刊于《信报》，2024年11月4日
「生成式AI」火热来龙去脉
许佳龙
科大商学院署理院长；信息、商业统计及营运学系讲座教授；艾礼文家族商学教授
在证券市场，与人工智能（AI）业务相关的股份，自2022年底OpenAI推出CHAT GPT后，随即横扫资本市场，即使相关企业没有显著的盈利成长，股价亦告倍翻。一股「生成式人工智能」（Generative artificial intelligence‧下简称「生成式AI」）热潮，直卷投资世界。
据美国史丹福大学「人本人工智能研究中心」（HAI）发表的《人工智能指数报告2024》（AI Index Report 2024）指出，全球生成式人工智能（Generative AI）投资额大增，2023年达到252.3亿美元，较2022年急升近9倍，比2019年投资额上升约30倍（《报告第四章，第 32页》。
集体憧憬 一窝蜂投资
一窝蜂的投资、巨大的资源投入，会否隐伏像上世纪九十年代互联网普及应用时，大家争相对互联网作出无限憧憬、投入巨大资源，后来形成泡沫，最终到 2000年初爆破的类似场景或危机？今天，生成式AI的发展浪潮方兴未艾，不少机构投入巨额资源，争相训练大语言模型，最终是否会形成投资泡沫，抑或是「物有所值」的前期投资？问题值得细心思考分析。
但要深入分析，探幽入微，必须了解这股生成式AI热潮的来龙去脉。笔者拟以一系列文章，对问题全面探究，让读者和投资者一起思考未来发展的个中关键。
人工智能其实并非一个新概念。在电子行业或电子计算专业，是一个已有一段时间的话题。过往，人工智能所解决的问题重点，是协助决策和进行预测，所设定的一套系统，用来预测未来事物发展的一些走向。以经营零售生意为例，假如公司设立了一套具「人工智能」的系统，通过输入公司过往的数据，包括交易纪录、客户群体特征、市场的客观环境数据等，把这些数据数据输入这个系统里，然后进行训练，透过分析大量数据，同时仔细检视过往的经验，得出一个「模型」，据此去预测产品的可能销售情况和走向。
传统与生成式人工智能之别
传统人工智能的有效判断或预测能力，取决于数据的质量和数量。过往几十年，电子行业不断发展这种人工智能技术，而发展出来不少成行成市的人工智能系统，挂在一些商业统计或数据分析系统里应用。可以说，过往的人工智能，其实就是从这些数据分析中，孳生出来的系统，亦即透过分析了大量数据，然后加入一个自动给出分析、判断和提议的「智能」，是以称之为「人工智能」（artificial intelligence，缩写为AI）。
当前在市场一片热哄哄的「生成式AI」又是如何孳生出来？扼要来说，一切的生成式AI皆来自「自然语言处理」（Natural Language Processing‧NLP），而自然语言处理则来自几个大应用，当中一个是文本分析。过去，传统人工智能面对一个困难，就是在进行数据分析时，必须先把数据整理好，行列条目归一，像一个电子表格，一切清𥇦有序，这样，机构需要花大量人手去整理数据。
传统的人工智能世界，机构所花大量的成本，并非花在「智能」上，而是耗于数据处理方面。把大量数据整理得清晰有序，能够置入系统里进行分析。这个数据的「整理」，成为传统人工智能发展的一个「无形关卡」。
当中也带出了一个「棘手问题」，即如何处理文本？如果有大量文件/数据数据，里面用的都是「自然文字/语言」，如何能够从这些自然语言读取到个中的意义，分析到文件的内容？这就顺理成章涉及到「自然语言处理」的范畴了。
聊天机器人的滥觞
严格来说，NLP是传统人工智能里的一个领域。然则何以这个细分领域，突然发展出当前那么烫手可热的生成式 AI？
这不得不由人类制造了「聊天机器人」（ChatBot）说起。事实上，这种由对话或文字进行交谈的计算机程序，其实也不是崭新概念。然而，之前所制作的机器人，是以「规则基准」（Rules-based system）作为系统运行的依据。
简单来说，传统的聊天机械人，按既定的规则基准，人家询问什么问题，机械人就按照之前所定的应答基准规则，向所定出的可能答案路径推进，就像以一棵「判定树」的形式进行，透过所询问题的关键词，在这个关键词所应对的「判定树」上的分支，道出问题所规范的答案。若再有其他问题或跟进问题，也是以这种方式，用所撷取的关键词，找出应对答案的路径 一层一层推进，找出/说出答案。
可以说，这种做法基本上也并未脱离传统人工智能的「目标性」窠臼，即根据以往的数据或经验，抽取出相关的内容作答或预测。
直到2017年，谷歌（Google）开发出一个称为「转移器」（Transformer）的「深度学习」（deep learning）架构，大跃进地推动机器攫取文字内容关系的深度学习，使生成式AI的面世取得突破性发展。有关这方面的突破，下周续述。
【生成式AI投资火热透视‧之一】