زمان تخمینی مطالعه: 2 دقیقه
تکامل هوش مصنوعی مولد را میتوان در مدلهای مولد اولیه دانست که برای چندین دهه در آمار برای کمک به تجزیه و تحلیل دادههای عددی استفاده شدهاند. شبکههای عصبی و یادگیری عمیق پیشگامهای اخیر برای هوش مصنوعی مولد مدرن بودند. رمزگذارهای خودکار متغیر که در سال 2013 توسعه یافتند، اولین مدلهای مولد عمیق بودند که میتوانستند تصاویر و گفتار واقعی ایجاد کنند.VAEها قابلیت ایجاد تغییرات جدید در انواع دادهها را معرفی کردند. این اتفاق منجر به ظهور سریع دیگر مدلهای هوش مصنوعی مولد مانند شبکههای متخاصم مولد و مدلهای انتشار شد. این نوآوریها بر روی تولید دادههایی متمرکز بودند که به طور فزایندهای به دادههای واقعی شباهت داشتند، علیرغم اینکه به صورت ایجاد مصنوعی ایجاد شده بودند.
در سال 2017، با معرفی تبدیلگرها(برای اطلاعات بیشتر در مورد انواع مدلها در هوش مصنوعی مولد به لینک درج شده مراجعه کنید)، تغییر بیشتری در تحقیقات هوش مصنوعی رخ داد. تبدیلگرها به طور یکپارچه معماری رمزگذار و رمزگشا را با مکانیزم توجه(Attention mechanism) یکپارچه کردند. آنها روند آموزش مدلهای زبان را با کارایی و تطبیق پذیری استثنایی ساده کردند. مدلهای قابلتوجهی مانند GPT بهعنوان مدلهای پایهای پدیدار شدند که قادر به پیشآموزش بر روی مجموعههای گسترده متن خام و تنظیم دقیق برای کارهای مختلف بودند. تبدیلگرها آنچه را که برای پردازش زبان طبیعی ممکن بود تغییر دادند. آنها قابلیتهای مولد را برای کارهای مختلف از ترجمه و خلاصهنویسی گرفته تا پاسخ به سوالات تقویت کردند.
بسیاری از مدلهای مولد هوش مصنوعی همچنان به پیشرفتهای قابل توجهی ادامه میدهند و کاربردهای در صنعت پیدا کردهاند. نوآوریهای اخیر بر اصلاح مدلها برای کار با دادههای اختصاصی تمرکز دارد. محققان همچنین میخواهند متن، تصاویر، ویدئوها و گفتارهایی بسازند که هر چه بیشتر شبیه انسان باشد. نباید فراموش کرد که تکامل هوش مصنوعی مولد امری اجتناب ناپذیر بوده و بیم و امید بسیاری را ایجاد خواهد کرد.