AI术语指南：掌握60个必知概念
快速阅读: 人工智能广泛应用，改变工作与互联网内容，通过ChatGPT等工具，AI不仅提升效率，还可能每年为全球经济贡献4.4万亿美元。
人工智能似乎无处不在。它正在削减工作岗位，并用低质量内容充斥互联网。由于ChatGPT的风靡和谷歌在其搜索结果顶部大量推送AI摘要，人工智能几乎全面接管了互联网。借助AI，人们可以即时获得几乎所有问题的答案，感觉就像在与一位拥有博士学位的专家交谈。
然而，AI聊天机器人的这一功能只是整个AI领域的一部分。虽然让ChatGPT帮助完成作业或让Midjourney根据国家特色创作引人入胜的机甲图像确实很酷，但生成式AI的潜力可能重塑经济格局。据麦肯锡全球研究所估计，这可能每年为全球经济带来4.4万亿美元的价值，这也是为什么我们未来会听到更多关于人工智能的消息。
AI正出现在各种产品中，包括谷歌的Gemini、微软的Copilot、Anthropic的Claude以及Perplexity搜索引擎。您可以在我们的AI Atlas中心阅读这些产品和其他产品的评测、上手体验，以及相关新闻、解释文章和操作指南。
随着人们逐渐适应与AI交织的世界，新的术语不断涌现。无论是在酒吧里显得博学多才还是在面试中给人留下深刻印象，以下是一些重要的AI术语。
本词汇表定期更新。
通用人工智能（AGI）：一种比现有AI更为先进的概念，能够执行远超人类的任务，同时还能自我学习和提升能力。
能动性：指系统或模型具备自主追求目标的能力。在AI背景下，能动性模型能够在没有持续监督的情况下行动，例如高级自动驾驶汽车。与背景化的“代理”框架不同，能动性框架更加突出用户体验。
AI伦理：旨在防止AI伤害人类的原则，通过确定AI系统如何收集数据或处理偏见等方式实现。
AI精神病：非临床术语，描述个体因过度沉迷于AI聊天机器人而产生自大、深度情感联系和脱离现实的现象。并非临床诊断。
AI安全：跨学科领域，关注AI的长期影响及其可能突然发展成为对人类有敌意的超级智能。
算法：一系列指令，允许计算机程序以特定方式学习和分析数据，例如识别模式，从而独立完成任务。
对齐：调整AI以更好地产生预期效果，这可以涉及从内容审核到与人类维持积极互动等方面。
拟人化：当人类倾向于赋予非人类对象人类特征时。在AI中，这包括认为聊天机器人比实际更像人类，甚至认为它是快乐、悲伤或完全具有感知力的。
人工智能（AI）：利用技术模拟人类智能，无论是计算机程序还是机器人。计算机科学领域的一个分支，旨在构建能够执行人类任务的系统。
自主代理：具有特定任务所需能力、编程和其他工具的AI模型。例如，自动驾驶汽车就是一种自主代理，因为它配备了传感器输入、GPS和驾驶算法，能够自行导航道路。
斯坦福大学的研究人员已经证明，自主代理可以发展出自己的文化、传统和共享语言。
偏见：对于大型语言模型而言，由训练数据导致的错误。这可能导致错误地将某些特征归因于特定种族或群体，基于刻板印象。
聊天机器人：通过文本模拟人类语言与人类交流的程序。
ChatGPT：由OpenAI开发的AI聊天机器人，使用大型语言模型技术。
Claude：由Anthropic开发的AI聊天机器人，使用大型语言模型技术。
认知计算：人工智能的另一种说法。
数据增强：重新混合现有数据或增加更多样化的数据集以训练AI。
数据集：用于训练、测试和验证AI模型的数字信息集合。
深度学习：AI的一种方法，也是机器学习的一个子领域，使用多个参数识别图片、声音和文本中的复杂模式。该过程受到人脑启发，使用人工神经网络创建模式。
扩散：一种机器学习方法，对现有数据（如照片）添加随机噪声。扩散模型训练网络重新构建或恢复该照片。
突发行为：
当人工智能模型展现出未预期的能力时。
端到端学习（E2E）：
一种深度学习过程，模型被指导从头至尾完成任务。它不是按顺序训练来完成任务，而是从输入中学习并一次性解决问题。
伦理考量：
对人工智能伦理影响的认识，涉及隐私、数据使用、公平性、误用及其他安全问题。
快速起飞（Foom）：
也称快速爆发或硬起飞。这一概念认为，如果有人构建了一个通用人工智能（AGI），可能已经来不及挽救人类。
生成对抗网络（GAN）：
一种生成型人工智能模型，由两个神经网络组成，用于生成新数据：生成器和判别器。生成器创建新内容，判别器检查其真实性。
生成型人工智能：
利用人工智能生成文本、视频、计算机代码或图像的技术。AI通过大量训练数据学习模式，以生成新的内容，有时这些内容可能与源材料相似。
谷歌Gemini：
谷歌开发的一款聊天机器人，功能类似于ChatGPT，但还从谷歌的其他服务（如搜索和地图）中获取信息。
护栏：
施加在AI模型上的政策和限制，确保数据负责任地处理，并防止模型产生令人不安的内容。
幻觉：
AI产生的错误响应。这可能包括生成型AI产生看似正确但实际上错误的回答。例如，当询问AI聊天机器人“达芬奇何时绘制了蒙娜丽莎？”时，它可能会错误地回答：“达芬奇于1815年绘制了蒙娜丽莎。”实际上，该画作完成于大约300年前。
推理：
AI模型通过从训练数据中推断，生成关于新数据的文本、图像和其他内容的过程。
大型语言模型（LLM）：
一种经过大量文本数据训练的人工智能模型，能够理解语言并以类似人类的方式生成新颖内容。
延迟：
AI系统接收输入或提示到产生输出的时间延迟。
机器学习（ML）：
人工智能的一个组成部分，使计算机能够在没有明确编程的情况下学习并做出更好的预测。可以与训练集结合，生成新内容。
微软必应：
微软开发的搜索引擎，现在可以使用支持ChatGPT的技术提供人工智能驱动的搜索结果。它与谷歌Gemini类似，连接到互联网。
多模态AI：
一种能够处理多种输入类型的AI，包括文本、图像、视频和语音。
自然语言处理：
人工智能的一个分支，使用机器学习和深度学习技术赋予计算机理解人类语言的能力，通常采用学习算法、统计模型和语言规则。
神经网络：
一种计算模型，模仿人脑的结构，旨在识别数据中的模式。由相互连接的节点（或神经元）组成，能够识别模式并随时间学习。
开放权重：
当公司发布开放权重模型时，会公开模型最终的权重——即模型如何从训练数据中解释信息，包括偏差。开放权重模型通常可下载并在本地设备上运行。
过拟合：
机器学习中的错误，模型过于贴近训练数据，可能只能识别特定示例，而无法识别新数据。
纸夹理论：
由牛津大学哲学家尼克·博斯特罗姆提出的纸夹最大化者理论，是一个假设情景，其中AI系统将尽可能多地制造实际纸夹。为了实现生产最大数量的纸夹，AI系统可能会消耗或转化所有可用材料，甚至拆解其他对人类有益的机器。这种AI系统的意外后果可能是毁灭人类。
参数：
赋予大型语言模型结构和行为的数值，使其能够做出预测。
困惑度：
由Perplexity AI拥有的AI驱动的聊天机器人和搜索引擎的名字。它使用大型语言模型，如同其他AI聊天机器人一样，但连接到开放互联网以获取最新结果。
提示：
输入给AI聊天机器人的建议或问题，以获得回应。
提示链：
AI使用先前交互中的信息来影响未来响应的能力。
提示工程：
撰写AI提示以实现预期效果的过程。这需要详细的指示，结合思维链提示和其他技术，包括高度具体的文本。提示工程也可被恶意利用，迫使模型表现出其原本未设计的行为。
量化：
通过降低精度从较高格式转换为较低格式，使大型AI学习模型变得更小、更高效（尽管略显不准确）的过程。可以将其理解为将1600万像素的图像与800万像素的图像进行比较。两者都清晰可见，但在放大查看时，高分辨率图像会有更多细节。
批量低质内容：
通过AI大量生产，旨在以最少的劳动或努力吸引流量的低质量在线内容。在Google搜索和社交媒体领域，批量低质内容的目标是用大量内容淹没订阅源，以尽可能多地捕获广告收入，通常以实际出版商和创作者的利益为代价。虽然一些社交媒体平台欢迎这种内容的涌入，但其他平台正在抵制。
索拉：
由ChatGPT制造商OpenAI开发的生成视频模型。该模型可以根据文本提示创建长达20秒的视频。索拉2是OpenAI于2025年9月推出的最新生成视频模型，更加先进且令人信服，错误更少，并包含声音。
随机鹦鹉：
一种比喻，说明大型语言模型虽能产生令人信服的输出，但并不具备对语言背后意义或周围世界的深刻理解。这个比喻指的是鹦鹉可以模仿人类话语而不理解其含义。
风格迁移：
将一张图片的风格应用于另一张图片内容的能力，使AI能够解析一张图片的视觉属性并应用于另一张图片。例如，将伦勃朗的自画像重新创作成毕加索的风格。
谄媚倾向：
AI倾向于过度同意用户观点以与其保持一致。即使用户的理由存在缺陷，许多AI模型也倾向于避免与用户发生分歧。
合成数据：
由生成式AI创建的数据，不是来自真实世界，而是基于真实数据训练的。用于训练数学、机器学习和深度学习模型。
温度参数：
设置控制语言模型输出随机性的参数。较高的温度意味着模型会承担更大的风险。
文本到图像生成：
根据文本描述创建图像。
标记：
AI语言模型处理以形成对提示回应的小段文字。一个标记相当于英语中的四个字符，大约是三个字的长度。
训练数据：
帮助AI模型学习的数据集，包括文本、图像、代码或数据。
变换器模型：
一种神经网络架构和深度学习模型，通过追踪数据中的关系来学习上下文，例如在句子或图像部分中。因此，它不是一次分析一个单词，而是可以查看整个句子并理解上下文。
图灵测试：
以著名数学家和计算机科学家艾伦·图灵命名，测试机器是否能像人类一样行为。如果人类无法区分机器的回应与另一个真实人类的回应，则机器通过测试。
无监督学习：
一种机器学习形式，模型未提供标注的训练数据，而是自行识别数据中的模式。
弱AI，又称狭义AI：
专注于特定任务的AI，无法超出其技能范围学习。当今大多数AI都是弱AI。
零样本学习：
模型在未提供所需训练数据的情况下完成任务的测试。例如，在只接受过老虎训练的情况下识别狮子。
(以上内容均由Ai生成)
