人工智能术语与缩写完全指南

常用AI缩写列表

AI - 人工智能 ML - 机器学习 DL - 深度学习 ANI - 狭义人工智能 AGI - 通用人工智能 ASI - 超级人工智能 XAI - 可解释人工智能 NN - 神经网络 ANN - 人工神经网络 CNN - 卷积神经网络 RNN - 循环神经网络 LSTM - 长短期记忆网络 GRU - 门控循环单元 GAN - 生成对抗网络 MCP - 模型上下文协议 VAE - 变分自编码器 SVM - 支持向量机 k-NN - k近邻算法 PCA - 主成分分析 NLP - 自然语言处理 NLU - 自然语言理解 NLG - 自然语言生成 LLM - 大语言模型 SLM - 小语言模型 VLM - 视觉语言模型 LMM - 大型多模态模型 RAG - 检索增强生成 GPT - 生成式预训练变换器 BERT - 双向编码器表示变换器 T5 - 文本到文本传输变换器 CLIP - 对比语言-图像预训练 NER - 命名实体识别 S2S - 序列到序列 TF-IDF - 词频-逆文档频率 CV - 计算机视觉 OCR - 光学字符识别 RL - 强化学习 RLHF - 基于人类反馈的强化学习 DPO - 直接偏好优化 PPO - 近端策略优化 DQN - 深度Q网络 MDP - 马尔可夫决策过程 API - 应用程序编程接口 SDK - 软件开发工具包 GPU - 图形处理单元 TPU - 张量处理单元 NPU - 神经处理单元 MLOps - 机器学习运维 ETL - 提取、转换、加载 EDA - 探索性数据分析 ROC - 接收者操作特征曲线 AIaaS - 人工智能即服务 AGI Safety - 通用人工智能安全 AI TRiSM - 人工智能信任、风险和安全治理

AI术语与定义

人工智能（AI）：让计算机或机器执行通常需要人类智能的任务的科学，如学习或解决问题。

机器学习（ML）：计算机通过从数据中寻找模式而不是遵循固定规则来从经验中学习的方法。

深度学习（DL）：一种使用多层计算机"神经元"来理解更复杂事物的机器学习类型，例如识别人脸或理解语言。

神经网络：设计用于模仿人脑工作方式的计算机系统，具有处理信息的人工"神经元"层。

模型：使用数据训练的程序或数学公式，使其能够进行预测或决策。

自然语言处理（NLP）：帮助计算机理解、解释和生成人类语言（如文本或语音）的人工智能领域。

大语言模型（LLM）：一个非常大的AI模型，经过大量数据（文本、图像、视频等）训练，使其能够回答问题、写故事或像人一样聊天。

计算机视觉（CV）：让计算机看到和理解图片和视频的人工智能领域。

AI聊天客户端：让您与AI模型聊天的应用程序。它提供一个聊天窗口，您可以在其中输入问题或消息，AI会做出回应，就像与虚拟助手聊天一样。示例：ChatGPT、Gemini。

多AI聊天客户端：允许您同时与多个AI模型交谈，或让您在同一聊天窗口在不同AI之间切换的应用程序或聊天程序。这样，您可以比较答案、使用不同的AI服务，或为每个任务获得最适合的AI帮助。示例：Geekflare AI。

偏见：当AI系统因为训练数据不完整或不平衡而做出不公平决策时。

算法：计算机遵循以解决问题或处理数据的清晰步骤或指令列表。

聊天机器人：可以与人类进行对话的程序，通常通过文本或语音。

生成式AI：可以通过学习大量示例来创造新事物的人工智能，例如写故事、制作图片或创作音乐。

强化学习（RL）：一种机器学习类型，其中AI代理通过对其行为获得奖励或惩罚来学习决策，有点像学习游戏。

分类器：AI中将数据排序到不同组或类别中的工具（如将电子邮件分类为垃圾邮件或非垃圾邮件）。

RAG（检索增强生成）：AI通过搜索可靠文档或来源（检索）然后使用信息写出有帮助的答案（生成）来更好地回答问题的方法。它结合了搜索和生成。

上下文：帮助AI理解当前情况的背景信息或对话历史。例如，在聊天中，先前的消息为当前问题提供上下文。

令牌：AI模型用于处理语言的小段文本，如单词或单词的一部分。长句子被分解为许多令牌，以便AI能够理解它们。

AI记忆：AI系统记住先前交互或对话中信息的能力，以便能够提供更好、更相关的答案。

GPU（图形处理单元）：一种特殊的计算机芯片，设计用于同时处理大量计算，使其对于快速训练和运行AI模型非常有用。

NLP（自然语言处理）：帮助计算机理解、解释和响应人类语言（书面或口头）的人工智能分支。

意图：人们说话或打字背后的目标或目的；例如，如果有人说"预订航班"，意图是进行航班预订。

NLG（自然语言生成）：基于特定数据或指令创建类似人类的文本或响应的AI技术。

NLU（自然语言理解）：NLP的一部分，专注于帮助计算机真正理解人类语言输入背后的含义。

参数：在训练期间从数据中学到的AI模型内部的值或设置，控制模型如何做出决策。

语义搜索：AI尝试找到查询背后真实含义的搜索方法，而不仅仅是匹配确切的单词，从而给出更智能、更相关的结果。

MCP（模型上下文协议）：关于AI工具和模型如何相互共享和使用背景信息（上下文）的一套规则或系统。它就像是AI的API。

AI网关：管理用户与多个AI模型或工具之间连接的系统或服务，通常将请求定向到最合适的AI。

多模型：描述由多个类型模型构建或能够使用多个类型模型的AI系统，如结合文本、图像和音频模型以给出更完整的答案。

AI函数：AI系统内执行一项工作的特定任务或小型程序，例如翻译文本、总结电子邮件或检测照片中的对象。

评估：测量AI模型表现如何的测试或检查，以确保其给出准确、有帮助的结果。

提示：您向AI系统输入以告诉它您想要什么的内容，如问题或指令。

提示链：将多个提示连接在一起的过程，其中一个的答案成为下一个的问题或起点，创建逐步推理。

幻觉：当AI系统编造听起来令人信服但实际上错误或不基于真实数据的信息时。

向量数据库：一种特殊类型的数据库，将信息存储为数字（向量），以便AI可以快速比较事物并找到相似的项，对于查找相关图像或文档等事情很有用。

AI推理：使用训练好的AI模型对新信息进行预测、回答问题或执行任务的过程。

AI代理：可以做出决策或采取行动以实现特定目标的程序，通常独立工作，有时与人或其他代理通信。

AI人性化器：改变或调整AI生成内容以使其听起来更自然、更像人类的工具或技术，而不是机械或人工的。

AI检测器：分析文本、图像或视频以判断它们是由AI创建还是由真人创建的工具。

嵌入：将单词、句子或图像转换为捕获其含义的数字（向量）的方法，以便AI可以更容易地比较它们。

相似性搜索：查找最相似的文本或图像等内容，通常使用向量和嵌入。

微调：在现有AI模型上进一步训练新的、通常更具体的数据，以改进其在特定工作或领域中的表现。

接地：确保AI答案与实际情况、来源或真实数据相关联，以减少错误或幻觉。

零样本学习：当AI模型可以执行它没有直接训练过的新任务时，仅通过理解指令或上下文。

对话式AI：设计用于以自然的来回方式与人交谈的AI，如聊天机器人和虚拟助手。

AI助手：由AI驱动的助手，可以回答问题、帮助安排约会、发送电子邮件或执行其他任务，全部通过与您聊天完成。示例包括Siri、Alexa和Google Assistant。

上下文窗口：AI聊天客户端一次可以记住的最近对话或文本的限制。如果对话变得太长，旧的部分可能会被遗忘。

模型切换：某些多AI聊天客户端（如Geekflare AI）中的功能，允许您轻松在不同AI模型之间切换以获得不同的观点或答案。