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。