生成对抗网络 (GAN) – 这些 AI 模型由两部分组成 – “生成器”和“鉴别器”。生成器创建新内容，然后鉴别器批评输出。鉴别器模型在识别图像为 AI 生成时可以将图像归类为“假”，因此随着生成器从鉴别器中
习，输出会同的输出，从而创建新的图像和文本。
Transformers – Transformers 目前是最主要的 AI 架构，因为它们可以将大量数据情境化。本质上，该模型接收大量数据并将其转换为嵌入（一个向量空间，其中包含许多代表数据的数字）。现在，使用嵌入中的数字，Transformers 可以 WhatsApp数据 使用其训练数据来回答。
扩散 –扩散模型因最近的图像生成器模型而出名，其工作原理是向训练数据（图像）添加更多数据点（像素）。通过添加和删除这些数据点，模型可以使用提供的输入或提示从训练数据中 生成全新的图像。
现在我们已经了解了使生成式人工智能发挥作用的技术，让我们来讨论一下它在当前世界中的用例。
4. 编写代码
大多数新模型可以编写基本应用程序并在本地运行它们以给您答案。
虽然生成式人工智能有多种用途，但目前它也存在一些严重的局限性。让我们来分析一下。
对话式人工智能是一种允许人类用自然语言与机器交谈的技术。这包括从基于规则和按钮的聊天机器人到由生成式人工智能驱动的自然语言。
通过对海量人类对话数据进行训练，这些模型能够理解人类对话的语义，能够进行开场白，能够为人类解决一些小问题。
最新的对话式人工智能模型在后端使用生成式人工智能。然而，一些特定的技术是必不可少的。
引擎盖下
对话式人工智能模型的基本技术包括：
自然语言处理 (NLP) – NLP 机器学习技术能够理解人类的输入。它接收自然语言输入并将其转换为 AI 模型可以理解的数据。
对话管理 – AI 模型使用对话管理器来制定答案。这可以像查找表一样简单（对于基于规则的模型），也可以像生成式 AI 一样复杂（对于人类语言聊天和语音机器人）。
通过人类反馈进行强化学习——对话需要不断发展，因此大多数对话式 AI 应用程序都会接受人类用户的评分，以便随着时间的推移改进和学习更好的策略。这个过程称为 RHLF。
对话式人工智能让机器像人类一样说话，因此具有广泛的商业应用。
在实践中，对话式人工智能模型有以下局限性：
1. 脱离上下文的查询没有答案
与生成式人工智能不同，对话式人工智能仅限于较小的训练数据集，因此无法回答脱离上下文的查询。
2.不擅长复杂任务
虽然对话式人工智能可以解决重复查询并自动执行许多功能，但它并不擅长解决复杂的查询。
3.需要用户反馈
对话式 AI 模型只有通过使用和反馈才能得到改进，因此反馈机制至关重要。
如您所见，对话式 AI 和 电子邮件营销技巧和示例 生成式 AI 既有区别，也有相似之处。为了进一步理解，让我们比较一下这两种模型的工作原理。
对话式人工智能与生成式人工智能的区别
对话式 AI 和生成式 AI 并非 亚洲电子邮件列表 完全互斥的模型。大多数现代对话式 AI 应用程序都使用生成式 AI 来运行（也有非基于生成式 AI 的对话式 AI 应用程序）。
因此，一些对话式 AI 应用程序是生成式的，一些则不是；而一些生成式 AI 应用程序是对话式的，一些则不是。
通过将生成式 AI 添加到对话式 AI 系统，各行各业的企业都获得了显著的收益。使用 ROI 计算器，他们可以衡量这些增强功能对客户满意度、运营效率和收入增长的影响。
