Artificial Intelligence · AI
人工智能
研究和构建能够完成识别、推理、学习、生成、规划等任务的系统的广泛领域。不同任务的能力与局限需要分别检验。
ASI.FAN
正在加载…
ASI.FAN
正在加载…
人物 · 概念 · 相关故事
一个名字，一个新词，都可以成为读懂AI的起点。
Artificial Intelligence · AI
研究和构建能够完成识别、推理、学习、生成、规划等任务的系统的广泛领域。不同任务的能力与局限需要分别检验。
Algorithm
为解决一类问题而描述的明确步骤。一个问题能够被表达，不等于总存在可行的算法，也不等于能在有限资源内算完。
Turing Test
源于图灵对模仿游戏的讨论，通过交流中的行为检验机器表现。实验条件影响结论；它不能单独确认意识或所有智能能力。
Symbolic AI
用符号、规则和搜索表示知识、进行推理的一类方法。适合表达明确关系，但复杂情境的知识与搜索空间可能难以处理。
Machine Learning
让系统根据数据或经验调整模型，从而改善特定任务的表现。学到的规律是否适用于新情况，需要另外评估。
Neural Network
由相互连接的数学单元构成的模型，通常通过训练调整参数。它受到生物神经系统启发，但与真实大脑有重要差异。
Combinatorial Explosion
问题稍微变大，待检查的组合就急剧增多。例如每个路口都有多个选择，搜索完整路径可能很快超出计算能力。
Expert System
在一个专业领域中组织知识与推理规则的系统。它的价值依赖知识质量、适用范围和长期维护。
Training Data
用于调整模型的样本或经验。数据的来源、质量、覆盖范围和标注方式，会影响模型的能力、错误与偏差。
Deep Learning
利用多层表示学习数据规律的一类方法。层数多不自动保证更好表现，结构、训练方法、数据与算力需要相互配合。
Backpropagation
把输出误差对参数的影响逐层计算回去，为调整网络提供依据。它是数学计算过程，不是人的反省或心理体验。
Benchmark
在一定数据、任务和规则下比较系统表现的共同测试。一个分数不能代表全部现实能力，测试条件与失败案例同样重要。
Reinforcement Learning
系统通过行动和反馈学习策略，追求设定的长期目标。奖励如何定义、能否安全试错，会影响它最终学到什么。
Attention
根据信息之间的关系，给不同部分分配权重并组合信息的计算方法。这个名称不意味着模型具有人的主观注意体验。
Transformer Architecture
2017年提出、以注意力机制为核心的重要模型结构。后来用于语言、视觉等任务，是许多大模型的基础。
Language Model · LLM · 大语言模型
学习语言数据规律、处理或生成文本的模型。大语言模型的流畅输出，不保证每句话都有事实依据。
Foundation Model
通过广泛数据训练、能够适应一系列任务的模型。这描述了能力复用的方式，不等同于已达到通用或超级智能。
Retrieval-Augmented Generation · RAG
先查找相关资料，再结合资料生成回答的方法。检索、资料质量和引用解释都可能出错，仍然需要核对。
Generative AI
能够产生文本、图像等内容的一类系统。生成内容可以新颖或逼真，但并不因此成为真实事件的记录。
Diffusion Model
学习从噪声中恢复结构，并利用逐步去噪过程生成样本的一类模型。常见于图像生成，也有其他用途。
Hallucination
AI生成无依据或错误内容的常用称呼。它可能表现为编造日期、引用或细节，即使表达流畅、自信。
Multimodal
处理或联系文字、图像、声音等不同形式的信息。具体模型能接收和生成哪些形式，需要看实际说明与开放范围。
Agent
围绕目标选择步骤、调用工具并依据反馈行动的系统形式。能够执行任务，不自动意味着达到AGI或ASI。
Artificial General Intelligence · AGI
关注跨任务的广泛智能能力。对“通用”的范围、表现水平与自主性，研究者采用的定义并不完全一致。
Artificial Superintelligence · ASI
通常指在广泛的重要认知任务上远超人类能力的智能。它是研究与讨论中的概念，不能凭一次演示确认。
AI Alignment
让系统的目标与行为符合人的真实意图和约束。能力很强，与在各种情况下可靠地做正确的事，需要分别研究。
Digital Life
探索数字系统如何延续身份、经历、目标与关系的方向。长期记忆与自主行动是可研究的能力，意识与生命资格仍是开放问题。
这里列出故事涉及的部分人物。每一项进展，也包含合作者、工程师与数据工作者的贡献。
Charles Babbage
设计差分机与分析机，把自动计算与可编程机器的构想推进到具体设计中。
Ada Lovelace
在1843年分析机附注中，讨论机器处理符号以及超出算术的用途。
Alan Turing
为计算理论提供重要基础，并在1950年讨论模仿游戏、学习与“儿童机器”。
John McCarthy
达特茅斯研究计划提出者之一，推动“人工智能”成为共同的研究名称。
Marvin Minsky
人工智能早期研究者与达特茅斯计划提出者之一，研究涉及多种智能问题。
Frank Rosenblatt
感知机研究的重要人物，探索通过经验调整模型判断的学习方式。
Joseph Weizenbaum
ELIZA的创造者，后来持续反思人们如何理解和使用计算机。
Edward Feigenbaum
参与DENDRAL等研究，推动专家系统与知识工程的发展。
Judea Pearl
概率推理与因果研究的重要贡献者，让不确定性获得更系统的表达。
Geoffrey Hinton
神经网络与表示学习的重要研究者，参与1986年反向传播论文和2012年AlexNet工作。
Yann LeCun
卷积网络与基于学习的文档识别等方向的重要研究者。
Fei-Fei Li
与团队推动ImageNet，促进大规模视觉数据与共同评测的发展。
Kaiming He
与张祥雨、任少卿和孙剑共同提出残差网络ResNet，帮助训练更深的视觉模型。
Demis Hassabis
DeepMind联合创始人，参与推动AlphaGo和AlphaFold等研究。
David Silver
强化学习研究者，AlphaGo、AlphaGo Zero等工作的主要作者之一。
Ashish Vaswani
2017年Transformer论文的第一作者；该工作由八位作者共同完成。
Ian Goodfellow
与合作者在2014年提出生成对抗网络GAN，探索一种新的生成模型训练方式。
John Jumper
AlphaFold蛋白质结构预测研究的重要贡献者，2021年相关论文的第一作者。