?? AGI：Artificial General Intelligence (通用人工智能)：是指具備與人類同等或超越人類的智能，能夠表現(xiàn)出正常人類所具有的所有智能行為。又被稱為強人工智能。

?? AI：Artificial Intellige

nce (人工智能)：于1956年在Dartmouth學會上提出，是一種技術，通過類似人類反應的方式對刺激做出反應并從中學習。其理解和判斷水平通常僅在人類的專業(yè)技能中找到。AI因其具備自主學習和認知能力，能夠進行自我調(diào)整和改進，從而應對更加復雜的任務。

?? AIGC：AI Generated Content (生成式AI)：又稱為生成式AI，意指由人工智能生成的內(nèi)容。包括AI文字續(xù)寫、文字轉像的AI圖、AI主持人等應用都屬于AIGC。

?? ANI：Artificial Narrow Intelligence (狹義人工智能)：即專注于一項任務的人工智能，例如下圍棋的AlphaGo。又被稱為弱人工智能。

?? ASI (人工超級智能)：盡管存在爭議，ASI通常被定義為超越人類思維能力的人工智能。

?? Accelerator（加速器）：一類旨在加速人工智能應用的微處理器。

?? Agents（智能體）：Agent是一個設定了目標或任務的大型語言模型，可以迭代運行。與大型語言模型（LLM）在工具如ChatGPT中通常被用于回答問題的方式不同，Agent具有復雜的工作流程，模型本質(zhì)上可以自我對話，而無需人類驅(qū)動每一部分的交互。

?? Alignment（人工智能對齊）：指引導人工智能系統(tǒng)的行為，使其符合設計者的利益和預期目標。已對齊的人工智能行為會朝著預期方向發(fā)展，而未對齊的人工智能行為雖然具備特定目標，但此目標并非設計者所預期。

?? Attention（注意力機制）：在深度學習中指的是模型對輸入的不同部分分配不同注意力的機制，有助于處理長距離依賴性。注意力機制有助于模型在生成輸出時專注于輸入的相關部分。

?? Backpropagation（反向傳播）：是一種用于訓練神經(jīng)網(wǎng)絡的算法，通過不斷調(diào)整模型參數(shù)以最小化預測誤差。

?? Bias（偏見）：在機器學習中指的是模型對訓練數(shù)據(jù)的錯誤偏見，可能導致對新數(shù)據(jù)的不準確預測。

?? CLIP：Contrastive Language-Image Pre-training（對比語言-圖像預訓練）：是一種由 OpenAI 提出的模型，用于聯(lián)合處理圖像和文本，使其能夠理解和生成圖像的描述。

?? CNN：Convolutional Neural Network（卷積神經(jīng)網(wǎng)絡）：一種專門用于處理圖像和視頻等網(wǎng)格數(shù)據(jù)的深度學習神經(jīng)網(wǎng)絡。此類模型通常用于圖像識別任務。

??????? CV：Computer Vision（計算機視覺）：是一種讓計算機能夠理解和解釋視覺信息的技術領域。它指的是用攝影機和計算機代替人眼對目標進行識別、跟蹤和測量等機器視覺，并進一步進行圖像處理，使其更適合人眼觀察或傳送給儀器檢測的圖像。

?? ChatGPT（對話生成預訓練變壓器）：由 OpenAI 創(chuàng)建的一種對話型語言模型。于2022年11月推出。該程序使用基于GPT-3.5、GPT-4架構的大型語言模型并以強化學習訓練。

?? CoT：Chain-of-Thought (思維鏈提示)：通過提示LLM生成一系列中間步驟，提高LLM的推理能力。這些中間步驟導致多步驟問題的最終答案。該技術由谷歌研究人員于2022年首次提出。

??? Compute（計算資源）：在上下文中，通常指的是計算機硬件資源，如CPU、GPU或TPU，用于進行計算和執(zhí)行機器學習模型。

?? Connectionism（聯(lián)結主義）：也稱為神經(jīng)網(wǎng)絡或基于學習的AI。主要觀點是，知識存儲在大量連接中，模擬了大腦的神經(jīng)網(wǎng)絡。這種方法依賴于從數(shù)據(jù)中學習和適應，而不是依賴預定義的規(guī)則。連接主義AI的典型例子是深度學習。

?? Cross-modal Generalization（跨模態(tài)泛化）：是一種機器學習能力，指的是模型能從一種模態(tài)（或類型）的數(shù)據(jù)中學習，并將這些學習應用到另一種模態(tài)的數(shù)據(jù)上。

?? Data Augmentation（數(shù)據(jù)增強）：是一種通過對原始訓練數(shù)據(jù)進行隨機變換或擴充的方法，以增加模型的多樣性和泛化能力。通過添加現(xiàn)有數(shù)據(jù)的略微修改的副本來增加用于訓練模型的數(shù)據(jù)量和多樣性的過程。

?? Deep Learning（深度學習）：是一種機器學習的分支，以人工神經(jīng)網(wǎng)絡為架構，對數(shù)據(jù)進行表征學習的算法。深度學習中的形容詞“深度”是指在網(wǎng)絡中使用多層。

?? DeepMind（深度思維）：是一家人工智能研究實驗室，致力于推動人工智能的前沿研究，曾開發(fā)出AlphaGo等領先的人工智能系統(tǒng)。

?? Diffusion Models（擴散模型）：在機器學習中，是一類潛變量模型，用于訓練馬爾可夫鏈。在計算機視覺中，通過學習逆擴散過程訓練神經(jīng)網(wǎng)絡，使其能夠?qū)ΟB加了高斯噪聲的圖像進行去噪。它是DALL-E、Stable Diffusion和Midiourney的基礎模型。

?? Double Descent（雙降）：指機器學習中的一種現(xiàn)象，其中模型性能隨著復雜性的增加而提高，然后變差，然后再次提高。

?? Embedding（嵌入）：在機器學習中，指的是將高維數(shù)據(jù)映射到低維空間的過程，常用于表示詞向量或圖像特征。

?? Emergence（涌現(xiàn)）：是一種現(xiàn)象，許多小實體相互作用后形成了具有小實體不具備特性的大實體。在整合層次和復雜系統(tǒng)理論中，涌現(xiàn)扮演著核心角色。例如，生物學中的生命現(xiàn)象即是化學的一種涌現(xiàn)。

?? End-to-End Learning（端到端學習）：是一種無需手動設計功能的機器學習模型。該模型提供原始數(shù)據(jù)，期望從這些輸入中學習。

?? Expert Systems（專家系統(tǒng)）：是一種使用專業(yè)知識和規(guī)則來模擬人類專家決策過程的人工智能系統(tǒng)。

?? Few-Shot Learning（小樣本學習）：旨在從少量樣本中學習解決問題的方法。與小樣本學習相關的概念還包括零樣本學習（在沒有訓練數(shù)據(jù)的情況下利用類別屬性等信息訓練模型，從而識別新類別）。

??? Fine-Tuning（微調(diào)）：是遷移學習的一種常用技術。目標模型在除去輸出層的源模型上進行復制，并在目標數(shù)據(jù)集上微調(diào)這些參數(shù)。在自然語言處理（NLP）中尤為常見。

?? Fitting（擬合）：是在機器學習和統(tǒng)計學中描述或預測數(shù)據(jù)的過程。理想的擬合是模型能夠準確捕捉數(shù)據(jù)的基本結構和模式，同時處理一些隨機的、無法預測的噪聲。

?? Forward Propagation（前向傳播）：在神經(jīng)網(wǎng)絡中，是指輸入數(shù)據(jù)通過每一層（從輸入層到輸出層）產(chǎn)生輸出的過程。網(wǎng)絡對輸入應用權重和偏差，并使用激活函數(shù)生成最終輸出。

?? Foundation Model（基礎模型）：是在廣泛數(shù)據(jù)上訓練的大型AI模型，旨在適應特定任務。

?? GAN（General Adversarial Network）：是一種機器學習模型，通過使兩個神經(jīng)網(wǎng)絡相互對抗（一個生成器創(chuàng)建新數(shù)據(jù)，另一個鑒別器試圖將數(shù)據(jù)與真實數(shù)據(jù)區(qū)分開）來生成類似于現(xiàn)有數(shù)據(jù)的新數(shù)據(jù)。

?? GPT-4（Generative Pre-trained Transformer 4）：是由OpenAI公司于2023年3月14日發(fā)布的自回歸語言模型。相較于GPT-3和GPT-3.5模型，在各個方面都有所優(yōu)化。

?? GPU（Graphics Processing Unit）：是一種高性能的專用處理器，常用于加速深度學習和圖形處理任務。

?? Generalize（廣義化）：指將事物的定義修改或補充以使其適用于更大范圍，伴隨著將主體的定義或概念抽象化的過程。

?? Generalization Ability（泛化能力）：是模型對新數(shù)據(jù)的適應和預測能力，是評估模型性能的重要指標之一。

?? Generative AI（生成式人工智能）：是一類能夠生成新的、以前未見的數(shù)據(jù)的人工智能系統(tǒng)，如圖像、文本等。

?? Gradient Descent（梯度下降）：是一種通過沿損失函數(shù)梯度的反方向更新模型參數(shù)的優(yōu)化算法，以最小化損失。

?? Hallucinate（幻覺）：在人工智能中，是指模型生成的內(nèi)容不基于實際數(shù)據(jù)或與現(xiàn)實明顯不同的現(xiàn)象。

??? Hidden Layer（隱藏層）：是神經(jīng)網(wǎng)絡中介于輸入層和輸出層之間的層，用于學習輸入數(shù)據(jù)的抽象表示。

?? Hyperparameter Tuning（超參數(shù)調(diào)整）：通過調(diào)整模型的超參數(shù)（如學習率、層數(shù)等）來提高模型性能的優(yōu)化過程。

?? Inference（推理）：在機器學習中指使用經(jīng)過訓練的模型對新數(shù)據(jù)進行預測或分類的過程。

??? Instruction Tuning（指令調(diào)優(yōu)）：在機器學習中指通過調(diào)整模型的指令或策略來改善性能的過程。

?? Knowledge Distillation（數(shù)據(jù)蒸餾）：旨在將原始大數(shù)據(jù)集濃縮成小型數(shù)據(jù)集，使得在小數(shù)據(jù)集上訓練的模型與在原數(shù)據(jù)集上訓練的模型表現(xiàn)相似。這一技術在深度學習中得到廣泛應用，特別是在模型壓縮和模型部署方面。它有助于將復雜模型轉化為更輕量級的版本，促進模型的遷移學習和模型集成，提高模型的魯棒性和泛化能力。

?? LLM（Large Language Model）：是由具有數(shù)十億或更多權重的神經(jīng)網(wǎng)絡組成的語言模型。通過自監(jiān)督學習或半監(jiān)督學習對大量未標記文本進行訓練。

?? LSTM（Long Short-Term Memory）：是一種用于處理序列數(shù)據(jù)的循環(huán)神經(jīng)網(wǎng)絡（RNN）架構。

?? Latent Space（潛在空間）：指模型學到的數(shù)據(jù)的低維表示，其中隱藏了數(shù)據(jù)的關鍵特征。

?? Loss Function（損失函數(shù)）：也稱為成本函數(shù)，是機器學習模型在訓練期間試圖最小化的函數(shù)，量化了模型預測與真實值的距離。

?? Machine Learning（機器學習）：是人工智能的一個分支，通過機器學習可以解決人工智能中的部分問題。它是實現(xiàn)人工智能的途徑之一，強調(diào)通過學習解決問題。

?? Mixture of Experts（專家組合）：是一種機器學習技術，通過訓練多個專門的子模型（“專家”），并以依賴于輸入的方式組合它們的預測。

?? Multimodal（模態(tài)）：在人工智能中，指可以理解和生成多種類型數(shù)據(jù)（如文本和圖像）信息的模型。

??? NLP（Natural Language Processing）：是人工智能和語言學領域的分支學科，探討如何處理及運用自然語言。NLP包括認知、理解、生成等多方面步驟。

?? NeRF（Neural Radiance Fields）：是一種用于渲染三維場景的神經(jīng)網(wǎng)絡模型。

?? Neural Network（神經(jīng)網(wǎng)絡）：是一種受人腦啟發(fā)的人工智能模型，由連接單元或節(jié)點（神經(jīng)元）組成，用于接受輸入、進行計算并產(chǎn)生輸出。

?? Objective Function（目標函數(shù)）：在機器學習中指用于衡量模型性能的函數(shù)，模型的訓練目標是最小化或最大化這個函數(shù)。

?? OpenAI：是一家人工智能研究實驗室，致力于推動人工智能的前沿研究，創(chuàng)造對人類有益的AI。

?? Overfitting（過擬合）：在機器學習中指模型在訓練數(shù)據(jù)上表現(xiàn)很好，但在未見過的新數(shù)據(jù)上表現(xiàn)差的現(xiàn)象。過度擬合訓練數(shù)據(jù)可能導致模型泛化能力差。

??? Parameters（參數(shù)）：在機器學習模型中，指模型的權重和偏差等可調(diào)整的變量。

?? Pre-training（預訓練）：是一種機器學習的方法，通過在大規(guī)模數(shù)據(jù)上進行初始訓練，然后在特定任務上進行微調(diào)。

??? Prompt Engineering（提示工程）：是一種調(diào)整和優(yōu)化自然語言處理模型輸入提示的方法，以獲得更準確和有針對性的輸出。

?? RLHF（Reinforcement Learning with Human Feedback）：是一種結合強化學習和人類反饋的方法，用于改進模型性能。

?? RNN（Recurrent Neural Network）：是一種用于處理序列數(shù)據(jù)的神經(jīng)網(wǎng)絡結構。

??? Regularization（正則化）：是一種用于減小模型過擬合風險的技術，通過對模型參數(shù)引入額外的懲罰項。

?? Reinforcement Learning（強化學習）：是機器學習的一個領域，強調(diào)如何基于環(huán)境而行動，以取得最大化的預期利益。是除了監(jiān)督學習和非監(jiān)督學習之外的第三種機器學習方法。

?? Singularity（奇點）：在人工智能的背景下，奇點（技術奇點）指的是未來的一個假設時間點，當技術增長變得不可控和不可逆轉時，將導致人類文明發(fā)生不可預見的變化。

?? Supervised Learning（監(jiān)督學習）：是一種機器學習方法，模型通過從有標簽的訓練數(shù)據(jù)中學習，通過最小化預測和實際標簽之間的差異來訓練模型。

?? Symbolic AI（符號主義）：也被稱為基于規(guī)則的AI或邏輯主義。符號主義認為所有知識和推理都可以用符號和規(guī)則來表示。這種方法依賴于明確定義的規(guī)則和符號，通過邏輯推理解決問題。專家系統(tǒng)是符號主義AI的典型例子。

?? TPU（Tensor Processing Unit）：是由谷歌設計的專用硬件，用于高效進行張量運算，特別適用于深度學習任務。

?? TensorFlow：是由谷歌開發(fā)的開源機器學習框架，用于構建和訓練深度學習模型。

?? Token（標記）：在自然語言處理中，指的是文本中的基本單元，可以是一個單詞、一個字符或一個子詞。

?? Training Data（訓練數(shù)據(jù)）：用于訓練機器學習模型的數(shù)據(jù)集，包含輸入特征和相應的標簽。

?? Transfer Learning（遷移學習）：是一種機器學習方法，通過在一個任務上學到的知識來改善在另一個相關任務上的性能。

?? Transformer（變壓器）：是一種處理序列數(shù)據(jù)的模型架構，通過自注意力機制實現(xiàn)了對序列的全局關注。

?? Turing Test（圖靈測試）：是一種測試人工智能是否能夠表現(xiàn)得像人類一樣的方法，即能否欺騙人類判別其是否為機器。

?? Underfitting（欠擬合）：在機器學習中指的是模型對訓練數(shù)據(jù)學得不夠好，不能很好地適應新數(shù)據(jù)。

?? Unsupervised Learning（無監(jiān)督學習）：是一種機器學習方法，模型從沒有標簽的數(shù)據(jù)中學習，目標是發(fā)現(xiàn)數(shù)據(jù)中的模式和結構。

?? Validation Data（驗證數(shù)據(jù)）：用于調(diào)整模型超參數(shù)的數(shù)據(jù)集，不用于模型的訓練，而是用于評估模型性能。

?? Vector（向量）：在數(shù)學和機器學習中指的是具有大小和方向的量，常用于表示特征或嵌入。

?? XAI（Explainable Artificial Intelligence）：是一種人工智能方法，強調(diào)模型決策的可解釋性和可理解性。

?? Zero-Shot（零樣本學習）：是一種機器學習范例，使用預先訓練的深度學習模型來泛化新類別的樣本。其思路是將訓練實例中已包含的知識遷移到測試實例分類的任務中。需要注意，零樣本學習中訓練和測試集是不相交的。

? 歡迎各位讀者提出批評和建議，大家有什么感興趣的內(nèi)容話題或者想了解的技術知識可以進行評論留言，咱們一同討論，有好的學習資源我也會第一時間分享給各位，共同學習人工智能領域的知識。