Gartner生成式 AI 的未來應用與風險——從藥物設計到合成數據的全新變革

本文轉載自 Gartner

生成式 AI 的企業用途不僅僅限於 ChatGPT，它的潛力遠遠超出我們的想像。

過去三年來，風險投資公司已在生成式人工智能（AI）解決方案上投資了 17 億美元，其中 AI 在藥物研發和軟體編碼領域獲得的資金最多。

Gartner 技術創新研究副總裁 Brian Burke 以及 Gartner 研究總監閆斌表示：「像 ChatGPT 這樣的早期基礎模型，主要著眼於提升創意工作的能力，但我們預測，到 2025 年，使用生成式 AI 技術進行新藥和新材料研發的比例，將從目前的 0 上升到 30% 以上，而這只是眾多行業應用中的一個範例。」

生成式 AI 的五大行業應用

生成式 AI 能夠通過探索各種可能的設計，找到最佳或最適合的解決方案。不僅可以增強和加速各領域的設計過程，甚至有潛力「發明」人類可能忽略的新穎設計或物品。

行銷人員和媒體已經感受到生成式 AI 帶來的變革。Gartner 預測：

到 2025 年，大型企業對外行銷內容中合成資訊的比例，將從 2022 年的不到 2% 上升至 30%。
到 2030 年，電影大片中的 AI 生成內容（從文本到影片）的比例，將從 2022 年的 0% 上升至 90%。

整體來看，AI 創新持續加速，為各行各業帶來許多生成式 AI 的應用場景，以下列出五個重要的行業應用：

生成式 AI 在藥物設計中的應用
2010 年的一項研究顯示，一種新藥從研發到上市的平均成本約為 18 億美元，研發成本佔其中約三分之一，整個研發過程可能需要長達 3 至 6 年。生成式 AI 已經被應用於縮短藥物設計周期，將這一過程縮減到幾個月，大幅降低製藥業的研發成本和時間。
生成式 AI 在材料科學中的應用
生成式 AI 正在影響汽車、航空、國防、醫療、電子及能源行業，通過逆向設計流程，根據所需特性來探索可能符合這些要求的新材料。例如，它可以發現比現有能源和交通行業使用的材料更具導電性或磁吸力的材料，或是滿足抗腐蝕需求的材料。
生成式 AI 在芯片設計中的應用
生成式 AI 能夠使用強化學習（Reinforcement Learning，一種機器學習技術）來優化半導體芯片設計中的元件排列，將產品開發周期從依賴人類專家的幾週縮短到生成式 AI 的幾小時內完成。
生成式 AI 在合成數據中的應用
生成式 AI 可用來創建合成數據，這些數據不是基於真實世界的觀察結果，而是生成的數據。這可以用於保護訓練數據的隱私，例如人工生成醫療數據以供研究和分析使用，避免洩露患者身份，保護隱私。
零件的生成式設計
生成式 AI 能夠幫助製造、汽車、航空、國防等行業設計出在性能、材料及製造工藝等方面最符合目標和限制的零件。例如，汽車製造商可以利用生成式設計創造出更輕的車輛設計，達到降低油耗的目標。

各行業的生成式 AI 應用範例

透過引入合適的技術，可以進一步挖掘生成式 AI 的潛力。當今的大多數 AI 系統是分類器，它們可以訓練來區分不同類型的圖像，例如貓與狗。而生成式 AI 系統經過訓練後，能生成現實中不存在的貓或狗的圖像，這類創造性技術將徹底改變遊戲規則。

生成式 AI 能夠創造影片、故事、訓練數據，甚至設計圖與原理圖等高價值的人工產物。以生成式預訓練轉換器（GPT）為例，這是一種使用深度學習生成類似人類文本的大型自然語言技術。GPT-3 能根據所接受的訓練數據，預測句子中最有可能出現的下一個詞，從而編寫故事、歌曲、詩歌，甚至是程式碼，ChatGPT 也因此能在短時間內完成孩子的作業。

除了文本生成外，DALL-E 2、Stable Diffusion、Midjourney 等數位圖像生成器還可以根據文本生成圖像。

生成式 AI 涵蓋了許多 AI 技術，但最近基礎模型成為焦點。基礎模型通過自我監督式的預訓練，能在通用數據源上進行學習，並運用到解決新問題上。基礎模型的關鍵基礎是轉換器架構，這是一種深度神經網絡架構，能夠計算訓練數據的數值表示。

轉換器架構透過追蹤連續數據之間的關係來理解上下文，進而理解其含義。轉換器模型採用一套不斷發展的數學技術（稱為「注意力」或「自我注意力」），以檢測連續數據中的各個元素之間的微妙影響和依賴性。