传媒行业专题：AIGC专题一：探析AIGC的技术发展和应用
- 2023-02-13 09:15:23上传人：你的**可爱
-
Aa 小 中 大
- 1. AIGC 的跨模态生成值得重点关注
- 2. 基于大模型预训练的 NLP 赋予了 AI 理解和生成能力
- 2.1. ELMo 将输出的词向量作为特征 ，解决了 “一词多义 ”
- 2.2. BERT 通过上下文预训练，提高了理解能力
- 2.3. GPT -3利用超大数据和超大模型，省去了微调的过程
- 2.3.1. ChatGPT 趋近人类价值观及意图，有望进一步商业化
- 3. 基于大模型的主流生成模型赋予了 AI 创造力
- 3.1. GAN 是基于 “生成 ”与 “对抗 ”提出的生成模型
- 3.2. 扩散模型更接近人的思维模式，实现了跨模态应用
- 3.2.1. 扩散模型实现了从文本到图像的跨模态应用
- 4. 人工智能由单模态智能，向多种模态融合方向发展
- 5. AIGC 技术不断发展，有望带来更多商业化价值
- 6. 投资建议：把握 AIGC 技术催化和商业落地的投资机会
- 7. 风险提示
- 行业专题 传媒
- 3 / 20 请务必阅读正文之后的信息披露和法律声明
- 图 1：内容生产模式的四个发展阶段
- 图 2：自然语言处理的发展历史
- 图 3：大规模预训练模型大幅提 升研发效率
- 图 4： BERT 的每一层都是双向模型； GPT 为单向模型； ELMo 为单项模型叠加
- 图 5：大规模预训练语言模型的发展趋势之一是参数量不断增加
- 图 6： ELMo 基于 RNN ，双向 RNN 可以利用前后文信息
- 图 7： ELMo 将词嵌入作加权和，给出最终的词向量
- 图 8： ELMo 解决了一词多义问题，且兼顾语义与词性
- 图 9： BERT 的结构是 Transformer 中的 Encoder 部分
- 图 10 ： BERT 采用了预训练 +微调的两阶段模型
- 图 11 ： NSP 任务中输入向量生成示意图
- 图 12 ： GPT 模型结 构
- 图 13 ： GPT -3将例子直接作为模型输入
- 图 14 ： Few Shot 较 Zero Shot 在模型增大后表现提升更显著
- 图 15 ： GPT -3.5 的进化树
- 图 16 ： RLHF 工作原理
- 图 17 ： ChatGPT 的训练模式
- 图 18 ： ChatGPT 能够进行对话，甚至能完成撰写代码
- 图 19 ： ChatGPT 上线 2个月后月度用户数量破 1亿
- 图 20： OpenAI 推出付费订阅项目 ChatGPT Plus ，价格 $20/ 月
- 图 21 ：不同生成模型之间的区别
- 图 22 ： GAN 的基本思想
- 图 23 ：训练后的 GAN 生成案例
- 图 24 ： Diffusio n Model 基于马尔科夫链，通过学习噪声来生成数据
- 图 25 ： GLIDE 可以进行文本到图像的生成
- 图 26 ： GLIDE 可以执行图像修复
- 图 27 ： unCLIP 模型示意图
- 图 28 ： DALL·E 2 的生成案例
- 图 29 ： Image 的架构示意图
- 图 30 ： Image 的生成案例
- 图 31 ： Stable Diffusion 生成效果
- 图 32 ： Stable Diffusion 2.0 引入了图像深度扩散模型
- 图 33 ： AIGC 相关技术场景及成 熟度分类
- 表 1： ELMo 、 BERT 与 GPT 系列的对比
- 表 2：国外主要 AIGC 预训练模型一览表
- 表 3：部分公司在 AIGC 领域的布局（截至 2023/2/6 ）
我要投稿
版权投诉报告网所有机构报告是由用户上传分享，未经用户书面授权，请勿作商用！
