)銷界也能攪動(dòng)風(fēng)云。
AIGC做的營(yíng)銷內(nèi)容可以稱得上是提前預(yù)判消費(fèi)者的喜好。當(dāng)其和現(xiàn)有各大平臺(tái)的產(chǎn)品推薦機(jī)制結(jié)合起來(lái)時(shí),這種互補(bǔ)的關(guān)系會(huì)讓營(yíng)銷效率發(fā)生變化。
對(duì)于平臺(tái)來(lái)說(shuō),無(wú)論他們?cè)趺磧?yōu)化推薦算法,核心目的就是提高轉(zhuǎn)化率和成交率,他們會(huì)通過(guò)給用戶和產(chǎn)品進(jìn)行雙向的標(biāo)簽匹配來(lái)盡可能提高消費(fèi)者的購(gòu)買決策概率。所以假如我們搜索某品牌酸奶時(shí),我們不僅會(huì)看到該產(chǎn)品,也會(huì)在推薦頁(yè)面中看到和它相似的產(chǎn)品。平臺(tái)解決的是:有了產(chǎn)品如何推薦給想買它的人,也就是觸達(dá)。
對(duì)于品牌來(lái)說(shuō),只是讓產(chǎn)品觸達(dá)消費(fèi)者還不夠,如何讓他們看見(jiàn)產(chǎn)品就會(huì)有消費(fèi)沖動(dòng)是要在更前端解決的問(wèn)題。生成式AI可以結(jié)合現(xiàn)有消費(fèi)者對(duì)各品類產(chǎn)品的反饋,分析出消費(fèi)者核心在意的產(chǎn)品因素以及會(huì)影響他們購(gòu)買的條件,以此實(shí)現(xiàn)在準(zhǔn)備階段就做好千人千面的營(yíng)銷文案及圖片。
而這種千人千面的內(nèi)容能夠應(yīng)用到的不僅是在公域流量里搶關(guān)注,還能在私域流量里進(jìn)一步提高消費(fèi)者體驗(yàn),甚至可以通過(guò)數(shù)據(jù)的不斷學(xué)習(xí)迭代,向上倒逼產(chǎn)品做到更匹配消費(fèi)者的需求和習(xí)慣。
不過(guò),說(shuō)到營(yíng)銷投放,我們不得不把KOL的影響力納入討論范圍。一篇好的種草推廣,核心是要讓人產(chǎn)生消費(fèi)沖動(dòng),這份沖動(dòng)可以來(lái)自于具有渲染能力的文案、可以是精美的圖片、甚至可以是一種消費(fèi)者看到關(guān)鍵詞就能聯(lián)想到的對(duì)更美好生活的想象和期盼。但僅僅只是做好內(nèi)容還不夠,品牌們通常會(huì)傾向于選擇有一定粉絲基數(shù)的KOL進(jìn)行投放,看中的便是他們極強(qiáng)的影響力和引導(dǎo)能力。
對(duì)于影響力較小的KOL來(lái)說(shuō),好的文案是必須條件。但對(duì)于影響力大的KOL來(lái)說(shuō),他可能只需要說(shuō)一句“姐妹們,買它”就能讓產(chǎn)品賣到斷貨。具有強(qiáng)影響力的KOL或者明星帶來(lái)的銷量固然誘人,但并非每一個(gè)品牌,尤其是新銳品牌,都能承受其背后的成本。
“我們之前用AI寫的內(nèi)容做過(guò)AB test,直接與KOL進(jìn)行競(jìng)爭(zhēng)。結(jié)果發(fā)現(xiàn)AI寫的這種千人千面的營(yíng)銷文字的轉(zhuǎn)化率會(huì)比KOL組合整體的文字轉(zhuǎn)化率高30%?!敝懿脑诓稍L中回憶道,“對(duì)于品牌來(lái)講,大家都會(huì)考慮到成本效益。假如我現(xiàn)在用一半的錢投入到AI里,就能達(dá)到和找十個(gè)頂級(jí)KOL代言一樣的轉(zhuǎn)化率,品牌也會(huì)做出自己的選擇。”
在周伯文看來(lái),現(xiàn)在的時(shí)代肯定會(huì)存在號(hào)召力,但我們也確實(shí)進(jìn)入到了一個(gè)消費(fèi)者越來(lái)越個(gè)性化的時(shí)候。對(duì)于品牌來(lái)講,AIGC此時(shí)就能成為他們打造品牌IP去促進(jìn)購(gòu)買轉(zhuǎn)化的有力幫手。
三、品牌如何理解并擁抱AIGC?
無(wú)論是哪一種技術(shù)的發(fā)展對(duì)于行業(yè)來(lái)說(shuō)都是新的生產(chǎn)力。在科技快速變革之際,企業(yè)家們都需要做好準(zhǔn)備去擁抱AIGC這個(gè)新型生產(chǎn)力。
在FBIF2023圓桌討論上,蒙牛集團(tuán)首席數(shù)智官李琤潔提出了企業(yè)應(yīng)該做好的三項(xiàng)準(zhǔn)備:
第一,企業(yè)要積累有足夠量級(jí)的內(nèi)部知識(shí)。不一定是結(jié)構(gòu)化的數(shù)據(jù),大語(yǔ)言模型的出現(xiàn)使得非結(jié)構(gòu)性數(shù)據(jù)也擁有了更多的應(yīng)用可能,但無(wú)論如何,企業(yè)要有自己的知識(shí)銀行(企業(yè)自有數(shù)據(jù)),才能構(gòu)建出適配企業(yè)自身的大模型應(yīng)用。
第二,企業(yè)要對(duì)技術(shù)的使用做好合規(guī)方面的準(zhǔn)備。不同行業(yè)的監(jiān)管力度不同,比如金融行業(yè)就非常敏感,是強(qiáng)監(jiān)管領(lǐng)域。因此,企業(yè)需要對(duì)積極關(guān)注政策變化帶來(lái)的影響,才能既快又穩(wěn)地應(yīng)用好AI技術(shù)。
第三,企業(yè)要具備根據(jù)應(yīng)用場(chǎng)景去匹配模型的能力。短期來(lái)說(shuō),顯著影響AIGC應(yīng)用效果的是prompt engineering的能力;但從長(zhǎng)期出發(fā),能否有一套自動(dòng)把復(fù)雜事務(wù)解構(gòu)化的能力,對(duì)企業(yè)來(lái)說(shuō)尤為重要。大模型其實(shí)各有特點(diǎn),其本身的知識(shí)量、理解力、生成能力、推理能力、處理多任務(wù)能力,甚至價(jià)值觀導(dǎo)向都會(huì)是不一樣的。所以應(yīng)用的時(shí)候,要選擇不同類型的模型在不同的場(chǎng)景里面進(jìn)行安排。對(duì)企業(yè)來(lái)說(shuō),要有綜合性的了解、要有區(qū)別性的試驗(yàn),然后才能做好模型和場(chǎng)景的匹配。
那么,AI大模型生成的內(nèi)容可靠嗎?這個(gè)問(wèn)題可能是阻礙許多企業(yè)深度擁抱AIGC的關(guān)鍵。
對(duì)于使用過(guò)ChatGPT的人來(lái)說(shuō),有時(shí)會(huì)發(fā)現(xiàn)它所表現(xiàn)出來(lái)的成果頗有“外行看著像內(nèi)行,內(nèi)行看著純外行”的感覺(jué)。
“生成式AI不僅僅是生成一個(gè)東西直接拿給人用,而是讓它以Copilot(Copilot一詞源于飛行術(shù)語(yǔ),指副駕駛員。在飛行過(guò)程中,Copilot是協(xié)助主駕駛員操作飛機(jī)的人。放到人機(jī)協(xié)作中來(lái)理解的話,AI承擔(dān)的就是類似Copilot的角色,我們可以通過(guò)和它對(duì)話來(lái)獲得信息。比如讓它進(jìn)行信息提煉總結(jié)等。)的角色去和人進(jìn)行交互、對(duì)話,來(lái)理解業(yè)務(wù)場(chǎng)景和業(yè)務(wù)需求?!敝懿脑贔BIF2023營(yíng)銷創(chuàng)新論壇上分享道,“我們要把所有理解變成生成式內(nèi)容,再交給人來(lái)判斷。在這樣的反復(fù)迭代過(guò)程中,我們可以通過(guò)這樣人機(jī)協(xié)同的機(jī)制來(lái)促進(jìn)生成式AI在產(chǎn)業(yè)的落地。”
“諾貝爾經(jīng)濟(jì)學(xué)獎(jiǎng)得主丹尼爾·卡尼曼有一本非常著名的書(shū)《思考,快與慢》,里面提出兩種思維決策模式:系統(tǒng)1是根據(jù)大腦快速?zèng)Q策,系統(tǒng)2是經(jīng)過(guò)慎重考慮來(lái)決策。這兩種模式非常適合現(xiàn)在人工智能的落地方式,人類員工負(fù)責(zé)做系統(tǒng)1的決策,因?yàn)槿巳菀鬃觯瑢?duì)專業(yè)要求也沒(méi)有那么高。系統(tǒng)2對(duì)專業(yè)性要求很高,現(xiàn)在生成式AI能把大部分系統(tǒng)2的工作給做了。”周伯文進(jìn)一步分享道。
四、結(jié)語(yǔ)
我們不得不承認(rèn),在當(dāng)下AI大模型還很難一次性滿足所有需求。但是,我們不能忽略的是,現(xiàn)有的深層次AI已經(jīng)具備的涌現(xiàn)能力和人工反饋機(jī)制,能夠幫助他們?cè)跍贤ㄖ信c人類之間的磨合越來(lái)越好。這就像交朋友一樣,我們從來(lái)不能指望能夠遇到一個(gè)不需要交流就能全身心契合的靈魂伴侶,但我們可以通過(guò)持續(xù)的溝通交流來(lái)打造一個(gè)最懂我們的好幫手。
訓(xùn)練AI大模型的這條路上,需要產(chǎn)業(yè)的更早加入和賦能。
參考來(lái)源:
[1] 水論文的程序猿,預(yù)訓(xùn)練語(yǔ)言模型的前世今生,博客園,2022年7月12日
[2] 玉堃,Transformer:注意力機(jī)制(attention)和自注意力機(jī)制(self-attention)的學(xué)習(xí)總結(jié)_注意力機(jī)制和自注意力機(jī)制,CSDN博客,2022年9月6日
[3] 中國(guó)消費(fèi)品牌創(chuàng)新窘境何在?|營(yíng)銷人說(shuō),第一財(cái)經(jīng)YiMagazine,2023年4月26日