人工智慧基礎術語：完整詳細的詞彙表

資訊科技數位 » recursos » 人工智慧基礎術語完整詞典

人工智慧的概念

你可能已經注意到，如今瀏覽網頁或閱讀科技新聞文章時，幾乎處處都會看到關於人工智慧的各種陌生詞彙。這項最初出現在科幻小說中的技術已融入我們的生活，存在於我們的手機、工作場所，甚至冰箱裡。然而，這些技術術語起初可能會讓任何人感到困惑。

為了確保您不會錯過任何討論，並能準確地理解專家們的觀點，我們精心準備了這份全面的指南。我們不會提供枯燥乏味的字典定義，而是提供清晰詳盡的解釋，讓您從最基礎的概念到最複雜的概念都能輕鬆理解，從而毫不費力地掌握這門學科。

人工智慧的核心

我們談論人工智慧時，通常指的是創造能夠模仿人類認知功能的電腦系統的能力。這並非指機器擁有意識或情感，而是指它們能夠推理、解決複雜問題，並根據處理的資訊做出決策。

這一切要實現，就需要演算法。演算法其實就是電腦完成任務所遵循的一系列邏輯和數學步驟。如果說演算法是烹飪的配方，那麼人工智慧模型就是最終結果：它們是對各種過程的表徵，使我們能夠對資料進行分類或預測未來會發生什麼。

在這個生態系中，數據就是燃料。當資訊以表格形式良好組織時，我們稱之為資料集，這些表格可以使用資料倉儲和資料管理工具進行最佳化。但當資料量龐大到傳統工具無法應付時，我們就進入了大數據領域，此時只有人工智慧才能從如此紛繁複雜的資料中理清頭緒。

機器學習可能是被提及最多的技術分支。它的神奇之處在於，機器能夠從經驗中學習並不斷提升效能，而無需程式設計師手動編寫每個規則。這就像透過展示真實的例子來教孩子區分水果一樣。

監督式學習： 這裡的模型有一個「教師」。它被賦予預先標記的數據（例如，數千張被標記為“狗”的狗的照片），以便系統學習識別模式並能夠 對新資料進行分類 正確地。
無監督學習： 在這種情況下，機器是盲操作。沒有任何標籤，所以演算法必須 發現隱藏結構 單獨使用。一種常見的技術是集群或者進行分組，人工智慧將看起來相似的事物放在一起，而無需確切地知道它們是什麼。
強化學習： 這完全是反覆試驗。智能體與環境互動並接收訊息。 獎勵或懲罰 根據它們的行動，調整它們的行為以獲得盡可能高的分數，這在機器人和電子遊戲中很常見。

在這個領域中，存在一些特定的技術，例如回歸，它用於預測精確的數值（例如房價），這與分類不同，分類只是分配諸如“垃圾郵件”或“非垃圾郵件”之類的標籤。

深度學習是機器學習的演進，它利用人工神經網路。這些網路透過多層相互連結的節點來模擬人腦的結構。傳統的機器學習需要我們告訴機器要分析哪些特徵，而深度學習則能夠自主地提取這些特徵。

這些網路要正常運行，需要權重，權重是訓練過程中調整的內部參數。本質上，它們就是模型的記憶；它們決定了兩個神經元之間連接的強度，並儲存著已獲得的知識。當我們談論基礎模型，例如 GPT 時，我們指的是基於海量資料訓練的大型網絡，它們是其他應用的基礎。

有時，訓練會失敗。過擬合是指模型機械地學習數據，而無法泛化到新的樣本。相反，欠擬合是指模型過於簡單，無法掌握資料的本質。

機器理解人類語言的能力稱為自然語言處理（NLP）。該領域使人工智慧能夠分析人類語言的語義、情感和結構。其中一個關鍵步驟是分詞，將文本分解成稱為詞元的較小單元，以便模型能夠處理它們。

目前，主流架構是Transformer，它能夠並行分析單字並理解句子的整體上下文。這催生了大型語言模型（LLM）和生成式人工智慧（GEN ）的出現，後者能夠利用生成對抗網路（GAN）等工具從零開始創建文字、圖像或音樂。

另一方面，電腦視覺使人工智慧能夠「看」和解讀圖像和影片。從人臉辨識到X光片中的腫瘤檢測，該學科利用卷積神經網路分析像素並將其轉化為可理解的概念，在許多情況下，其性能優於傳統的視訊監控設備。

當我們與聊天機器人互動時，我們使用的是一個提示，也就是我們向人工智慧發出的指令。提示工程是一門藝術，它旨在以優化的方式建立這些請求，從而獲得最佳回應，儘管其中也存在一些風險，例如提示注入到人工智慧中。然而，並非一切都完美無缺：有時會出現幻覺，即人工智慧以驚人的準確度捏造數據。

從技術角度來看，微調用於改進模型，它涉及將通用模型專門用於特定任務。為了衡量模型的質量，通常使用準確率和召回率，分析系統產生的誤報或漏報的數量。

我們不能忽視人工智慧的倫理問題。演算法偏見是一個嚴重的問題，它會導致人工智慧因為使用帶有偏見的資料進行訓練而做出不公平的決策。因此，開發解釋型人工智慧至關重要，這樣我們才能確切地知道機器做出特定決策的原因，而不是讓它成為一個「黑盒子」。

從代幣和比索到 Transformer 架構和大數據管理，整個科技世界相互交織，創造出優化醫療、金融和教育的工具，改變了我們與科技的關係，並迫使我們不斷更新詞彙，以免落後。