A
- 智能体（AI Agent）
- 能够连续执行多个动作（搜索、写作、运行代码、使用应用程序）以实现目标的 AI 系统，人工监督的强弱程度不一。 查看指南 →
- 通用人工智能（AGI）
- 一种假想中的 AI，能够像人类一样灵活地完成任何智力任务。它目前并不存在；专家们对其定义和实现时间都没有达成共识。 查看指南 →
- 《人工智能法案》（AI Act）
- 欧盟的人工智能法规，于2024年8月1日生效。它按风险等级对 AI 的用途进行分类，并施以相应的规则。 查看指南 →
- 对齐（Alignment）
- 一系列旨在让 AI 的行为符合人类意图和价值观的技术：有用、诚实、无害。 查看指南 →
- 应用程序接口（API）
- 让软件能够远程调用 AI 模型的接口。开发者借助它把 AI 集成到自己的应用中。 查看指南 →
- 机器学习（Machine Learning）
- 一类让机器从样本中学习，而不是靠逐条规则编程的技术。 查看指南 →
- 无监督学习（Unsupervised Learning）
- 模型在没有标签的数据中自行寻找结构的方法，例如把相似的客户归为一类。 查看指南 →
- 深度学习（Deep Learning）
- 使用多层神经网络的机器学习。它是2012年以来 AI 重大突破的基础。 查看指南 →
- 强化学习（Reinforcement Learning）
- 智能体在奖励的引导下，通过反复试错来学习的方法。2016年，AlphaGo 正是借助它击败了围棋冠军。 查看指南 →
- 监督学习（Supervised Learning）
- 模型从附带正确答案的样本中学习的方法（例如，标注为“猫”的图片）。 查看指南 →
- 注意力机制（Attention Mechanism）
- Transformer 的核心机制：在处理一个词时，模型会权衡上下文中所有其他词的重要程度。 查看指南 →
B
- 基准测试（Benchmark）
- 用于比较 AI 模型性能的标准化测试（数学、代码、通用知识等）。 查看指南 →
- 算法偏见（Algorithmic Bias）
- AI 系统倾向于对某些群体系统性地产生不利结果，往往是因为训练数据不均衡。 查看指南 →
C
- 聊天机器人（Chatbot）
- 与用户对话的程序。已知最早的聊天机器人 ELIZA 诞生于1966年；如今的助手则基于大语言模型。 查看指南 →
- 上下文窗口（Context Window）
- 模型一次最多能处理的文本量（以词元计）：包括你的问题、对话历史以及正在生成的回答。 查看指南 →
D
- 深度伪造（Deepfake）
- 由 AI 生成或修改、逼真模仿真实人物的图像、视频或声音。 查看指南 →
- 扩散模型（Diffusion Model）
- 一种生成式模型：先学会去除图像中的噪声，生成时则从随机噪声出发，逐步去噪来创造图像。它是目前大多数图像生成器的基础。 查看指南 →
- 训练数据（Training Data）
- 模型用来学习的样本集合（文本、图像、声音等）。其质量和多样性在很大程度上决定了模型的质量。 查看指南 →
E
- 嵌入（Embedding）
- 用一串数字来表示一个词、一张图像或一份文档，使意义相近的内容在数字空间中彼此靠近。 查看指南 →
- 训练（Training）
- 模型根据数据调整自身参数的阶段。对于大模型来说，这一阶段既漫长又昂贵。 查看指南 →
F
- 微调（Fine-tuning）
- 在已预训练的模型基础上，用更专门的数据继续训练，使其适应特定任务或风格的步骤。 查看指南 →
- 损失函数（Loss Function）
- 衡量模型出错程度的数值。训练的目标就是让它不断减小。 查看指南 →
G
- 生成对抗网络（GAN）
- Ian Goodfellow 于2014年提出的生成式模型：生成器和判别器两个网络相互对抗，从而生成逼真的图像。 查看指南 →
- 生成式人工智能（Generative AI）
- 能够生成全新内容（文本、图像、声音、视频、代码），而不只是分类或预测的 AI。 查看指南 →
- 图形处理器（GPU）
- 能够并行执行数以千计运算的处理器，最初为电子游戏而设计，如今已成为训练神经网络不可或缺的硬件。 查看指南 →
- 梯度下降（Gradient Descent）
- 一种算法：沿着能减小误差的方向，小步调整模型的参数，就像在大雾中下山。 查看指南 →
H
- 幻觉（Hallucination）
- 语言模型以流畅、可信的方式给出的错误或编造的回答。 查看指南 →
I
- 推理（Inference）
- 使用已训练好的模型，针对一个请求生成回答的过程。 查看指南 →
L
- 大语言模型（LLM）
- 在海量文本上训练、用来预测文本后续内容的神经网络。ChatGPT、Claude 和 Gemini 都基于大语言模型。 查看指南 →
M
- 多模态（Multimodal）
- 指能够处理多种类型数据的模型：文本、图像、声音，甚至视频。 查看指南 →
O
- 开放权重模型（Open-weights Model）
- 公开发布参数的模型，因此可以下载并自行运行。训练数据并不总是一并公开。 查看指南 →
P
- 参数（Parameter）
- 模型内部的数值（权重或偏置），在训练过程中不断调整。GPT-3 有1750亿个参数。 查看指南 →
- 预训练（Pre-training）
- 大模型在庞大语料上进行的第一个、也是最耗资源的训练阶段，让它获得通用知识。 查看指南 →
- 提示词（Prompt）
- 发给 AI 的指令或问题。其清晰程度对回答质量影响很大。 查看指南 →
R
- 检索增强生成（RAG）
- AI 先检索相关文档，再据此撰写回答的技术，可以减少错误，并能引用来源。 查看指南 →
- 神经网络（Neural Network）
- 由许多小型计算单元（人工神经元）分层组织、通过权重相互连接而成的系统，能够学会识别模式。 查看指南 →
- 人类反馈强化学习（RLHF）
- 由人类对 AI 的多个回答进行排序，从而引导 AI 给出更有用、更安全回答的步骤。 查看指南 →
S
- 过拟合（Overfitting）
- 模型的一种缺陷：对训练样本“死记硬背”，在新数据上泛化能力差。 查看指南 →
T
- 图灵测试（Turing Test）
- 艾伦·图灵于1950年提出的测试：如果对话者无法分辨对方是机器还是人类，这台机器就算通过测试。 查看指南 →
- 词元（Token）
- 文本的小片段（词、词的一部分、标点），被转换成数字后供语言模型处理。 查看指南 →
没有找到与你的搜索相匹配的术语。