人工智能将继续存在，因此请用这 7 个人工智能术语来更新自己

快速链接

• 人工智能 (AI) 与 AGI（通用人工智能）

• AI幻觉

• 神经网络

• 机器学习与深度学习

• 自然语言处理（NLP）

• 变压器型号

• 大型语言模型

人工智能正在以惊人的速度发展。如果你想跟上时代的步伐，了解人工智能公司和营销人员使用的术语至关重要。以下是日常对话中常用的七个人工智能术语，可帮助您成为知情的参与者。

1 人工智能 (AI) 与 AGI（通用人工智能）

人工智能公司经常谈论实现通用人工智能。它是什么？它与当今的人工智能有何不同？

人工智能的教科书定义是能够执行需要类人智能的任务的计算机系统。然而，当前的人工智能工具并不能完全满足这个定义。它们仅表现出类人智能的一瞥，专注于特定任务。

例如，ChatGPT 可以使用 DALL-E 编写文本、代码和生成图像。但它不能创造音乐。 Udio 可以创作音乐，但不能编写文字。它实际上使用 GPT-4o 来存储歌词。真正的人工智能应该像人类一样做所有这些事情甚至更多。

这就是 AGI 的用武之地。AGI 是指能够在多项任务中显示出类人智能的计算机。与 AGI 交互就像与《星际迷航》中的指挥官数据交谈一样。

也就是说，虽然我们知道通用人工智能应该做什么，但我们不知道它是如何工作的。大多数人工智能研究人员，包括 Meta 的人工智能主管，都认为通用人工智能还需要几十年的时间。

2 人工智能幻觉

ver 向 ChatGPT 提出了一个问题，并得到了一个听起来很完美的答案，直到您意识到这是编造的？这就是AI的幻觉。

人工智能系统有时会以专家级的信心生成虚假信息。他们可能会声称莎士比亚写了《了不起的盖茨比》，如此令人信服，你几乎相信它。

当 ChatGPT 首次随 GPT-3.5 一起推出时，这些问题很常见。使用 GPT-4 和 GPT-4o 后，幻觉有所减少，但幻觉仍然会发生。但为什么？

嗯，人工智能模型不像我们一样理解信息。他们根据学到的模式预测单词。这会创建语法正确、合乎逻辑的句子。然而，他们有时最终可能会捏造数据和事实。

研究人员正在努力减少幻觉，但这仍然是一个问题。就目前而言，抵御幻觉的最佳防御措施就是你自己。在使用人工智能时，一定要做好尽职调查，并仔细检查它生成的任何事实，尤其是当它听起来太好了，或者奇怪得令人难以置信的时候。

3 神经网络

神经网络是受动物大脑神经元组织启发的计算系统，因此得名。这个想法是创建计算模型，可以处理信息并以受生物神经系统启发（不一定相同）的方式学习。

在人脑中，神经元以复杂的模式连接。它们的激活影响我们的记忆、思想和行动。在神经网络中，人工神经元（节点）接收输入、处理输入并发送输出。这些节点以复杂的模式连接。由此产生的结构使系统能够执行需要人类智能水平的各种任务。

神经网络的应用包括图像和语音识别、自动驾驶汽车、财务预测和自然语言处理，使计算机能够理解和生成人类语言。

也就是说，神经网络，尤其是那些为复杂工作负载设计的神经网络，需要大量高质量的训练数据来学习模式和处理新情况。这可能很难获得。

此外，一些神经网络——尤其是深度学习模型（下一节将详细介绍）——很难解释。理解他们如何得出结论可能很棘手。这就是黑匣子问题。研究人员正在研究更具可解释性的模型和方法来解释人工智能决策。

4 机器学习与深度学习

机器学习 (ML) 和深度学习 (DL) 是科技领域最热门的两个流行词。虽然有些人认为机器学习和深度学习是相同的，但有一个微妙但重要的区别值得注意。

机器学习是计算机科学中一个更广泛的领域，您可以向计算机提供大量数据以自行查找模式。这与传统编程形成鲜明对比，传统编程中开发人员需要对与用户的每一种可能的交互进行编码。

机器学习程序不需要这么多的帮助，并且可以通过引用训练数据中的模式来生成输出，即使您向它呈现训练数据中不存在的独特情况。也就是说，他们在训练期间确实需要人工指导，以确保他们走在正确的轨道上。我们看到机器学习系统在垃圾邮件检测、产品推荐和天气预报方面的一些应用。

现在，深度学习是机器学习的一个子集，它使用多层神经网络，因此得名“深度”。与传统的机器学习相比，它需要更少的人工输入。人工输入主要涉及早期阶段，例如设计基础模型。

您可以使用深度学习在原始数据中查找模式，而无需人工帮助。它非常适合处理图像或文本等复杂数据。它驱动图像和面部识别、语音处理和自动驾驶汽车等高级计算任务。然而，为了实现这一点，深度学习模型需要大量的训练数据集和大量的计算能力。

5 自然语言处理 (NLP)

NLP 是计算机科学的一个研究领域，致力于帮助计算机理解、解释和生成人类语言。现代 NLP 任务使用深度学习来取得令人印象深刻的结果。

NLP 强大任务的一些示例包括语音识别、文本转语音、情感分析、讽刺检测、文本风格转换等。

NLP 是 Alexa、Siri 和其他人工智能聊天机器人等对话技术的支柱。它还有助于翻译、内容审核和自动生成的内容。最近的 NLP 进步使得人工智能写作更加像人类。这就是 ChatGPT 听起来如此自然的原因。

6 变压器模型

Transformer 模型是人工智能领域最新的革命性工具。 Transformer 的想法是 Google Brain 的研究人员在 2017 年发表的一篇题为“Attention Is All You Need”的论文中提出的。

Transformer 模型本质上是一种用于自然语言处理的神经网络架构。基本概念是首先一次性（或并行）分析广泛的输入，然后确定哪些元素最相关——这个过程称为“自注意力”。

你可以把它想象成一个超级高效的阅读器，他可以立即阅读多个段落并从完整的上下文中获取含义，而不是按顺序阅读每个段落，一次一个单词。

这种自我关注机制使 Transformer 模型能够更好地理解人类输入，从而生成更好的输出。它实现了超先进的语言翻译功能、文本摘要，当然还有文本生成。

Transformer 模型是 Google 的 BERT（来自 Transformers 的双向编码器表示）或 ChatGPT（聊天生成预训练 Transformer）等强大工具背后的技术。然而，它不仅仅是文本生成，因为这些工具对于计算机视觉和语音识别也很有用。

7 大型语言模型

大型语言模型 (LLM) 是在海量文本数据集上训练的强大 Transformer 模型。它们拥有数十亿或数万亿个参数，主要关注特定于语言的工作负载。 ChatGPT，或者具体来说是 GPT，是一个法学硕士。 Claude、Gemini 和 Llama 都是法学硕士的例子。

感谢法学硕士，我们现在拥有高级文本生成、文本摘要、翻译、代码生成、任务理解和执行等等。

法学硕士接受不同互联网规模数据集的培训，无需具体说明。他们在数据中创建模式和联系。有时，这些模式可能是错误的，此时人类需要针对特定任务和应用程序微调模型。

目前，法学硕士面临的主要挑战之一是道德问题和潜在的错误信息。由于训练数据集可能包含错误信息和偏见，这可能会传递给法学硕士。这实际上是谷歌的搜索生成体验开始为用户产生错误信息的原因之一。

您现在已经掌握了七个关键人工智能术语的知识。下次当您谈论最新的人工智能新闻时，您将能够像专业人士一样放弃这些术语。请记住，人工智能世界瞬息万变，因此请不断学习并保持好奇心！