5分钟内了解10个关键的AI概念-CSDN博客

本文链接：https://blog.csdn.net/m0_59614665/article/details/143431250

人工智能每天都出现在头条新闻中，而且发展速度越来越快，毫无疑问已成为人们热议的话题。要及时了解人工智能在工作和日常生活中提供的一切，就需要清楚地了解围绕这一技术现象的关键概念。

本文提供了 5 分钟的阅读时间，可深入了解人工智能的基本组成部分，从算法和训练数据等基础概念到生成式人工智能和道德考量等前沿趋势和主题。无论您是人工智能新手还是想复习知识，本快速指南都可让您牢固掌握推动当今技术革命的 10 个关键概念。

AI 就是人工智能英文 Artificial Intelligence 的缩写。

当然，没有比定义人工智能本身更好的方法来开始对基本人工智能概念的了解了。人工智能是一门计算机科学学科，它研究能够使用类似于某些人类认知过程的能力来执行和解决各种复杂任务的系统的发展：学习、推理、进行推理和预测、优化、任务自动化等等。大多数人工智能系统都旨在获得这些“智能”技能中的一项或一小部分来执行特定任务。这与通用人工智能 (Artificial General Intelligence，AGI) 的概念形成鲜明对比，后者旨在以更广泛的意义复制人类水平的智能，以便单个系统能够解决广泛的活动。许多专家声称真正的人工智能尚未实现，尽管大多数先进的 LLM 和自动驾驶汽车都是可以定位在“狭义”人工智能和 AGI 之间的系统的例子。

人工智能已经发展得如此之快，以至于它不再被视为计算机科学的一个分支，而是一门独立的学科。因此，它有几个密切相关的子领域，我们将在接下来的一些概念中探讨其中的一些。

AI 算法和模型

人工智能算法和人工智能模型是一样的吗？不完全一样。算法是一组解决问题的指令，在人工智能算法中，这些指令旨在让计算机能够自行学习如何解决问题。而人工智能模型就像一个预先构建的盒子，其中包含通过接触数据而进行的学习（或训练）过程的结果：将人工智能模型视为一种随时可用的解决方案，可根据新数据进行预测或执行任务。

机器学习

毫无疑问，人工智能中最大的子领域是机器学习 (Machine Learning，ML)，它专注于从数据中学习以执行诸如分类图像、估算销售额和检测可疑银行交易等任务的系统。ML 经常与 AI 互换使用，但如上图所示，ML 仍然只是 AI 的一部分，与其他子领域一样。尽管如此，当今最先进和进化的 ML 系统形式旨在与其他 AI 领域紧密重叠。

训练数据

机器学习和人工智能（更具体地说是机器学习）模型构建中的一个核心概念是训练数据。这些数据用于教导模型如何识别模式并做出预测。例如，通过处理由不同鸟类图像组成的大量训练数据，模型逐渐学会识别数据中的模式，从而帮助区分一个物种与另一个物种，最终完成它所设计的特定任务，例如图像分类。

深度学习和计算机视觉

深度学习（Deep Learning）是机器学习的一个高级分支，专门处理更具挑战性的问题和复杂的数据，使用模仿人类和动物大脑运作方式的人工神经网络架构。深度学习模型的主要应用之一是计算机视觉（Computer Vision，CV）任务，这涉及使机器能够理解视觉信息，例如识别图像或视频中的物体。

自然语言处理

自然语言处理 (Natural Language Processing，NLP) 是另一个面向应用的 AI 领域，与计算机视觉一样，它与当今的深度学习架构紧密结合：它专注于处理、理解和生成人类语言（文本和语音）相关的任务，从而帮助实现人机通信。NLP 任务的示例包括分析和分类文本、摘要、翻译和问答。

生成式 AI

生成式人工智能是指经过训练的人工智能系统，通过从现有数据中学习模式，创建新内容（如文本、图像或音乐）。人工智能的这一领域主要建立在先进的深度学习架构之上，也是我们今天见证的大量可用应用和工具的背后原因，这些应用和工具让人工智能功能（尤其是与创造力相关的功能）更接近大众。

LLM

大型语言模型 (Large Language Models，LLM) 是规模巨大的 AI 系统：它们在庞大的文本数据集（多达数十亿个文档）上进行训练，以前所未有的水平理解和生成类似人类的语言。ChatGPT 和 Claude 等工具是现实世界中部署的 LLM 的著名示例。

如果你用谷歌翻译的话，LLM 通常被翻译成“法学硕士”

负责任的人工智能

负责任的人工智能是一门研究课题，重点是开发人工智能系统的道德开发和部署框架，以确保公平、透明和问责。LLM、高级计算机视觉系统等最新人工智能系统的功能越强大，就越应该重视负责任的人工智能实践，以确保以正确的方式使用这些强大的工具。

人工智能偏见

负责任的人工智能的核心概念，具体体现在公平和道德的视角下。人工智能偏见是指人工智能系统产生不公平的结果或决定，这通常是由于其训练数据中存在偏见。例如，如果一个接受或拒绝银行贷款申请的训练系统接受的数据是大多数低收入客户被拒绝贷款，那么该系统可能会在对未来客户进行分类时无意中产生偏见。好消息是，有一些技术可以帮助减轻这些偏见。