轉(zhuǎn)自推特@Will 3.6-6.16 硅谷。

【1】Accelerator 加速器：一類為加速AI應(yīng)用而設(shè)計的微處理器。

【2】Agents 代理： 可以獨立并主動地執(zhí)行某些任務(wù)的軟件，無需人類干預(yù)，通常利用一套工具如計算器或網(wǎng)絡(luò)瀏覽器。

【3】AGI (Artificial General Intelligence) AGI（人工通用智能）: 盡管并未廣泛達(dá)成一致，但微軟的研究人員已將AGI定義為在任何智力任務(wù)上都能與人類匹敵的人工智能。

【4】Alignment 對齊： 確保AI系統(tǒng)的目標(biāo)與人類價值觀相符的任務(wù)。

【5】ASI (Artificial Super Intelligence) 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。

【6】Attention 注意力機制： 在神經(jīng)網(wǎng)絡(luò)的上下文中，注意力機制幫助模型在產(chǎn)生輸出時專注于輸入的相關(guān)部分。

【7】Back Propagation 反向傳播： 在訓(xùn)練神經(jīng)網(wǎng)絡(luò)中常用的一種算法，指計算損失函數(shù)相對于網(wǎng)絡(luò)權(quán)重的梯度的方法。

【8】Bias 偏見 AI模型對數(shù)據(jù)做出的假設(shè)。"偏見方差權(quán)衡"是需要達(dá)成的平衡，即模型對數(shù)據(jù)的假設(shè)和模型的預(yù)測在不同訓(xùn)練數(shù)據(jù)下的變化程度之間的平衡。歸納偏見是機器學(xué)習(xí)算法對數(shù)據(jù)底層分布的一組假設(shè)。

【9】Chain of Thought 思維鏈條： 在AI中，這個術(shù)語通常用來描述AI模型用來做出決策的一系列推理步驟。

【10】Chatbot 聊天機器人： 一種通過文本或語音交互模擬人類對話的計算機程序。聊天機器人通常使用自然語言處理技術(shù)來理解用戶輸入并提供相關(guān)的回應(yīng)。

【11】ChatGPT ：OpenAI開發(fā)的一種大規(guī)模的AI語言模型，可以生成類人的文本。

【12】CLIP (Contrastive Language–Image Pretraining) CLIP（對比語言-圖像預(yù)訓(xùn)練）： OpenAI開發(fā)的一種AI模型，可以連接圖像和文本，使其能夠理解和生成圖像的描述。

【13】Compute 計算 在訓(xùn)練或運行AI模型中使用的計算資源（如CPU或GPU時間）。

【14】Convolutional Neural Network (CNN) 卷積神經(jīng)網(wǎng)絡(luò)（CNN） 一種深度學(xué)習(xí)模型，通過應(yīng)用一系列過濾器來處理具有網(wǎng)格狀拓?fù)浣Y(jié)構(gòu)的數(shù)據(jù)（例如，圖像）。這樣的模型通常用于圖像識別任務(wù)。

【15】Data Augmentation 數(shù)據(jù)增強：通過添加對現(xiàn)有數(shù)據(jù)的輕微修改的副本，增加用于訓(xùn)練模型的數(shù)據(jù)量和多樣性的過程。

【16】Deep Learning 深度學(xué)習(xí)： 機器學(xué)習(xí)的一個子領(lǐng)域，專注于訓(xùn)練具有多層的神經(jīng)網(wǎng)絡(luò)，從而實現(xiàn)復(fù)雜模式的學(xué)習(xí)。

【17】Diffusion 擴散： 在AI和機器學(xué)習(xí)中，一種通過開始使用一部分真實數(shù)據(jù)并添加隨機噪聲來生成新數(shù)據(jù)的技術(shù)。擴散模型是一種生成模型，在該模型中，神經(jīng)網(wǎng)絡(luò)被訓(xùn)練以預(yù)測當(dāng)隨機噪聲被添加到數(shù)據(jù)時的反向過程。擴散模型被用來生成與訓(xùn)練數(shù)據(jù)相似的新數(shù)據(jù)樣本。

【18】Double Descent 雙下降：機器學(xué)習(xí)中的一種現(xiàn)象，其中模型性能隨著復(fù)雜性的增加而提高，然后惡化，然后再次提高。

【19】Embedding 嵌入： 數(shù)據(jù)的新型表示，通常是向量空間。相似的數(shù)據(jù)點具有更相似的嵌入。

【20】Emergence/Emergent Behavior (“sharp left turns,” intelligence explosions) 出現(xiàn)/新興行為（“急轉(zhuǎn)彎”，智力爆炸）：在AI中，新興行為指的是從簡單的規(guī)則或交互中產(chǎn)生的復(fù)雜行為?！凹鞭D(zhuǎn)彎”和“智力爆炸”是AI發(fā)展突然并急劇變化的推測性場景，通常與AGI的到來有關(guān)。

【21】End-to-End Learning 端到端學(xué)習(xí)： 一種機器學(xué)習(xí)模型，無需手動設(shè)計特征。模型只需輸入原始數(shù)據(jù)，并從這些輸入中學(xué)習(xí)。

【22】Expert Systems 專家系統(tǒng)：應(yīng)用人工智能技術(shù)為特定領(lǐng)域內(nèi)的復(fù)雜問題提供解決方案。

【23】Explainable AI (XAI) 可解釋AI（XAI）： 專注于創(chuàng)建提供明確和可理解的決策解釋的透明模型的AI子領(lǐng)域。

【24】Fine-tuning 微調(diào) ：采取一個已經(jīng)在大數(shù)據(jù)集上預(yù)訓(xùn)練的模型，然后在特定的、更小的數(shù)據(jù)集上進(jìn)行二次訓(xùn)練以適應(yīng)特定的任務(wù)或問題。

【25】Forward Propagation 正向傳播 在神經(jīng)網(wǎng)絡(luò)中，正向傳播是將輸入數(shù)據(jù)輸入到網(wǎng)絡(luò)并通過每一層（從輸入層到隱藏層，最后到輸出層）傳遞以產(chǎn)生輸出的過程。網(wǎng)絡(luò)應(yīng)用權(quán)重和偏置到輸入，并使用激活函數(shù)生成最終輸出。

【26】Foundation Model 基礎(chǔ)模型： 在廣泛數(shù)據(jù)上訓(xùn)練的大型AI模型，用于適應(yīng)特定任務(wù)。

【27】General Adversarial Network (GAN) 生成對抗網(wǎng)絡(luò)（GAN） 一種用于生成與某些現(xiàn)有數(shù)據(jù)相似的新數(shù)據(jù)的機器學(xué)習(xí)模型。它將兩個神經(jīng)網(wǎng)絡(luò)互相對抗：一個“生成器”創(chuàng)建新數(shù)據(jù)，一個“判別器”試圖區(qū)分該數(shù)據(jù)和真實數(shù)據(jù)。

【28】Generative AI 生成型AI： 一個專注于創(chuàng)建可以基于現(xiàn)有數(shù)據(jù)的模式和示例生成新的、原創(chuàng)的內(nèi)容（如圖像、音樂或文本）的模型的AI分支。

【29】GPT (Generative Pretrained Transformer) GPT（生成預(yù)訓(xùn)練變壓器） 由OpenAI開發(fā)的大型AI語言模型，可以生成類似人類的文本。

【30】GPU (Graphics Processing Unit) GPU（圖形處理單元）： 一種專用的微處理器類型，主要設(shè)計用于快速渲染圖像以輸出到顯示器。GPU還非常有效地執(zhí)行訓(xùn)練和運行神經(jīng)網(wǎng)絡(luò)所需的計算。

【31】Gradient Descent 梯度下降：在機器學(xué)習(xí)中，梯度下降是一種優(yōu)化方法，通過根據(jù)其損失函數(shù)的最大改善方向逐漸調(diào)整模型的參數(shù)。例如，在線性回歸中，梯度下降通過反復(fù)調(diào)整線的斜率和截距來尋找最佳擬合線，以最小化預(yù)測錯誤。

【32】Hallucinate/Hallucination 幻覺/幻想：在AI的上下文中，幻想指的是模型生成的內(nèi)容不基于實際數(shù)據(jù)或與現(xiàn)實大相徑庭的現(xiàn)象。

【33】Hidden Layer 隱藏層：在神經(jīng)網(wǎng)絡(luò)中，隱藏層是人工神經(jīng)元的層，這些神經(jīng)元并未直接連接到輸入或輸出。

【34】Hyperparameter Tuning 超參數(shù)調(diào)優(yōu)：選擇機器學(xué)習(xí)模型的超參數(shù)（數(shù)據(jù)未學(xué)習(xí)的參數(shù)）的適當(dāng)值的過程。

【35】Inference 推理：用已訓(xùn)練的機器學(xué)習(xí)模型進(jìn)行預(yù)測的過程。

【36】Instruction Tuning 指令調(diào)優(yōu)： 一種機器學(xué)習(xí)技術(shù)，其中模型根據(jù)數(shù)據(jù)集中給出的特定指令進(jìn)行微調(diào)。

【37】Large Language Model (LLM) 大型語言模型（LLM）：一種可以生成類人類文本的AI模型，訓(xùn)練在廣泛的數(shù)據(jù)集上。

【38】Latent Space 潛在空間： 在機器學(xué)習(xí)中，這個術(shù)語指的是模型（如神經(jīng)網(wǎng)絡(luò)）創(chuàng)建的數(shù)據(jù)的壓縮表示。相似的數(shù)據(jù)點在潛在空間中更接近。

【39】Loss Function (or Cost Function) 損失函數(shù)（或成本函數(shù)） 機器學(xué)習(xí)模型在訓(xùn)練期間試圖最小化的函數(shù)。它量化了模型預(yù)測與真實值的差距。

【40】Machine Learning 機器學(xué)習(xí) 一種人工智能類型，使系統(tǒng)能夠在無需明確編程的情況下自動學(xué)習(xí)并從經(jīng)驗中改進(jìn)。

【41】Mixture of Experts 專家混合 一種機器學(xué)習(xí)技術(shù)，其中訓(xùn)練了幾個專門的子模型（“專家”），并且他們的預(yù)測是以取決于輸入的方式組合的。

【42】Multimodal 多模態(tài) 在AI中，這指的是可以理解和生成跨多種數(shù)據(jù)類型（如文本和圖像）的信息的模型。

【43】Natural Language Processing (NLP) 自然語言處理（NLP） 一個關(guān)注計算機和人類通過自然語言進(jìn)行交互的AI子領(lǐng)域。NLP的最終目標(biāo)是閱讀，解讀，理解，并以有價值的方式理解人類語言。

【44】NeRF (Neural Radiance Fields) NeRF（神經(jīng)輻射場）： 使用神經(jīng)網(wǎng)絡(luò)從2D圖像創(chuàng)建3D場景的方法。它可以用于照片真實的渲染，視圖合成等等。

【45】Neural Network 神經(jīng)網(wǎng)絡(luò)：一種受人腦啟發(fā)的AI模型。它由連接在一起的單位或節(jié)點組成——稱為神經(jīng)元——這些神經(jīng)元按層次組織。神經(jīng)元接收輸入，對它們進(jìn)行一些計算，并產(chǎn)生輸出。

【46】Objective Function 目標(biāo)函數(shù)： 機器學(xué)習(xí)模型在訓(xùn)練期間試圖最大化或最小化的函數(shù)。

【47】Overfitting 過擬合：當(dāng)一個統(tǒng)計模型或機器學(xué)習(xí)算法無法充分捕獲數(shù)據(jù)的基礎(chǔ)結(jié)構(gòu)時發(fā)生的建模錯誤。

【48】Parameters 參數(shù)：在機器學(xué)習(xí)中，參數(shù)是模型用來做預(yù)測的內(nèi)部變量。它們在訓(xùn)練過程中從訓(xùn)練數(shù)據(jù)中學(xué)習(xí)。例如，在神經(jīng)網(wǎng)絡(luò)中，權(quán)重和偏差就是參數(shù)。

【49】Pre-training 預(yù)訓(xùn)練： 訓(xùn)練機器學(xué)習(xí)模型的初始階段，其中模型從數(shù)據(jù)中學(xué)習(xí)通用特征、模式和表示，而不需要具體了解將來將應(yīng)用的任務(wù)的具體知識。這種無監(jiān)督或半監(jiān)督的學(xué)習(xí)過程使模型能夠發(fā)展出對基礎(chǔ)數(shù)據(jù)分布的基礎(chǔ)理解，并提取出可以用于特定任務(wù)的后續(xù)微調(diào)中的有意義的特征。

【50】Prompt 提示： 設(shè)置任務(wù)或查詢模型的初始上下文或指示。

【51】Regularization 正則化 在機器學(xué)習(xí)中，正則化是一種用于防止過擬合的技術(shù)，通過在模型的損失函數(shù)中添加一個懲罰項。這個懲罰阻止模型過度依賴訓(xùn)練數(shù)據(jù)中的復(fù)雜模式，從而提倡更具普遍性和不易過擬合的模型。

【52】Reinforcement Learning 強化學(xué)習(xí)： 一種機器學(xué)習(xí)類型，其中一個代理通過在環(huán)境中采取行動來最大化某些獎勵來學(xué)習(xí)做決策。

【53】RLHF (Reinforcement Learning from Human Feedback) RLHF（來自人類反饋的強化學(xué)習(xí)）： 一種通過學(xué)習(xí)人類對模型輸出給予的反饋來訓(xùn)練AI模型的方法。

【54】Singularity 奇點：在AI的上下文中，奇點（也被稱為技術(shù)奇點）指的是一個假設(shè)的未來時點，當(dāng)時技術(shù)增長變得無法控制和不可逆轉(zhuǎn)，導(dǎo)致對人類文明的不可預(yù)見的變化。

【55】Supervised Learning 監(jiān)督學(xué)習(xí)：一種機器學(xué)習(xí)類型，在該類型中，模型被提供帶有標(biāo)簽的訓(xùn)練數(shù)據(jù)。

【56】Symbolic Artificial Intelligence 符號人工智能： 一種利用符號推理解決問題和表示知識的AI類型。

【57】TensorFlow ：由Google開發(fā)的用于構(gòu)建和訓(xùn)練機器學(xué)習(xí)模型的開源機器學(xué)習(xí)平臺。

【58】TPU (Tensor Processing Unit) TPU（張量處理單元）：Google專門開發(fā)的用于加速機器學(xué)習(xí)工作負(fù)載的一種微處理器類型。

【59】Training Data 訓(xùn)練數(shù)據(jù)：用于訓(xùn)練機器學(xué)習(xí)模型的數(shù)據(jù)集。

【60】Transfer Learning 遷移學(xué)習(xí)： 機器學(xué)習(xí)中使用預(yù)訓(xùn)練模型用于新問題的一種方法。

【61】Transformer：主要用于處理自然語言等序列數(shù)據(jù)的一種特定類型的神經(jīng)網(wǎng)絡(luò)架構(gòu)。由于一種叫做“注意力”的機制，Transformer模型能夠處理數(shù)據(jù)中的長距離依賴關(guān)系，這種機制允許模型在產(chǎn)生輸出時權(quán)衡不同輸入的重要性。

【62】Underfitting 欠擬合： 當(dāng)統(tǒng)計模型或機器學(xué)習(xí)算法不能充分捕獲數(shù)據(jù)的基礎(chǔ)結(jié)構(gòu)時發(fā)生的建模錯誤。

【63】Unsupervised Learning 無監(jiān)督學(xué)習(xí)：一種機器學(xué)習(xí)類型，其中模型并未提供帶標(biāo)簽的訓(xùn)練數(shù)據(jù)，而必須自行識別數(shù)據(jù)中的模式。

【64】Validation Data 驗證數(shù)據(jù)：機器學(xué)習(xí)中用于調(diào)整超參數(shù)（即，架構(gòu)，而非權(quán)重）的模型的數(shù)據(jù)集子集，該子集與訓(xùn)練和測試數(shù)據(jù)集分開。

【65】XAI (Explainable AI) XAI（可解釋的AI）： 一種AI子領(lǐng)域，專注于創(chuàng)建提供其決策的清晰和可理解解釋的透明模型。

【66】Zero-shot Learning 零樣本學(xué)習(xí)： 一種機器學(xué)習(xí)類型，其中模型對在訓(xùn)練期間未見過的條件進(jìn)行預(yù)測，無需任何微調(diào)。