【CNMO新聞】人工智慧（AI）的繁榮發展帶來了大量術語——從“生成式AI”到“合成數據”，這些術語可能很難解析，但對於一些想踏足這個領域的人來說，這些專業術語是必需要了解的。接下來，CNMO將為大家介紹下人工智慧的一些專業術語，希望能幫助大家在這個快速發展的領域中前進。
人工智慧
人工智慧：旨在在機器中複製類人思維的技術。這類能力的一些例子包括識別照片中的人，在工廠工作。
生成式AI：生成式AI是一種可以建立文字、影象、聲音和影片等內容的AI。傳統的人工智慧應用主要對內容進行分類，而生成式人工智慧模型則建立內容。例如，語音識別模型可以識別你的聲音，而生成語音模型可以使用你的聲音建立有聲讀物。最近吸引公眾注意力的幾乎所有模型都是生成的，包括聊天機器人，如OpenAI的ChatGPT；影象建立者，如不亂擴散（Stable Diffusion）和midjourney；語音克隆程式，如esemble。
訓練資料：用於幫助人工智慧模型完成任務的文字、影象、聲音等資訊的集合。在語言模型中，訓練資料集中於基於文字的材料，如書籍、社交媒體上的評論，甚至是程式碼。低質量的訓練資料可能會引入偏見，導致不公平的模型做出種族主義或性別歧視的決定。
演算法偏差：由糟糕的訓練資料和糟糕的程式設計導致的錯誤，導致模型做出有偏見的決定。這些模型可能會基於性別、能力或種族做出不恰當的假設。實際上，這些錯誤會影響決議計劃——從抵押貸款申請到器官移植批准——從而造成嚴重危害。許多批評人工智慧過快發展的人士，便指出了演算法偏見的可能性。
人工通用智慧(AGI)：一種程式的描述，它的能力與人類一樣——甚至比人類更強。雖然全面的通用智慧仍未實現，但模型正在變得越來越複雜。
自主代理：一種既有目標又有足夠工具來實現目標的人工智慧模型。例如，自動駕駛汽車是自主代理，它使用感官輸入、GPS資料和駕駛演算法來獨立決定如何導航和到達目的地。斯坦福大學的研究人員已經證明，一組自主主體甚至可以發展文化和傳統。
提示鏈：使用先前與AI模型的互動來建立更準確的響應過程，特別是在提示驅動的語言建模中。例如，當你讓ChatGPT給你的朋友發簡訊時，你希望它能記住你和她說話的語氣、笑話和以前談話的其他內容。這些技術有助於整合上下文。
大型語言模型(LLM)：人工智慧的一種應用，通常是生成式的。這些模型的特點是規模大：最大的版本GPT-3包含1750億個稱為引數的不同變數，這些引數是在570GB的資料上訓練的。谷歌的PaLm模型更大，有5400億個引數。隨著硬體和軟體的不斷發展，這一規模預計還會增加。它也可能編造學術引用，對你要求它分析的資料撒謊，或者編造訓練資料中沒有的事件事實。
幻覺：幻覺是人工智慧程式的意外和不正確的反應，可能是因為尚未完全瞭解的原因而產生的。當你問如何種植果樹時，語言模型可能會溘然給出生果沙拉食譜。目前還不完全清楚為什麼會發生這種情況，但可能是因為資料稀疏、資訊缺口和錯誤分類造成的。
突發性行為：AI可能證明它並不是專門為之構建的技能。一些例子包括表情符號的解釋、諷刺和使用性別包容的語言。
一致性：努力確保人工智慧系統與其人類操作員具有相同的價值觀和目標。為了使動機達成一致，一致性研究尋求訓練和校準模型，通常使用函式來獎勵或懲罰模型。
多模態人工智慧：一種可以理解和處理多種型別資訊的人工智慧形式，包括文字、影象、語音等。這很強大，因為它允許AI在多個維度上理解和表達自己，從而對任務有更廣泛和更細緻的理解。多模式人工智慧的一個應用就是這個翻譯器，它可以把日語漫畫翻譯成英語。
提示工程：這是給AI一個指令的行為，這樣它就有了實現你的目標所需的環境。提示工程最好與OpenAI的ChatGPT聯絡在一起，它描述了使用者輸入演算法的任務(例如“給我五個流行的嬰兒名字”)。
訓練：訓練是使用資料細化人工智慧的過程，使其更適合任務。人工智慧可以根據你希望它學習的內容輸入資料來訓練，就像把莎士比亞的十四行詩輸入詩歌機器人一樣。你可以在稱為“epoch”的迭代中多次執行此操作，直到你的模型的效能是一致和可靠的。
神經網路：神經網路是一種近似人類思維結構的計算機系統，它們允許一個模型從抽象到具體的建立。
狹義AI：思維單一的一些AI演算法，它們被設計成只能做一件事。如果一個狹義的AI演算法能下跳棋，那它就不能下國際象棋。
【CNMO新聞】人工智慧（AI）的繁榮發展帶來了大量術語——從“生成式AI”到“合成數據”，這些術語可能很難解析，但對於一些想踏足這個領域的人來說，這些專業術語是必需要了解的。接下來，CNMO將為大家介紹下人工智慧的一些專業術語，希望能幫助大家在這個快速發展的領域中前進。
人工智慧
人工智慧：旨在在機器中複製類人思維的技術。這類能力的一些例子包括識別照片中的人，在工廠工作。
生成式AI：生成式AI是一種可以建立文字、影象、聲音和影片等內容的AI。傳統的人工智慧應用主要對內容進行分類，而生成式人工智慧模型則建立內容。例如，語音識別模型可以識別你的聲音，而生成語音模型可以使用你的聲音建立有聲讀物。最近吸引公眾注意力的幾乎所有模型都是生成的，包括聊天機器人，如OpenAI的ChatGPT；影象建立者，如不亂擴散（Stable Diffusion）和midjourney；語音克隆程式，如esemble。
訓練資料：用於幫助人工智慧模型完成任務的文字、影象、聲音等資訊的集合。在語言模型中，訓練資料集中於基於文字的材料，如書籍、社交媒體上的評論，甚至是程式碼。低質量的訓練資料可能會引入偏見，導致不公平的模型做出種族主義或性別歧視的決定。
演算法偏差：由糟糕的訓練資料和糟糕的程式設計導致的錯誤，導致模型做出有偏見的決定。這些模型可能會基於性別、能力或種族做出不恰當的假設。實際上，這些錯誤會影響決議計劃——從抵押貸款申請到器官移植批准——從而造成嚴重危害。許多批評人工智慧過快發展的人士，便指出了演算法偏見的可能性。
人工通用智慧(AGI)：一種程式的描述，它的能力與人類一樣——甚至比人類更強。雖然全面的通用智慧仍未實現，但模型正在變得越來越複雜。
自主代理：一種既有目標又有足夠工具來實現目標的人工智慧模型。例如，自動駕駛汽車是自主代理，它使用感官輸入、GPS資料和駕駛演算法來獨立決定如何導航和到達目的地。斯坦福大學的研究人員已經證明，一組自主主體甚至可以發展文化和傳統。
提示鏈：使用先前與AI模型的互動來建立更準確的響應過程，特別是在提示驅動的語言建模中。例如，當你讓ChatGPT給你的朋友發簡訊時，你希望它能記住你和她說話的語氣、笑話和以前談話的其他內容。這些技術有助於整合上下文。
大型語言模型(LLM)：人工智慧的一種應用，通常是生成式的。這些模型的特點是規模大：最大的版本GPT-3包含1750億個稱為引數的不同變數，這些引數是在570GB的資料上訓練的。谷歌的PaLm模型更大，有5400億個引數。隨著硬體和軟體的不斷發展，這一規模預計還會增加。它也可能編造學術引用，對你要求它分析的資料撒謊，或者編造訓練資料中沒有的事件事實。
幻覺：幻覺是人工智慧程式的意外和不正確的反應，可能是因為尚未完全瞭解的原因而產生的。當你問如何種植果樹時，語言模型可能會溘然給出生果沙拉食譜。目前還不完全清楚為什麼會發生這種情況，但可能是因為資料稀疏、資訊缺口和錯誤分類造成的。
突發性行為：AI可能證明它並不是專門為之構建的技能。一些例子包括表情符號的解釋、諷刺和使用性別包容的語言。
一致性：努力確保人工智慧系統與其人類操作員具有相同的價值觀和目標。為了使動機達成一致，一致性研究尋求訓練和校準模型，通常使用函式來獎勵或懲罰模型。
多模態人工智慧：一種可以理解和處理多種型別資訊的人工智慧形式，包括文字、影象、語音等。這很強大，因為它允許AI在多個維度上理解和表達自己，從而對任務有更廣泛和更細緻的理解。多模式人工智慧的一個應用就是這個翻譯器，它可以把日語漫畫翻譯成英語。
提示工程：這是給AI一個指令的行為，這樣它就有了實現你的目標所需的環境。提示工程最好與OpenAI的ChatGPT聯絡在一起，它描述了使用者輸入演算法的任務(例如“給我五個流行的嬰兒名字”)。
訓練：訓練是使用資料細化人工智慧的過程，使其更適合任務。人工智慧可以根據你希望它學習的內容輸入資料來訓練，就像把莎士比亞的十四行詩輸入詩歌機器人一樣。你可以在稱為“epoch”的迭代中多次執行此操作，直到你的模型的效能是一致和可靠的。
神經網路：神經網路是一種近似人類思維結構的計算機系統，它們允許一個模型從抽象到具體的建立。
狹義AI：思維單一的一些AI演算法，它們被設計成只能做一件事。如果一個狹義的AI演算法能下跳棋，那它就不能下國際象棋。
【CNMO新聞】人工智慧（AI）的繁榮發展帶來了大量術語——從“生成式AI”到“合成數據”，這些術語可能很難解析，但對於一些想踏足這個領域的人來說，這些專業術語是必需要了解的。接下來，CNMO將為大家介紹下人工智慧的一些專業術語，希望能幫助大家在這個快速發展的領域中前進。
人工智慧
人工智慧：旨在在機器中複製類人思維的技術。這類能力的一些例子包括識別照片中的人，在工廠工作。
生成式AI：生成式AI是一種可以建立文字、影象、聲音和影片等內容的AI。傳統的人工智慧應用主要對內容進行分類，而生成式人工智慧模型則建立內容。例如，語音識別模型可以識別你的聲音，而生成語音模型可以使用你的聲音建立有聲讀物。最近吸引公眾注意力的幾乎所有模型都是生成的，包括聊天機器人，如OpenAI的ChatGPT；影象建立者，如不亂擴散（Stable Diffusion）和midjourney；語音克隆程式，如esemble。
訓練資料：用於幫助人工智慧模型完成任務的文字、影象、聲音等資訊的集合。在語言模型中，訓練資料集中於基於文字的材料，如書籍、社交媒體上的評論，甚至是程式碼。低質量的訓練資料可能會引入偏見，導致不公平的模型做出種族主義或性別歧視的決定。
演算法偏差：由糟糕的訓練資料和糟糕的程式設計導致的錯誤，導致模型做出有偏見的決定。這些模型可能會基於性別、能力或種族做出不恰當的假設。實際上，這些錯誤會影響決議計劃——從抵押貸款申請到器官移植批准——從而造成嚴重危害。許多批評人工智慧過快發展的人士，便指出了演算法偏見的可能性。
人工通用智慧(AGI)：一種程式的描述，它的能力與人類一樣——甚至比人類更強。雖然全面的通用智慧仍未實現，但模型正在變得越來越複雜。
自主代理：一種既有目標又有足夠工具來實現目標的人工智慧模型。例如，自動駕駛汽車是自主代理，它使用感官輸入、GPS資料和駕駛演算法來獨立決定如何導航和到達目的地。斯坦福大學的研究人員已經證明，一組自主主體甚至可以發展文化和傳統。
提示鏈：使用先前與AI模型的互動來建立更準確的響應過程，特別是在提示驅動的語言建模中。例如，當你讓ChatGPT給你的朋友發簡訊時，你希望它能記住你和她說話的語氣、笑話和以前談話的其他內容。這些技術有助於整合上下文。
大型語言模型(LLM)：人工智慧的一種應用，通常是生成式的。這些模型的特點是規模大：最大的版本GPT-3包含1750億個稱為引數的不同變數，這些引數是在570GB的資料上訓練的。谷歌的PaLm模型更大，有5400億個引數。隨著硬體和軟體的不斷發展，這一規模預計還會增加。它也可能編造學術引用，對你要求它分析的資料撒謊，或者編造訓練資料中沒有的事件事實。
幻覺：幻覺是人工智慧程式的意外和不正確的反應，可能是因為尚未完全瞭解的原因而產生的。當你問如何種植果樹時，語言模型可能會溘然給出生果沙拉食譜。目前還不完全清楚為什麼會發生這種情況，但可能是因為資料稀疏、資訊缺口和錯誤分類造成的。
突發性行為：AI可能證明它並不是專門為之構建的技能。一些例子包括表情符號的解釋、諷刺和使用性別包容的語言。
一致性：努力確保人工智慧系統與其人類操作員具有相同的價值觀和目標。為了使動機達成一致，一致性研究尋求訓練和校準模型，通常使用函式來獎勵或懲罰模型。
多模態人工智慧：一種可以理解和處理多種型別資訊的人工智慧形式，包括文字、影象、語音等。這很強大，因為它允許AI在多個維度上理解和表達自己，從而對任務有更廣泛和更細緻的理解。多模式人工智慧的一個應用就是這個翻譯器，它可以把日語漫畫翻譯成英語。
提示工程：這是給AI一個指令的行為，這樣它就有了實現你的目標所需的環境。提示工程最好與OpenAI的ChatGPT聯絡在一起，它描述了使用者輸入演算法的任務(例如“給我五個流行的嬰兒名字”)。
訓練：訓練是使用資料細化人工智慧的過程，使其更適合任務。人工智慧可以根據你希望它學習的內容輸入資料來訓練，就像把莎士比亞的十四行詩輸入詩歌機器人一樣。你可以在稱為“epoch”的迭代中多次執行此操作，直到你的模型的效能是一致和可靠的。
神經網路：神經網路是一種近似人類思維結構的計算機系統，它們允許一個模型從抽象到具體的建立。
狹義AI：思維單一的一些AI演算法，它們被設計成只能做一件事。如果一個狹義的AI演算法能下跳棋，那它就不能下國際象棋。
【CNMO新聞】人工智慧（AI）的繁榮發展帶來了大量術語——從“生成式AI”到“合成數據”，這些術語可能很難解析，但對於一些想踏足這個領域的人來說，這些專業術語是必需要了解的。接下來，CNMO將為大家介紹下人工智慧的一些專業術語，希望能幫助大家在這個快速發展的領域中前進。
人工智慧
人工智慧：旨在在機器中複製類人思維的技術。這類能力的一些例子包括識別照片中的人，在工廠工作。
生成式AI：生成式AI是一種可以建立文字、影象、聲音和影片等內容的AI。傳統的人工智慧應用主要對內容進行分類，而生成式人工智慧模型則建立內容。例如，語音識別模型可以識別你的聲音，而生成語音模型可以使用你的聲音建立有聲讀物。最近吸引公眾注意力的幾乎所有模型都是生成的，包括聊天機器人，如OpenAI的ChatGPT；影象建立者，如不亂擴散（Stable Diffusion）和midjourney；語音克隆程式，如esemble。
訓練資料：用於幫助人工智慧模型完成任務的文字、影象、聲音等資訊的集合。在語言模型中，訓練資料集中於基於文字的材料，如書籍、社交媒體上的評論，甚至是程式碼。低質量的訓練資料可能會引入偏見，導致不公平的模型做出種族主義或性別歧視的決定。
演算法偏差：由糟糕的訓練資料和糟糕的程式設計導致的錯誤，導致模型做出有偏見的決定。這些模型可能會基於性別、能力或種族做出不恰當的假設。實際上，這些錯誤會影響決議計劃——從抵押貸款申請到器官移植批准——從而造成嚴重危害。許多批評人工智慧過快發展的人士，便指出了演算法偏見的可能性。
人工通用智慧(AGI)：一種程式的描述，它的能力與人類一樣——甚至比人類更強。雖然全面的通用智慧仍未實現，但模型正在變得越來越複雜。
自主代理：一種既有目標又有足夠工具來實現目標的人工智慧模型。例如，自動駕駛汽車是自主代理，它使用感官輸入、GPS資料和駕駛演算法來獨立決定如何導航和到達目的地。斯坦福大學的研究人員已經證明，一組自主主體甚至可以發展文化和傳統。
提示鏈：使用先前與AI模型的互動來建立更準確的響應過程，特別是在提示驅動的語言建模中。例如，當你讓ChatGPT給你的朋友發簡訊時，你希望它能記住你和她說話的語氣、笑話和以前談話的其他內容。這些技術有助於整合上下文。
大型語言模型(LLM)：人工智慧的一種應用，通常是生成式的。這些模型的特點是規模大：最大的版本GPT-3包含1750億個稱為引數的不同變數，這些引數是在570GB的資料上訓練的。谷歌的PaLm模型更大，有5400億個引數。隨著硬體和軟體的不斷發展，這一規模預計還會增加。它也可能編造學術引用，對你要求它分析的資料撒謊，或者編造訓練資料中沒有的事件事實。
幻覺：幻覺是人工智慧程式的意外和不正確的反應，可能是因為尚未完全瞭解的原因而產生的。當你問如何種植果樹時，語言模型可能會溘然給出生果沙拉食譜。目前還不完全清楚為什麼會發生這種情況，但可能是因為資料稀疏、資訊缺口和錯誤分類造成的。
突發性行為：AI可能證明它並不是專門為之構建的技能。一些例子包括表情符號的解釋、諷刺和使用性別包容的語言。
一致性：努力確保人工智慧系統與其人類操作員具有相同的價值觀和目標。為了使動機達成一致，一致性研究尋求訓練和校準模型，通常使用函式來獎勵或懲罰模型。
多模態人工智慧：一種可以理解和處理多種型別資訊的人工智慧形式，包括文字、影象、語音等。這很強大，因為它允許AI在多個維度上理解和表達自己，從而對任務有更廣泛和更細緻的理解。多模式人工智慧的一個應用就是這個翻譯器，它可以把日語漫畫翻譯成英語。
提示工程：這是給AI一個指令的行為，這樣它就有了實現你的目標所需的環境。提示工程最好與OpenAI的ChatGPT聯絡在一起，它描述了使用者輸入演算法的任務(例如“給我五個流行的嬰兒名字”)。
訓練：訓練是使用資料細化人工智慧的過程，使其更適合任務。人工智慧可以根據你希望它學習的內容輸入資料來訓練，就像把莎士比亞的十四行詩輸入詩歌機器人一樣。你可以在稱為“epoch”的迭代中多次執行此操作，直到你的模型的效能是一致和可靠的。
神經網路：神經網路是一種近似人類思維結構的計算機系統，它們允許一個模型從抽象到具體的建立。
狹義AI：思維單一的一些AI演算法，它們被設計成只能做一件事。如果一個狹義的AI演算法能下跳棋，那它就不能下國際象棋。
【CNMO新聞】人工智慧（AI）的繁榮發展帶來了大量術語——從“生成式AI”到“合成數據”，這些術語可能很難解析，但對於一些想踏足這個領域的人來說，這些專業術語是必需要了解的。接下來，CNMO將為大家介紹下人工智慧的一些專業術語，希望能幫助大家在這個快速發展的領域中前進。
人工智慧
人工智慧：旨在在機器中複製類人思維的技術。這類能力的一些例子包括識別照片中的人，在工廠工作。
生成式AI：生成式AI是一種可以建立文字、影象、聲音和影片等內容的AI。傳統的人工智慧應用主要對內容進行分類，而生成式人工智慧模型則建立內容。例如，語音識別模型可以識別你的聲音，而生成語音模型可以使用你的聲音建立有聲讀物。最近吸引公眾注意力的幾乎所有模型都是生成的，包括聊天機器人，如OpenAI的ChatGPT；影象建立者，如不亂擴散（Stable Diffusion）和midjourney；語音克隆程式，如esemble。
訓練資料：用於幫助人工智慧模型完成任務的文字、影象、聲音等資訊的集合。在語言模型中，訓練資料集中於基於文字的材料，如書籍、社交媒體上的評論，甚至是程式碼。低質量的訓練資料可能會引入偏見，導致不公平的模型做出種族主義或性別歧視的決定。
演算法偏差：由糟糕的訓練資料和糟糕的程式設計導致的錯誤，導致模型做出有偏見的決定。這些模型可能會基於性別、能力或種族做出不恰當的假設。實際上，這些錯誤會影響決議計劃——從抵押貸款申請到器官移植批准——從而造成嚴重危害。許多批評人工智慧過快發展的人士，便指出了演算法偏見的可能性。
人工通用智慧(AGI)：一種程式的描述，它的能力與人類一樣——甚至比人類更強。雖然全面的通用智慧仍未實現，但模型正在變得越來越複雜。
自主代理：一種既有目標又有足夠工具來實現目標的人工智慧模型。例如，自動駕駛汽車是自主代理，它使用感官輸入、GPS資料和駕駛演算法來獨立決定如何導航和到達目的地。斯坦福大學的研究人員已經證明，一組自主主體甚至可以發展文化和傳統。
提示鏈：使用先前與AI模型的互動來建立更準確的響應過程，特別是在提示驅動的語言建模中。例如，當你讓ChatGPT給你的朋友發簡訊時，你希望它能記住你和她說話的語氣、笑話和以前談話的其他內容。這些技術有助於整合上下文。
大型語言模型(LLM)：人工智慧的一種應用，通常是生成式的。這些模型的特點是規模大：最大的版本GPT-3包含1750億個稱為引數的不同變數，這些引數是在570GB的資料上訓練的。谷歌的PaLm模型更大，有5400億個引數。隨著硬體和軟體的不斷發展，這一規模預計還會增加。它也可能編造學術引用，對你要求它分析的資料撒謊，或者編造訓練資料中沒有的事件事實。
幻覺：幻覺是人工智慧程式的意外和不正確的反應，可能是因為尚未完全瞭解的原因而產生的。當你問如何種植果樹時，語言模型可能會溘然給出生果沙拉食譜。目前還不完全清楚為什麼會發生這種情況，但可能是因為資料稀疏、資訊缺口和錯誤分類造成的。
突發性行為：AI可能證明它並不是專門為之構建的技能。一些例子包括表情符號的解釋、諷刺和使用性別包容的語言。
一致性：努力確保人工智慧系統與其人類操作員具有相同的價值觀和目標。為了使動機達成一致，一致性研究尋求訓練和校準模型，通常使用函式來獎勵或懲罰模型。
多模態人工智慧：一種可以理解和處理多種型別資訊的人工智慧形式，包括文字、影象、語音等。這很強大，因為它允許AI在多個維度上理解和表達自己，從而對任務有更廣泛和更細緻的理解。多模式人工智慧的一個應用就是這個翻譯器，它可以把日語漫畫翻譯成英語。
提示工程：這是給AI一個指令的行為，這樣它就有了實現你的目標所需的環境。提示工程最好與OpenAI的ChatGPT聯絡在一起，它描述了使用者輸入演算法的任務(例如“給我五個流行的嬰兒名字”)。
訓練：訓練是使用資料細化人工智慧的過程，使其更適合任務。人工智慧可以根據你希望它學習的內容輸入資料來訓練，就像把莎士比亞的十四行詩輸入詩歌機器人一樣。你可以在稱為“epoch”的迭代中多次執行此操作，直到你的模型的效能是一致和可靠的。
神經網路：神經網路是一種近似人類思維結構的計算機系統，它們允許一個模型從抽象到具體的建立。
狹義AI：思維單一的一些AI演算法，它們被設計成只能做一件事。如果一個狹義的AI演算法能下跳棋，那它就不能下國際象棋。
