A
-
AGI (Artificial General Intelligence): 通用人工智能,指在各方面都能与人类智能相媲美的人工智能系统。
-
AI (Artificial Intelligence): 人工智能,指由机器展示出来的智能,这些机器通过执行通常需要人类智能的任务来模拟人类智能。
-
AI Agent: 智能体,指在环境中感知并采取行动以实现目标的实体。
-
AI Ethics: 人工智能伦理学,指研究人工智能系统在道德、法律和社会层面的影响和应用的领域。
-
AIGC (AI-Generated Content): 人工智能生成内容,指使用人工智能技术生成的文本、图像、音频或视频内容。
-
Algorithm: 算法,指解决特定问题的一组指令或步骤。
-
ANN (Artificial Neural Network): 人工神经网络,一种受人类大脑结构和功能启发的计算模型。
-
Autoencoder: 自编码器,一种用于无监督学习的神经网络模型,旨在通过将输入数据压缩到较低维度并重建它来进行特征学习。
B
-
Behavioral Cloning: 行为克隆,一种机器学习技术,用于训练模型模仿人类行为或模式。
-
Benchmarking: 基准测试,一种比较不同模型或算法性能的方法。
-
Big Data: 大数据,指数据量非常大、复杂且增长迅速的数据集。
-
BI (Business Intelligence): 商业智能,指用于支持决策制定、性能管理和数据驱动策略的技术、工具和方法的集合。
-
Biometrics: 生物识别技术,使用个体的生物特征(如指纹、面部特征或虹膜)进行身份验证或识别的技术。
C
-
Chatbot: 聊天机器人,一种使用自然语言处理和机器学习技术与人类进行交互的计算机程序。
-
Clustering: 聚类,一种无监督学习技术,用于将数据点分成具有相似特征的组。
-
Collaborative Filtering: 协同过滤,一种用于推荐系统和社交网络分析的技术,通过分析用户或物品之间的交互来生成个性化的建议或预测。
-
Computer Vision: 计算机视觉,指使计算机能够从图像或视频中提取信息和理解场景的领域。
-
Convolutional Neural Network (CNN): 卷积神经网络,一种用于处理具有网格拓扑结构的数据(如图像)的神经网络。
-
Content-Based Filtering: 内容过滤,一种推荐系统技术,根据用户的历史兴趣或行为向他们推荐类似的项目。
-
Crowdsourcing: 众包,一种通过互联网将任务或项目分配给多个人以获得解决方案的方法。
D
-
Data Analytics: 数据分析,从数据中提取有用信息和见解的过程。
-
Data Augmentation: 数据增强,通过应用随机变换来增加训练数据集大小的技术。
-
Data Fusion: 数据融合,将来自不同源的数据合并、集成和综合以获得更全面、准确和一致的信息的过程。
-
Data Mining: 数据挖掘,从大量数据中提取模式、关联和趋势的过程。
-
Data Wrangling: 数据处理,数据准备和清理的过程。
-
Deep Learning: 深度学习,基于人工神经网络的机器学习方法,其中模型具有多个处理层。
-
Differential Privacy: 差分隐私,一种用于保护个人数据隐私的技术。
-
Digital Twin: 数字孪生,物理对象或系统的虚拟表示,用于模拟其行为、性能和状态。
E
-
Edge Computing: 边缘计算,将计算和存储资源放置在数据源附近以减少延迟和带宽使用的计算模型。
-
Ensemble Learning: 集成学习,通过结合多个模型的预测来提高性能的机器学习方法。
-
Emotion Recognition: 情绪识别,使用人工智能技术识别和分类人类情绪。
-
Entropy: 熵,一种度量随机性或不确定性的指标。
-
Expert System: 专家系统,基于规则的系统,旨在模拟人类专家的决策过程。
-
Explainable AI (XAI): 可解释的人工智能,开发能够以人类可理解的方式解释其决策或预测的人工智能系统。
-
Explainable Machine Learning: 可解释机器学习,开发能够以人类可理解的方式解释其预测或决策的机器学习模型的方法。
F
-
Facial Recognition: 面部识别,使用个体的面部特征进行身份验证或识别的技术。
-
Fairness in AI: 人工智能公平性,确保人工智能系统在对待不同个体或群体时不带偏见或歧视的实践。
-
Feature Engineering: 特征工程,从原始数据中提取有用特征的技术。
-
Feature Selection: 特征选择,从数据集中选择最相关的特征以用于机器学习模型的过程。
-
Federated Learning: 联邦学习,在多个分散的数据源上训练机器学习模型的方法,同时保持数据的本地化。
-
Fine-Tuning: 微调,在预训练模型上进行微调以适应特定任务或数据集的过程。
G
-
GAN (Generative Adversarial Network): 生成对抗网络,由两个相互竞争的神经网络组成的模型,一个生成数据,另一个评估其真实性。
-
Graph Neural Network (GNN): 图神经网络,用于处理图结构数据的神经网络模型。
H
-
Hallucinate: 幻想,在生成模型中产生与输入不相关的输出或错误信息。
-
Human-AI Collaboration: 人机协作,人类和人工智能系统之间的合作和协调以实现共同的目标或任务。
-
Human-Computer Interaction (HCI): 人机交互,人类与计算机系统之间的交互和通信。
-
Hybrid System: 混合系统,结合了连续和离散组件的系统。
I
-
Image Processing: 图像处理,对图像进行操作以改善其质量、提取信息或转换其表示形式的过程。
-
Instance-Based Learning: 基于实例的学习,机器学习方法,其中模型通过将新数据与存储的示例进行比较来进行预测。
-
Intelligent Automation: 智能自动化,使用人工智能技术自动化和增强业务流程、工作流程和任务执行的方法。
-
Intelligent Personal Assistant: 智能个人助理,使用人工智能技术提供个性化建议、信息和帮助的虚拟助手。
-
Interpretable AI: 可解释的人工智能,关注开发可解释、可理解的人工智能系统的研究领域。
-
Internet of Things (IoT): 物联网,通过互联网连接和交换数据的物理对象网络。
K
-
K-Means Clustering: K均值聚类,一种无监督学习算法,将数据点聚类为K个组,使得组内距离最小化。
-
Knowledge Graph: 知识图谱,表示知识和关系的图结构。
-
Knowledge Representation: 知识表示,在计算机系统中表示和组织知识的方法和技术。
L
-
Lifelong Learning: 终身学习,人工智能系统能够随着时间的推移持续学习和改进的能力。
-
LLM (Large Language Model): 大型语言模型,具有大量参数和强大语言理解能力的神经网络模型。
M
-
Machine Learning (ML): 机器学习,使计算机能够从数据中学习和改进性能而无需明确编程的领域。
-
Machine Perception: 机器感知,使计算机能够感知和解释物理世界中的刺激的领域。
-
Meta-Learning: 元学习,通过在各种任务上进行训练来学习如何快速适应新任务的学习算法。
-
Multimodal AI: 多模态人工智能,能够处理和理解多种信息模式的人工智能系统。
N
-
Natural Language Generation (NLG): 自然语言生成,使用人工智能技术生成人类可读的自然语言文本。
-
Natural Language Processing (NLP): 自然语言处理,使计算机能够理解、解释和生成人类语言的领域。
-
Neural Architecture Search (NAS): 神经架构搜索,自动化设计神经网络架构的过程。
-
Neuromorphic Computing: 神经形态计算,受人类大脑结构和功能启发的计算范式。
-
Neuro-Symbolic AI: 神经符号人工智能,结合了神经网络和符号推理的人工智能方法。
O
-
Online Learning: 在线学习,人工智能系统能够从实时数据流中学习和适应的能力。
-
OpenAI: OpenAI,一个非营利组织,致力于确保人工智能造福全人类。
-
Optimization: 优化,在满足某些约束条件的情况下找到最佳解决方案的过程。
P
-
Personalization: 个性化,根据个体的偏好、需求或行为来定制产品、服务或体验。
-
Personalized Learning: 个性化学习,根据个体的需求、兴趣和能力来定制学习体验的方法。
-
Predictive Analytics: 预测分析,使用数据、统计算法和机器学习技术来预测未来事件或行为。
-
Probabilistic Programming: 概率编程,使用概率模型和推理来解决不确定性问题的编程范式。
-
Prompt Engineering: 提示工程,设计提示或上下文以引导大型语言模型生成相关和有用输出的过程。
Q
-
Quantum Computing: 量子计算,利用量子力学原理进行计算的计算模型。
-
Quantum Machine Learning: 量子机器学习,利用量子计算的优势来加速机器学习算法的执行或改进其性能的方法。
R
-
RAG (Retrieval-Augmented Generation): 检索增强生成,结合了检索和生成的神经网络模型。
-
Recurrent Neural Network (RNN): 循环神经网络,用于处理序列数据的神经网络。
-
Reinforcement Learning (RL): 强化学习,使智能体能够通过与环境交互来学习最优行为的机器学习方法。
-
Robustness: 鲁棒性,模型在面对扰动、噪声或对抗样本时的稳定性和可靠性。
-
Robotics: 机器人技术,设计、构建和操作机器人以执行各种任务的领域。
-
Robot Operating System (ROS): 机器人操作系统,用于开发机器人软件的灵活框架。
S
-
Semantic Search: 语义搜索,根据查询的意图和语义返回相关结果的搜索方法。
-
Sentiment Analysis: 情感分析,使用人工智能技术识别和分类文本中的情感。
-
Self-Supervised Learning: 自监督学习,机器学习方法,通过在未标记的数据上设置预测目标来自行学习表示。
-
Simulation: 模拟,使用模型或系统来模拟真实世界中的过程或现象。
-
Speech Recognition: 语音识别,将人类语音转换为文本或命令的技术。
-
Supervised Learning: 监督学习,机器学习方法,其中模型使用标记的数据进行训练以学习输入和输出之间的映射。
-
Swarm Intelligence: 群体智能,由简单个体组成的群体通过协作和自组织来解决复杂问题的能力。
T
-
Token: 标记,在自然语言处理中,将文本拆分为具有独立含义的单位(如单词或子词)。
-
Topic Modeling: 主题建模,无监督学习技术,用于发现文本数据中的潜在主题或主题结构。
-
Transfer Learning: 迁移学习,将从一个领域或任务中学习到的知识迁移到另一个领域或任务中的方法。
U
-
Uncertainty Quantification: 不确定性量化,评估模型预测的不确定性或置信度的方法。
-
Unsupervised Learning: 无监督学习,机器学习方法,其中模型使用未标记的数据进行训练以发现数据中的隐藏模式或结构。
-
Unstructured Data: 非结构化数据,没有明确定义的模式或结构的数据。
V
-
Vector Space Model: 向量空间模型,将文本数据表示为向量的方法,以便于计算和分析。
-
Vision Processing: 视觉处理,对图像或视频进行操作以提取信息或执行任务的过程。
-
Voice User Interface (VUI): 语音用户界面,使用语音与计算机或移动设备进行交互的界面。
W
-
Wearable Technology: 可穿戴技术,可穿戴的计算机或移动设备,如智能手表、健康追踪器和增强现实眼镜。
-
Word Embedding: 词嵌入,将单词映射到低维向量的方法,以便于计算和分析。