生成式人工智能是指深度学习模型，它可以获取原始数据（例如，所有维基百科或伦勃朗的作品集），并在出现提示时“学习”生成统计上可能的输出。在较高的层次上，生成模型对
所用的训练数据的简化表示进行编码，并从中提取内容来创建类似的新作品，
但与原始数据不同。

多年来，统计学中一直使用生成模型来分析数值数据。然而，随着深度学习的兴起，现在可将它们扩展到图像、语音和其他复杂数据类型。实现这一跨界壮举的一流模型是 2013 年推出的变分自动编码器 (VAE)。VAE 是第一个广泛用于生成逼真图像和语音的深度学习模型。

“使用 VAE，更容易扩展模型，从而打开了深度生成建模的闸门，”MIT-IBM Watson AI 实验室的生成式人工智能专家Akash Srivastava 说道。“我们今天所认为的生成式人工智能大部分都是从这里开始的。”

这些模型的早期示例已经展示了可能性，例如，GPT-3、BERT 或 DALL-E 2。未来的模型是使用大量未标记数据进行训练，这些数据可用于不同的任务，并且只需进行最少的微调。在单一领域执行特定任务的系统正在让位于广泛的人工智能，后者可以更广泛地学习并跨领域和跨问题工作。目前，基础模型是在大型、未标记的数据集上进行训练，并针对一系列应用程序进行微调，这些模型正在推动这一转变。

对于生成式人工智能，预计基础模型将显著加快人工智能在企业中的应用。减少标签要求可带来很多好处，
企业更容易投入使用人工智能，而且，高度准确、高效的人工智能驱动的自动化意味着，更多的公司将能够在更广泛的关键任务情况下部署人工智能。对于 IBM 来说，希望在于，每个企业最终都能在无摩擦的混合云环境中受益于人工智能基础模型的强大功能。