预测性 AI 与生成式 AI：有何区别

生成式人工智能（Gen AI）利用数据来创造新内容。预测性人工智能则使用数据来预测或推断未来可能发生的情况。因此，很多企业都跃跃欲试，希望使用人工智能来获得竞争优势。

生成式 AI 和预测性 AI 在功能和用例上有很大的不同。随着 AI 的发展，区分这两种不同的 AI 类型有助于清楚地了解各自的用途，以及哪一种最适合您的用例。

探索红帽 AI

这两种形式的 AI 都可以模拟甚至是增强人类智慧。它们都是机器学习（ML）系统，能够获取知识并应用见解来帮助解决问题。

我们人生中会积累无数的记忆和故事，AI 模型也类似，它会基于大量数据进行训练，以便生成输出。就像我们创作艺术、撰写故事或开发新的代码算法一样，我们的作品很可能受到自己过去所见、所闻或所学的影响。AI 模型也是如此，它们通过识别和复制模式来生成输出。 

该输出称为 AI 推理。通常人们所说的“AI”，实际上指的是 AI 推理的成果：这是机器学习技术漫长而复杂的演进过程中的最后一步，就像是人类的“顿悟”时刻。

但当模型需要更多数据和内存时，硬件和加速器便难以满足需求。而当需要大型模型来执行企业级战略时，情况就会变得复杂。因此，支持推理功能的硬件和软件，关系到 AI 战略的成败。

为什么要关注推理

生成式 AI

生成式 AI 利用现有的数据，如文本或开发人员代码，根据给定的提示来创建新的内容。例如，生成式 AI 可以基于文学作品进行训练，从而能够根据用户的提示生成一个原创故事。它的目标是根据提供的信息来提供答案、补全句子或生成翻译。要达到理想的结果，可能需要多次给出提示并进行调整，而这就需要借助微调以及检索增强生成（RAG）等方法。

生成式 AI 模型运用深度学习这一机器学习技术来分析和解读大量数据。此外，这些模型还使用神经网络，这是一种模仿生物神经系统（就如同我们大脑中的连接一样）的信息处理方式。神经网络使得 AI 能够在看似不相关的信息集之间建立联系。

预测性 AI

统计性预测并非新鲜事物，在流媒体视频和音乐服务的推荐引擎等常见场景中，都能找到它们的身影。但现在，机器学习领域的进步使得这项技术能够更好、更快地发挥作用。

借助海量的特定数据（有时被称为“大数据”），机器学习软件能够关联各种模式、历史事件，还常常会结合实时信息，以极高的准确率预测未来结果。为了实现这一点，预测性 AI 使用先进的统计方法来存储大型数据集，并随着时间的推移关联它们的模式。这种庞大且多样化的数据样本量使得模型能够对未来事件做出极为准确的预测。正是这些功能使得该模型有别于典型的人类智能。 

LoRA 与 QLoRA 说明

这两种 AI 模型都能够帮助企业节省时间、降低成本和优化资源。它们在效益方面的差异体现在结果及可解释性上。

生成式 AI 在处理大量数据时表现最佳，能够创造出全新的创意内容。即使数据可能有些不准确，机器仍然能够根据现有的信息生成一个答案。 

如何在企业中采用 AI 技术

相比之下，预测性 AI 在处理高质量数据时表现最佳，能够做出准确的预测。显然，基于高度准确的数据来训练机器学习软件，将会得出准确率更高的预测。

生成式 AI 的决策过程如同“黑箱”，很难弄清楚，但预测性 AI 的输出完全是基于它所接收的统计信息和数据而生成的，更加透明。在某些情况下，这有助于用户逆向追溯，理解模型是如何得出答案的。

生成式 AI 的一个常见风险是存在侵犯版权或抄袭的可能性。当创作新内容时（无论是写作、音乐还是美术），模型可能会无意中生成与已有素材相似的输出。如果这些内容与他人已拥有的数据相似，那就可能存在风险。提供模型训练所用数据的开源模型有助于降低这一风险。

另一个常见风险是产生“幻觉”。即便 AI 模型对某个答案不太确定，它们也会利用已有的信息尽力给出内容。有时，机器没有足够的信息来提供正确的输出。例如，当它们接受训练来预测序列中接下来应该出现的内容时，由于数据缺失，它们会用不准确的信息来填补空白。 

预测性 AI 的一个值得注意的风险是可能存在偏见。虽然生成式 AI 中也可能有偏见，但它对预测性 AI 的影响可能导致极其不准确的量化结果。训练预测性 AI 模型需要高质量的数据以及标注来支持准确的预测。如果所提供的数据中有部分是陈旧、过时或有偏见的，就可能影响其准确性。例如，预测性 AI 算法在进行预测时，可能会反映出其数据集中包含的种族或其他社会偏见。这可能会造成现实世界中的危害，比如在信贷审批或招聘过程，偏见会导致对某些群体的不公平对待。 

在使用预测性 AI 时，需要考虑的另一个常见风险是缺乏确定性。尽管这种人工智能能够做出正确的预测，但它无法保证绝对准确。依赖预测性 AI 作为事实依据时，总会存在一定的风险。

要记住，用于训练模型的数据并非一定越多越好，数据质量高才更为重要。

AI 安全防护如何保护您的 AI 工作负载

生成式 AI 已成为一种日益流行的工具，可用于生成代码、加快深度分析以及简化重复性任务。近年来涌现了许多知名的生成式 AI 应用，其中包括 OpenAI 的 ChatGPT 和 DALL-E、GitHub CoPilot、微软的 Bing Chat、谷歌的 Gemini、Midjourney、Stable Diffusion 以及 Adobe Firefly。

以下是生成式 AI 的几种不同用例。

生成和补全代码：一些生成式 AI 工具可以接受书面用户提示，应要求输出计算机代码来协助软件开发人员。它还能通过提供资深级别代码的示例及解释来帮助初级开发人员提升能力，从而助力代码解释工作。

增强数据：当使用真实数据不可行或不可取时，生成式 AI 可以创建大量合成数据。如果您想训练一个模型来理解医疗保健数据，同时又不想包含患者的个人信息，那么合成数据就会很有用。此外，它还可以用来将一个小型或不完整的数据集扩展成一个比例适当、规模更大的样本。

写作：生成式 AI 系统擅长模仿人类写作。它几乎能够响应任何主题的创作提示。它能够支持各种各样的写作需求，从给老板写邮件到撰写小说的下一章内容，都可以胜任。 

生成语音和音乐：生成式 AI 智能声乐工具可以使用书面文本和人声样本音频，创建模仿真人声音的叙述或歌声。还有些工具可以根据用户提示或样本创建人工智能音乐。

生成视频和图片：生成式 AI 图像工具可以根据无数主题和风格的用户提示来生成图片。提示越详细，生成的图片或视频质量就越高。一些 AI 工具，如 Adobe Photoshop 中的 Generative Fill，可以为现有作品增添新的元素，比如将小熊维尼添加到梵高的著名画作中。

探索生成式 AI 用例

预测性 AI 可以针对您所在的具体行业提供更快、更准确的未来展望，从而让您能够据此进行规划。这就是预测性 AI 在企业中越来越受欢迎的原因——它可以帮助企业希望了解如何为未来的事件做好准备，以便能够智能、高效地推动自身发展。 

以下是预测性 AI 的几个用例。

金融服务： 预测性 AI 可用于预见有利机会或潜在陷阱，包括金融投资、银行或保险领域的风险。如果预测足够及时，企业就有更多时间来做出改变，以保护其资产和客户。

零售业： 预测性 AI 能够预测事件，甚至人类行为。零售企业可以利用这一机器学习工具来预测顾客的购买需求，比如潜在客群、购买方式或何时购买。这有助于简化供应链、营销以及人员配置计划和相关流程。

医疗保健： 当不同患者之间出现相似模式，或者基于单个患者病史中的模式而重复出现某些情况时，预测性 AI 有助于早期疾病检测。通过分析患者数据以及过往情况，可以对风险和发病可能性进行评估，以便更早地发现和治疗健康问题。 

供应链： 预测性 AI 能够追踪库存规律，以确定某些产品在一周、一个月或一年当中何时会出现供应的增减变化。它还能预测运输时间，以便更好地保护对温度有特定要求的商品，比如冷冻食品或药品。 

探索预测性 AI 用例

红帽^® AI 是我们专门针对企业组织需求而构建的 AI 产品组合，它筑基于深受客户信赖的红帽解决方案。有了这种稳健的基础，我们的产品就能始终可靠、灵活且可扩展。

借助红帽 AI，您就可以访问红帽^® AI 推理服务器，在混合云上优化模型推理，从而实现更快、更具成本效益的部署。推理服务器由 vLLM 提供支持，可最大限度提高 GPU 利用率，加快响应速度。 

您可以访问兼具生成式 AI 和预测性 AI 功能的平台。此外，在构建和部署 AI 应用以及关键工作负载时，我们的专业顾问还可以针对您独特的企业用例提供实践支持。

探索红帽 AI 推理服务器