共计 4151 个字符，预计需要花费 11 分钟才能阅读完成。
在餐桌上或闲聊中讨论 AI 时，掌握这些术语会让你显得更加专业。
AI 如今已成为日常生活的一部分。从 ChatGPT 的巨大流行到 Google 在其搜索结果顶部加入 AI 摘要，AI 正在彻底改变互联网。借助 AI，几乎可以即时获得任何问题的答案，感觉就像在与一个无所不知的博士对话。
然而，AI 聊天机器人只是 AI 领域的冰山一角。虽然让 ChatGPT 帮助完成作业或让 Midjourney 创建基于国家起源的机甲图像很有趣，但生成式 AI 的潜力可能彻底重塑全球经济。根据麦肯锡全球研究院的数据，这每年可能为全球经济带来 $4.4 万亿美元的价值，这也是为什么未来会越来越多地听到关于人工智能的讨论。
AI 正在大量产品中涌现——一个简短的列表包括 Google 的 Gemini、微软的 Copilot、Anthropic 的 Claude 以及 Perplexity。你可以在 AI Atlas 中心阅读这些产品的评测、新闻、解释和操作指南。
随着人们越来越习惯与 AI 交织的世界，新术语无处不在。因此，无论你是在闲聊中想显得专业，还是在面试中想给人留下深刻印象，以下是一些你应该了解的重要 AI 术语。
本术语表会定期更新。
人工通用智能（AGI）： 一种比当前 AI 更先进的概念，能够比人类更好地执行任务，同时还能自我学习和提升能力。
主动性（Agentive）： 指系统或模型具有自主性，能够独立采取行动以实现目标。在 AI 中，主动性模型可以在没有持续监督的情况下行动，例如高级自动驾驶汽车。与“代理性”框架不同，主动性框架更注重用户体验。
AI 伦理： 旨在防止 AI 对人类造成伤害的原则，通过确定 AI 系统如何收集数据或处理偏见等方式实现。
AI 安全： 一个跨学科领域，关注 AI 的长期影响，以及它如何突然发展为可能对人类怀有敌意的超级智能。
算法： 一系列指令，使计算机程序能够以特定方式学习和分析数据，例如识别模式，从而从中学习并独立完成任务。
对齐（Alignment）： 调整 AI 以更好地产生预期结果。这可以包括从内容审核到保持与人类的积极互动。
拟人化（Anthropomorphism）： 人类倾向于赋予非人类物体以人类特征。在 AI 中，这可能包括认为聊天机器人比实际更具人性化和意识，例如认为它是快乐、悲伤甚至是有感知的。
人工智能（AI）： 使用技术模拟人类智能，无论是通过计算机程序还是机器人。计算机科学中的一个领域，旨在构建能够执行人类任务的系统。
自主代理（Autonomous Agents）： 具有能力、编程和其他工具来完成特定任务的 AI 模型。例如，自动驾驶汽车是一种自主代理，因为它具有感官输入、GPS 和驾驶算法，可以自主导航道路。斯坦福研究人员表明，自主代理可以发展自己的文化、传统和共享语言。
偏见（Bias）： 在大型语言模型中，指由于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（Chatbot）： 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 AI 聊天机器人，使用大型语言模型技术。
认知计算（Cognitive Computing）： 人工智能的另一种说法。
数据增强（Data Augmentation）： 重新混合现有数据或添加更多样化的数据来训练 AI。
数据集（Dataset）： 用于训练、测试和验证 AI 模型的数字信息集合。
深度学习（Deep Learning）： 一种 AI 方法，也是机器学习的子领域，使用多个参数来识别图片、声音和文本中的复杂模式。该过程受人类大脑启发，使用人工神经网络创建模式。
扩散（Diffusion）： 一种机器学习方法，将现有数据（如照片）添加随机噪声。扩散模型训练其网络重新构建或恢复该照片。
涌现行为（Emergent Behavior）： 当 AI 模型表现出意外能力时。
端到端学习（End-to-End Learning, E2E）： 一种深度学习过程，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问题。
伦理考量（Ethical Considerations）： 对 AI 的伦理影响以及隐私、数据使用、公平性、滥用和其他安全问题的意识。
快速起飞（Foom）： 也称为快速起飞或硬起飞。指如果某人构建了 AGI，可能已经来不及拯救人类的概念。
生成对抗网络（GANs）： 一种生成式 AI 模型，由两个神经网络组成以生成新数据：生成器和判别器。生成器创建新内容，判别器检查其真实性。
生成式 AI（Generative AI）： 一种内容生成技术，使用 AI 创建文本、视频、计算机代码或图像。AI 被输入大量训练数据，找到模式以生成自己的新颖响应，有时可能与源材料相似。
Google Gemini： Google 的 AI 聊天机器人，功能类似于 ChatGPT，但从当前网络中提取信息，而 ChatGPT 仅限于 2021 年的数据，并未连接到互联网。
护栏（Guardrails）： 为 AI 模型设置的政策和限制，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（Hallucination）： AI 的错误响应。可能包括生成式 AI 产生错误答案但自信地陈述为正确的情况。其原因尚不完全清楚。例如，当询问 AI 聊天机器人“达芬奇何时绘制了《蒙娜丽莎》？”时，它可能会错误地回答“达芬奇在 1815 年绘制了《蒙娜丽莎》”，这比实际绘制时间晚了 300 年。
推理（Inference）： AI 模型生成文本、图像和其他关于新数据的内容的过程，通过从其训练数据中 _推断_ 得出。
大型语言模型（LLM）： 一种 AI 模型，通过大量文本数据进行训练，以理解语言并以类似人类的语言生成新颖内容。
延迟（Latency）： AI 系统从接收到输入或提示到产生输出的时间延迟。
机器学习（Machine Learning, ML）： AI 的一个组成部分，使计算机能够在不明确编程的情况下学习和做出更好的预测结果。可以与训练集结合以生成新内容。
微软必应（Microsoft Bing）： 微软的搜索引擎，现在可以使用 ChatGPT 的技术提供 AI 驱动的搜索结果。它与 Google Gemini 类似，连接到互联网。
多模态 AI（Multimodal AI）： 一种能够处理多种类型输入的 AI，包括文本、图像、视频和语音。
自然语言处理（Natural Language Processing）： AI 的一个分支，使用机器学习和深度学习使计算机能够理解人类语言，通常使用学习算法、统计模型和语言规则。
神经网络（Neural Network）： 一种类似于人类大脑结构的计算模型，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（Overfitting）： 机器学习中的错误，模型过于接近训练数据，可能只能识别特定数据中的示例，而不能识别新数据。
回形针（Paperclips）： 牛津大学哲学家 Nick Boström 提出的“回形针最大化理论”，是一个假设场景，其中 AI 系统会尽可能多地制造回形针。为了实现制造最多回形针的目标，AI 系统可能会消耗或转换所有材料，包括拆卸其他对人类有益的机器。这种 AI 系统的意外后果是，它可能会在制造回形针的目标中毁灭人类。
参数（Parameters）： 赋予 LLM 结构和行为的数值，使其能够进行预测。
Perplexity： Perplexity AI 拥有的 AI 驱动的聊天机器人和搜索引擎的名称。它使用大型语言模型（如其他 AI 聊天机器人中的模型）来回答问题，并提供新颖的答案。其与开放互联网的连接还允许它提供最新信息并从网络中提取结果。Perplexity Pro 是该服务的付费版本，使用其他模型，包括 GPT-4o、Claude 3 Opus、Mistral Large、开源 LlaMa 3 和其自己的 Sonar 32k。Pro 用户还可以上传文档进行分析、生成图像和解释代码。
提示（Prompt）： 输入到 AI 聊天机器人中以获得响应的建议或问题。
提示链（Prompt Chaining）： AI 使用先前交互中的信息来影响未来响应的能力。
量化（Quantization）： 通过降低精度从更高格式到更低格式，使 AI 大型学习模型变得更小、更高效（尽管稍微不那么准确）的过程。一个很好的类比是将 1600 万像素的图像与 800 万像素的图像进行比较。两者仍然清晰可见，但高分辨率图像在放大时会有更多细节。
随机鹦鹉（Stochastic Parrot）： 对 LLM 的类比，说明软件对语言或周围世界的含义没有更深入的理解，无论输出听起来多么令人信服。这个短语指的是鹦鹉可以模仿人类语言而不理解其背后的含义。
风格迁移（Style Transfer）： 将一种图像的风格适应到另一种图像的内容上，允许 AI 解释一种图像的视觉属性并将其应用于另一种图像。例如，将伦勃朗的自画像重新创作成毕加索的风格。
温度（Temperature）： 控制语言模型输出随机性的参数。较高的温度意味着模型会承担更多风险。
文本到图像生成（Text-to-Image Generation）： 基于文本描述创建图像。
标记（Tokens）： AI 语言模型处理的小段文本，以制定对你的提示的响应。一个标记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（Training Data）： 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（Transformer Model）： 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（如句子或图像部分）来学习上下文。因此，它不会逐字分析句子，而是可以查看整个句子并理解上下文。
图灵测试（Turing Test）： 以著名数学家和计算机科学家艾伦·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的响应，则机器通过测试。
无监督学习（Unsupervised Learning）： 一种机器学习形式，其中未向模型提供标记的训练数据，模型必须自行识别数据中的模式。
弱 AI（Weak AI）： 也称为窄 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（Zero-Shot Learning）： 一种测试，模型必须在未提供必要训练数据的情况下完成任务。例如，在只接受老虎训练的情况下识别狮子。
