AI vs. GenAI vs. ML: Key Differences

科技界热衷于创造新术语。如果您是自带极客气质的社恐，那么在鸡尾酒会上使用新的流行术语，要么能让您显得更有趣，要么会让您变得难以相处。不管怎样，这都是技术人员展现自己的一种方式。对于其他人来说，我们至少应该跟上一些高层次概念的步伐，尤其是像 AI 这样的技术，它具有巨大的颠覆性潜力，而且发展速度快得惊人。下面简要介绍一下当今 AI 领域中的一些核心术语。

什么是人工智能 (AI)？

人工智能是指一种广泛且不断发展的计算机应用，旨在模拟人脑的功能。AI 的概念从计算机发展初期就已存在，当时人们利用模糊逻辑和决策树等概念来创建算法，这些算法似乎能够产生类似人类的响应，尽管其应用范围非常有限。大约在同一时期，计算机开始被用来模拟大脑的神经网络 — 换句话说，就是模拟大脑的运作方式。这两种理念相结合，创造出了通过模仿大脑运作方式（包括如何学习）来创建模拟大脑功能的计算机模型。

AI 使用场景

几乎所有 AI 和机器学习使用场景都严重依赖于获取大量数据来学习模式、进行预测并有效执行任务。但这并非只关乎数量。数据的质量、相关性和及时性对于任何 AI 项目的成功都至关重要，其关键是分析数据以做出预测、分类或决策。AI 的重点是理解和解释信息。目前，AI 的主要使用场景包括：

• 能够进行自然语言对话的聊天机器人可以为客户服务团队提供帮助，而销售和营销专业人员则可以使用 AI 来根据客户历史记录，制定个性化促销方案。
• 在各个岗位上，AI 可以识别人类口语中的语言，并根据长文档或会议记录生成简洁的摘要。
• 能够快速发现安全日志中的攻击指标，并对数字图像或视频进行深度分析以检测异常的系统，有助于企业理解日志数据。AI 还可以检测金融交易中的欺诈迹象。
• 众多行业利用 AI 来分析库存或订单模式以优化采购。

什么是生成式 AI (GenAI)?

生成式 AI 是大语言模型 (LLM) 背后的技术，其中包括 ChatGPT 和许多其他 AI 工具。生成式 AI 技术是一种较新的 AI 应用，超越了对新数据的分析。例如，生成式 AI 可以根据用户提示词生成自然语言响应，并根据用户请求生成图像或音乐。生成式 AI 模型通过大量样本数据进行训练，这些数据教会了模型英语及其他语言的逻辑以及所提供的数据中包含了的信息。

AI 训练是一项计算密集型任务，需要耗时数小时和许多图形处理单元 (GPU) 才能完成完整的模型训练。生成式 AI 模型在初始训练后通常不会继续学习。这些模型会利用其对语言的理解和训练数据来回答问题，或分析新数据并以对话式语言提供相关答案。经过训练的模型可以进行微调，从而提高在特定领域中的表现，例如在 GAAP 会计实践方面训练过的通用 LLM 能够更好地帮助财务团队。

此外，在一般情况下，模型不会了解某家企业的任何信息。但是，通过一种名为 检索增强生成 (RAG) 的相关技术，可以在查询时向 LLM 提供参考数据，帮助 LLM 回答问题。因此，如果您想知道您所在地区的咖啡店一天中哪个时段的浓缩咖啡销量更高，您可以通过 RAG 提供销售数据，让 LLM 生成答案。

生成式 AI 的使用场景

生成式 AI 主要用于生成与训练数据相似的新内容。其核心在于通过合成与生成信息，进一步深化 AI 与机器学习对数据的理解与解读能力。

这项技术的使用场景包括：

• 起草需要发送给客户的销售信函，供人工审核；利用客户记录来指导行动，通过在线聊天室提供个性化的客户支持
• 总结冗长的文档和文字记录，并以不同的语言或风格重写文档
• 根据规格表，创建符合企业风格的产品说明
• 对支持工单中的意图进行分类，帮助用户节省时间并避免挫败感
• 起草数据库访问的计算机代码，让授权用户能够更快地获取所需信息
• 根据人类提示词修改数字艺术作品，包括图像、视频、声音甚至是嗓音

什么是机器学习 (ML)?

机器学习是一种特定的 AI 技术，顾名思义，它通过使用模拟人类大脑功能的神经网络来分析大型数据集，从而进行学习。机器学习与生成式 AI 的不同之处在于其所使用的数据集通常较小且经过高度筛选。这些数据需要进行分类，以便机器学习模型可以区分数据中的某些特征。例如，一个用于识别图中犬种的模型，需要输入大量包含不同品种、不同姿态的狗的图像。经过训练后，该模型将能够区分贵宾犬和金毛猎犬。有的模型也可以经过特别训练，以用于识别金融交易中可能存在的欺诈行为或胸腔 X 光片中的癌变区域。

机器学习的使用场景

机器学习工具对于特定任务可能非常有用，但它不像 LLM 那样具有广泛的适用性。机器学习模型在获得新的数据进行分析并收到关于其准确性的反馈时，通常可以持续进行学习。这项技术的使用场景包括：

• 扫描网络访问日志，以发现可能表明存在网络攻击的异常情况
• 根据客户的历史购买记录，生成交叉销售和追加销售方案
• 基于实时销售数据，预测库存问题
• 为社交媒体的图像和视频创建描述性标签
• 根据传感器数据，识别近期可能出现故障的硬件
• 根据购买模式对客户进行分组
• 根据供需动态调整产品价格

什么是 AI Agent？

人类代理，例如旅行社或房地产经纪人主要负责代表客户执行任务，其价值在于他们能够运用专业的培训知识。例如，客户可能会委托旅行社策划一次为期一个月的非洲之旅。客户需要向旅行社说明自己的旅行需求和活动计划，并提供具体参数，例如旅行日期和预算。然后，旅行社就会着手安排行程，向客户汇报可选方案，并最终为客户预订行程。AI Agent 的概念和人工代理相似。人类只需提出需要完成的任务，并提供运作所需的详细信息和参数，AI Agent 就会自主完成工作并汇报结果。

AI Agent 通常会使用功能强大的 LLM 来了解请求者的需求，并制定计划来完成任务。通过 RAG 技术，AI Agent 能够获取所需信息，并根据需要请求其他信息以完成计划的每个部分。AI Agent 会保留有关其如何完成任务的历史数据，借助这些“记忆”来改进整个过程。AI Agent 还可以使用机器学习模型、自动化机器人流程及其他 LLM 等有时功能较弱但针对性更强的工具来完成任务。用户可以设置参数，例如在继续下一步操作前暂停流程以等待审批。

AI Agent 的优势在于其能够自主完成复杂任务，并在过程中利用各种数据，包括描述企业政策和流程的数据。因此，AI Agent 可以显著提高生产力、速度和准确性。

AI Agent 使用场景众多，包括软件开发、客户支持、订单处理、库存补货、HR 福利支持、即时网络威胁响应和高管决策支持等。

与 Oracle 合作解锁新商机

Oracle 提供一套完整的人工智能技术，包括应用中的 AI 增强功能、用于部署基于 AI 的新软件的云基础设施，以及面向软件开发人员和数据科学家的工具。

如今，数以百万计的 Oracle Fusion Applications 用户可以使用生成式 AI、机器学习和 AI Agent。例如，Oracle Fusion Cloud HCM 的现有用户可以使用 AI 为员工推荐培训机会。在 Oracle Cloud Sales 中，AI 可以帮助管理销售线索、确定销售线索激活效果以及推荐产品方案。在 Oracle Fusion Cloud SCM 中，AI 可以帮助用户预测产品配送时间、动态折扣和检测产品异常。

您需要构建自己的应用吗？Oracle 在 Oracle Cloud Infrastructure (OCI) 中提供了强大的 AI 服务，可为您的开发人员提供预构建的机器学习模型。这些服务包括生成式 AI、数字助手以及语言、语音、视觉和文档理解功能的 API。Oracle 还提供了一系列开源库和框架、数据库内算法以及多个数据模型，适合用于整个机器模型开发生命周期。

各种 AI 使用场景的共同点是基于数据来识别模式、自动执行任务和进行预测。虽然所采用的应用和技术可能有所不同，但其中的核心原则是一致的。这种数据驱动、模式识别和自动化重点使得 AI 成为解决不同领域各种问题的有力工具。

AI、生成式 AI 与机器学习的常见问题解答

AI 和机器学习一样吗？

机器学习是 AI 的一个子学科。如今，大多数热门的 AI 系统都是基于机器学习概念构建而成的。人们构建和训练传统的机器学习模型，以执行某项特定功能，例如在银行交易中发现潜在的欺诈行为。而其他 AI 系统的用途范围更广泛。

生成式 AI 是 AI 的子集吗？

是的，生成式 AI 是 AI 的子集。相比之下，生成式 AI 模型比以前的 AI 模型大得多，能够根据用户的提示词生成新内容。