AIGC将促进嵌入式人工智能发展

AIGC 简介

AIGC（Artificial Intelligence Generated Content），又称为“生成式AI”（Generative AI），是人工智能生成内容的意思。从内容创作的方式来看，AIGC被认为是继专业生成内容（Professional Generated Content, PGC）和用户生成内容（User Generated Content,UGC）之后，利用人工智能技术一种新型的内容创作方式。目前，AIGC已了广泛应用于文字创作、图像创作、视频创作、音乐创作 、代码生成等领域。

AIGC的模态

生成式人工智能系统是通过对数据集进行无监督或自监督的机器学习来构建的，其功能或能力取决于所用数据集的模态或类型。目前，AIGC的主要的模态有以下几种：

文本：基于单词或单词标注训练的生成式人工智能系统能够进行自然语言处理、机器翻译和自然语言自动生成，也可以用作其他任务的基础模型。这类人工智能系统包括GPT-3、LaMDA、LLaMA、BLOOM、GPT-4等。

代码：大规模模型在编程语言文本上进行训练，从而生成新的计算机程序源代码，例如：OpenAI、Codex、Copilot等。

图像：在带有文本说明的图像集上训练的生成式人工智能系统，通常用于文本到图像的生成和神经风格转换。主要包括Imagen、DALL-E、Midjourney、Stable Diffusion等。

分子：生成式人工智能系统还可以在氨基酸序列或分子表征上进行训练，用于蛋白质结构预测和药物研发。例如代表DNA或蛋白质的SMILES（Simplified molecular input line entry system），SMILES是一种用ASCII字符串明确描述分子结构的规范。

音乐：基于录制音乐的音频波形以及文本注释进行训练的生成式人工智能系统，根据文本描述生成新的音乐样本，如MusicLM等。

视频：在带有注释的视频上训练的生成式人工智能可以生成时间相干的视频剪辑。如RunwayML的Gen1和Meta Platforms的 Make-A-Video等。

多模态：生成式人工智能系统可以由多个生成模型构建，或者一个模型在多种类型的数据上训练。例如OpenAI的GPT-4的一个版本可以同时接受文本和图像输入。

内容的创作方式

随着互联网及技术的发展，互联网内容产生的方式也在不断地发展，从PGC发展到UGC，再发展到了AIGC。

PGC (Professionally Generated Content)，也称为PPC（Professionally-produced Content），即专业生产内容，由传统广电业者按照与电视节目的方式进行内容制作。PGC内容制作专业，内容质量有保证。

UGC（User Generated Content），即用户生产内容，用户可以自由上传内容，内容丰富，但内容质量参差不齐。

AIGC（Artificial Intelligence Generated Content），即人工智能生成内容，又称为“生成式AI”（Generative AI），一种人工智能 (AI) 系统，内容由AI自动生产。AIGC能够根据提示生成文本、图像或其他媒体。

AIGC技术的应用大大提升了人类内容创作的生产力，涌现出了各种各样新的产品和服务。人与机器的交互方式发生了重要的变化，计算的机器具有了人类大脑的功能，可以“思考”生成更符合人类思考逻辑的内容，内容的创作不再依赖于人类，而是由机器自动产生，内容创作者由人转变成了机器。

AIGC如同婴儿一样，在成长，在发展，开始像人类一样”思考”了，具有了人类大脑思考能力的基本雏形。在某些方面，超过了个人的知识和认知。假以时日，AIGC会变得越来越智能。

AIGC系统

AIGC系统大致可分为几个部分：计算平台、网络、数据集、大模型算法等。

计算平台：大模型训练需要大量的计算资源，计算平台为大模型的训练提供了硬件和软件支持。随着硬件设备的不断升级，计算平台的算力会不断提升。根据数据显示，ChatGPT的总算力消耗约为3640PF-days（即假如每秒计算一千万亿次，需要计算3640天），需要7至8个投资规模30亿、算力500P的数据中心才能支撑运行。

网络：互联网源自计算机间的联网。一方面，大模型算法可以分成多个部分，通过网络，分别在不同的计算机节点上进行计算，从而提高模型的训练和推理效率；另一方面，互联网以及蜂窝移动网络的普及和发展，个人电脑（PC）、笔记本电脑（NB）以及智能手机和平板电脑等终端设备拓展了大模型算法的应用。

数据集：大模型算法需要使用大量的数据来训练，数据集规模越来越大。随着应用的不断发展，数据将扮演着越来越重要的角色，成为人工智能应用的核心要素，并推动人工智能应用数据驱动发展新模式。

大模型算法：大模型算法是指使用大规模数据集训练的深度学习模型。目前，一些大规模的预训练语言模型的参数规模已经达到了数百万甚至数十亿级别。

嵌入式人工智能

随着生成式人工智能的发展和应用的不断拓展延伸，这将会进一步促进嵌入式人工智能的应用和发展。与生成式人工智能系统类似，嵌入式人工智能系统也可以分为：计算、网络、数据集、小规模人工智能算法等。

计算。微控制器（MCU）或微处理器（MPU）是嵌入式人工智能基础核心的计算器件。MCU/MPU性能不断地提升，成本不断地降低，为嵌入式人工智能提供了执行复杂任务的计算能力。由于MCU/MPU具有低功耗、低成本，并且具有丰富的外设接口，还可以方便地与传感器、执行器等外部设备进行连接，大大拓展了小规模人工智能的应用。

网络。物联网不断持续地发展为人工智能应用提供了契机。物联网的应用使得越来越多的终端设备接入了网络，产生了大量数据，并非将全部数据都上传云计算服务器，可以在本地执行一些数据处理任务，处理结果再上传，这样优化了网络应用，降低了资源消耗。这些应用可以更好地利用人工智能技术实现更加高效、精准和智能的应用，为人工智能技术的发展和应用带来了更多的可能性。物联网络也方便了微控制器（MCU）或微处理器（MPU）固件升级，使得嵌入式人工智能算法持续迭代升级。

数据集。数据集是嵌入式人工智能训练重要的数据资源，需要大量的数据来训练嵌入式人工智能算法。不同的行业不同的应用具有不同的特征数据集，嵌入式人工智能应用体现出了专用性的特点。

小规模人工智能算法。小规模人工智能算法是一种用于深度学习的架构，只有一个或有限的输入特征，适用于一些简单的任务，如语音识别、图像分类等以及需要限制模型复杂度的场景等。目前，常见的小规模人工智能有：TensorFlow Lite、Keras、ONNX、PyTorch、scikit-Learn等。

设备终端或边缘设备通过网络与计算中心进行分布式协同计算、会形成更为广泛的智能化计算网络，赋予应用更强大的能力。

小结

人工智能为内容生成提供了多模态化的工具，机器具有了一定的人类思考能力，内容创作者也由人变成了机器。从Web 1.0 到 Web 2.0，再发展到Web 3.0，网络呈现出了智能化、分布式等特点。物联网、区块链、数字孪生等新技术的不断应用，为人工智能应用提供了新的应用场景。

AIGC将会促进嵌入式人工智能的应用发展。性价比越来越高的微控制（MCU）或微处理器（MPU），为嵌入式人工智能提供了核心的计算动力。嵌入式人工智能将会大大提升自主计算的智能化水平，借由网路进行更好的分布式计算资源管理。嵌入式人工智能应用将会更加普遍，更加普适智能的产品将会赋能千行百业。