人工智能无处不在。从ChatGPT的巨大流行到谷歌在搜索结果顶部塞入AI摘要，人工智能正在完全占据互联网。借助AI，你可以获得几乎任何问题的即时答案。这感觉就像在与一个在所有领域都拥有博士学位的人对话。
但AI聊天机器人的这一方面只是AI领域的一个部分。当然，让ChatGPT帮你做作业或让Midjourney基于国家起源创建有趣的机甲图像很酷，但生成式AI的潜力可能会完全重塑经济。根据麦肯锡全球研究院的数据，这可能每年为全球经济带来4.4万亿美元的价值，这就是为什么你应该期待听到越来越多关于人工智能的消息。
它正在出现在令人眼花缭乱的产品阵列中——一个简短的列表包括谷歌的Gemini、微软的Copilot、Anthropic的Claude和Perplexity搜索引擎。你可以在我们的AI Atlas中心阅读我们对这些和其他产品的评测和实际评估，以及新闻、解释和操作指南。
随着人们越来越习惯于与AI交织的世界，新术语到处涌现。因此，无论你是想在酒桌上显得聪明还是在求职面试中给人留下深刻印象，这里有一些你应该知道的重要AI术语。
通用人工智能（AGI）：一个概念，建议比我们今天知道的更先进的AI版本，能够比人类更好地执行任务，同时还能教授和推进自己的能力。
智能体式：展现智能体性的系统或模型，具有自主追求行动以实现目标的能力。在AI的背景下，智能体式模型可以在没有持续监督的情况下行动，如高级自动驾驶汽车。与在后台的"智能体"框架不同，智能体式框架位于前台，专注于用户体验。
AI伦理：旨在防止AI伤害人类的原则，通过确定AI系统应该如何收集数据或处理偏见等手段来实现。
AI安全：一个跨学科领域，关注AI的长期影响以及它如何可能突然发展成对人类具有敌意的超级智能。
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，然后从中学习并自主完成任务。
对齐：调整AI以更好地产生所需结果。这可以涉及从内容审核到维护与人类积极互动的任何事情。
拟人化：当人类倾向于给非人类物体赋予人性特征时。在AI中，这可能包括相信聊天机器人比实际更像人类和更有意识，比如相信它快乐、悲伤或甚至完全有感知能力。
人工智能（AI）：使用技术模拟人类智能，无论是在计算机程序还是机器人技术中。计算机科学中旨在构建能够执行人类任务的系统的领域。
自主智能体：具有完成特定任务的能力、编程和其他工具的AI模型。例如，自动驾驶汽车就是一个自主智能体，因为它具有传感器输入、GPS和驾驶算法来自主导航道路。斯坦福研究人员已经表明，自主智能体可以发展自己的文化、传统和共同语言。
偏见：关于大语言模型，由训练数据导致的错误。这可能导致基于刻板印象错误地将某些特征归因于某些种族或群体。
聊天机器人：通过模拟人类语言的文本与人类交流的程序。
ChatGPT：由OpenAI开发的使用大语言模型技术的AI聊天机器人。
认知计算：人工智能的另一个术语。
数据增强：重新混合现有数据或添加更多样化的数据集来训练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：一种AI方法，也是机器学习的一个子领域，使用多个参数来识别图片、声音和文本中的复杂模式。这个过程受到人脑的启发，使用人工神经网络来创建模式。
扩散：一种机器学习方法，获取现有数据片段（如照片）并添加随机噪声。扩散模型训练其网络来重新设计或恢复该照片。
涌现行为：当AI模型表现出意外能力时。
端到端学习（E2E）：一种深度学习过程，其中模型被指示从头到尾执行任务。它不是按顺序训练完成任务，而是从输入中学习并一次性解决所有问题。
伦理考虑：对AI伦理影响的认识，以及与隐私、数据使用、公平性、误用和其他安全问题相关的问题。
急速起飞：也称为快速起飞或硬起飞。这个概念认为，如果有人构建了AGI，那么拯救人类可能已经太晚了。
生成对抗网络（GANs）：由两个神经网络组成的生成式AI模型，用于生成新数据：生成器和判别器。生成器创建新内容，判别器检查其是否真实。
生成式AI：一种使用AI创建文本、视频、计算机代码或图像的内容生成技术。AI被输入大量训练数据，找到模式来生成自己的新颖响应，这些响应有时可能与源材料相似。
Google Gemini：谷歌的AI聊天机器人，功能类似于ChatGPT，但也从谷歌的其他服务（如搜索和地图）中提取信息。
护栏：对AI模型施加的政策和限制，以确保数据得到负责任的处理，并且模型不会创建令人不安的内容。
幻觉：AI的错误响应。可能包括生成式AI产生错误但以正确的信心陈述的答案。这种情况的原因并不完全清楚。例如，当询问AI聊天机器人"达·芬奇何时画的蒙娜丽莎？"时，它可能会回应错误的陈述说"达·芬奇在1815年画了蒙娜丽莎"，这比实际绘画时间晚了300年。
推理：AI模型通过从训练数据中推断来生成关于新数据的文本、图像和其他内容的过程。
大语言模型（LLM）：在大量文本数据上训练的AI模型，用于理解语言并生成类似人类语言的新内容。
延迟：从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）：AI中的一个组件，允许计算机学习并在没有显式编程的情况下做出更好的预测结果。可以与训练集结合来生成新内容。
微软Bing：微软的搜索引擎，现在可以使用驱动ChatGPT的技术来提供AI支持的搜索结果。它类似于Google Gemini，连接到互联网。
多模态AI：一种可以处理多种类型输入（包括文本、图像、视频和语音）的AI。
自然语言处理：AI的一个分支，使用机器学习和深度学习赋予计算机理解人类语言的能力，通常使用学习算法、统计模型和语言规则。
神经网络：类似于人脑结构的计算模型，旨在识别数据中的模式。由相互连接的节点或神经元组成，可以识别模式并随时间学习。
过拟合：机器学习中的错误，其中它与训练数据过于紧密地匹配，可能只能识别所述数据中的特定示例，而不能识别新数据。
回形针：回形针最大化理论，由牛津大学哲学家尼克·博斯特罗姆提出，是一个假设场景，其中AI系统将创建尽可能多的实际回形针。在其产生最大数量回形针的目标中，AI系统假设性地消耗或转换所有材料来实现其目标。这可能包括拆除其他机械来生产更多回形针，而这些机械可能对人类有益。这个AI系统的意外后果是它可能在制造回形针的目标中摧毁人类。
参数：给大语言模型结构和行为的数值，使其能够做出预测。
Perplexity：由Perplexity AI拥有的AI支持的聊天机器人和搜索引擎的名称。它使用大语言模型，类似于其他AI聊天机器人中的模型，但与开放互联网连接以获得最新结果。
提示：你输入AI聊天机器人以获得响应的建议或问题。
提示链：AI使用先前互动信息来影响未来响应的能力。
量化：通过将精度从较高格式降低到较低格式，使AI大型学习模型变得更小、更高效（尽管略微不太准确）的过程。理解这一点的好方法是比较16兆像素图像与8兆像素图像。两者仍然清晰可见，但在放大时，高分辨率图像会有更多细节。
随机鹦鹉：大语言模型的一个类比，说明软件对语言背后的含义或周围世界没有更大的理解，无论输出听起来多么令人信服。这个短语指的是鹦鹉如何在不理解其含义的情况下模仿人类单词。
风格转移：将一个图像的风格适应到另一个图像的内容的能力，允许AI解释一个图像的视觉属性并在另一个图像上使用它。例如，拍摄伦勃朗的自画像并以毕加索的风格重新创作。
合成数据：由生成式AI创建的数据，不是来自实际世界，而是在真实数据上训练的。它用于训练数学、机器学习和深度学习模型。
温度：设置用于控制语言模型输出随机性的参数。较高的温度意味着模型承担更多风险。
文本到图像生成：基于文本描述创建图像。
Token：AI语言模型处理的小段书面文本，用于制定对你提示的响应。一个Token相当于英语中的四个字符，或大约四分之三个单词。
训练数据：用于帮助AI模型学习的数据集，包括文本、图像、代码或数据。
Transformer模型：一种神经网络架构和深度学习模型，通过跟踪数据中的关系来学习上下文，比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阿兰·图灵命名，测试机器表现得像人类的能力。如果人类无法区分机器的响应和另一个人类，则机器通过测试。
无监督学习：一种机器学习形式，其中不向模型提供标记的训练数据，而是模型必须自己识别数据中的模式。
弱AI，又称狭义AI：专注于特定任务且无法超越其技能集学习的AI。今天的大多数AI都是弱AI。
零样本学习：模型必须在没有给定必要训练数据的情况下完成任务的测试。一个例子是在只接受老虎训练的情况下识别狮子。
来源：cnet
本文转自：至顶网，转载此文目的在于传递更多信息，版权归原作者所有。如不支持转载，请联系小编demi@eetrend.com删除。
