常用AI名詞解釋

AGI：Artificial General Intelligence (通用人工智能)：是指具備與人類同等或超越人類的智能，能夠表現(xiàn)出正常人類所具有的所有智能行為。又被稱為強(qiáng)人工智能。

AI：Artificial Intellige

nce (人工智能)：于1956年在Dartmouth學(xué)會上提出，是一種技術(shù)，通過類似人類反應(yīng)的方式對刺激做出反應(yīng)并從中學(xué)習(xí)。其理解和判斷水平通常僅在人類的專業(yè)技能中找到。AI因其具備自主學(xué)習(xí)和認(rèn)知能力，能夠進(jìn)行自我調(diào)整和改進(jìn)，從而應(yīng)對更加復(fù)雜的任務(wù)。

AIGC：AI Generated Content (生成式AI)：又稱為生成式AI，意指由人工智能生成的內(nèi)容。包括AI文字續(xù)寫、文字轉(zhuǎn)像的AI圖、AI主持人等應(yīng)用都屬于AIGC。

ANI：Artificial Narrow Intelligence (狹義人工智能)：即專注于一項(xiàng)任務(wù)的人工智能，例如下圍棋的AlphaGo。又被稱為弱人工智能。

ASI (人工超級智能)：盡管存在爭議，ASI通常被定義為超越人類思維能力的人工智能。

Accelerator（加速器）：一類旨在加速人工智能應(yīng)用的微處理器。

Agents（智能體）：Agent是一個設(shè)定了目標(biāo)或任務(wù)的大型語言模型，可以迭代運(yùn)行。與大型語言模型（LLM）在工具如ChatGPT中通常被用于回答問題的方式不同，Agent具有復(fù)雜的工作流程，模型本質(zhì)上可以自我對話，而無需人類驅(qū)動每一部分的交互。

Alignment（人工智能對齊）：指引導(dǎo)人工智能系統(tǒng)的行為，使其符合設(shè)計(jì)者的利益和預(yù)期目標(biāo)。已對齊的人工智能行為會朝著預(yù)期方向發(fā)展，而未對齊的人工智能行為雖然具備特定目標(biāo)，但此目標(biāo)并非設(shè)計(jì)者所預(yù)期。

Attention（注意力機(jī)制）：在深度學(xué)習(xí)中指的是模型對輸入的不同部分分配不同注意力的機(jī)制，有助于處理長距離依賴性。注意力機(jī)制有助于模型在生成輸出時專注于輸入的相關(guān)部分。

Backpropagation（反向傳播）：是一種用于訓(xùn)練神經(jīng)網(wǎng)絡(luò)的算法，通過不斷調(diào)整模型參數(shù)以最小化預(yù)測誤差。

Bias（偏見）：在機(jī)器學(xué)習(xí)中指的是模型對訓(xùn)練數(shù)據(jù)的錯誤偏見，可能導(dǎo)致對新數(shù)據(jù)的不準(zhǔn)確預(yù)測。

CLIP：Contrastive Language-Image Pre-training（對比語言-圖像預(yù)訓(xùn)練）：是一種由 OpenAI 提出的模型，用于聯(lián)合處理圖像和文本，使其能夠理解和生成圖像的描述。

CNN：Convolutional Neural Network（卷積神經(jīng)網(wǎng)絡(luò)）：一種專門用于處理圖像和視頻等網(wǎng)格數(shù)據(jù)的深度學(xué)習(xí)神經(jīng)網(wǎng)絡(luò)。此類模型通常用于圖像識別任務(wù)。

CV：Computer Vision（計(jì)算機(jī)視覺）：是一種讓計(jì)算機(jī)能夠理解和解釋視覺信息的技術(shù)領(lǐng)域。它指的是用攝影機(jī)和計(jì)算機(jī)代替人眼對目標(biāo)進(jìn)行識別、跟蹤和測量等機(jī)器視覺，并進(jìn)一步進(jìn)行圖像處理，使其更適合人眼觀察或傳送給儀器檢測的圖像。

ChatGPT（對話生成預(yù)訓(xùn)練變壓器）：由 OpenAI 創(chuàng)建的一種對話型語言模型。于2022年11月推出。該程序使用基于GPT-3.5、GPT-4架構(gòu)的大型語言模型并以強(qiáng)化學(xué)習(xí)訓(xùn)練。

CoT：Chain-of-Thought (思維鏈提示)：通過提示LLM生成一系列中間步驟，提高LLM的推理能力。這些中間步驟導(dǎo)致多步驟問題的最終答案。該技術(shù)由谷歌研究人員于2022年首次提出。

Compute（計(jì)算資源）：在上下文中，通常指的是計(jì)算機(jī)硬件資源，如CPU、GPU或TPU，用于進(jìn)行計(jì)算和執(zhí)行機(jī)器學(xué)習(xí)模型。

Connectionism（聯(lián)結(jié)主義）：也稱為神經(jīng)網(wǎng)絡(luò)或基于學(xué)習(xí)的AI。主要觀點(diǎn)是，知識存儲在大量連接中，模擬了大腦的神經(jīng)網(wǎng)絡(luò)。這種方法依賴于從數(shù)據(jù)中學(xué)習(xí)和適應(yīng)，而不是依賴預(yù)定義的規(guī)則。連接主義AI的典型例子是深度學(xué)習(xí)。

Cross-modal Generalization（跨模態(tài)泛化）：是一種機(jī)器學(xué)習(xí)能力，指的是模型能從一種模態(tài)（或類型）的數(shù)據(jù)中學(xué)習(xí)，并將這些學(xué)習(xí)應(yīng)用到另一種模態(tài)的數(shù)據(jù)上。

Data Augmentation（數(shù)據(jù)增強(qiáng)）：是一種通過對原始訓(xùn)練數(shù)據(jù)進(jìn)行隨機(jī)變換或擴(kuò)充的方法，以增加模型的多樣性和泛化能力。通過添加現(xiàn)有數(shù)據(jù)的略微修改的副本來增加用于訓(xùn)練模型的數(shù)據(jù)量和多樣性的過程。

Deep Learning（深度學(xué)習(xí)）：是一種機(jī)器學(xué)習(xí)的分支，以人工神經(jīng)網(wǎng)絡(luò)為架構(gòu)，對數(shù)據(jù)進(jìn)行表征學(xué)習(xí)的算法。深度學(xué)習(xí)中的形容詞“深度”是指在網(wǎng)絡(luò)中使用多層。

DeepMind（深度思維）：是一家人工智能研究實(shí)驗(yàn)室，致力于推動人工智能的前沿研究，曾開發(fā)出AlphaGo等領(lǐng)先的人工智能系統(tǒng)。

Diffusion Models（擴(kuò)散模型）：在機(jī)器學(xué)習(xí)中，是一類潛變量模型，用于訓(xùn)練馬爾可夫鏈。在計(jì)算機(jī)視覺中，通過學(xué)習(xí)逆擴(kuò)散過程訓(xùn)練神經(jīng)網(wǎng)絡(luò)，使其能夠?qū)ΟB加了高斯噪聲的圖像進(jìn)行去噪。它是DALL-E、Stable Diffusion和Midiourney的基礎(chǔ)模型。

Double Descent（雙降）：指機(jī)器學(xué)習(xí)中的一種現(xiàn)象，其中模型性能隨著復(fù)雜性的增加而提高，然后變差，然后再次提高。

Embedding（嵌入）：在機(jī)器學(xué)習(xí)中，指的是將高維數(shù)據(jù)映射到低維空間的過程，常用于表示詞向量或圖像特征。

Emergence（涌現(xiàn)）：是一種現(xiàn)象，許多小實(shí)體相互作用后形成了具有小實(shí)體不具備特性的大實(shí)體。在整合層次和復(fù)雜系統(tǒng)理論中，涌現(xiàn)扮演著核心角色。例如，生物學(xué)中的生命現(xiàn)象即是化學(xué)的一種涌現(xiàn)。

End-to-End Learning（端到端學(xué)習(xí)）：是一種無需手動設(shè)計(jì)功能的機(jī)器學(xué)習(xí)模型。該模型提供原始數(shù)據(jù)，期望從這些輸入中學(xué)習(xí)。

Expert Systems（專家系統(tǒng)）：是一種使用專業(yè)知識和規(guī)則來模擬人類專家決策過程的人工智能系統(tǒng)。

Few-Shot Learning（小樣本學(xué)習(xí)）：旨在從少量樣本中學(xué)習(xí)解決問題的方法。與小樣本學(xué)習(xí)相關(guān)的概念還包括零樣本學(xué)習(xí)（在沒有訓(xùn)練數(shù)據(jù)的情況下利用類別屬性等信息訓(xùn)練模型，從而識別新類別）。

Fine-Tuning（微調(diào)）：是遷移學(xué)習(xí)的一種常用技術(shù)。目標(biāo)模型在除去輸出層的源模型上進(jìn)行復(fù)制，并在目標(biāo)數(shù)據(jù)集上微調(diào)這些參數(shù)。在自然語言處理（NLP）中尤為常見。

Fitting（擬合）：是在機(jī)器學(xué)習(xí)和統(tǒng)計(jì)學(xué)中描述或預(yù)測數(shù)據(jù)的過程。理想的擬合是模型能夠準(zhǔn)確捕捉數(shù)據(jù)的基本結(jié)構(gòu)和模式，同時處理一些隨機(jī)的、無法預(yù)測的噪聲。

Forward Propagation（前向傳播）：在神經(jīng)網(wǎng)絡(luò)中，是指輸入數(shù)據(jù)通過每一層（從輸入層到輸出層）產(chǎn)生輸出的過程。網(wǎng)絡(luò)對輸入應(yīng)用權(quán)重和偏差，并使用激活函數(shù)生成最終輸出。

Foundation Model（基礎(chǔ)模型）：是在廣泛數(shù)據(jù)上訓(xùn)練的大型AI模型，旨在適應(yīng)特定任務(wù)。

GAN（General Adversarial Network）：是一種機(jī)器學(xué)習(xí)模型，通過使兩個神經(jīng)網(wǎng)絡(luò)相互對抗（一個生成器創(chuàng)建新數(shù)據(jù)，另一個鑒別器試圖將數(shù)據(jù)與真實(shí)數(shù)據(jù)區(qū)分開）來生成類似于現(xiàn)有數(shù)據(jù)的新數(shù)據(jù)。

GPT-4（Generative Pre-trained Transformer 4）：是由OpenAI公司于2023年3月14日發(fā)布的自回歸語言模型。相較于GPT-3和GPT-3.5模型，在各個方面都有所優(yōu)化。

GPU（Graphics Processing Unit）：是一種高性能的專用處理器，常用于加速深度學(xué)習(xí)和圖形處理任務(wù)。

Generalize（廣義化）：指將事物的定義修改或補(bǔ)充以使其適用于更大范圍，伴隨著將主體的定義或概念抽象化的過程。

Generalization Ability（泛化能力）：是模型對新數(shù)據(jù)的適應(yīng)和預(yù)測能力，是評估模型性能的重要指標(biāo)之一。

Generative AI（生成式人工智能）：是一類能夠生成新的、以前未見的數(shù)據(jù)的人工智能系統(tǒng)，如圖像、文本等。

Gradient Descent（梯度下降）：是一種通過沿?fù)p失函數(shù)梯度的反方向更新模型參數(shù)的優(yōu)化算法，以最小化損失。

Hallucinate（幻覺）：在人工智能中，是指模型生成的內(nèi)容不基于實(shí)際數(shù)據(jù)或與現(xiàn)實(shí)明顯不同的現(xiàn)象。

Hidden Layer（隱藏層）：是神經(jīng)網(wǎng)絡(luò)中介于輸入層和輸出層之間的層，用于學(xué)習(xí)輸入數(shù)據(jù)的抽象表示。

Hyperparameter Tuning（超參數(shù)調(diào)整）：通過調(diào)整模型的超參數(shù)（如學(xué)習(xí)率、層數(shù)等）來提高模型性能的優(yōu)化過程。

Inference（推理）：在機(jī)器學(xué)習(xí)中指使用經(jīng)過訓(xùn)練的模型對新數(shù)據(jù)進(jìn)行預(yù)測或分類的過程。

Instruction Tuning（指令調(diào)優(yōu)）：在機(jī)器學(xué)習(xí)中指通過調(diào)整模型的指令或策略來改善性能的過程。

Knowledge Distillation（數(shù)據(jù)蒸餾）：旨在將原始大數(shù)據(jù)集濃縮成小型數(shù)據(jù)集，使得在小數(shù)據(jù)集上訓(xùn)練的模型與在原數(shù)據(jù)集上訓(xùn)練的模型表現(xiàn)相似。這一技術(shù)在深度學(xué)習(xí)中得到廣泛應(yīng)用，特別是在模型壓縮和模型部署方面。它有助于將復(fù)雜模型轉(zhuǎn)化為更輕量級的版本，促進(jìn)模型的遷移學(xué)習(xí)和模型集成，提高模型的魯棒性和泛化能力。

LLM（Large Language Model）：是由具有數(shù)十億或更多權(quán)重的神經(jīng)網(wǎng)絡(luò)組成的語言模型。通過自監(jiān)督學(xué)習(xí)或半監(jiān)督學(xué)習(xí)對大量未標(biāo)記文本進(jìn)行訓(xùn)練。

LSTM（Long Short-Term Memory）：是一種用于處理序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡(luò)（RNN）架構(gòu)。

Latent Space（潛在空間）：指模型學(xué)到的數(shù)據(jù)的低維表示，其中隱藏了數(shù)據(jù)的關(guān)鍵特征。

Loss Function（損失函數(shù)）：也稱為成本函數(shù)，是機(jī)器學(xué)習(xí)模型在訓(xùn)練期間試圖最小化的函數(shù)，量化了模型預(yù)測與真實(shí)值的距離。

Machine Learning（機(jī)器學(xué)習(xí)）：是人工智能的一個分支，通過機(jī)器學(xué)習(xí)可以解決人工智能中的部分問題。它是實(shí)現(xiàn)人工智能的途徑之一，強(qiáng)調(diào)通過學(xué)習(xí)解決問題。

Mixture of Experts（專家組合）：是一種機(jī)器學(xué)習(xí)技術(shù)，通過訓(xùn)練多個專門的子模型（“專家”），并以依賴于輸入的方式組合它們的預(yù)測。

Multimodal（模態(tài)）：在人工智能中，指可以理解和生成多種類型數(shù)據(jù)（如文本和圖像）信息的模型。

NLP（Natural Language Processing）：是人工智能和語言學(xué)領(lǐng)域的分支學(xué)科，探討如何處理及運(yùn)用自然語言。NLP包括認(rèn)知、理解、生成等多方面步驟。

NeRF（Neural Radiance Fields）：是一種用于渲染三維場景的神經(jīng)網(wǎng)絡(luò)模型。

Neural Network（神經(jīng)網(wǎng)絡(luò)）：是一種受人腦啟發(fā)的人工智能模型，由連接單元或節(jié)點(diǎn)（神經(jīng)元）組成，用于接受輸入、進(jìn)行計(jì)算并產(chǎn)生輸出。

Objective Function（目標(biāo)函數(shù)）：在機(jī)器學(xué)習(xí)中指用于衡量模型性能的函數(shù)，模型的訓(xùn)練目標(biāo)是最小化或最大化這個函數(shù)。

OpenAI：是一家人工智能研究實(shí)驗(yàn)室，致力于推動人工智能的前沿研究，創(chuàng)造對人類有益的AI。

Overfitting（過擬合）：在機(jī)器學(xué)習(xí)中指模型在訓(xùn)練數(shù)據(jù)上表現(xiàn)很好，但在未見過的新數(shù)據(jù)上表現(xiàn)差的現(xiàn)象。過度擬合訓(xùn)練數(shù)據(jù)可能導(dǎo)致模型泛化能力差。

Parameters（參數(shù)）：在機(jī)器學(xué)習(xí)模型中，指模型的權(quán)重和偏差等可調(diào)整的變量。

Pre-training（預(yù)訓(xùn)練）：是一種機(jī)器學(xué)習(xí)的方法，通過在大規(guī)模數(shù)據(jù)上進(jìn)行初始訓(xùn)練，然后在特定任務(wù)上進(jìn)行微調(diào)。

Prompt Engineering（提示工程）：是一種調(diào)整和優(yōu)化自然語言處理模型輸入提示的方法，以獲得更準(zhǔn)確和有針對性的輸出。

RLHF（Reinforcement Learning with Human Feedback）：是一種結(jié)合強(qiáng)化學(xué)習(xí)和人類反饋的方法，用于改進(jìn)模型性能。

RNN（Recurrent Neural Network）：是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡(luò)結(jié)構(gòu)。

Regularization（正則化）：是一種用于減小模型過擬合風(fēng)險(xiǎn)的技術(shù)，通過對模型參數(shù)引入額外的懲罰項(xiàng)。

Reinforcement Learning（強(qiáng)化學(xué)習(xí)）：是機(jī)器學(xué)習(xí)的一個領(lǐng)域，強(qiáng)調(diào)如何基于環(huán)境而行動，以取得最大化的預(yù)期利益。是除了監(jiān)督學(xué)習(xí)和非監(jiān)督學(xué)習(xí)之外的第三種機(jī)器學(xué)習(xí)方法。

Singularity（奇點(diǎn)）：在人工智能的背景下，奇點(diǎn)（技術(shù)奇點(diǎn)）指的是未來的一個假設(shè)時間點(diǎn)，當(dāng)技術(shù)增長變得不可控和不可逆轉(zhuǎn)時，將導(dǎo)致人類文明發(fā)生不可預(yù)見的變化。

Supervised Learning（監(jiān)督學(xué)習(xí)）：是一種機(jī)器學(xué)習(xí)方法，模型通過從有標(biāo)簽的訓(xùn)練數(shù)據(jù)中學(xué)習(xí)，通過最小化預(yù)測和實(shí)際標(biāo)簽之間的差異來訓(xùn)練模型。

Symbolic AI（符號主義）：也被稱為基于規(guī)則的AI或邏輯主義。符號主義認(rèn)為所有知識和推理都可以用符號和規(guī)則來表示。這種方法依賴于明確定義的規(guī)則和符號，通過邏輯推理解決問題。專家系統(tǒng)是符號主義AI的典型例子。

TPU（Tensor Processing Unit）：是由谷歌設(shè)計(jì)的專用硬件，用于高效進(jìn)行張量運(yùn)算，特別適用于深度學(xué)習(xí)任務(wù)。

TensorFlow：是由谷歌開發(fā)的開源機(jī)器學(xué)習(xí)框架，用于構(gòu)建和訓(xùn)練深度學(xué)習(xí)模型。

Token（標(biāo)記）：在自然語言處理中，指的是文本中的基本單元，可以是一個單詞、一個字符或一個子詞。

Training Data（訓(xùn)練數(shù)據(jù)）：用于訓(xùn)練機(jī)器學(xué)習(xí)模型的數(shù)據(jù)集，包含輸入特征和相應(yīng)的標(biāo)簽。

Transfer Learning（遷移學(xué)習(xí)）：是一種機(jī)器學(xué)習(xí)方法，通過在一個任務(wù)上學(xué)到的知識來改善在另一個相關(guān)任務(wù)上的性能。

Transformer（變壓器）：是一種處理序列數(shù)據(jù)的模型架構(gòu)，通過自注意力機(jī)制實(shí)現(xiàn)了對序列的全局關(guān)注。

Turing Test（圖靈測試）：是一種測試人工智能是否能夠表現(xiàn)得像人類一樣的方法，即能否欺騙人類判別其是否為機(jī)器。

Underfitting（欠擬合）：在機(jī)器學(xué)習(xí)中指的是模型對訓(xùn)練數(shù)據(jù)學(xué)得不夠好，不能很好地適應(yīng)新數(shù)據(jù)。

Unsupervised Learning（無監(jiān)督學(xué)習(xí)）：是一種機(jī)器學(xué)習(xí)方法，模型從沒有標(biāo)簽的數(shù)據(jù)中學(xué)習(xí)，目標(biāo)是發(fā)現(xiàn)數(shù)據(jù)中的模式和結(jié)構(gòu)。

Validation Data（驗(yàn)證數(shù)據(jù)）：用于調(diào)整模型超參數(shù)的數(shù)據(jù)集，不用于模型的訓(xùn)練，而是用于評估模型性能。

Vector（向量）：在數(shù)學(xué)和機(jī)器學(xué)習(xí)中指的是具有大小和方向的量，常用于表示特征或嵌入。

XAI（Explainable Artificial Intelligence）：是一種人工智能方法，強(qiáng)調(diào)模型決策的可解釋性和可理解性。

Zero-Shot（零樣本學(xué)習(xí)）：是一種機(jī)器學(xué)習(xí)范例，使用預(yù)先訓(xùn)練的深度學(xué)習(xí)模型來泛化新類別的樣本。其思路是將訓(xùn)練實(shí)例中已包含的知識遷移到測試實(shí)例分類的任務(wù)中。需要注意，零樣本學(xué)習(xí)中訓(xùn)練和測試集是不相交的。

歡迎各位讀者提出批評和建議，大家有什么感興趣的內(nèi)容話題或者想了解的技術(shù)知識可以進(jìn)行評論留言，咱們一同討論，有好的學(xué)習(xí)資源我也會第一時間分享給各位，共同學(xué)習(xí)人工智能領(lǐng)域的知識。

來源：智能的大西瓜

審核編輯：湯梓紅