人工智能 （AI） 正在重塑技术，但其复杂的术语可能使其难以理解。本指南分解了基本的 AI 术语，让您更清楚地了解塑造我们世界的技术。

了解人工智能 （AI）

人工智能 （AI）

• 定义：AI 是计算机科学的一个分支，专注于构建可以执行通常需要人类智能的任务的系统，例如解决问题、理解语言和识别模式。通过算法和数据，AI 可以做出决策、生成见解和自动化流程，在不同程度上模仿认知功能。常见应用程序包括虚拟助手、推荐引擎和自动驾驶汽车。

• 为什么它很重要：AI 的多功能性正在改变医疗保健、金融、教育、营销、销售等行业，通过实现自动化、个性化和洞察，推动各行各业的生产力和创新。

核心 AI 概念

机器学习 （ML）

• 定义： 机器学习是一种 AI，系统从数据中学习以做出决策和预测。与传统编程不同，ML 系统会随着时间的推移而改进，因为它们会接触到更多的数据。

• 为什么它很重要：ML 为推荐引擎、欺诈检测和客户支持自动化等 AI 工具提供支持，使其成为现代数据驱动型业务战略的基石。

深度学习

• 定义： 深度学习是一种机器学习，它使用具有多层（因此是“深度”）的神经网络来识别大型数据集中的复杂模式。每一层都逐步处理数据，使其对于分析复杂信息非常有效。

• 为什么它很重要： 深度学习为图像识别和自然语言处理 （NLP） 等高级 AI 应用程序提供支持，通过允许模型处理复杂的数据和任务来推动 AI 功能的突破。

强化学习 （RL）

• 定义： 强化学习是一种机器学习技术，其中代理在环境中通过反复试验来学习，获得奖励或惩罚以强化导致最佳结果的行动。目标是让代理通过调整其作来随着时间的推移最大化奖励。

• 为什么它很重要：强化学习对于自适应 AI 至关重要，尤其是在自主系统和战略游戏 AI 中，例如 AlphaGo，AI 通过体验学习做出最佳决策。

模仿学习

• 定义：模仿学习是一种机器学习技术，其中 AI 模型通过观察和模仿人类或其他模型提供的示例来学习执行任务。该模型不是从头开始，而是在观察到的场景中“模仿”动作，使其能够从演示的行为中学习，例如在机器人、驾驶模拟或游戏中。

• 为什么它很重要： 模仿学习使 AI 能够快速有效地学习可能难以显式编程的复杂任务。通过观察专家的行为，模型可以掌握细微的动作和策略，这使得这种方法对于难以定义明确规则的任务很有价值。它在自动驾驶等领域特别有用，在这些领域中，直接从人类行为中学习安全、自适应的动作可以加快开发速度并提高实际性能。

零样本和少样本学习

• 定义：零样本和少数样本学习是使 AI 能够以最少的训练数据执行任务的技术。在零样本学习中，模型可以处理以前从未见过的任务，而在少数样本学习中，它可以从少数示例中快速学习。

• 为什么它很重要： 这些方法使 AI 更具适应性，使其能够有效地响应新类型的问题或任务，而无需进行大量的重新训练。这种灵活性在快速变化的字段或高度专业化的查询中特别有用。

通用人工智能 （AGI）

• 定义：AGI 是指一种高度先进的 AI 形式，能够在广泛的领域和背景下理解、学习和执行人类可以执行的任何智力任务。与仅限于特定任务的狭义 AI 不同，AGI 将展示类似人类的适应性和解决问题的能力。OpenAI 等公司的研究工作正在探索 AGI 的潜力，尽管现阶段它仍是理论上的。

• 为什么它很重要： AGI 可以以其前所未有的创造力和效率潜力彻底改变各行各业。然而，它的发展引发了重大的道德和安全问题，包括控制问题、与人类价值观的一致性以及创造具有人类水平智能的机器的更广泛的社会影响。

生成式 AI

• 定义：生成式 AI 是指可以根据训练数据创建新内容（例如文本、图像、代码和音频）的 AI 系统。示例包括 ChatGPT 和 DALL-E 等图像生成器。

• 为什么它很重要：生成式 AI 通过创建原创内容来激发创造力和生产力，并在内容创建、营销和产品设计方面拥有广泛的应用，可以更快地制作创意资产，但也在准确性和原创性方面提出了挑战。

AI 挑战和限制

幻觉

• 定义： 在 AI 中，当系统以高置信度生成不正确或无意义的输出时，就会发生幻觉。这些错误通常是由于训练数据中的差距或偏差造成的。由于其数据驱动的性质，AI 系统有时会生成听起来合理但实际上不正确的响应。

• 为什么它很重要： 幻觉会影响 AI 的可靠性，尤其是在准确性至关重要的领域，例如医疗保健和法律咨询。认识到这些错误可能会发生，这凸显了人类需要“参与其中”。

偏见

• 定义： AI 中的偏差是指 AI 决策中存在偏见或不公平的结果，通常是由于训练数据有偏差或不具有代表性。例如，Joy Buolamwini 和 Timnit Gebru 的研究证明了面部识别系统中存在偏见，突出了这些技术如何与肤色较深的人（尤其是女性）作斗争。

• 为什么它很重要：AI 偏见可能导致不平等待遇和歧视性做法，从而影响客户信任和法规合规性。识别和减少偏见对于开发公平和合乎道德的 AI 工具至关重要，确保它们公平地为所有用户工作。

AI 模型的类型

AI 模型

• 定义：AI 模型是一种经过训练的数学结构，用于处理数据和执行特定任务，例如识别图像或生成文本。

• 为什么它很重要：模型是所有 AI 应用程序的基础，允许工具处理信息、生成内容并与用户交互。

大型语言模型 （LLM）

• 定义：LLM 是在人类语言的大型数据集上训练的 AI 模型，使它们能够理解并生成听起来自然的文本。示例包括 ChatGPT、Claude、Gemini 和 Llama。

• 为什么它很重要：LLM 为聊天机器人、虚拟助手和翻译服务等工具提供支持，使 AI 交互在各种应用程序中更流畅、更像人类。

扩散模型

• 定义： 扩散模型是生成图像、音频或视频的 AI 模型，它从随机噪声开始，然后逐渐对其进行优化以产生清晰、详细的输出。

• 为什么它很重要： Diffusion 模型为 DALL-E 和 Midjourney 等流行的图像生成工具提供支持，支持跨媒体、广告和娱乐的创意应用程序。

基础模型

• 定义：基础模型是在大量数据集上训练的大型多功能 AI 模型，使其适用于各种应用。示例包括 OpenAI 的 GPT、Google 的 Gemini、Meta 的 Llama 和 Anthropic 的 Claude。

• 为什么它很重要：基础模型为构建各种 AI 驱动的工具提供了一个强大的起点，从而可以更快、更轻松地跨行业创建应用程序。

前沿模型

• 定义： Frontier 模型是实验性的尖端 AI 模型，公司认为这些模型可以在功能和能力方面显著超越当前技术。示例包括 GPT-4、Google 的 Gemini 和 Anthropic 的 Claude 等先进模型的最新版本，这些模型仍在积极研发中。

• 为什么它很重要：前沿模型代表了 AI 创新的未来，但由于其先进的功能和实验性质，也带来了潜在的风险和道德挑战。

训练和参数

训练

• 定义：AI 训练涉及为模型提供大型数据集，以帮助它们学习模式、关系并做出准确的预测。此过程是按周期完成的，其中模型会随着时间的推移而改进和改进。训练对于开发像 LLM 这样能够“理解”人类语言并连贯响应的模型至关重要。

• 为什么它很重要：训练使模型能够不断学习和改进，使 AI 系统能够更好地理解和更准确地响应用户输入。

参数

• 定义：参数是 AI 模型中的内部变量，有助于解释和处理输入数据。在训练过程中调整后，这些参数会影响模型的响应，并且经常被公司引用来说明模型的复杂性和功能。

• 为什么它很重要：参数在模型分析数据和做出决策的方式中起着关键作用，对 AI 性能、准确性和整体复杂性产生重大影响。

推理

• 定义：推理是 AI 模型应用在训练期间学到的知识来生成输出以响应用户请求的阶段，例如回答问题或创建图像。这是一个实时过程，模型根据先前的训练 “推断” 响应。

• 为什么它很重要：推理使 AI 能够提供即时、实时的响应或结果。这使得 AI 工具具有响应性和交互性，支持聊天机器人、虚拟助手和图像生成等应用程序。

技术 AI 组件

神经网络

• 定义：神经网络是按照人脑结构建模的 AI 系统。它们由相互连接的节点（或“神经元”）层组成，这些节点按顺序处理数据，使网络能够从复杂的数据模式中学习。神经网络是生成式 AI 和许多其他高级应用程序的基础。

• 为什么它很重要： 神经网络通过学习和识别数据中的复杂模式，实现复杂的 AI 功能，包括图像识别、语音生成和语言翻译。

变形金刚

• 定义：Transformer 是一种强大的神经网络架构，旨在高效处理数据序列。通过关注数据点之间的关系，transformer 可以解释上下文并生成准确的响应。Transformer 的“不仅仅是眼前所见”，因为这种架构是在 AI 模型中处理大规模信息的关键。

• 为什么它很重要： Transformer 使 AI 能够快速处理大量数据，这使得它们对于 ChatGPT 和其他大型语言模型等高级模型至关重要。

令 牌

• 定义：标记是语言模型单独处理的文本段（例如单词、单词部分或标点符号）。大型语言模型 （LLM） 使用标记来分解和解释文本。具有较大 “上下文窗口” 的模型可以一次处理更多标记，从而实现更好的理解和更准确的响应。

• 为什么它很重要：令牌使模型能够更有效地处理和理解语言，将复杂的语言分解为可管理的部分。这提高了模型生成连贯且与上下文相关的响应的能力。

数据处理和处理

自然语言处理 （NLP）

• 定义：NLP 使 AI 能够以人类语言解释、理解和响应。OpenAI 的 ChatGPT 和谷歌翻译等工具使用 NLP 来准确生成文本、回答问题和翻译语言。

• 为什么它很重要：NLP 对于使 AI 通信自然且易于理解至关重要。这对于客户服务、辅助功能工具和内容创建等应用程序至关重要，在这些应用程序中，清晰的人机交互是关键。

检索增强生成 （RAG）

• 定义： RAG 是一种技术，使 AI 模型能够在响应生成期间从外部数据源检索相关信息。通过将数据检索与响应生成相结合，RAG 可以提高 AI 输出的准确性和相关性。

• 为什么它很重要： RAG 扩展了模型的数据访问，减少了错误，并使 AI 响应对于复杂或特定的查询更加可靠。这种方法在需要最新信息的领域中特别有用。

• 为什么 RAG 不是到处都使用？虽然 RAG 通过减少幻觉来提高准确性，但它的实施复杂且耗费资源，并且会减慢反应速度。它最适合需要最新信息（例如医疗或法律环境）的应用程序，而不是每个 AI 工具，尤其是当速度、隐私和简单性是优先事项时。

边缘 AI

• 定义：边缘 AI 是指在智能手机或 IoT 设备等设备上本地进行的 AI 处理，而不是依赖云服务器。这意味着数据在网络的“边缘”进行分析和处理，靠近数据生成的源头。

• 为什么它很重要：边缘 AI 可实现更快、实时的响应并增强隐私，因为数据不需要发送到云端。这在健康监测、智能家居设备和自动驾驶汽车等应用中尤其有价值，在这些应用中，即时处理和隐私至关重要。

道德、隐私和负责任的 AI

AI 中的道德规范

• 定义： AI 中的道德规范是指指导负责任地使用 AI 的原则和标准，强调公平、隐私、问责制和透明度。

• 为什么它很重要： AI 中的道德规范有助于防止滥用、减少偏见和促进公平，确保 AI 系统负责任地为社会服务并维护公众信任。

可解释的 AI （XAI）

• 定义： 可解释的 AI （XAI） 是指为其决策提供可理解的推理、提高透明度和可解释性的 AI 系统。XAI 旨在使复杂的 AI 模型更容易被人类理解。

• 为什么它很重要：XAI 在问责制至关重要的行业（如医疗保健和金融）至关重要，因为它可以帮助专业人士信任和验证 AI 驱动的结果。

黑盒 AI （无法解释的 AI）

• 定义： 黑盒 AI 是指复杂的 AI 模型，例如一些深度神经网络，其内部工作和决策过程不容易被人类解释。这些模型可以做出准确的预测，但它们的推理通常隐藏在计算层中，因此很难准确理解它们为什么会得出特定结果。

• 为什么它很重要： 黑盒 AI 可能非常有效，但缺乏透明度会给信任、问责制和道德使用带来挑战，尤其是在医疗保健和金融等领域。这就是 Explainable AI （XAI） 变得至关重要的原因 — 使 AI 决策更加透明和易于理解。

自治系统

• 定义：自治系统是 AI 驱动的系统，可以在没有人工输入的情况下独立运行，使用实时决策来执行任务。这些系统依靠传感器、数据处理和算法来导航和响应其环境。

• 为什么它很重要：自动驾驶系统正在改变运输（例如自动驾驶汽车）和物流（例如自动化仓库）等行业。然而，它们也带来了独特的监管和道德挑战，因为它们需要严格的监督以确保安全和问责制。

联邦学习

• 定义：联邦学习是一种机器学习方法，其中算法在多个去中心化设备（如智能手机）上进行训练，而不是依赖于中央数据源。每个设备都在本地训练模型，并仅共享学习的见解（而不是原始数据）以改进整体模型。

• 为什么它很重要： 联合学习通过将用户数据保存在单个设备上来增强隐私，同时仍然允许进行有效的 AI 模型训练。这种方法在数据敏感性较高的医疗保健和金融等领域尤其有价值。

合成数据

• 定义：合成数据是人工生成的数据，用于模拟真实数据的模式和特征。当真实世界的数据有限、敏感或难以获取时，它通常用于训练 AI 模型。

• 为什么它很重要：合成数据支持私有、灵活的训练，使 AI 模型能够从真实数据中学习，而无需担心隐私问题。它在医疗保健和金融等领域特别有用，因为在这些领域，数据安全性和可用性至关重要。定义： NPU 是专为 AI 任务（尤其是推理）设计的专用处理器，常见于智能手机和计算机等设备中。它们比通用处理器更有效地处理 AI 工作负载。

• 为什么它很重要： NPU 支持快速的设备端 AI 处理，非常适合增强现实和实时语言翻译等低延迟应用程序。通过在本地处理 AI 任务，NPU 减少了对云计算的需求，这不仅加快了响应时间，还改善了用户隐私。

TOPS（每秒万亿次作）

• 定义：TOPS 是用于衡量 AI 硬件处理能力的指标，表示芯片每秒可以执行多少万亿次作。它通常被硬件公司用来展示芯片性能，尤其是对于 AI 任务。

• 为什么它很重要： TOPS 量化了 AI 硬件的速度和功能。具有较高 TOPS 等级的芯片可以处理更复杂的 AI 工作负载，这对于在实时应用程序中有效运行高级 AI 模型至关重要。

领先的 AI 公司和平台

OpenAI / ChatGPT

• 定义：ChatGPT 于 2022 年推出，通过展示高级语言模型的功能，引发了公众对人工智能的浓厚兴趣。OpenAI 的 ChatGPT 仍然是最受欢迎的对话式 AI 工具之一，帮助用户完成从回答问题到创意写作的各种任务。

• 为什么它很重要：ChatGPT 的推出加速了 AI 的采用，并激励其他科技公司优先考虑 AI 产品，凸显了对话式 AI 对个人和企业来说都是有价值的工具。

Microsoft / 副驾驶

• 定义：通过与 OpenAI 合作，Microsoft 通过 Copilot 将 AI 嵌入其产品中，通过智能自动化和辅助增强 Word、Excel 和 Teams 等工具。

• 为什么它很重要：Microsoft 对 Copilot 的投资将 AI 集成到其各个平台中，改变了日常生产力工具，并标志着 AI 在个人和专业应用程序中的作用不断扩大。

困惑

• 定义：Perplexity 以其 AI 驱动的搜索引擎而闻名，是最早在其回复中引用来源的公司之一，为用户提供了更高的透明度。这种方法使其与许多其他对话式 AI 工具区分开来，并导致对其数据收集实践的审查。

• 为什么它很重要：Perplexity 正在开创使用 AI 进行搜索的替代方法，强调 AI 驱动的信息检索的潜在挑战和道德挑战，同时通过在回复中直接链接来源来强调透明度。

谷歌 / 双子座

• 定义：Google 正在通过 Gemini 将 AI 嵌入其整个生态系统中，Gemini 是一组高级语言模型，旨在改进搜索、语言翻译和语音协助等服务。

• 为什么它很重要：Google 将 AI 集成到其服务中，为数十亿人带来了可访问的高性能 AI，从而重塑了搜索、通信和生产力应用程序的用户体验。

Anthropic / 克劳德

• 定义：在亚马逊和谷歌的支持下，Anthropic 开发了 Claude，这是一种非常强调安全和与人类价值观保持一致的 AI 模型。

• 为什么它很重要： Claude 专注于安全和合乎道德的 AI 设计，旨在促进可靠的 AI 使用，解决 AI 与人类意图保持一致的关键问题。

元 / 骆驼

• 定义： Meta 的开源 AI 模型 Llama 在允许公众访问和构建其技术方面独树一帜，从而营造了协作开发环境。

• 为什么它很重要： Llama 的开源模型邀请全球开发人员使用 Meta 的 AI 技术进行创新，鼓励 AI 开发的透明度和定制。

苹果 / 苹果智能

• 定义：Apple 正在 Apple Intelligence 旗下集成 AI 驱动的功能，通过专注于 Siri、ChatGPT 等工具的基于设备的处理以及设备上的照片处理（例如，实时对象和面部识别）来优先考虑隐私。

• 为什么它很重要：Apple 的方法强调设备端 AI，减少对基于云的数据处理的依赖，这与其对用户隐私的承诺相一致，并直接在个人设备上提供强大的 AI 工具。

xAI / 格罗克

• 定义：在埃隆·马斯克 （Elon Musk） 的推动下，xAI 创建了 Grok，这是一个对话式 AI 模型，最近与 Twitter （X） 集成，作为独特的社交媒体助手。目前，Grok 仅供 X Premium 订阅者访问。它将信息丰富的回复与对话的语气相结合，与 Musk 对引人入胜且个性驱动的 AI 体验的愿景保持一致。

• 为什么它很重要：Grok 代表着一项雄心勃勃的努力，旨在开发透明的、社交集成的 AI，为社交媒体平台内的 AI 交互带来独特的方法。这种集成凸显了 AI 和社交媒体之间日益增长的交叉点，为 AI 领域增加了竞争多样性。

拥抱脸

• 定义：Hugging Face 是一个协作平台，开发人员和研究人员可以在其中共享 AI 模型、数据集和工具，使其成为 AI 社区的宝贵资源。

• 为什么它很重要：Hugging Face 使 AI 开发民主化，提供对开源模型的访问，并培养协作和创新的全球社区。

GitHub / GitHub 副驾驶

• 定义：GitHub 由 Microsoft 拥有，为开发人员提供了一个广泛使用的平台，用于协作和共享代码。其 AI 驱动的工具 GitHub Copilot 通过在 OpenAI 的 Codex 模型的支持下实时建议代码来为开发人员提供帮助。

• 为什么它很重要：GitHub Copilot 可加快编码速度并减少重复性任务，使开发人员能够更轻松地编写干净的代码。它展示了 AI 如何支持软件开发中的创造力和效率，帮助开发人员更快地工作并增强协作。

这意味着什么

这个扩展的词汇表有助于揭开 AI 日益复杂的面貌的神秘面纱，使读者能够自信地参与 AI 进步。人工智能正在迅速全面重塑技术和行业，但其专业术语可能使其难以遵循。本指南阐明了基本概念，为理解正在重塑我们世界的技术奠定了坚实的基础。

随着 AI 的不断发展，了解其核心术语使您能够跟上其发展的步伐。从提高生产力到提高道德考虑，AI 的影响正在重塑多个行业。无论您是爱好者还是专业人士，掌握这些术语都将帮助您了解 AI 的当前功能和未来的可能性。