AI術語詞彙表：48個你應該知道的AI術語
隨著AI技術深入嵌入到Google、Microsoft、Apple、Anthropic、Perplexity和OpenAI的產品中，保持最新的術語知識是很重要的。
隨著ChatGPT、Google Gemini和Apple Intelligence等AI功能進入手機和電腦，改變了人們與技術互動的方式。突然間，人們可以用自然語言與機器進行有意義的對話，這意味著你可以向AI聊天機器人提出問題，它會以新穎的答案回應，就像一個人一樣。
但AI聊天機器人的這個方面只是AI領域的一部分。當然，讓ChatGPT幫你做作業或讓Midjourney根據國家創造出令人著迷的機甲圖像是很酷的，但生成性AI的潛力可以徹底改變經濟。據麥肯錫全球研究所估計，這每年可能為全球經濟帶來4.4萬億美元的價值，這就是為什麼你應該預期會越來越多地聽到關於人工智能的消息。
AI技術在眾多產品中出現——短短的列表包括Google的Gemini、Microsoft的Copilot、Anthropic的Claude、Perplexity AI搜索工具以及Humane和Rabbit的設備。你可以在我們的AI Atlas中心閱讀這些產品的評論和實操評估，以及新聞、解釋和操作指南。
隨著人們越來越習慣於與AI交織在一起的世界，新術語也隨之出現。因此，無論你是想在聚會中顯得聰明，還是想在求職面試中給人留下深刻印象，以下是一些你應該知道的重要AI術語。
這個詞彙表會定期更新。
人工通用智能 (AGI)：一個概念，指比我們今天所知的AI更先進的版本，能夠比人類更好地執行任務，同時也能教學和提升自身能力。
代理性：展現自主行為並能夠自主追求目標的系統或模型。在AI的背景下，代理性模型可以在沒有持續監督的情況下行動，例如高級自動駕駛車輛。不同於在後台運行的“代理框架”，代理性框架在前台，專注於用戶體驗。
AI倫理：旨在防止AI對人類造成傷害的原則，通過確定AI系統應如何收集數據或處理偏見來實現。
AI安全：一個跨學科領域，關注AI的長期影響及其如何突然進化為可能對人類敵對的超級智能。
算法：一系列指令，使計算機程序能以特定方式學習和分析數據，如識別模式，從而自學並完成任務。
對齊：調整AI以更好地產生所需結果。這可以指從內容調節到維持對人類的積極互動。
擬人化：當人類傾向於賦予非人類物體人類特徵時。在AI中，這可能包括認為聊天機器人比實際上更有人性和自我意識，例如認為它快樂、悲傷甚至有知覺。
人工智能 (AI)：利用技術模擬人類智能，無論是在計算機程序還是機器人中。計算機科學的一個領域，旨在構建能夠執行人類任務的系統。
自主代理：具有完成特定任務能力、編程和其他工具的AI模型。例如，自動駕駛汽車是一個自主代理，因為它具有感官輸入、GPS和駕駛算法，可以自主導航。史丹福大學的研究人員已經顯示，自主代理可以發展自己的文化、傳統和共享語言。
偏見：指大規模語言模型的訓練數據中的錯誤。這可能導致基於刻板印象錯誤地將某些特徵歸因於某些種族或群體。
聊天機器人：一個通過文本與人類交流的程序，模擬人類語言。
ChatGPT：由OpenAI開發的AI聊天機器人，使用大規模語言模型技術。
認知計算：人工智能的另一個術語。
數據增強：重新混合現有數據或添加更多樣化的數據來訓練AI。
深度學習：AI的一種方法，也是機器學習的一個子領域，使用多個參數來識別圖像、聲音和文本中的複雜模式。這個過程受人腦啟發，使用人工神經網絡來創建模式。
擴散：一種機器學習方法，將現有數據（如照片）添加隨機噪音。擴散模型訓練其網絡重新構建或恢復該照片。
自發行為：當AI模型表現出意外能力時。
端到端學習 (E2E)：一種深度學習過程，其中模型被指示從頭到尾執行任務。它不是按順序訓練來完成任務，而是從輸入中學習並一次性解決。
倫理考量：對AI的倫理影響的認識，以及與隱私、數據使用、公平性、濫用和其他安全問題相關的問題。
foom：也稱為快速起飛或硬起飛。這個概念認為如果有人建造了一個AGI，那麼拯救人類可能已經太晚了。
生成對抗網絡 (GANs)：一種由兩個神經網絡組成的生成性AI模型，用於生成新數據：生成器和鑑別器。生成器創建新內容，鑑別器檢查其是否真實。
生成性AI：一種使用AI創建文本、視頻、計算機代碼或圖像的內容生成技術。AI被餵以大量訓練數據，發現模式來生成自己的新穎回應，有時可能與源材料相似。
Google Gemini：Google的一個AI聊天機器人，功能類似於ChatGPT，但從當前的網絡中提取信息，而ChatGPT僅限於2021年之前的數據，且不連接互聯網。
護欄：為確保數據負責任地處理並且模型不會創建令人不安的內容而對AI模型施加的政策和限制。
幻覺：AI的不正確回應。可能包括生成性AI產生錯誤但自信地陳述為正確的答案。例如，當問AI聊天機器人“列奧納多·達·芬奇什麼時候畫的蒙娜麗莎？”時，它可能會回答一個錯誤的陳述，說“列奧納多·達·芬奇在1815年畫了蒙娜麗莎”，這比實際時間晚了300年。
推理：AI模型生成關於新數據的文本、圖像和其他內容的過程，通過從其訓練數據中推斷。
大規模語言模型 (LLM)：一種訓練在大量文本數據上的AI模型，能夠理解語言並生成類似人類語言的創新內容。
機器學習 (ML)：AI的一個組成部分，使計算機能夠學習並在沒有明確編程的情況下做出更好的預測結果。可以與訓練集結合生成新內容。
Microsoft Bing：Microsoft的一個搜索引擎，現在可以使用支持ChatGPT的技術提供AI驅動的搜索結果。類似於Google Gemini，連接到互聯網。
多模態AI：一種能夠處理多種類型輸入的AI，包括文本、圖像、視頻和語音。
自然語言處理：AI的一個分支，使用機器學習和深度學習使計算機能夠理解人類語言，通常使用學習算法、統計模型和語言規則。
神經網絡：一種模仿人腦結構的計算模型，旨在識別數據中的模式。由相互連接的節點或神經元組成，能夠識別模式並隨時間學習。
過擬合：機器學習中的錯誤，當它過於貼近訓練數據，可能只能識別訓練數據中的特定例子，但無法識別新數據。
紙夾：牛津大學哲學家Nick Boström提出的“紙夾最大化者”理論，是一個假設情景，其中AI系統將創造盡可能多的實際紙夾。在其生產最大量紙夾的目標中，AI系統可能會消耗或轉換所有材料來實現其目標。這可能包括拆解其他有益於人類的機械以生產更多紙夾。這個AI系統的意外後果是它可能會在其生產紙夾的目標中摧毀人類。
參數：賦予LLM結構和行為，使其能夠進行預測的數值值。
Perplexity：由Perplexity AI擁有的一個AI驅動的聊天機器人和搜索引擎。它使用大型語言模型，如其他AI聊天機器人中的模型，來回答問題並提供新穎的答案。它連接到開放互聯網，也使其能夠提供最新信息並從網絡上拉取結果。Perplexity Pro是一個服務的付費級別，還使用其他模型，包括GPT-4o、Claude 3 Opus、Mistral Large、開源的LlaMa 3和其自己的Sonar 32k。Pro用戶還可以上傳文檔進行分析、生成圖像和解釋代碼。
提示：你輸入到AI聊天機器人中的建議或問題，以獲得回應。
提示鏈接：AI使用先前交互的信息來影響未來回應的能力。
隨機鸚鵡：LLM的一個比喻，說明了軟件無法理解語言或周圍世界背後的更大意義，儘管輸出聽起來很有說服力。這個短語指的是鸚鵡可以模仿人類的話語而不理解其背後的意義。
風格轉移：將一個圖像的風格適應到另一個圖像的內容的能力，允許AI解釋一個圖像的視覺屬性並將其用於另一個圖像。例如，將倫勃朗的自畫像重新創建成畢加索的風格。
溫度：控制語言模型輸出隨機性的參數。較高的溫度意味著模型會冒更大的風險。
文本到圖像生成：根據文本描述創建圖像。
標記：AI語言模型處理的書面文本的小部分，用於形成對你的提示的回應。一個標記相當於英文中的四個字符，或大約四分之三個單詞。
訓練數據：幫助AI模型學習的數據集，包括文本、圖像、代碼或數據。
變壓器模型：一種神經網絡架構和深度學習模型，通過跟蹤數據中的關係來學習上下文，例如在句子或圖像部分中。因此，不是一次分析一個詞，而是可以查看整個句子並理解上下文。
圖靈測試：以著名數學家和計算機科學家艾倫·圖靈命名，測試機器是否能像人類一樣行為。如果人類無法區分機器的回應和另一個人類的回應，則機器通過測試。
弱AI，也稱為窄AI：專注於特定任務的AI，無法超越其技能範圍學習。當今的大多數AI都是弱AI。
零次學習：模型必須在沒有給定所需訓練數據的情況下完成任務的測試。例如，只接受過老虎訓練的模型識別獅子。
編輯評論：
這篇文章詳細介紹了當前AI領域中的關鍵術語和概念，對於希望了解最新AI發展的讀者來說，無疑是非常有價值的資源。隨著AI技術不斷進步，了解這些術語不僅能幫助我們更好地理解和應用這些技術，還能在專業和日常交流中更自信地討論相關話題。
然而，文章也提醒我們，AI技術的快速發展帶來了諸多倫理和安全問題。從AI倫理到AI安全，從偏見到過擬合，這些都是我們在推進AI技術應用時必須慎重考慮的問題。這些問題不僅僅是技術層面的挑戰，更是關乎人類社會未來的重要議題。
此外，文章中的一些概念如“紙夾最大化者”理論，雖然看似極端，但確實引發了對AI潛在風險的深刻思考。這讓我們意識到，在追求技術進步的同時，必須保持對技術可能帶來的負面影響的警惕。
總的來說，這篇文章不僅提供了豐富的知識，還啟發我們思考AI技術的廣泛影響。在未來的報道中，我們可以進一步探討這些倫理和安全問題，並關注AI技術在不同領域中的實際應用和挑戰。這樣，我們才能更全面地理解和應對AI技術帶來的機遇與挑戰。
以上文章由特價GPT API KEY所翻譯
