突破AI擴散模型極限！新技術讓生成式AI更快速、更萬用

加州大學聖地牙哥分校的研究團隊與國際合作夥伴聯手，為當紅的AI擴散模型（Diffusion Models）帶來革命性突破。這項技術不僅能大幅提升運算效率，更將開啟生成式AI在語言處理、決策推理等領域的全新應用可能。

現行的擴散模型運作原理，是透過對輸入資料進行微小漸進的調整來學習複雜模式。這種「小碎步」式的運算雖然精準，卻也導致效率不彰。由加州大學聖地牙哥分校Halıcıoğlu資料科學研究所助理教授馬巖領軍的團隊，開發出創新的「反向轉移核」技術，讓AI能夠跨出更大的運算步伐。

這項發表在頂尖會議NeurIPS 2024並獲選為亮點論文的研究，徹底改變了傳統擴散模型必須依賴高斯噪聲（Gaussian noise）逐步調整的限制。馬教授解釋：「我們讓AI不再侷限於小幅度調整，而是能根據不同任務需求，選擇最合適的機率分佈進行跳躍式運算。」

研究團隊證實，這種突破性的運算方式不僅能減少中間步驟、加快運算速度，更重要的是大幅拓展了擴散模型的應用範圍。馬教授興奮地表示：「這項技術將為語言生成、多模態內容創作帶來革命性影響，甚至在長期推理、工具使用等複雜決策任務中發揮關鍵作用。」

參與這項跨國研究的還包括伊利諾大學厄巴納-香檳分校、香港科技大學、香港大學以及Salesforce AI Research的頂尖學者。馬教授強調：「最令人振奮的是，這項技術幾乎可以相容任何中間轉換步驟，這意味著它不僅能加速運算，更能讓AI適應各種不同的應用場景。」

隨著這項技術的成熟，未來我們可望看到更快速、更聰明的AI助手，能夠流暢地處理從文案創作到商業決策等多元任務，為生成式AI開啟全新的應用篇章。