“人類一直在努力制造真正智能的機器，也許我們需要讓他們自己動手。”《麻省理工評論》的《AI正在學(xué)習(xí)如何創(chuàng)造自己》文章中寫道。

“Generative AI”（生成式AI）是人工智能領(lǐng)域近期的熱議話題，《福布斯》3月23日發(fā)文《探索生成式AI在各個領(lǐng)域的大量用例》，Gartner在總結(jié)2022年最有影響力的5項技術(shù)時列入Generative AI，Venture Beat則在3月20日更為直接指出《深度生成模型可以為人工智能提供最有希望的前景》。

所以Generative AI（以下用“生成式AI”）是什么，為什么被賦予這樣高的期待？

在回答“是什么”的問題前，可以先理解生成式AI算法希望解決的核心問題：有效數(shù)據(jù)的稀缺性，以及采樣偏差，這些也是機器學(xué)習(xí)發(fā)展的關(guān)鍵瓶頸所在。

生成式AI的突破在于，其可以從現(xiàn)有數(shù)據(jù)（圖像、音頻文件、文本）中生成相似的原始數(shù)據(jù)，如經(jīng)常產(chǎn)生各種負面用例的Deepfake也屬于生成式AI。

“生成模型可能是我們目前最強大的工具，可以利用科學(xué)中的大量數(shù)據(jù)，并用它來提出設(shè)計和發(fā)現(xiàn)新材料、藥物等的起點。”IBM Research的研究人員Matteo Manica在采訪中說道，“我們可以創(chuàng)建生成模型來幫助回答我們也不知道從哪里開始的問題，如如何為未知蛋白質(zhì)尋找新的抗病毒藥物，或者我們是否可以制造大氣中二氧化碳的催化劑。”

生成式AI有幾種模型，最流行的是可以無監(jiān)督學(xué)習(xí)的生成對抗網(wǎng)絡(luò)（GAN），兩個神經(jīng)網(wǎng)絡(luò)互相競爭，一個做“生成器”——盡可能逼真地生成與輸入數(shù)據(jù)相似的人工數(shù)據(jù)，一個做“鑒別器”——不斷嘗試區(qū)分真實數(shù)據(jù)和原始數(shù)據(jù)。每次測試后，生成器都會調(diào)整參數(shù)以創(chuàng)建更有說服力的數(shù)據(jù)，直到不停迭代后鑒別器無法區(qū)分真假。

因此，GAN可以創(chuàng)造出具有原作風(fēng)格的可信新作品，而不是一幅畫的復(fù)印版。由麻省理工學(xué)院（MIT）發(fā)起的“認識動物”項目創(chuàng)建了混合動物的逼真圖像，展示了這種從頭開始創(chuàng)建新數(shù)據(jù)（稱為“合成數(shù)據(jù)”）的能力。機器學(xué)習(xí)算法的性能通常與數(shù)據(jù)量相關(guān)。在數(shù)據(jù)稀缺的某些情況下，使用合成數(shù)據(jù)可以增加訓(xùn)練集中的數(shù)據(jù)量（稱為數(shù)據(jù)增強）或改變它。

Venture Beat提到的“深度生成模型”（Deep Generative Models）即除了作為生成模型之外，它們還利用了深度神經(jīng)網(wǎng)絡(luò)。神經(jīng)網(wǎng)絡(luò)是一種計算架構(gòu)，它能夠隨著時間的推移學(xué)習(xí)新模式——使神經(jīng)網(wǎng)絡(luò)“深入”的是模型輸入和輸出之間多個隱藏“層”推理帶來的復(fù)雜度提高，使深度神經(jīng)網(wǎng)絡(luò)能夠處理具有許多變量的極其復(fù)雜的數(shù)據(jù)集。

如蛋白質(zhì)折疊問題——氨基酸殘基形成的長鏈將會折疊成錯綜復(fù)雜的3D結(jié)構(gòu)。錯誤折疊的蛋白質(zhì)有可能引發(fā)阿茲海默病、帕金森病、亨廷頓舞蹈病和囊性纖維化等疾病的發(fā)生，我們需要發(fā)現(xiàn)蛋白質(zhì)的3D結(jié)構(gòu)，找出哪些藥物和化合物與各種類型的人體組織相互作用，以及如何相互作用，這對于藥物發(fā)現(xiàn)和醫(yī)學(xué)創(chuàng)新至關(guān)重要。

但發(fā)現(xiàn)蛋白質(zhì)如何折疊是一個非常困難的問題，科學(xué)家需要在分析蛋白質(zhì)之前溶解和結(jié)晶，單個蛋白質(zhì)的整個過程可能持續(xù)數(shù)周或數(shù)月。傳統(tǒng)的深度學(xué)習(xí)模型也不足以幫助解決蛋白質(zhì)折疊問題，因為它們的重點主要是對現(xiàn)有數(shù)據(jù)集進行分類，而不能生成數(shù)據(jù)輸出。

推出蛋白質(zhì)結(jié)構(gòu)預(yù)測算法的DeepMind團隊，其命名為AlphaFold的模型可以僅根據(jù)基因“代碼”預(yù)測生成蛋白質(zhì)的3D形狀。通過能夠在數(shù)小時或數(shù)分鐘內(nèi)生成結(jié)果，AlphaFold有可能節(jié)省數(shù)月的實驗室工作，并極大地加速幾乎所有生物學(xué)領(lǐng)域的研究。

但深度生成模型也面臨一些明顯的技術(shù)挑戰(zhàn)，如在數(shù)據(jù)集有限的情況下訓(xùn)練難以得到很好效果以及確保在實際應(yīng)用中模型能產(chǎn)生始終如一的準確輸出。還有倫理問題，深度生成模型的決策過程不可解釋，這可能導(dǎo)致AI模型在人類不知情的情況下產(chǎn)生不合理或不道德的偏見，進而產(chǎn)生不準確或具歧視性的輸出。

以下為對Hello Future《Generative AI： a new approach to overcome data scarcity》提到的應(yīng)用案例編譯：

合成腦磁共振成像

醫(yī)學(xué)是數(shù)據(jù)量稀缺的領(lǐng)域之一，因為數(shù)據(jù)稀有性——具有異常現(xiàn)象的醫(yī)學(xué)圖像本身并不常見，同時法律限制對患者病歷記錄的使用和共享。

2018年，美國的Nvidia公司、Mayo Clinic和MGH&BWH臨床數(shù)據(jù)科學(xué)中心的研究人員開發(fā)了一種模型，該模型可以生成合成的腦部腫瘤核磁共振成像，從而用于訓(xùn)練深度學(xué)習(xí)模型。研究團隊認為，這些合成圖像既是數(shù)據(jù)增強的補充工具，也是一種有效的匿名化方法。它們提供了低成本的多樣數(shù)據(jù)，從而提高了腫瘤分割（在核磁共振掃描中區(qū)分腫瘤組織與正常腦組織的過程）的性能，同時允許不同機構(gòu)之間的數(shù)據(jù)共享。

加速藥物開發(fā)

藥理學(xué)也可以從這種方法中受益。設(shè)計一種新藥不僅困難重重，且昂貴耗時：一款藥物上市通常需要超過12 年時間，平均花費10億歐元。成本如此之高的原因之一是：在臨床前研究開始之前需要合成數(shù)千個分子，以便確定一個候選化合物。這個過程需要使用多目標優(yōu)化方法來探索廣闊的“化學(xué)空間”（包含所有可能的分子和化合物、幾乎無限的廣闊空間），因為人工智能系統(tǒng)必須根據(jù)幾個關(guān)鍵標準評估這些分子并做出決策，這些標準包括藥物的活性、毒性或合成的難易程度。該優(yōu)化方法需要大量的訓(xùn)練數(shù)據(jù)，而部分數(shù)據(jù)可以由生成模型提供。

Insilico Medicine創(chuàng)建了Chemistry42平臺，該平臺結(jié)合了生成算法和強化學(xué)習(xí)，可在幾天內(nèi)自動找到具有特定屬性的全新分子結(jié)構(gòu)（稱為“從頭”分子設(shè)計）。英矽智能已將該平臺與其他工具整合，應(yīng)用于肺部疾病等多個治療領(lǐng)域。2021年，英矽智能宣布發(fā)現(xiàn)了一個具有全新治療靶點（藥物作用于人體的部分，如蛋白質(zhì)）的全新分子，有望治療特發(fā)性肺纖維化（IPF）。這是全球首例完全由AI發(fā)現(xiàn)和設(shè)計的分子，用時不到18個月，預(yù)算僅為傳統(tǒng)研究成本的10%。

咨詢公司Gartner表示，到2025年，超過30%的新藥和新材料將使用生成式人工智能技術(shù)發(fā)現(xiàn)。

合成的腦補核磁共振成像

抽樣偏差是面部識別技術(shù)受到指摘的原因之一。一些面部識別工具存在這樣的問題：深膚色人種的識別率低于淺膚色人種，或者女性的識別率低于男性。這些記錄在案的偏差，通常與培訓(xùn)數(shù)據(jù)庫中某些群體的代表性不足有關(guān)，而這可能導(dǎo)致對部分人口的歧視。

為了避免抽樣偏差，人工智能工程師需要能夠提現(xiàn)人口多樣性的數(shù)據(jù)集。然而，這些數(shù)據(jù)集很少，并且由于生物特征數(shù)據(jù)的敏感性，它們的使用受到限制。

合成數(shù)據(jù)有助于減少抽樣偏差。一開始仍然需要使用真實的面孔來訓(xùn)練生成模型，之后設(shè)計人員可以根據(jù)不同屬性（性別、年齡、膚色等）精細控制合成數(shù)據(jù)的生成來平衡數(shù)據(jù)集。

合成數(shù)據(jù)的另一個好處在于它可以克服敏感數(shù)據(jù)機密性帶來的限制，并降低干預(yù)風(fēng)險。生成模型產(chǎn)生的數(shù)據(jù)雖然真實，但仍然是不與任何人相關(guān)的合成數(shù)據(jù)。一些研究試圖表明合成數(shù)據(jù)在保護個人隱私的同時，可以與真實數(shù)據(jù)一樣有用。

Datagen、Synthesis AI等公司專門提供合成人臉。在瑞士，由Idiap研究所開展、蘇黎世大學(xué)和SICPA參與的SAFER項目旨在使用合成人臉創(chuàng)建代表性的數(shù)據(jù)庫，從而用于“合乎倫理的面部識別”工具。澎湃新聞記者 邵文