刊於《信報》，2024年11月4日
「生成式AI」火熱來龍去脈
許佳龍
科大商學院署理院長；資訊、商業統計及營運學系講座教授；艾禮文家族商學教授
在證券市場，與人工智能（AI）業務相關的股份，自2022年底OpenAI推出CHAT GPT後，隨即橫掃資本市場，即使相關企業沒有顯著的盈利成長，股價亦告倍翻。一股「生成式人工智能」（Generative artificial intelligence‧下簡稱「生成式AI」）熱潮，直捲投資世界。
據美國史丹福大學「人本人工智能研究中心」（HAI）發表的《人工智能指數報告2024》（AI Index Report 2024）指出，全球生成式人工智能（Generative AI）投資額大增，2023年達到252.3億美元，較2022年急升近9倍，比2019年投資額上升約30倍（《報告第四章，第 32頁》。
集體憧憬 一窩蜂投資
一窩蜂的投資、巨大的資源投入，會否隱伏像上世紀九十年代互聯網普及應用時，大家爭相對互聯網作出無限憧憬、投入巨大資源，後來形成泡沫，最終到 2000年初爆破的類似場景或危機？今天，生成式AI的發展浪潮方興未艾，不少機構投入巨額資源，爭相訓練大語言模型，最終是否會形成投資泡沫，抑或是「物有所值」的前期投資？問題值得細心思考分析。
但要深入分析，探幽入微，必須了解這股生成式AI熱潮的來龍去脈。筆者擬以一系列文章，對問題全面探究，讓讀者和投資者一起思考未來發展的箇中關鍵。
人工智能其實並非一個新概念。在電子行業或電子計算專業，是一個已有一段時間的話題。過往，人工智能所解決的問題重點，是協助決策和進行預測，所設定的一套系統，用來預測未來事物發展的一些走向。以經營零售生意為例，假如公司設立了一套具「人工智能」的系統，通過輸入公司過往的數據，包括交易紀錄、客戶群體特徵、市場的客觀環境數據等，把這些數據資料輸入這個系統裡，然後進行訓練，透過分析大量數據，同時仔細檢視過往的經驗，得出一個「模型」，據此去預測產品的可能銷售情況和走向。
傳統與生成式人工智能之別
傳統人工智能的有效判斷或預測能力，取決於數據的質量和數量。過往幾十年，電子行業不斷發展這種人工智能技術，而發展出來不少成行成市的人工智能系統，掛在一些商業統計或數據分析系統裡應用。可以說，過往的人工智能，其實就是從這些數據分析中，孳生出來的系統，亦即透過分析了大量數據，然後加入一個自動給出分析、判斷和提議的「智能」，是以稱之為「人工智能」（artificial intelligence，縮寫為AI）。
當前在市場一片熱哄哄的「生成式AI」又是如何孳生出來？扼要來說，一切的生成式AI皆來自「自然語言處理」（Natural Language Processing‧NLP），而自然語言處理則來自幾個大應用，當中一個是文本分析。過去，傳統人工智能面對一個困難，就是在進行數據分析時，必須先把數據整理好，行列條目歸一，像一個試算表，一切清𥇦有序，這樣，機構需要花大量人手去整理數據。
傳統的人工智能世界，機構所花大量的成本，並非花在「智能」上，而是耗於數據處理方面。把大量數據整理得清晰有序，能夠置入系統裡進行分析。這個數據的「整理」，成為傳統人工智能發展的一個「無形關卡」。
當中也帶出了一個「棘手問題」，即如何處理文本？如果有大量文件/數據資料，裡面用的都是「自然文字/語言」，如何能夠從這些自然語言讀取到箇中的意義，分析到文件的內容？這就順理成章涉及到「自然語言處理」的範疇了。
聊天機器人的濫觴
嚴格來說，NLP是傳統人工智能裡的一個領域。然則何以這個細分領域，突然發展出當前那麼燙手可熱的生成式 AI？
這不得不由人類製造了「聊天機器人」（ChatBot）說起。事實上，這種由對話或文字進行交談的電腦程式，其實也不是嶄新概念。然而，之前所製作的機器人，是以「規則基準」（Rules-based system）作為系統運行的依據。
簡單來說，傳統的聊天機械人，按既定的規則基準，人家詢問什麼問題，機械人就按照之前所定的應答基準規則，向所定出的可能答案路徑推進，就像以一棵「決策樹」的形式進行，透過所詢問題的關鍵詞，在這個關鍵詞所應對的「決策樹」上的分支，道出問題所規範的答案。若再有其他問題或跟進問題，也是以這種方式，用所擷取的關鍵字，找出應對答案的路徑 一層一層推進，找出/說出答案。
可以說，這種做法基本上也並未脫離傳統人工智能的「目標性」窠臼，即根據以往的數據或經驗，抽取出相關的內容作答或預測。
直到2017年，谷歌（Google）開發出一個稱為「轉移器」（Transformer）的「深度學習」（deep learning）架構，大躍進地推動機器攫取文字內容關係的深度學習，使生成式AI的面世取得突破性發展。有關這方面的突破，下周續述。
【生成式AI投資火熱透視‧之一】