生成式人工智能大模型在设计领域的应用

近些年来,随着ChatGPT,Midjourney,Stable Diffusion,Gemini等大模型的横空出世,生成式人工智能大模型取得了飞速发展,各行各业迎来了新一轮的技术变革。旨在探讨这一前沿技术在设计领域的应用,特别是在设计创新和创意产出方面的影响。首先,我们介绍了生成式人工智能大模型的基本原理,着重阐述其在文本生成、图像生成等任务上的成功应用。其次,我们深入研究了生成式人工智能大模型在设计领域的具体应用,主要包括服装设计、平面设计、漫画设计、机器人设计、工艺品设计、游戏设计等方面。此外,还探讨了生成式人工智能大模型在设计领域可能面临的挑战以及相应的解决策略。最后,我们强调了在设计领域使用生成式人工智能大模型的潜在益处,以及在设计过程中应扮演的角色。

基于供需理论的生成式人工智能赋能情报工作范式模型构建与应用研究

[目的/意义]当前生成式人工智能的发展对社会产生了强烈冲击。为响应国家创新发展的迫切需求,如何利用生成式人工智能更好地完成情报工作,以满足用户的情报需求,已成为当前情报学领域关注的热点问题。[方法/过程]基于供需理论提出从数据供给侧(Supply)、智慧情报分析中台(Analysis)、情报需求侧(Demand)三方构建生成式人工智能赋能情报工作范式模型——SAD范式模型,深入分析生成式人工智能赋能情报工作机理,并结合国际前沿项目案例探讨生成式人工智能与情报工作的前瞻性融合发展。[结果/结论]生成式人工智能赋能情报工作范式模型SAD,可以更好地促进生成式人工智能赋能情报工作的各个环节,提高情报工作效率,为情报工作范式研究提供了新思路。

大模型时代:知识的生成式“涌现”

随着计算能力的提高和数据的爆炸性增长,生成式大模型逐渐成为知识生产的核心力量,并深刻改变了人类知识的生产方式。本文系统探讨了从古典学术到现代信息科技的知识生产历程,将传统知识生产方式归纳为个体的知识涌现。与之相对应的大模型时代,知识生产方式则可称为生成式的知识涌现,从而造就了新的知识高原。大模型时代生成式知识涌现的机理,表现为知识结构和生成逻辑两方面的转变。虽然生成式大模型在文本生成、数据分析等领域设立了一种难以超越的“基线”,但人类在创造、批判思考和情感判断上的独特能力仍然不可或缺。结合人机协同的哲学和技术探索,本文为未来知识生产的新时代提供了一个全面而深入的视角,并在此基础上勾画人机协同共创知识高峰的路径。

从故事生成程序到大语言模型:人工智能编剧创作的历史与实践

人工智能生成内容(AI Generated Content,简称AIGC)电影包括内涵丰富的多种维度,从编剧角度可以分为AI生成故事(AI Generated Storyline,简称AIGSL)与AI生成剧本(AI Generated Screenplay,简称AIGSP)。AIGSL研究始于20世纪60年代初,按照创作模式可以分为基于结构模型的故事生成、基于规则的故事生成和基于机器学习的故事生成三类程序。2022年底以来,以Chat GPT为代表的大语言模型将AIGC的内容从简单的AIGSL拓展到了AIGSP领域,同时催生了基于大语言模型的专用故事与剧本生成工具。大语言模型的故事和剧本生产存在事实错误、陈词滥调以及主观偏见等天然缺陷,但AIGSL与AIGSP已经开始实现产业化。目前的人工智能编剧创作绝大多数并不完全由AI创作,属于弱人工智能领域。中国电影工作者与软件工程师有必要利用机器学习等AI技术,学习中国传统叙事文本并总结其叙事风格,为具有中国叙事特色的编剧创作提供智能助力。

生成式人工智能大模型赋能传统出版企业转型升级路径研究——基于扎根理论的质性研究

基于质性研究方法,通过扎根理论提炼归纳出“智能内容生成提质优化、产业生产效率提速升级、个性定制内容交付传播、融合发布渠道策略制定、商业市场数据分析洞察、新型商业模式开发创新、组织架构流程变革重组、品牌核心价值维护创造、法律法规伦理风险考量”九大主范畴和“传统出版企业转型升级”一大核心范畴。在对主范畴与核心范畴的典型关系结构以及范畴间逻辑关系分析的基础上,构建生成式人工智能大模型赋能传统出版企业转型升级有效路径的理论模型。模型揭示了如何更好地将生成式人工智能大模型赋能企业后端的生产力提升和前端的新价值创造是传统出版企业实现转型升级的关键。

写给物理学家的生成模型

科学研究的本质在于创造。生成式人工智能为更有创意的科学探索打开了无尽的想象空间。作为生成式人工智能的核心,生成模型学习数据样本背后的概率分布,并据此随机采样生成新的样本。生成模型和统计物理在本质上是同一枚硬币的两面。文章从物理的视角介绍扩散模型、自回归模型、流模型、变分自编码器等现代生成模型。生成模型在原子尺度物质结构的生成与设计中展现出巨大的潜力。不仅如此,基于和统计物理的内在联系,生成模型对于优化“大自然的损失函数”——变分自由能具有独特的优势,这为求解困难的统计物理和量子多体问题提供了新的可能。同时,物理学的洞察也在推动生成模型的发展和创新。通过借鉴物理学原理和方法,还可以设计出更加高效、更加统一的生成模型,以应对人工智能领域中的挑战。

面向古文自然语言处理生成任务的大语言模型评测研究

大语言模型的频繁发布为大语言模型的评测研究带来了机遇与挑战,针对通用领域大语言模型的评测体系日趋成熟,而面向垂直领域的大语言模型评测仍在起步阶段,本文以古文领域评测为切入点,从语言和知识两个维度构建了一批古籍领域评测任务,并选取当前各大榜单中性能较为优越的13个通用领域大语言模型进行评测。评测结果显示,ERNIE-Bot在古籍领域知识方面遥遥领先于其他模型,而GPT-4模型在语言能力方面表现出最佳性能,在开源模型中,ChatGLM系列模型表现最为出色。通过构建评测任务和数据集,制定了一套适用于古籍领域的大语言模型评测标准,为古籍领域大语言模型性能评测提供了参考,也为后续古籍大语言模型训练过程中的基座模型选取提供了依据。

强化学习引导模型生成的深度学习框架漏洞挖掘

现有基于应用模型挖掘漏洞的方法随机生成模型的结构信息,容易造成大量低质测试用例的生成,严重影响漏洞挖掘的效率和效果.针对该问题提出了一种强化学习引导模型生成的深度学习框架漏洞挖掘方法.提取模型运行时的框架状态信息,包括Softmax距离、程序执行结果等,再将框架运行状态信息作为奖励变量指导模型结构与超参数的生成,进而提升测试用例的生成质量与效率.实验结果表明,在生成测试用例数量相同的条件下该方法能够发现更多深度学习框架的漏洞,实用价值高.

以Sora为代表的AI生成视频大模型对图书馆的影响

以Sora为代表的AI生成视频大模型为图书馆创新发展带来了新的机遇与挑战,其深远影响值得关注。文章通过剖析Sora适用于图书馆的主要特征,揭示Sora在图书馆中的潜在应用图景,结合创新扩散理论提出图书馆应用Sora的对策。Sora具有科学的世界模型、优化的训练数据、逼真的呈现方式、自动的生成机制等特征,可应用于图书馆数字资源、虚拟空间、用户服务、营销推广等场景,建议图书馆通过创新扩散模型中的深化认知、全面评估、科学决策、积极实施、确保延续等五个关键阶段,充分利用Sora等AI技术的优势推动自身的智慧化转型。

生成式大模型承载网络架构与关键技术探索

生成式大模型训练需要超大规模低时延、高带宽、高可用的网络承载底座。对生成式大模型下高性能网络基础设施的技术发展路线和实现方案进行了研究,认为商用部署时需针对不同训练阶段的工作负载和流量模式,开展定制化网络架构设计和传输协议优化。流控/拥塞控制技术、负载均衡技术、自动化运维技术和面向广域远程直接内存访问(RDMA)的确定性网络传输技术是未来的重点研究方向。

多模态模型嵌入知识生成的逻辑机理与路径选择

基于海量数据与强大算法的多模态模型依赖复杂的结构框架,在嵌入知识生成的过程中展现出跨域数据处理能力和持续输出创新数据等核心特征。高度智能化的知识数据整理、自适应多场景的知识表达与动态协同聚合的知识共享等,推进知识生成逻辑从既有信息理解向全新知识产出的转变。然而,多模态模型逐渐暴露出缺乏合法可靠的知识数据源、透明可释的生成过程以及高质量内容输出等诸多问题。亟待通过搭建价值对齐的生成模型、提升可控生成的技术水平、完善人类反馈提示策略、构筑基于规则的管控体系等约束其更好地支撑知识生成,加速创新驱动新质生产力发展的进程。

面向边缘智能的神经网络模型生成与部署研究

随着移动计算、第五代移动通信技术(5G)以及物联网(IoT)技术的不断演进,各类终端设备的数量呈现指数级增长。这种激增的终端设备连接到网络产生了巨大的数据流,对于需要实时处理和快速响应用户任务的需求提出了新的挑战。尤其是在这些海量数据中,半结构化和非结构化数据所占比例较大,这使得神经网络因其独特的优势而得到了广泛应用。为了提高数据处理能力和推理精度,神经网络模型会被设计得非常复杂,其存储和运行均需要消耗大量的计算资源。然而,边缘设备通常只配置有限的计算资源,无法满足存储和运行复杂神经网络模型的需求,需要借助云计算中心来完成这些任务。这种云协同会引发响应延时和增加网络带宽消耗,并带来用户隐私数据泄露等潜在风险。为了解决这些问题,提出一种面向边缘智能的神经网络模型快速生成与自动化部署(NGD)方法,根据边缘设备的硬件配置和承载的具体计算任务需求,生成与其匹配的神经网络模型,并将其快速部署在目标设备上,实现设备本地推理。在3种典型的硬件平台上的神经网络模型生成与部署实验结果表明,NGD方法能够高效地为资源受限的边缘设备生成匹配的神经网络模型,并快速地将其部署在设备上进行推理任务。

基于大语言模型的个性化实验报告评语自动生成与应用

在计算机实验报告评阅过程中,不同的实验报告评价体系呈现出多样性和差异性,固化的实验评语模板缺乏个性化的内容,评价结果往往未给出可解释性的依据。针对以上问题,提出基于大语言模型的个性化实验报告评语自动生成框架。通过主题-评估决策-集成提示策略,从教师的实验需求、代码质量需求中抽取该实验特有的评价体系,形成评估决策树,构建计算机软件方向课程共享的评估决策树库。设计基于大语言模型和决策树的实验要求、代码质量主题评级方法,从评估决策树库检索匹配学生实验报告内容的评估决策树,结合实验报告和代码文本,自动生成实验主题、代码质量主题定量或定性的评级结果及对应的可解释性依据。在实验报告模板中融入学生已完成的实验任务、主题评级结果、评价依据等,生成个性化的实验评语。实验结果表明,基于主题-评估决策-集成提示策略的决策树生成结果明显优于未用提示的方法,该策略各部分具有一定的有效性和合理性,同时自动生成的评级结果和教师原先批阅的评阅结果对比,软件测试、面向对象程序设计、电商金融课程示例匹配正确率均达到90%以上。从任课教师对于自动生成的评语评分分析,评语在流畅性、相关性、合理性3个维度上达到了较高的质量水平。

生成式预训练模型机器人及其潜力与挑战

机器人与ChatGPT的融合可形成具有人类智慧特征的“硅智能体”,定义为“生成式预训练模型机器人”。以ChatGPT和机器人的智能融合为对象,阐述了GPT-R的特点、技术趋势及在工业和人类生活中的应用。分析了GPT-R在体力、智力及与人类共融发展中存在的问题,从GPT-R的本体与智能、法律与安全、社会规则三方面给出相应对策。结合了ChatGPT和机器人技术的GPT-R将拥有越来越广泛的应用场景和越来越大的市场潜力,成为未来人工智能和机器人共融发展的重要方向之一。

基于十字形窗口的生成对抗网络模型

由于传统的生成对抗网络(generative adversarial network,GAN)都是以卷积神经网络(convolutional neural networks,CNN)作为基本框架,CNN无法处理远程依赖关系,因此会导致图片特征分辨率低和精细细节损失的问题。CSWin Transformer中的十字形窗口自注意力机制可以有效捕获图像组件之间的远程依赖关系,本文提出一种基于CSWin Transformer的生成对抗网络模型CTGAN(CSWin Transformer GAN),模型在CIFAR-10数据集和更高分辨率的CelebA数据集上进行测试,模型表现出了较好的生成效果,可以生成保真度高且细节丰富的图片。

基于深度生成模型的医院网络异常信息入侵检测算法

为保障医院信息网络的安全管理,避免医疗信息泄露,提出了基于深度生成模型的医院网络异常信息入侵检测算法。采用二进制小波变换方法,多尺度分解医院网络运行数据,结合自适应软门限去噪系数提取有效数据。运用最优运输理论中的Wasserstein距离算法与MMD(Maximun Mean Discrepancy)距离算法,在深度生成模型中,对医院网络数据展开降维处理。向异常检测模型中输入降维后网络正常运行数据样本,并提取样本特征。利用深度学习策略中的Adam算法,生成异常信息判别函数,通过待测网络运行数据与正常网络运行数据的特征对比,实现医院网络异常信息入侵检测。实验结果表明,算法能实现对医院网络异常信息入侵的高效检测,精准检测多类型网络入侵行为,为医疗机构网络运行提供安全保障。

智慧图书馆生成式AI大模型风险治理机制研究

[研究目的]探讨智慧图书馆中生成式AI大模型的风险治理机制,以期为有效治理提供模式、策略和框架,助力图书馆的数字化转型和服务创新。[研究方法]对生成式AI大模型在智慧图书馆中相关风险隐患和来源进行全面分析,提出相应的治理策略。结合敏捷治理和韧性治理理论,构建适用于智慧图书馆生成式AI大模型风险治理的多元协同参与的敏捷-韧性模式。针对生成式AI大模型在模型开发与训练、服务部署与维护、内容创建与审核、内容共享与传播、用户管理与教育和安全评估与监控不同生命周期治理阶段,提出相应的治理框架。[研究结论]研究表明,提出的多元协同参与的敏捷-韧性治理模式和生成式AI大模型全生命周期风险治理框架帮助图书馆在不同阶段采取相应的治理措施,通过建立适用于智慧图书馆的生成式AI大模型风险治理机制,旨在保障图书馆生成式AI大模型的安全和高效,进而促进智慧图书馆的持续发展。

基于能量函数基元提取的建筑物LOD2模型自动生成方法

近年来,随着实景三维中国和数字中国的快速发展,建筑物三维模型重建已成为智慧城市建设的重要环节。本文提出了一种全自动建筑物LOD2模型生成框架,旨在解决城市级实景三维场景中建筑物LOD2模型生成的难题。为了自动提取大场景建筑物对象,首先利用场景正射影像,通过图像分割获取建筑物的边界信息;然后使用改进的增强型平面区域分割方法提取高质量的分割平面,并利用混合线性模型对分割结果进行优化,能够更好地处理城市建筑物的局部破损和重建错误等问题。试验结果表明,本文算法生成的建筑物LOD2模型质量和效率更高,能够应对城市建筑模型的复杂情况,得到更稳健的重建结果。

超越大语言模型:物导向哲学路径下的意义生成

人类创造是人们通过构建关系之网以确证自身在世界之中的位置,塑造意义世界的基础,此种构建需要某种“超越”的外部之物作为支撑。目前,大语言模型已经在智能生成方面表现出巨大的创造潜力,甚至在部分原创性任务中可以取代人类创造,这或将对人类的意义世界造成潜在性威胁。究其症结在于,大语言模型的底层生成逻辑是建立在相关主义基础之上的,而这种基础预设在激进化演绎的同时不可避免地暴露出其深层局限。一方面,大语言模型以“相关主义循环”的方式将自身封闭于字面主义的符号表征与现有的固定范式之内,使得“超越”之维不再可能;另一方面,大语言模型的智能生成功能对于现实架构的渗透性影响又转而超越了相关主义的可理解范畴。从长远角度来看,这种深层矛盾必将冲击一直以来人类从单一主体视域出发建构而成的意义世界。人类何以突破相关主义的内在生成逻辑,维护自身意义世界,这是智能技术时代人类必须直面的问题。立足“物导向哲学”,实现对大语言模型生成逻辑的“超越”,其意义在于这种“超越”的双重性,既能更包容地将大语言模型类智能机器及其功能纳入“物”的可阐释范畴,又能以去中心化的方式突破相关主义束缚,借助“联合实在”的美学活动,通向超越性的外部,为人类创造添注活力,为人类意义世界提供支撑,以此开辟出“超越”大语言模型的意义生成之路。

Lacmia:抗混淆的多民族语言生成式摘要模型

该文提出了一种针对中国多民族低资源语言生成式摘要模型Lacmia(Language-Anti-confusioned Chinese Minority Abstractive Summarization Model)。为了克服以往模型只能处理单一语言的限制,Lacmia采用了一种统一的生成式架构来执行不同民族语言的摘要生成任务。此外,为了解决以往模型在多民族低资源语言处理上的性能不足问题,该模型在框架中加入了语言信息嵌入模块。该文通过在损失函数中引入目标语言偏好性正则化项,有效减轻了多语言摘要中出现的语言混淆现象,从而提升摘要生成准确性和流畅度。广泛的实验表明,Lacmia在包括藏语和维吾尔语在内的多民族低资源语言摘要任务中,取得了卓越成绩。除了在ROUGE评价标准上实现了显著性能提升外,Lacmia在该文新提出的CINOScore和NLCR两项指标上均达到了最佳效果,验证了模型的有效性和先进性。