AI 概念库

智能体，能够自主感知环境、做出决策并执行行动以实现目标的智能系统。

生成式人工智能，能够创建新的文本、图像、音频或视频内容的人工智能系统。

算法偏见，指人工智能系统在决策过程中由于数据或设计原因而产生的不公平或歧视性结果。

通用人工智能，指具备与人类相似的全面认知能力，可以执行任何人类能够完成的智力任务的人工智能系统。

人工智能，1956年于Dartmouth学会上提出，一种旨在以类似人类思维方式模拟智能行为的计算机科学分支。它包括机器学习、自然语言处理、计算机视觉等多个子领域。

人工智能对齐，研究如何确保人工智能系统的目标和行为与人类价值观和意图一致的领域。

人工智能伦理，研究人工智能技术发展和应用中的道德问题、价值观和社会影响的学科。

人工智能安全，研究如何确保人工智能系统按照预期运行，避免意外伤害的领域。

人工神经网络，受生物神经网络启发的计算模型，由人工神经元和连接权重组成，用于处理复杂的非线性问题。

超级智能，指在几乎所有领域都远超过人类最高水平的人工智能系统。

注意力机制，一种让模型能够关注输入数据中重要部分的技术，显著提升了序列处理能力。

语音识别，将口语转换为文本的技术，使计算机能够理解人类语言。

自动驾驶，使车辆能够在没有人类干预的情况下感知环境、做出决策和控制行驶的技术。

反向传播，一种用于训练神经网络的算法，通过计算损失函数相对于网络各层权重的梯度，从输出层向输入层反向传递误差信息。

思维链，一种提示技术，让模型在生成最终答案前先展示其推理过程，提高复杂推理任务的表现。

ChatGPT，由OpenAI开发的基于Transformer架构的大型语言模型，专注于自然对话交互。

分类，一种监督学习任务，目标是将输入数据分配到预定义的类别中。

聚类，一种无监督学习任务，目标是将相似的数据点分组到同一类别中。

计算机视觉，研究如何使计算机能够理解和解释图像和视频数据的领域。

卷积神经网络，专门用于处理网格状数据如图像的神经网络，使用卷积操作自动提取特征。

数据挖掘，从大量数据中发现模式和知识的过程，结合统计学、机器学习和数据库技术。

深度学习，机器学习的一个子领域，使用多层神经网络模型从数据中自动学习表示和特征。

扩散模型，一种生成模型，通过逐渐添加噪声到数据再逐步去噪的过程来生成新样本。

降维，一种数据处理技术，用于减少描述数据所需的特征数量，同时保留重要信息。

嵌入，将离散对象（如词语、类别）映射到低维连续向量空间的技术，保留对象间的语义关系。

具身智能，研究拥有物理或虚拟身体的智能体如何通过感知和行动与环境交互的领域。

专家系统，一种模拟人类专家决策能力的计算机系统，使用规则和知识库解决复杂问题。

可解释人工智能，研究如何使复杂的人工智能系统的决策过程和结果对人类透明和可理解的领域。

特征工程，指从原始数据中提取和创建用于训练机器学习模型的特征的过程。

联邦学习，一种分布式机器学习方法，允许多方在不共享原始数据的情况下共同训练模型。

微调，将预训练模型在特定任务的小数据集上进行进一步训练的过程，使其适应新任务。

生成对抗网络，由生成器和判别器两个网络组成的模型，通过对抗训练生成逼真的数据样本。

梯度下降，一种优化算法，通过沿着损失函数的负梯度方向迭代调整模型参数，最小化损失函数。

图像识别，使计算机能够识别和分类图像中物体、场景和人物的技术。

图像分割，将图像分割成多个具有相似特性的区域或像素组的过程，是计算机视觉的基础任务。

知识图谱，一种结构化的知识表示形式，通过实体、属性和关系描述客观世界中的概念和事件。

大语言模型，参数规模巨大的语言模型，能够理解和生成人类语言，执行各种语言任务。

长短期记忆网络，一种特殊的循环神经网络，通过门控机制有效解决长序列中的梯度消失问题。

损失函数，衡量模型预测值与实际值之间差异的函数，是训练过程中优化的目标。

机器学习，人工智能的一个分支，研究如何使计算机系统通过经验自动改进性能的算法和方法。

机器翻译，使用计算机自动将一种自然语言的文本转换为另一种自然语言的技术。

多模态学习，研究如何处理和融合来自不同模态（如图像、文本、音频）的数据的机器学习领域。

自然语言处理，研究如何使计算机能够理解、解释和生成人类语言的领域。

神经网络，模仿人脑神经元结构设计的计算模型，由多层相互连接的节点组成，用于模式识别和复杂函数近似。

目标检测，计算机视觉的一个任务，不仅识别图像中的物体类别，还定位它们在图像中的位置。

优化器，用于调整模型参数以最小化损失函数的算法，如SGD、Adam等。

过拟合，指模型过于复杂，学习了训练数据中的噪声而非真正的模式，导致在新数据上表现不佳。

模式识别，研究如何从数据中自动识别和分类模式的领域，是机器学习的早期形式。

预训练模型，在大规模数据上预先训练好的模型，可以通过微调适应特定任务。

提示工程，设计和优化提示以引导语言模型生成期望输出的艺术和科学。

循环神经网络，一种具有内部记忆功能的神经网络，适合处理序列数据如自然语言和时间序列。

回归，一种监督学习任务，目标是预测连续数值输出。

强化学习，机器学习的一个分支，研究智能体如何通过与环境交互获得奖励来学习最优行为策略。

检索增强生成，结合外部知识库检索和生成模型的技术，提高生成内容的准确性和可靠性。

自注意力，注意力机制的一种形式，使序列中的每个元素能够与序列中的所有其他元素建立关联。

自监督学习，一种无需人工标注数据的学习方式，通过从数据自身生成监督信号来训练模型。

语义分割，一种图像分割技术，为图像中的每个像素分配特定的语义类别标签。

半监督学习，结合少量标注数据和大量未标注数据进行模型训练的机器学习方法。

监督学习，机器学习的一种范式，使用带有标注的训练数据来训练模型预测未知数据的输出。

文本到语音，将书面文本转换为口语的技术，使计算机能够以自然语音形式输出信息。

迁移学习，一种机器学习方法，将从一个任务中学到的知识迁移到另一个相关任务中，提高学习效率。

Transformer，一种基于自注意力机制的神经网络架构，在自然语言处理等领域取得突破性成果。

欠拟合，指模型过于简单，无法捕捉数据中的模式，导致在训练数据和新数据上表现都不佳。

无监督学习，机器学习的一种范式，处理没有标注输出的数据集，通常用于发现数据中的模式和结构。

向量数据库，专门用于存储和检索高维向量数据的数据库，常用于语义搜索和相似性匹配。