EU Data

根据 C3PO 的反馈，他们玩游戏的时间越长，R2-D2 就越能使图像更加真实。

变形金刚
基于 Transformer 的生成式 AI 模型是使用深度学习架构（在大量数据中查找模式的算法）来根据顺序数据预测新文本的神经网络。变形金刚可以学习上下文并将一种类型的输入“转换”为另一种类型的输出，以生成与人类生成的文本类似的类人文本并回答问题。

考虑一下消息传递应用程序的自动建议功能。假设汉·索罗想给莱娅公主发送一条短信。当他开始打字时，生成人工智能会预测他打字序列中的下一个单词，并为他提供可以快速选择的宏（文本建议），这样他就不必键入每个单词。

例如，Han 可以输入：“May the”，生成人工智能可以建议：“May be with you”。

，可对输入数据进行编码、简化和优化数据点，并将它们存储在称为潜在空间的隐藏存储区域中。根据请求，数据从潜在空间中提取并重建以类似于其原始形式。 VAE 经常创建生成式人工智能图像和文本。

想象一下尤达，一位强大的绝地大师，Office 365 数据 500,000 套餐 他可以使用原力将图像转换成包含加密文本的卷轴，立即将它们传送到偏远星球达戈巴上的一个上锁的箱子，然后根据要求将卷轴转换回原始图像。

假设你给尤达一张楚巴卡的照片。尤达可以将它变成卷轴并将其安全地存放在达戈巴的胸口中。几天后，你向尤达要照片。他再次使用原力来访问卷轴并将其恢复到原来的形式。



基于流的模型
基于流的模型将复杂的数据分布转换为简单的分布。这种类型的模型通常用于图像生成。

假设年轻的阿纳金·天行者有一组积木，每个积木都有不同的颜色。如果阿纳金想要排列块来创建图案，他可以将块放在他想要的任何位置，但他必须确保图案中的块数量始终相同。基于流的模型允许 Anakin 创建新模式或改进现有模式，确保功率（或块数量）始终保持平衡。

循环神经网络
循环神经网络 (RNN) 用于处理和生成顺序数据。使用数据序列训练 RNN 会产生与学习数据相似的新序列。 RNN 根据先前序列中发生的情况来预测序列中接下来会发生的情况。 RNN 是 Siri 和 Google 语音搜索的生成式 AI 模型。

想象一下莱娅公主和伊沃克人威克特在恩多森林里互相扔球。每次莱娅扔球时，威克特都会毫不费力地接住它。威克特自信地接住球，因为他已经学会了预测球的路径并根据之前的所有投掷（顺序）预测球将落在哪里。