TechCrunch揭示了全面的AI詞彙表

人工智能是一個複雜且不斷發展的領域。潛入該領域的科學家經常使用專門的術語，這可能使我們其他人很難跟上。這就是為什麼我們創建了這個詞彙表的原因，可以幫助您了解我們在AI行業中使用的關鍵術語和短語。我們將隨著新的術語和概念的出現，將其更新，以反映AI研究中最新的進步和潛在風險。

AI代理AI代理是一種利用AI技術來處理一系列任務的工具 - 超越了簡單的AI Chatbot可以做的事情。想一想諸如提交費用，預訂旅行或餐廳預訂，甚至管理和編寫代碼之類的事情。但是，“ AI代理”一詞的含義可以根據您的要求而有所不同。完全意識到其潛力的基礎架構仍在開發中，但是核心思想是一個自主系統，可以利用多個AI系統執行多步驟任務。

當面對一個直接的問題時，諸如“哪個動物更高，長頸鹿或貓？”的思想鏈時，您的大腦通常可以不用努力就回答。但是，對於更棘手的問題，例如弄清楚農民知道有40頭和120條腿的農民有多少隻雞和奶牛 - 您可能需要記下一些方程式（在這種情況下為20隻雞和20頭母牛）。

在AI中，經過思考的推理涉及將問題分解為較小的中間步驟，以提高最終結果的準確性。它可能需要更長的時間，但是在邏輯或編碼方案中特別有用。這些推理模型建立在傳統的大型語言模型上，並通過加強學習進行精煉。

（請參閱：大語言模型）

深度學習深度學習是一種使用多層人工神經網絡（ANN）結構的一種自我改善的機器學習。與線性模型或決策樹等簡單的機器學習方法相比，這種設置允許更複雜的相關性。深度學習算法的設計從人腦中的神經途徑中汲取靈感。

深度學習模型可以自己識別數據中的關鍵特徵，而無需人類來定義它們。他們還從錯誤中學習，通過重複和調整隨著時間的推移而改善。但是，它們需要大量數據（數百萬分）才能表現良好，並且訓練需要比簡單的模型更長，這可以提高開發成本。

（請參閱：神經網絡）

微調微調涉及進一步培訓AI模型，以使用新的專用數據來提高特定任務或領域的性能。許多AI初創公司從大型語言模型開始，然後使用自己的特定領域知識對其進行微調以更好地服務於特定的行業或任務。

（請參閱：大語言模型[LLM]）

大型語言模型（LLM）大型語言模型或LLM，Power流行的AI助手，例如Chatgpt，Claude，Google的Gemini，Meta的AI Llama，Microsoft Copilot和Misstral的LE Chat。當您與這些助手聊天時，您將與處理請求的LLM進行交互，通常使用Web瀏覽或代碼解釋器之類的工具。

AI助手和LLM可以用不同的名稱使用。例如，GPT是OpenAI的大型語言模型，而Chatgpt是AI助理產品。

LLM是深度神經網絡，具有數十億個參數（或權重），它們可以學習單詞和短語如何相互關係，從而創建多維語言圖。他們對書籍，文章和成績單中的大量文字進行了培訓。當您給LLM提示時，它會根據最可能的模式生成響應，並根據以前的內容預測下一個單詞。

（請參閱：神經網絡）

神經網絡神經網絡是多層算法結構，構成了深度學習和生成AI工具的激增，尤其是在大型語言模型開始發揮作用之後。

模仿人腦的數據處理途徑的概念可以追溯到1940年代。但是，由於視頻遊戲行業，圖形處理單元（GPU）的興起確實使這個想法栩栩如生。這些芯片允許培訓更多層的培訓算法，從而在語音識別，自動導航和藥物發現等領域的性能顯著提高。

（請參閱：大語言模型[LLM]）

重量重量在AI訓練中至關重要，因為它們確定對訓練數據中不同特徵的重要性（或權重），從而塑造了AI模型的輸出。從本質上講，權重是數值參數，可以突出顯示手頭任務中最相關的內容。它們通過乘以輸入來起作用。

訓練通常從隨機分配的權重開始，然後隨著時間的推移隨時間進行調整，因為該模型試圖產生與目標更匹配的輸出。例如，預測住房價格的AI模型可能會為諸如臥室和浴室數量的因素（無論是分離的還是半獨立的）等因素分配權重，無論是停車還是車庫。這些權重反映了根據所使用的數據，每個因素都會影響物業的價值。