人工智能基础术语：完整详细的词汇表

信息技术数字 » 资源 » 人工智能基础术语完整词典

人工智能的概念

你可能已经注意到，如今浏览网页或阅读科技新闻文章时，几乎处处都会看到关于人工智能的各种陌生词汇。这项最初出现在科幻小说中的技术如今已融入我们的生活，存在于我们的手机、工作场所，甚至冰箱里。然而，这些技术术语起初可能会让任何人感到困惑。

为了确保您不会错过任何讨论，并能准确理解专家们的观点，我们精心准备了这份全面的指南。我们不会提供枯燥乏味的词典定义，而是提供清晰详尽的解释，让您从最基础的概念到最复杂的概念都能轻松理解，从而毫不费力地掌握这门学科。

人工智能的核心

我们谈论人工智能时，通常指的是创造能够模仿人类认知功能的计算机系统的能力。这并非指机器拥有意识或情感，而是指它们能够推理、解决复杂问题，并根据处理的信息做出决策。

这一切要实现，就需要算法。算法其实就是计算机完成任务所遵循的一系列逻辑和数学步骤。如果说算法是烹饪的配方，那么人工智能模型就是最终结果：它们是对各种过程的表征，使我们能够对数据进行分类或预测未来会发生什么。

在这个生态系统中，数据就是燃料。当信息以表格形式良好组织时，我们称之为数据集，这些表格可以使用数据仓库和数据管理工具进行优化。但当数据量庞大到传统工具无法应对时，我们就进入了大数据领域，此时只有人工智能才能从如此纷繁复杂的数据中理清头绪。

机器学习可能是被提及最多的技术分支。它的神奇之处在于，机器能够从经验中学习并不断提升性能，而无需程序员手动编写每一条规则。这就像通过展示真实的例子来教孩子区分水果一样。

监督式学习： 这里的模型有一个“教师”。它被赋予预先标记的数据（例如，数千张被标记为“狗”的狗的照片），以便系统学习识别模式并能够 对新数据进行分类 正确地
无监督学习： 在这种情况下，机器是盲操作。没有任何标签，所以算法必须 发现隐藏结构 单独使用。一种常见的技术是集群或者进行分组，人工智能将看起来相似的事物放在一起，而无需确切地知道它们是什么。
强化学习： 这完全是反复试验。智能体与环境交互并接收信息。 奖励或惩罚 根据它们的行动，调整它们的行为以获得尽可能高的分数，这在机器人和电子游戏中很常见。

在这个领域中，存在一些特定的技术，例如回归，它用于预测精确的数值（例如房价），这与分类不同，分类只是分配诸如“垃圾邮件”或“非垃圾邮件”之类的标签。

深度学习是机器学习的演进，它利用人工神经网络。这些网络通过多层相互连接的节点来模拟人脑的结构。传统的机器学习需要我们告诉机器要分析哪些特征，而深度学习则能够自主提取这些特征。

这些网络要正常运行，需要权重，权重是训练过程中调整的内部参数。本质上，它们就是模型的记忆；它们决定了两个神经元之间连接的强度，并存储着已获得的知识。当我们谈论基础模型，例如 GPT 时，我们指的是基于海量数据训练的大型网络，它们是其他应用的基础。

有时，训练会失败。过拟合是指模型机械地学习数据，而无法泛化到新的样本。相反，欠拟合是指模型过于简单，无法把握数据的本质。

机器理解人类语言的能力被称为自然语言处理（NLP）。该领域使人工智能能够分析人类语言的语义、情感和结构。其中一个关键步骤是分词，即将文本分解成称为词元的更小单元，以便模型能够处理它们。

目前，主流架构是Transformer，它能够并行分析单词并理解句子的整体上下文。这催生了大型语言模型（LLM）和生成式人工智能（GEN ）的出现，后者能够利用生成对抗网络（GAN）等工具从零开始创建文本、图像或音乐。

另一方面，计算机视觉使人工智能能够“看”和解读图像和视频。从人脸识别到X光片中的肿瘤检测，该学科利用卷积神经网络分析像素并将其转化为可理解的概念，在许多情况下，其性能优于传统的视频监控设备。

当我们与聊天机器人互动时，我们使用的是一个提示，也就是我们向人工智能发出的指令。提示工程是一门艺术，它旨在以优化的方式构建这些请求，从而获得最佳响应，尽管其中也存在一些风险，例如提示注入到人工智能中。然而，并非一切都完美无缺：有时会出现幻觉，即人工智能以惊人的准确度捏造数据。

从技术角度来看，微调用于改进模型，它涉及将通用模型专门用于特定任务。为了衡量模型的质量，通常使用准确率和召回率，分析系统产生的误报或漏报的数量。

我们不能忽视人工智能的伦理问题。算法偏见是一个严重的问题，它会导致人工智能因为使用带有偏见的数据进行训练而做出不公平的决策。因此，开发解释型人工智能至关重要，这样我们才能确切地知道机器做出特定决策的原因，而不是让它成为一个“黑箱”。

从代币和比索到 Transformer 架构和大数据管理，整个技术世界相互交织，创造出优化医疗、金融和教育的工具，改变了我们与技术的关系，并迫使我们不断更新词汇，以免落后。